Клетки текстура: D0 ba d0 bb d0 b5 d1 82 d0 ba d0 b0 d1 82 d0 b5 d1 82 d1 80 d0 b0 d0 b4 d1 8c d1 82 d0 b5 d0 ba d1 81 d1 82 d1 83 d1 80 d0 b0 векторы, картинки, клипарт D0 ba d0 bb d0 b5 d1 82 d0 ba d0 b0 d1 82 d0 b5 d1 82 d1 80 d0 b0 d0 b4 d1 8c d1 82 d0 b5 d0 ba d1 81 d1 82 d1 83 d1 80 d0 b0

Задать вопрос о прямой диван Вектор, велюр текстура индиго/шенилл клетка азур

— Укажите свое имя

— Укажите вопрос

— Укажите телефон или адрес электронной почты

Силиконовый матовый непрозрачный чехол текстура Клетка для Huawei P Smart (2021)

Артикул: 76721

* — по акции «Купи комплект»

Цвет:

• Черный

• Зеленый

Черный

Зеленый

Выберите цвет товара:

/var/www/100gadgets. ru/public_html/catalog/view/theme/default/template/product/product_5_8.tpl

Добавить в корзину

Купить в 1 клик

Комплекты товаров со скидкой

-30%

+

Износоустойчивое

Премиум 3D сверхпрочное сколостойкое защитное стекло Pinwuyo для Huawei P Smart (2021)/Honor 10X Lite

-30%

+

64Гб + 160Мб/с

Карта памяти SanDisk Extreme MicroSDXC Class 10 V30 A2 160 Мб/с 64 Гб

-30%

+

350мАч

Беспроводные наушники True Wireless Bluetooth 5. 0 с магнитным зарядным кейсом 350мАч

с экраном и ф-ей powerbank 2000мАч

Беспроводные влагозащищенные (IPX7) наушники True Wireless Bluetooth 5.0 с магнитным зарядным кейсом 2000мАч с LED-дисплеем и функцией повербанка

с экраном и ф-ей powerbank 3500мАч

Беспроводные влагозащищенные (IPX7) наушники True Wireless Bluetooth 5.0 с магнитным зарядным кейсом 3500мАч с LED-дисплеем и функцией повербанка

-30%

+

10000 mAh

Компактное портативное зарядное устройство 10000 mAh li-pol с LED-индикацией заряда и 2 разъемами USB с принтом

10000 mAh

Компактное портативное зарядное устройство 10000 mAh li-pol с LED-индикацией заряда и 2 разъемами USB

20000 mAh

Портативное зарядное устройство 20000mAh с 3-я разъемами (2хUSB и 1хType-C, 5V/2A) и LED-индикацией заряда

20000 mAh + экран

Портативное зарядное устройство текстура Ткань 20000 mAh с 2-я USB разъемами (5V/2. 1А), LCD-экраном и LED-фонариком

-30%

+

10 Вт + подставка

Беспроводное зарядное устройство-подставка 10Вт

-30%

+

цветной экран + пульсометр

Влагозащищенный фитнес-браслет с пульсометром и русскоязычным приложением

Узел текстуры Вороного — Руководство Blender

Узел текстуры Вороного.

Узел Текстура Вороного оценивает шум Уорли на входные координаты текстуры.

Входы

Входы динамические, они становятся доступными при необходимости в зависимости от свойств узла.

Вектор

Координата текстуры для оценки шума; по умолчанию Сгенерировано текстурных координат, если сокет не подключен.

W

Координата текстуры для оценки шума.

Шкала

Шкала шума.

Плавность

Плавность шума.

Гладкость: 0,0.	Гладкость: 0,25.	Гладкость: 0,5.	Плавность: 1.0.
Плавность: 0.0.	Гладкость: 0,25.	Гладкость: 0,5.	Плавность: 1.0.

Показатель степени

Показатель степени метрики расстояния Минковского.

Показатель степени: 0,5.

Показатель: 1.0.

Показатель степени: 2.0.

Показатель: 32.0.

Случайность

Случайность шума.

Случайность: 1.0.

Случайность: 0,5.

Случайность: 0,25.

Случайность: 0,0.

Недвижимость

Размеры

Размеры помещения для оценки шума.

1D

Оценить шум в одномерном пространстве на входе W.

2D

Оцените шум в 2D-пространстве на входном векторе. Компонент Z игнорируется.

3D

Оцените шум в трехмерном пространстве на входном векторе.

4D

Оцените шум в пространстве 4D на входном векторе и на входе W как четвертое измерение.

Чем больше размер, тем больше время рендеринга, поэтому следует использовать меньшие размеры, если не требуются более высокие размеры.

Feature

Функция Вороного, которую узел будет вычислять и возвращать.

F1

Вычислить и вернуть расстояние до ближайшей характерной точки, а также ее положение и цвет.

Расстояние.

Цвет.

Позиция.

F2

Вычислить и вернуть расстояние до второй ближайшей характерной точки, а также ее положение и цвет.

Расстояние.

Цвет.

Позиция.

Smooth F1

Вычислить и вернуть гладкую версию F1.

Расстояние.

Цвет.

Позиция.

Расстояние до края

Вычислить и вернуть расстояние до краев ячеек Вороного.

Расстояние.

Расстояние <0,05.

Радиус N-сферы

Вычислить и вернуть радиус n-сферы, вписанной в ячейки Вороного. Другими словами, это половина расстояния между ближайшей характерной точкой и ближайшей к ней характерной точкой.

Радиус n-сферы можно использовать для создания плотно упакованных n-сфер.

Дерево узлов для шейдера слева.

Метрика расстояния

Метрика расстояния, используемая для вычисления текстуры.

Евклидово

Используйте метрику евклидова расстояния.

Manhattan

Используйте метрику расстояния Manhattan.

Chebychev

Используйте метрику расстояния Чебычева.

Minkowski

Используйте метрику расстояния Минковского.Расстояние Минковского является обобщением вышеупомянутых показателей с показателем экспоненты в качестве параметра. Минковский с показателем, равным единице, эквивалентен метрике расстояния Манхэттен . Минковский с показателем два эквивалентен метрике евклидова расстояния . Минковский с бесконечной экспонентой эквивалентен метрике расстояния Чебычев .

Показатель Минковского: 0.5 (Минковский 1/2).

Показатель Минковского: 1,0 (Манхэттен).

Показатель Минковского: 2,0 (евклидово).

Показатель Минковского: 32,0 (приближение Чебычева).

Выходы

Расстояние

Расстояние.

Цвет

Цвет ячейки. Цвет произвольный.

Положение

Положение характерной точки.

W

Положение характерной точки.

Радиус

Радиус N-сферы.

Банкноты

В некоторых конфигурациях узла, особенно для низких значений Случайность , могут возникнуть артефакты рендеринга. Это происходит по тем же причинам, которые описаны в разделе «Примечания» на странице «Текстура белого шума» и может быть закреплен аналогичным образом, как описано там.

Примеры

Разница между F1 и Smooth F1 может использоваться для создания скошенных ячеек Вороного.

Создание шейдера кованого металла с использованием нода Voronoi Texture .

Инструмент для количественной оценки текстуры, неравномерности и растекания отдельных ячеек

Abstract

Ряд недавних исследований показали, что форма клетки и структура цитоскелета могут использоваться в качестве чувствительных считывателей физиологического состояния клетки. Однако использование этой информации требует разработки количественных показателей, которые могут описать соответствующие аспекты формы клеток.В этой статье мы разрабатываем набор инструментов TISMorph, который рассчитывает набор количественных показателей для удовлетворения этой потребности. Некоторые из представленных здесь мер использовались ранее, в то время как другие являются новыми и обладают желательными свойствами для количественной оценки формы и текстуры ячеек. Эти меры, которые можно широко классифицировать по категориям показателей текстуры, неоднородности и распространения, тестируются с их использованием для различения клеточных линий остеосаркомы, обработанных различными цитоскелетными препаратами. Мы обнаруживаем, что даже несмотря на то, что конкретные задачи классификации часто основываются на нескольких измерениях, они не одинаковы для всех задач классификации, что требует использования всего набора мер для классификации и различения.Мы предоставляем подробные описания мер, а также пакет TISMorph для их реализации. Количественные морфологические меры, которые охватывают различные аспекты морфологии клеток, помогут улучшить крупномасштабный количественный анализ на основе изображений, который появляется как новая область биологических данных.

Образец цитирования: Alizadeh E, Xu W., Castle J, Foss J, Prasad A (2019) TISMorph: инструмент для количественной оценки текстуры, неравномерности и распространения отдельных ячеек. PLoS ONE 14 (6): e0217346.https://doi.org/10.1371/journal.pone.0217346

Редактор: Стивен М. Абель, Университет Теннесси, США

Поступила: 21.11.2018; Одобрена: 9 мая 2019 г .; Опубликован: 3 июня 2019 г.

Авторские права: © 2019 Alizadeh et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные доступны в рукописи и ее файлах с вспомогательной информацией.

Финансирование: Мы признательны за поддержку Ашоку Прасаду со стороны Национального научного фонда (www.nsf.gov) CAREER (PHY-1151454).

Конкурирующие интересы: Авторы заявили, что конкурирующих интересов не существует.

Введение

Форма ячейки, растянутой на подложке, определяется балансом между внутренними и внешними силами, действующими на границу ячейки.Клетка проявляет силы и реагирует на внешние силы, исходящие от внеклеточного матрикса (ЕСМ) или от соседних клеток, с помощью молекулярных моторов и клеточного цитоскелета, который, таким образом, является окончательным детерминантом формы клетки [1, 2]. Цитоскелет представляет собой сложную сеть, состоящую из трех основных видов филаментов — f-актина, микротрубочек и промежуточных филаментов — которые образуют поперечно-сшитую динамическую сеть в цитоплазме, обеспечивая форму и структуру клетке [1, 3]. Самая динамичная составляющая цитоскелета, которая особенно важна для генерации сил и подвижности, — это нитевидная актиновая (f-актиновая) сеть [4].Сеть f-актина принимает непосредственное участие в образовании ламеллиподий и филоподий посредством полимеризации f-актина против клеточной мембраны [5]. Третий вид клеточных выступов, пузырьков, является результатом отсоединения кортикальной актиновой сети от клеточной мембраны [6], а выпуклые формы прикрепленных клеток, как было показано, являются результатом управляемой миозином-II сократимости актина [7].

Сеть f-актина также глубоко вовлечена в генерацию силы, ее восприятие и механотрансдукцию.Сократительные силы, создаваемые миозиновыми двигателями в цитоскелетных сетях, расширение мембраны, вызванное полимеризацией актина, изменения осмотического давления за счет открытия водных или ионных каналов — это примеры внутренних сил, которые играют роль в форме клетки. Внешние силы, приводящие к изменению формы, действуют через соседние клетки или ЕСМ [8]. Нити актина могут создавать, а также противостоять механическим воздействиям и деформации клеток. Но они также могут со временем реорганизоваться и изменить свою структуру, тем самым иногда ослабляя внешние стрессы.Различные механические свойства цитоскелета клетки и ECM приводят к разным формам клетки. Таким образом, сеть f-актина в первую очередь отвечает за форму, приобретаемую адгезивной клеткой. Отсюда следует, что структура сети f-actin должна быть связана с глобальной формой клетки, хотя точное соотношение между ними, вероятно, будет сложным и нелинейным.

Экраны на основе изображений все чаще используются в качестве маркера и предиктора клеточного фенотипа и поведения.Достижения в технологии микроскопии предоставили средства для захвата субклеточной организации и формы клеток с высоким разрешением. Однако наша способность понять клеточные процессы через субклеточную организацию и форму клетки ограничена количественными показателями, которые мы используем для их представления. В алгоритмах машинного обучения информация о каждом пикселе изображения может использоваться для определения фенотипа. Однако реализация функций объектов вместо пикселей обеспечивает интерпретируемые результаты при разрешении одной ячейки, что более полезно в биологических приложениях. Кроме того, использование функций объекта приводит к снижению шума в данных и может улучшить результаты.

В нашей предыдущей работе мы использовали моменты Цернике и геометрические параметры в качестве меры формы клеток, чтобы различать линии клеток рака остеосаркомы с высоким и низким уровнем метастазирования с точностью 99% [9, 10]. Другие группы также сообщили, что форма клеток может предсказать степень опухоли [11], изменения ядерно-цитоплазматического соотношения NFkB [12] и YAP (Yes-ассоциированный белок) [13], химиочувствительность клеточных линий рака толстой кишки человека [ 14, 15], различия в подвижности [16], формы подвижности [17], прогресс эпителиального перехода в мезенхимальный (EMT) [18] и дифференцировку мезенхимальных стволовых клеток человека (hMSCs) в остеобласты [19].Многие из этих разработок подробно обсуждались в недавних обзорах [20, 21].

Помимо важности актинового цитоскелета в определении формы клетки и ядра, структура и организация сети f-актина могут предоставить дополнительную информацию, которая может улучшить прогноз физиологии клетки и лучше различать клетки в разных клетках. состояния. Следовательно, необходимо включить меры организации актина в исследования формы клетки и ее связи с клеточным фенотипом, особенно потому, что окрашивание актина часто используется в качестве основного средства для определения формы клетки.Окрашивание актина также предоставляет текстурную информацию, которая напрямую связана со структурой актина, и, как мы покажем ниже, добавление этой текстурной информации значительно улучшает различение между типами клеток.

Важность клеточной и ядерной морфологии и организации цитоскелета как инструмента для понимания и прогнозирования клеточного поведения вызывает необходимость надлежащего количественного определения формы и структуры цитоскелета клетки. Здесь мы представляем TISMorph как инструмент для количественной оценки морфологии и субклеточной структуры клетки.Хорошие количественные меры должны улавливать биологически важные различия между различными экспериментальными условиями. Однако не все меры будут оптимальными для каждого сравнения, и поэтому придется начинать с большего набора количественных показателей и при необходимости отбрасывать неинформативные. Кроме того, хорошие меры не должны показывать значительных различий между техническими повторениями в одном и том же эксперименте. На основании этих аргументов мы решили проверить показатели, рассчитанные TISMorph для клеток, обработанных фармакологическими модуляторами цитоскелета.Характеристики, рассчитанные с помощью TISMorph, также могут быть обобщены для использования для количественной оценки других субклеточных структур, таких как промежуточные филаменты, плазматическая мембрана, эндоплазматический ретикулум, митохондрии или даже надклеточные структуры, такие как гистопатологические изображения и магнитно-резонансные изображения мозга. Эти количественные показатели также соответствуют критериям хорошей морфометрии, предложенным Pincus et. al. [22], т. Е. Меры формы должны обладать точностью, отражать биологически важные вариации и быть значимыми и интерпретируемыми.

Экспериментальные методы

Для исследования были использованы раковые клетки остеосаркомы DUNN и DLM8. Линия DLM8 происходит от линии клеток DUNN с отбором по метастазам [23]. Следовательно, DLM8 тесно связан с DUNN, за исключением степени его инвазивности. Обе клеточные линии были подарком доктора Дугласа Тамма (Государственный университет Колорадо, Колорадо, США). Их культивировали на промытых стеклянным моющим средством и высушенных на воздухе (GDA) субстратах при стандартных условиях культивирования 37 ° ° C и 5% концентрации углекислого газа в среде Игла, модифицированной Дульбекко (DMEM) (Sigma Alrdich), в трех экземплярах в один и тот же день.В DMEM добавляли 10% фетальную бычью сыворотку EquaFETAL (Atlas Biologicals) и 100 единиц / мл пенициллина с 100 мкг / мл стрептомицина (Fisher Scientific-Hyclone). После 45 часов культивирования клетки инкубировали с различными цитоскелетными препаратами с описанием, условиями и поставщиками, указанными в таблице A в файле S1 в течение 3 часов. Затем клетки промывали и фиксировали 4% параформальдегидом. Наконец, их флуоресцентно окрашивали на ядра (DAPI от Molecular probes) и актин (Acti-краситель фаллоидин 488 от Cytoskeleton, Inc.).Все препараты растворяли в диметилсульфоксиде (ДМСО) (Fisher BioReagents) и, чтобы снизить его влияние на форму клеток и структуру актина, исследование также обрабатывали ДМСО с той же молярностью, что и другие препараты. Затем клетки были визуализированы с помощью флуоресцентной микроскопии. Репрезентативные изображения каждой клеточной линии, обработанной этими препаратами, показаны на рис. 1.

Обработка изображений

Чтобы достичь баланса между пропускной способностью и точностью обработки изображений, обработка изображений полностью контролируется оператором, чтобы уменьшить количество артефактов, а также максимально автоматизирована для ускорения обработки. изображений.Код обработки изображений преобразуется в последовательный пошаговый рабочий процесс, который состоит из четырех следующих шагов. 1) Графический интерфейс пользователя (GUI) позволяет устанавливать пороговые значения для двоичных изображений актина и ядра. В то время как значение порога предлагается автоматически методом Оцу, пользователи могут легко настроить значение порога с помощью ползунка в графическом интерфейсе пользователя, визуально проверив исходное изображение и изображение с пороговым значением, отображаемое рядом в графическом интерфейсе. 2) Декластеризация ячеек в изображениях с пороговыми значениями выполняется с использованием оптимизированного шаблона программного обеспечения с открытым исходным кодом CellProfiler [24].3) Затем выходные данные CellProfiler визуально проверяются оператором, и при необходимости могут быть внесены исправления с использованием модулей, функционализированных на этом этапе. Чтобы облегчить последующий анализ, каждая ячейка центрируется и сохраняется отдельно в одно изображение 1024×1024. За исключением CellProfiler, все остальные коды обработки изображений были запрограммированы собственными силами с использованием Matlab (Mathworks) и доступны на https://github. com/Wenlong-Xu/Image_Processing_Cell_Shape. Также доступен подробный протокол о том, как настроить коды обработки изображений и шаблон CellProfiler, используемый для декластеризации ячеек.

Методы анализа данных

Количественная оценка изменений в многомерном пространстве формы

Мы используем около 260 функций для количественной оценки формы и структуры клетки. Таким образом, морфология каждой клетки представлена ​​в виде вектора с 260 числами или, что эквивалентно, в виде точки в 260-мерном пространстве, где каждая ось представляет собой морфологическую меру. Мы можем назвать это 260-мерное пространство «пространством многомерных форм». Подобные наборы данных с высокой размерностью обычно анализируются с использованием методов уменьшения размерности, таких как анализ главных компонентов (PCA) [25].PCA — это наш метод выбора здесь также из-за его простоты и того факта, что он основан на поиске направлений максимальной дисперсии в наборе данных и, следовательно, хорошо работает с задачами классификации. Вектор параметров формы может быть спроецирован в более низкоразмерное пространство первых нескольких главных компонентов (ПК). Однако, поскольку основные компоненты представляют собой линейную комбинацию фактических параметров, мы часто не можем различить роль конкретных категорий параметров в морфологических различиях.Например, нам может быть интересно узнать, какие аспекты морфологии изменились наиболее резко, когда конкретный тип клеток обрабатывается фармакологическим препаратом, но эту информацию часто трудно различить либо в многомерном пространстве формы, либо в пространстве главных компонентов более низкого измерения. . Чтобы облегчить этот анализ, мы рассчитали основные компоненты для каждого лекарственного средства и каждой из категорий формы, обсуждаемых ниже, отдельно. В большинстве случаев первые четыре основных компонента объясняют почти все вариации данных.При сравнении двух экспериментальных условий мы часто выбираем наиболее информативный главный компонент для нашего анализа среди первых четырех ПК. Это делается следующим образом. Мы выбираем ПК, наихудший случай которого, т. Е. Наибольшее значение p для t-теста для сравнения средних значений ячеек в двух экспериментальных условиях, лучше (т.е. меньше), чем у любого другого ПК, так что это лучший одиночный мера для различения всех сравнений. Другими словами, для каждого главного компонента максимальное значение p между всеми сравнениями вычисляется как уравнение (1).Обратите внимание, что p-значение t-критерия здесь не используется для расчета статистической значимости, а просто для того, чтобы помочь нам легко выбрать лучшие разделенные данные среди 16 возможных двумерных графиков для сравнения любых двух категорий форм. (1) Где P-значение _{PC 1, n} — это p-значение для сравнения n ^th в первом основном компоненте. Затем из первых четырех компьютеров выбирается тот, который имеет наименьшее значение MAX-P, максимальное значение p между различными сравнениями.В каждой категории форм мы выбираем лучший главный компонент по этим критериям и будем описывать их как первичные главные компоненты (PPC) каждой меры или категории количественной оценки формы для каждого анализа.

Корреляция Пирсона

Многие из функций, которые рассчитывает наш набор инструментов, частично избыточны и, следовательно, коррелированы друг с другом. Простым методом оценки степени избыточности является использование коэффициента корреляции Пирсона, который вычисляет степень линейной корреляции двух переменных.Коэффициент корреляции Пирсона рассчитывается между функциями, как показано в уравнении (2). Здесь r — коэффициент корреляции Пирсона, x _i — характеристика x для i ^th образец, y _i y i ^th образец, μ _x — среднее значение признака x для всех образцов, а μ _y — среднее значение признака y для всех образцов. Этот коэффициент рассчитывается внутри каждой категории формы для всех 14 клеточных линий и комбинаций лекарств (2 клеточные линии x 7 лекарств), и фиксируется усредненный коэффициент. Результаты показаны на графиках тепловой карты на рис. A в файле S1. На этих графиках диагональные элементы являются корреляциями между объектами сами с собой, поэтому все они равны 1. Обратите внимание, что, поскольку коэффициент корреляции Пирсона является симметричным, каждый график тепловой карты также будет симметричным. (2)

Результаты

Разработка кванторов формы

Структура актина получается из интенсивности пикселей меченого актина, которую мы можем представить в виде изображения в градациях серого, рис. 2А.Эти полутоновые изображения клеток или изображения окрашенных ядер преобразуются в двоичное изображение (рис. 2C), и координаты краев записываются (рис. 2B), что дает границу клетки. Чтобы извлечь особенности морфологии из этих числовых данных, мы вводим три класса мер формы, описанные как классы текстуры, неоднородности и растекания. Текстурные меры делятся на три подкатегории, называемые измерениями на основе полос, фрактальной размерностью серой шкалы и измерениями серой шкалы, которые рассчитываются на основе графиков интенсивности актина, рис. 2А.Меры неравномерности включают такие параметры, как волнистость и шероховатость, которые используют информацию о пикселях на границе ячейки, рис. 2В. Каждая из этих категорий форм описана ниже. Меры распространения, которые включают меры, основанные на моментном представлении формы Цернике, а также подкатегории, включающие основные геометрические параметры, такие как площадь и периметр, извлекаются из двоичного представления ячейки (рис. 2C, ее выпуклой оболочки или аналогичного изображения ядра.

Рис. 2. Изображение формы ячейки.

(A) Полутоновые изображения с использованием меченого актина. Интенсивность каждого пикселя записывается и представляется в виде графика интенсивности в градациях серого. (B) 2D контур: положение каждого пикселя на границе записывается в полярных или декартовых координатах. (C) Бинарный образ актина.

https://doi.org/10.1371/journal.pone.0217346.g002

Текстурные меры.

Текстурные меры, которые мы адаптировали или разработали, были основаны на организации актина и были разработаны, чтобы охватить аспекты глобальной и локальной структуры актина.На многих изображениях актин часто был организован в группы, что потребовало разработки методов измерения на основе полос, обсуждаемых ниже. Актин часто был поляризован или частично поляризован, и были различия в распределении более толстых стрессовых волокон и более тонких волокон, причем некоторые клетки демонстрировали большую гетерогенность, чем другие. Для их количественной оценки мы адаптировали плоскую фрактальную размерность, а также меры, основанные на матрице совместной встречаемости уровней серого (GLCM), которые обсуждаются ниже.

Измерения на основе полос Этот параметр чувствителен к изменениям радиальной симметрии распределения актиновых филаментов.Мы разделяем изображение на 10 равноотстоящих концентрических областей (Δ r ) вокруг центра масс изображения, называемых полосами, как показано на рис. B в файле S1. Для измерения различий в распределении актина между этими полосами используются пять количественных показателей. Сначала рассчитывается средняя интенсивность для каждой полосы. Затем записываются индексы полос, которые имеют самую низкую или самую высокую среднюю интенсивность, и их значение. Последнее измерение — это так называемая скорректированная интенсивность полос выше среднего, которая сформулирована в Таблице B в файле S1 вместе с другими измерениями на основе полос [26].Измерения на основе полос особенно важны для характеристики распределения актина в клетках, обработанных цитохалазином D, где актин имеет уникальное симметричное распределение. В этих клетках вокруг ядра образуются плотные очаги. Полосы, расположенные в центральной части клеток, лишены актина. На внешних полосах наблюдаются короткие линейные структуры актина, выровненные по радиусу.

Фрактальная размерность шкалы серого Фрактальная размерность ( FD ) является мерой шероховатости объектов и может применяться для характеристики текстуры в созданных и естественных изображениях.Есть много методов для вычисления этого показателя, и мы выбрали метод подсчета ящиков из-за присущей ему простоты. В этом методе двоичное изображение сначала покрывается равномерно распределенной сеткой с длиной стороны ϵ . Затем подсчитывается количество прямоугольников, закрывающих фрактальное изображение. Этот процесс повторяется путем уменьшения длины стороны, и FD рассчитывается на основе уравнения (3) (3). Здесь — это размер каждого прямоугольника в сетке, а переменная N ( ϵ ) — это количество прямоугольников, содержащих фрактал.Мы вычисляем FD на основе бинаризации изображения в градациях серого с использованием методов обнаружения краев для идентификации актиновых пустот. Это делается с помощью четырех различных методов обнаружения краев в Matlab. Чтобы предоставить пример, бинаризованные изображения клетки из линии клеток DUNN, обработанной цитохалазином D с использованием этих четырех методов обнаружения краев, показаны на рис. C в файле S1. Мы обнаружили, что разные методы обнаружения краев улавливают разные аспекты структуры актина, и поэтому для каждой клетки их изображение шкалы серого бинаризуется с использованием этих четырех методов, и рассчитывается их FD [27].

Другие меры серой шкалы Haralik et al. представила процедуру количественной оценки текстуры спутниковых изображений на основе пространственного отношения между серым тоном соседних пикселей изображения для классификации изображений [28]. Этот метод основан на матрице совместной встречаемости уровней серого (GLCM, иногда называемой матрицей пространственной зависимости), рассчитываемой следующим образом. Для изображения с интенсивностью 1, 2,…, g , матрица совместного появления представляет собой матрицу g x g , так что ее ij-й элемент — это количество раз, когда пиксель в изображении интенсивность равна « i », а пиксель на заранее определенном расстоянии (которое мы выбираем равным 1 пикселю) от него имеет интенсивность j .Пример изображения 4 x 4 пикселя с 5 уровнями серого тона показан на рис. D в файле S1. В матрице GLCM, когда существует очень мало преобладающих переходов серого тона изображения в соседних пикселях, матрица будет иметь небольшое значение для всех элементов. Каждый диагональный элемент матрицы GLCM представляет количество раз, когда серый тон не изменяется в соседнем пикселе. Крупные диагональные элементы подразумевают однородность изображения. Большие числа в крайнем верхнем правом и крайнем нижнем левом углу матрицы означают большие переходы в интенсивности и высокий контраст изображения.После вычисления матрицы GLCM, показанной для примера изображения на рис. D в файле S1, вычисляются 23 различных показателя для количественной оценки текстуры в изображении. Список мер представлен в таблице C в файле S1 [28–30]. Например, одним из параметров является контраст. Для интерпретации этого показателя полезно иметь в виду, что контраст изображения пропорционален изменениям серого тона, n = | i — j |, поэтому крайний верхний правый и крайний нижний левый, которые имеют большее значение n , будут иметь больший вклад в параметр контрастности.Для однородных изображений диагональные элементы будут большими и будут иметь больший вклад в меру однородности. В этом исследовании мы вычисляем матрицу GLCM для вектора, равного 1 пикселю по величине и с направлениями 0 °, 45 °, 90 ° и 135 °, а затем сообщается среднее значение для каждого параметра. Этот процесс дает меры, инвариантные относительно вращения.

Неравномерность граничных мер.

Помимо измерения текстуры, неровности границ также несут информацию о состоянии клетки. Например, нерегулярная граница может возникать из-за большого количества филоподий в клетке, что является признаком высокодинамичного цитоскелета. Сильно сократительная клетка может отстраняться от очаговых спаек на границе, создавая множество выступов на мембране, которые увеличивают вариабельность. Для количественной оценки неравномерности границы ячейки используется двухмерная граница ячейки, как показано на рис. 2В. Мы используем положения пикселей, которые отмечают границу ячейки, для вычисления волнистости, которая оценивает периодическое изменение границы, и шероховатости, которая измеряет непериодическое изменение границы, как обсуждается ниже.

Измерения волнистости Используя ряд Фурье, сигнал может быть расширен в терминах линейных комбинаций ортогональных базисных функций синусов и косинусов с увеличением частоты. При разложении в ряд Фурье предполагается, что входной сигнал периодический. Контур ячейки представляет собой замкнутую кривую, поэтому он считается периодическим сигналом. Граница ячейки может быть представлена ​​в декартовых координатах x и y или в полярных координатах и θ .Независимо от выбора координат, это приведет к двум независимым сигналам, которые можно отдельно записать как линейную комбинацию базисных функций cos и sin как уравнение (4). (4) Где nPixel — это количество пикселей на границе ячейки, а основная частота равна. Переменная n является целым числом, а n * w — это частота n ^th в разложении. Переменные A _{x , n} и B _{x , n} — амплитуды n ^th частота, C _{is is среднее значение сигнала, а f ( x ) — входной сигнал.Если мы используем очень большое количество частот, мы можем почти идеально реконструировать ячейку, но количество дескрипторов будет излишне большим. Существует компромисс между количеством используемых частот (дескрипторов формы) и точностью реконструкции. Мы заинтересованы в количественной оценке формы, не имея дело с большим количеством параметров. Поскольку амплитуда уменьшается с увеличением частоты, мы можем фильтровать более высокие частоты и просто использовать более низкие частоты, чтобы уменьшить количество дескрипторов, используемых для анализа.Здесь, при качественном анализе реконструированных ячеек с разной частотой, мы решили использовать только первые 35 частот в качестве дескриптора ячейки. Реконструкция формы даже довольно нерегулярных ячеек с использованием этих 35 частот превосходна, как показано на рис. 3. Наконец, остающейся проблемой для коэффициентов Фурье является то, что они не инвариантны относительно вращения. Мы можем построить инвариантную относительно вращения меру, используя уравнение (5), которое устраняет разность фаз в разложении Фурье.Это также снижает вдвое количество параметров. Несмотря на то, что реконструкция формы ячеек будет невозможна с помощью мер, инвариантных относительно вращения, наши результаты показывают, что они, тем не менее, являются полезными параметрами для различения ячеек с разной степенью вариаций радиуса. Мы будем называть эти параметры параметрами волнистости. Интересно, что для параметров Фурье все функции показывают низкий коэффициент корреляции друг с другом (0,35), что позволяет предположить, что каждый коэффициент несет в основном независимую информацию.Это наблюдение было ожидаемым, поскольку мы используем ортогональные базисные функции. (5)}

Рис. 3. Реконструкция ячеек с использованием разложения Фурье.

Синяя линия — это фактическая граница ячейки, а черная линия — это реконструкция ячейки с использованием первых 35 членов разложения в ряд Фурье.

https://doi.org/10.1371/journal.pone.0217346.g003

Шероховатость Как объяснялось ранее, при разложении границы ячейки в ряд Фурье более высокие частоты имеют небольшую амплитуду, и мы ими пренебрегаем. Однако мы все еще можем получить информацию о небольших изменениях амплитуды из этих высокочастотных членов. Следуя методу Villanueva et. al. [31], чтобы учесть высокочастотные измерения, мы реконструируем ячейку с 35 компонентами Фурье и вычитаем ее из исходного сигнала. Разница представляет собой шероховатость периметра в меньшем масштабе, чем вариации, точно улавливаемые 35 частотами Фурье. Статистические измерения величины этой разницы называются показателями шероховатости и перечислены в Таблице H в файле S1.Наглядные примеры шероховатости, как определено здесь, можно увидеть на нижней панели рис. 3.

Меры разбрасывания.

В этом классе квантификаторов формы используется двоичное изображение клетки и ядер. Эти меры включают геометрические параметры ядер и ячеек, меры выпуклой оболочки и моменты Цернике для ячеек.

Геометрические меры Геометрические меры, пожалуй, наиболее широко используемые меры морфологии, и представленные ниже меры были заимствованы из предыдущих исследований.Такие параметры, как площадь, периметр, большая ось подогнанного эллипса, малая ось подогнанного эллипса и их соотношение, являются примерами геометрических величин. Все геометрические меры, используемые в этом исследовании для количественной оценки формы клеток и ядер, перечислены в Таблице E и Таблице F в файле S1.

Размеры выпуклой оболочки Ближайший правильный геометрический объект к растянутой ячейке, вероятно, является вмещающим выпуклым многоугольником. Выпуклый многоугольник — это замкнутый многоугольник, соединяющая любую пару точек внутри многоугольника полностью внутри многоугольника.На рис. E в файле S1 показан пример выпуклого и невыпуклого многоугольника. Выпуклая оболочка 2D-формы — это наименьший выпуклый многоугольник, охватывающий всю фигуру [32], а его геометрические свойства отражают свойства замкнутой ячейки. Пример выпуклой оболочки двухмерной формы ячейки показан на рис. E в файле S1. Геометрические меры выпуклой оболочки, использованные в этом исследовании, перечислены в таблице G в файле S1.

Моменты Цернике Для вычисления моментов Цернике изображение ячейки проецируется на базисную функцию полинома Цернике, а коэффициенты, называемые моментами Цернике, используются в качестве дескриптора формы ячейки.Многочлены Цернике образуют полный ортогональный набор базисных функций над единичной окружностью. Моменты Цернике — это комплексные числа, величина которых инвариантна к вращению, и их можно сделать инвариантными смещения, переместив ячейку в центр кадра изображения так, чтобы центр масс изображения приходился на геометрический центр кадра. Процедура широко обсуждалась ранее [9], а моменты Цернике использовались ранее в других типах распознавания биологических изображений [33].Моментное разложение Цернике также является разложением базисной функции, как и ряд Фурье, и в принципе способно идеально реконструировать ячейку. Однако на практике численные ошибки мешают точной реконструкции, когда используется слишком много моментов, и, таким образом, моменты Цернике не могут уловить тонкие особенности формы ячейки так же хорошо, как ряд Фурье. Мы обнаружили наилучшие результаты при использовании около 147 моментов Зернике (порядка 30, повторение для каждого порядка до 10), что в настоящее время рассчитывает TISMorph.При необходимости эти числа могут быть изменены пользователем.

Проверка эффективности разработанных мер на клетках остеосаркомы, нарушенных различными цитоскелетными препаратами

Лекарства, которые непосредственно нарушают микротрубочки, миозин-II или актин, оставляют уникальный отпечаток на структуре актина, который можно количественно измерить с помощью текстурных измерений.

Мы обнаружили, что наиболее драматические и уникальные эффекты на форму и текстуру клеток происходят от лекарств, которые непосредственно нарушают микротрубочки или актиновые филаменты.Как показано на рис. 1, контрольные ячейки приобретают на поверхности многоугольную форму. Деполимеризация актина с использованием цитохалазина D приводит к округлым клеткам, в которых актин реорганизуется в чередующиеся концентрические кольца высокой и низкой плотности. В каждом кольце актин структурирован в виде уникальных радиальных полос! Увеличение скорости деполимеризации микротрубочек с помощью нокодазола приводит к небольшой округлой морфологии. Подавление активности миозина II и снижение сократимости клеток с помощью блеббистатина приводит к увеличению неровностей на границе клеток.Эти изменения формы и структуры клетки аналогичны клеточным линиям как DUNN, так и DLM8. Изменения в структуре и морфологии клеток при использовании других препаратов в наших экспериментах, с более косвенным воздействием на цитоскелет, неуловимы и не легко распознаются на глаз. Для количественной оценки изменений формы и структуры ячеек, нарушенных различными лекарствами, шкала серого и двоичное изображение ячеек вместе с информацией о границе ячеек использовались для измерения всех характеристик в 9 категориях форм, подробно описанных выше для каждой ячейки.Рис. H в файле S1 демонстрирует количественные изменения всех показателей для всех препаратов. Как показано на этом рисунке, изменения в показателях текстуры для всех лекарств значительны, как измерено с помощью t-критерия. Это означает, что все препараты, которые воздействуют на актин прямо или косвенно, вызывая возмущение других компонентов цитоскелета, приводят к значительным изменениям в организации актинового цитоскелета. Наши морфологические меры значительно улучшают классификацию клеток по условиям эксперимента по сравнению со стандартными геометрическими показателями.Некоторые примеры улучшения задач классификации показаны на рис. 4. В частности, меры на основе полос и планарные фрактальные меры значительно улучшают некоторые задачи классификации, где относительно небольшие изменения в форме клеток сопровождаются значительными изменениями в структуре актина.

Рис. 4. Примеры задач классификации, которые улучшились после использования морфологических показателей в TISMorph.

А). Клетки, обработанные цитохалазином D, можно значительно лучше отличить от контрольных клеток с помощью измерений на основе полос (правая панель) по сравнению с геометрическими измерениями (левая панель). Б). Клетки, обработанные PP2, значительно перекрываются по своим геометрическим параметрам с контрольными ячейками (левая панель), но группируются отдельно при использовании фрактальной размерности. C). Клетки из одного экспериментального условия группируются вместе, когда строятся основные главные компоненты (PPC) различных морфологических классов. (Слева) Меры ядер (представленные их PP1) против геометрических мер ячейки (PP2). (Справа) Измерения на основе полос (PP2) против фрактального измерения (PP2).

https://doi.org/10.1371 / journal.pone.0217346.g004

Реорганизация актина изменяет меры распространения как для клетки, так и для ядра.

Чтобы изучить изменения 2D формы клетки и ядер путем изменения распределения актина, мы сравниваем PPC геометрических размеров клетки и ядер. Как показано в Таблице I в файле S1, возмущающий актин значительно изменяет геометрические размеры клеток, за исключением клеточной линии DLM8, обработанной Jasplakinolide. Интересно, что изменения в структуре актина не только изменяют геометрические размеры клеток, но также изменяют геометрические размеры ядер для всех состояний, кроме обеих клеточных линий, обработанных блеббистатином, и клеточной линии DUNN, обработанной препаратами Jasplakinolide и PP2.Моменты Зернике и параметры выпуклой оболочки в некоторых отношениях схожи. Хотя их методы количественной оценки сильно различаются, как показано на реконструкции изображения ячеек с использованием моментов Цернике (рис. F в файле S1), обе меры игнорируют неровности и мелкие колебания границы. Как показано в Таблице I в файле S1, изменения в PPC для обоих показателей не различимы для линий клеток DUNN, обработанных PP2, и обеих линий клеток, обработанных FAKI 14. Более того, геометрические параметры корпуса существенно не изменяются для клеток DLM8, обработанных с помощью Цитохалазин-D и клетки DUNN, обработанные джасплакинолидом.Кроме того, моменты Зернике существенно не изменяются для клеток DLM8, обработанных блеббистатином, и клеток DUNN, обработанных цитохалазином-D. Все другие препараты приводят к заметным изменениям в измерениях выпуклой оболочки и моментов Цернике. Поскольку ожидается, что многие параметры формы ячеек будут коррелированы друг с другом, мы выполнили корреляционный анализ всех показателей в каждой категории количественной оценки формы, которые показаны на рис. A в файле S1. Эти результаты показывают, что моменты Цернике, геометрические меры ячеек, геометрические меры ядер и геометрические меры выпуклой оболочки сильно коррелируют друг с другом.

Реорганизация цитоскелета приводит к изменению неровностей границ клетки.

Как показано на фиг. H в файле S1, показатели волнистости для всех состояний с лекарственным средством, за исключением клеточных линий DUNN, обработанных Jasplakinolide или PP2, и обеих клеточных линий, обработанных FAKI 14, значительно изменяются по сравнению с контролями. Кроме того, показатели шероховатости значительно изменяются для обеих клеточных линий, обработанных блеббистатином, цитохалазином-D, FAKI 14 и нокодазолом. В обеих клеточных линиях джасплакинолид существенно не меняет показатель шероховатости, что также характерно для клеточных линий DUNN, обработанных PP2.

Различные категории квантификаторов формы представляют частично неизбыточную информацию о форме.

Хотя мы показали, что каждая из наших основных категорий и подкатегорий служит показателем хорошей формы, в том смысле, что их можно использовать для поиска интерпретируемых изменений формы в различных условиях употребления наркотиков, неясно, нужны ли нам все они для представления формы. . Чтобы оценить степень избыточной информации, переносимой различными категориями форм, мы вычислили коэффициент корреляции Пирсона между всеми функциями из разных категорий форм (показан в файле S2).В целом, элементы из двух разных категорий форм относительно слабо коррелированы (<0,4), за исключением элементов Convex Hull и Cell Geometric, которые сильно коррелированы друг с другом, что вполне ожидаемо. Есть несколько других особых исключений, для которых функции также сильно коррелированы. Они следующие. Моменты Цернике с n <16 и m = 0 сильно коррелируют с Area. Коэффициент корреляции между Cell Area и Zernike Moment 0-0 равен 1.Он уменьшается с увеличением порядка до почти нуля для момента Зернике (22-0), затем становится отрицательным и увеличивается по величине (рис. G в файле S1). Коэффициент C ₀ от характеристик волнистости имеет корреляцию 1 со средним радиусом ячейки. Он также сильно коррелирует с площадью ячейки (0,93) и площадью выпуклой оболочки. Поскольку разложение Фурье основано на радиальном представлении формы ячейки, C ₀ является мерой среднего радиуса ячейки, и следует ожидать, что она покажет эти высокие корреляции.Меры фрактальной размерности также имеют высокую корреляцию с геометрическими параметрами ячейки, геометрическими ядрами, мерой шкалы серого и моментами Цернике с m = 0 и n <17. Однако, помимо этих конкретных случаев, относительно большое количество слабых корреляций между Различные категории форм подразумевают, что эти категории форм содержат неизбыточную информацию о форме ячеек. Таким образом, количественный анализ формы в идеале должен проводиться с представлениями из всех этих категорий форм, чтобы наиболее эффективно различать различные экспериментальные условия.

Обсуждение

В этой статье мы представляем и предоставляем пакет TISMorph для количественной оценки формы клеток и структуры цитоскелета на основе двумерных изображений морфологии клеток и структуры актина. Набор инструментов Matlab, используемый для обработки изображений и количественной оценки формы и структуры ячейки, используется в репозитории GitHub для использования другими. Эти наборы инструментов можно найти по следующим адресам: https://github.com/Wenlong-Xu/Image_Processing_Cell_Shape, https: // github.com / Elaheh-Alizadeh / Количественное определение формы и структуры. Некоторые из текстурных и морфологических характеристик, рассчитанных с помощью TISMorph, аналогичны показателям, рассчитанным с помощью CellProfiler (CP) [24]. Геометрические характеристики ядер и клеток, а также меры серой шкалы, вычисленные в этой статье, перекрываются с показателями, рассчитанными в CellProfiler модулями MeasureObjectSizeShape и MeasureTexture. CP также вычисляет моменты Зернике, но только до порядка 10, в то время как мы используем моменты Зернике до порядка 30, потому что мы обнаруживаем, что меньшее количество порядков не разрешает объекты в достаточной степени.Некоторые из рассчитываемых нами мер не реализованы в текущей версии КП на момент подачи заявки. Это фрактальная размерность, геометрические меры корпуса, меры на основе полос и меры нерегулярности. Однако CP вычисляет несколько дополнительных показателей в модуле MeasureObjectIntensity, которые являются статистическими показателями интенсивности объектов, таких как среднее значение и стандартное отклонение интенсивности, которые в настоящее время не включены в TISMorph. Таким образом, TISMorph включает значительные дополнения к предыдущему уровню техники, представленные количественными показателями, рассчитанными CP.

Количественные меры в пакете TISMorph были разработаны на основе эмпирического исследования статистически значимых различий между экспериментальными условиями в пространстве главных компонентов. Хотя морфометрия клеток зашумлена, наши данные показывают, что морфометрические измерения из технических реплик перекрываются друг с другом, указывая на то, что клетки в идентичных условиях показывают одинаковое распределение морфологий (рис. I в файле S1). В этой статье мы исследовали способность этих количественных показателей собирать биологически важную информацию.Мы воздействовали на цитоскелет клеток различными лекарствами и исследовали их влияние на форму клетки и ее структуру. Данные можно найти в файле S3. Сначала мы использовали текстурные измерения, чтобы убедиться, что структура актина в клетках изменяется в клетках, обработанных цитоскелетными препаратами, а затем мы исследовали изменения 2D-формы клеток и ядер и неровности границ клеток, сопровождающиеся изменениями в структуре актина. Здесь мы показали, что большинство препаратов, использованных в этом исследовании, прямо или косвенно приводят к значительным изменениям структуры актина.Затем мы исследовали влияние изменений в структуре клетки на меры неровностей границ клетки, распространение ядер и распространение клеток. В большинстве случаев изменения в структуре актина сопровождаются значительными изменениями неровностей границ клеток, разрастанием клеток и ядер. Результаты показывают, что текстурные меры и меры распространения связаны, но их отношение непростое, и два класса мер несут неизбыточную информацию. Стоит упомянуть, что, хотя мы реализовали текстурные меры для количественной оценки структуры актина, их можно использовать также для количественной оценки других субклеточных и суперклеточных структур.Методы количественной оценки формы, представленные в этой статье, окажутся полезными для морфологического скрининга для использования в компьютерной диагностике таких заболеваний, как рак, которые связаны с нарушениями цитоскелета, оценки качественных клеточных изменений в различных экспериментальных условиях и для понимания механизмов определения клеток. форма. В частности, морфологический скрининг становится новым высокопроизводительным методом с широким применением в оценке функциональных биологических ответов [20, 21], и TISMorph должен помочь повысить чувствительность и специфичность морфологических сравнений.

Ссылки

1. 1. Флетчер Д.А., Маллинз Р.Д. Клеточная механика и цитоскелет. Природа. 2010. 463 (7280): 485–492. pmid: 20110992
2. 2. Поллард Т.Д., Купер Дж. А. Актин, центральный игрок в форме и движении клеток. Наука. 2009; 326 (5957). pmid: 19965462
3. 3. Ingber DE, Sun Z, Betensky H.E, Cytoskeletal Ec и Cs Control в ангиогене. Наука. 1994; 7 (12).
4. 4. Стрикер Дж., Фальцоне Т., Гардель М.Механика цитоскелета F-актина. Журнал биомеханики. 2010. 43 (1): 247–253. http://doi.org/10.1016/j.jbiomech.2009.09.003.
5. 5. Поллард Т.Д., Борисы Г.Г. Клеточная подвижность, управляемая сборкой и разборкой актиновых нитей. Клеточная подвижность, управляемая сборкой и разборкой актиновых нитей. Клетка. 2003. 112 (4): 453–465. pmid: 12600310
6. 6. Charras GT, Coughlin M, Mitchison TJ, Mahadevan L. Жизнь и времена клеточного пузыря. Биофизический журнал.2008. 94 (5): 1836–1853. pmid: 17

   9

7. 7. Бишофс И.Б., Кляйн Ф., Ленерт Д., Бастмайер М., Шварц США. Механика нитчатой ​​сети и активная сократимость определяют форму клеток и тканей. Биофизический журнал. 2008. 95 (7): 3488–96. pmid: 18599642
8. 8. Paluch E, Гейзенберг CP. Биология и физика изменения формы клеток в развитии. Текущая биология. 2009; 19 (17): R790 – R799. pmid: 191
9. 9. Ализаде Э., Лион С.М., Касл Дж. М., Прасад А.Измерение систематических изменений формы инвазивных раковых клеток с использованием моментов Зернике. Интегр Биол. 2016; 8 (11): 1183–1193.
10. 10. Лайонс С.М., Ализаде Э., Маннхеймер Дж., Шуамберг К., Касл Дж., Шредер Б. и др. Изменения формы клеток коррелируют с метастатическим потенциалом в остеосаркомах мыши и человека. Биология открытая. 2016. pmid: 26873952
11. 11. Сайлем Х.З., Бакал С. Идентификация метагенов с клиническим прогнозом, которые кодируют компоненты сети, связывающей форму клетки с транскрипцией, с помощью имидж-омики.Геномные исследования. 2017; 27 (2): 196–207. pmid: 27864353
12. 12. Sero JE, Sailem HZ, Ardy RC, Almuttaqi H, Zhang T, Bakal C. Форма клеток и микросреда регулируют ядерную транслокацию NF- κ B в эпителиальных и опухолевых клетках молочной железы. Молекулярная системная биология. 2015; 11 (3): 790. pmid: 26148352
13. 13. Sero JE, Bakal C. Многопараметрический анализ формы клеток демонстрирует, что β -PIX напрямую связывает активацию YAP с адгезией внеклеточного матрикса.Клеточные системы. 2017; 4 (1): 84–96.e6. pmid: 28065575
14. 14. Паскуалато А., Лей В., Кучина А., Диникола С., Д’Ансельми Ф., Пройетти С. и др. Форма в миграции: количественный анализ изображений мигрирующих химиорезистентных клеток рака толстой кишки HCT-8. Cell Adh Migr. 2013. 7 (5): 450–459. pmid: 24176801
15. 15. Паскуалато А., Паломбо А., Кучина А., Мариджио М.А., Галли Л., Пассаро Д. и др. Количественный анализ формы химиорезистентных клеток рака толстой кишки: корреляция между морфотипом и фенотипом.Экспериментальные исследования клеток. 2012. 318 (7): 835–846. pmid: 22342954
16. 16. Керен К., Пинкус З., Аллен Г.М., Барнхарт Э.Л., Марриотт Дж., Могилнер А. и др. Механизм определения формы подвижных клеток. Природа. 2008. 453 (7194): 475–480. pmid: 18497816
17. 17. Купер С., Садок А., Бусгуни В., Бакал С. Аполярные и полярные переходы управляют преобразованием между амебоидной и мезенхимальной формами в клетках меланомы. Молекулярная биология клетки. 2015; 26 (22): 4163–70. pmid: 26310441
18. 18.Ren ZX, Yu HB, Li JS, Shen JL, Du WS. Выбор подходящего параметра количественной морфологии клетки A549 в эпителиально-мезенхимальном переходе. Отчеты Bioscience. 2015; п. 1–7.
19. 19. Мацуока Ф., Такеучи И., Агата Х., Кагами Х., Шионо Х., Киёта Ю. и др. Прогнозирование остеогенной дифференцировки мезенхимальных стволовых клеток человека на основе морфологии. PLoS ONE. 2013; 8 (2).
20. 20. Прасад А., Ализаде Э. Форма и функция клеток: интерпретация и контроль формы адгезивных клеток.Тенденции в биотехнологии. 2019; 37 (4): 347–357. https://doi.org/10.1016/j.tibtech.2018.09.007. pmid: 30316557
21. 21. Marklein RA, Lam J, Guvendiren M, Sung KE, Bauer SR. Функционально-релевантное морфологическое профилирование: инструмент для оценки клеточной гетерогенности. Тенденции в биотехнологии. 2018; 36 (1): 105–118. pmid: 2

    72

22. 22. Pincus Z, Theriot JA. Сравнение количественных методов анализа формы клеток. J Microsc. 2007. 227 (Pt 2): 140–156. pmid: 17845709
23. 23.Асаи Т., Уэда Т., Ито К., Йошиока К., Аоки И., Мори С. и др. Создание и характеристика линии клеток остеосаркомы мышей (LM8) с высоким метастатическим потенциалом в легкие. Международный журнал рака. 1998. 76 (3): 418–422. pmid: 9579581
24. 24. Каменцкий Л., Джонс Т.Р., Фрейзер А., Брей М.А., Логан Д.Д., Мэдден К.Л. и др. Улучшенная структура, функции и совместимость для Cellprofiler: модульное высокопроизводительное программное обеспечение для анализа изображений. Биоинформатика. 2011. 27 (8): 1179–1180.pmid: 21349861
25. 25. Jolliffe IT. Анализ главных компонентов. 32-е изд. Нью-Йорк: Спрингер-Верлаг; 2002.
26. 26. Slater JH, Culver JC, Long BL, Hu CW, Hu J, Birk TF и ​​др. Перепрос и модуляция клеточной архитектуры выбранной пользователем клетки, представляющей интерес, с использованием полученного из клеток биомиметического паттерна. САУ Нано. 2015. 9 (6): 6128–6138. pmid: 25988713
27. 27. Коста А. Хаусдорф (подсчет ящиков) Фрактальное измерение; 2013. Доступно по адресу: https: // www.mathworks.com/matlabcentral/fileexchange/30329-hausdorff—box-counting—fractal-dimension.
28. 28. Харалик Р., ШАНМУГАМ К., ИЦХАК Д. Текстурные особенности для классификации изображений. IEEE Transactions по системам, человеку и кибернетике. 1973; СМЦ-3 (6): 610–621.
29. 29. Soh Lk, Tsatsoulis C, Member S. Анализ текстуры изображений морского льда SAR с использованием матриц совпадения уровней серого Анализ текстуры изображений морского льда SAR с использованием матриц совпадения уровней серого. Ieee Транзакции по наукам о Земле и дистанционному зондированию.1999. 37 (2): 780–795.
30. 30. Уппулури А. Расчет характеристик GCLM; 2010. Доступно по адресу: https://www.mathworks.com/matlabcentral/fileexchange/22354-glcm-features4-m—vectorized-version-of-glcm-features1-m—with-code-changes-?s { _} tid = prof {_} contriblnk.
31. 31. Villanueva JD. Разработка и реализация программы расчета на платформе Matlab для оценки шероховатости. Политехнический университет Каталонии. https://upcommons.upc.edu/handle/2117/85844 ?; 2015 г.
32. 32. Вельцль Э., Гертнер Б. Вычислительная геометрия; 2014. Доступно по адресу: https://www.ti.inf.ethz.ch/ew/Lehre/CG13/index.html.
33. 33. Тахмасби А., Саки Ф., Шокухи С.Б. Классификация доброкачественных и злокачественных образований на основе моментов Зернике. Компьютеры в биологии и медицине. 2011. 41 (8): 726–735. pmid: 21722886

V-Ray Cellular Texture — V-Ray 3.6 для Modo

Эта страница содержит информацию о клеточной текстуре V-Ray в V-Ray для Modo.

Содержание страницы

Карта V-Ray Cellular Texture генерирует процедурный паттерн клеточного шума.

Путь к пользовательскому интерфейсу: || Окно просмотра затенения || > Shader Tree > Add Layer button> Процедурные текстуры V-Ray > V-Ray Cellular

— Управляет цветом центра ячеек.

Edge Color — Управляет цветом краев ячеек в процедурной текстуре Cellular.

Цвет фона — Управляет цветом фона процедурной текстуры Cellular.

Размер — Управляет размером процедурной текстуры Cellular. Подробнее см. В примерах размеров ниже.

Spread — Управляет распространением процедурной текстуры Cellular. Подробнее см. В приведенных ниже примерах распространения.

Плотность — контролирует плотность текстуры ячеек. Подробнее см. В примерах плотности ниже.

Тип — указывает, какой тип использовать для текстуры Cellular. Возможные варианты: точки, фишки, клетки, шахматные клетки или плазма.

Низкий — контролирует нижний порог (цвет фона). Для получения дополнительной информации см. Нижеприведенные примеры Low.

Среднее — управляет средним порогом (цветом края). Для получения дополнительных сведений см. Средние примеры ниже.

Высокий — Управляет верхним порогом (центральный цвет). Для получения дополнительных сведений см. Примеры высокого уровня ниже.

Fractal — Позволяет добавить генерацию фракталов. Доступно только для типов точек и чипов.

Fractal Iterations — Управляет количеством итераций фракталов. Для получения дополнительной информации см. Примеры фрактальных итераций ниже.

Fractal Roughness — Управляет шероховатостью фрактала. Значение 0,0 очень грубое, а значение 1,0 — очень плавное, что отрицает фрактал. Для получения дополнительной информации см. Примеры фрактальной шероховатости ниже.

Пример: Размер

Размер точек: 0,05

Размер точек: 0.1

Размер точек: 0,2

Размер микросхемы: 0,2

Размер микросхемы: 000

000 0,5

Размер ячеек: 0,1

Размер ячеек: 0,2

Размер ячеек: 5

Размер шахматных ячеек: 0,1

Размер шахматных ячеек: 0,2

9462

float distBuffer [ширина * высота];
float xcoords [numPoints];
float ycoords [numPoints];
float mindist = бесконечность;
float maxdist = 0;

для каждой точки i
    xcoord (i) = случайное число от 0 до ширины
    ycoord (i) = случайное число от 0 до высоты

для каждого пикселя x, y
    distBuffer (x, y) = расстояние до ближайшей точки
    если расстояние maxdist, то maxdist = расстояние
        

для каждого пикселя x, y
    цвет (x, y) = (distBuffer (x, y) -mindist) / (maxdist-mindist)
 

функция WrapDist (пиксель: x, y; точка: px, py)
    dx = abs (x-px)
    dy = abs (y-py)
    если dx> width / 2, то dx = width-dx
    если dy> height / 2, то dy = height-dy
    вернуть sqrt (dx * dx + dy * dy)
 

ASTextNode * title = [[ASTextNode alloc] инициализация];
заглавие.attributedString = Текст;
[самостоятельно addSubnode: название];

сохранять циклы
(
"-> _keepalive_node -> ASTextNode",
"-> _view -> _ASDisplayView"
)