Mevcut ImageJ Yazılım Araçlarını Kullanarak MRI ve Histoloji Eşleştirme ve Ölçümlerde Karşılaşılan

Zorluklar ve Pratik Çözümler

Özet: Geleneksel olarak histoloji, görüntüleme deneylerinin doğrulanması için altın standarttır.
Eşleşen görüntüleme dilimleri ve histolojik kesitler ve karşılık gelen doku yapılarının kesin olarak ana
hatlarının çizilmesi zordur. Zorluklar, görüntüleme ve histolojik dilim kalınlığındaki farklılıklar ile doku
büzülmesi ve işleme sonrası değişikliklere dayanmaktadır. Burada, MRG ve histolojik görüntüleri üst
üste bindirmek ve görüntüleme modaliteleri arasındaki ölçüm korelasyonu için evrensel bir yol olarak
kullanılabilecek adım adım talimatları açıklıyoruz. Ücretsiz olarak temin edilebilen (sadece Fiji) ImageJ
yazılım araçları, örnek olarak bir sıçan beyni MRG'si kullanılarak ilgi bölgeleri dönüşümü (ROIT) ve
hizalama için kullanıldı. Geliştirilen ROIT prosedürü, sıçan beyin yapılarının manuel olarak
tanımlanmasıyla karşılaştırıldı. ROIT eklentisi, kemirgen beyninin görüntü işleme ve yapısal analizinin
otomatikleştirilmesini sağlamak için ImageJ için geliştirilmiştir.

1. Giriş
Manyetik rezonans görüntüleme (MRI), anatomi ve patoloji hakkında önemli bilgiler sağlayarak bir
organın yapısı ve işlevinin invazif olmayan bir şekilde değerlendirilmesine olanak tanır. Doku
kompozisyonunun (örn. iletken yollar, miyelin, kollajen) veya spesifik patolojik durumların (iskemi,
demiyelinizasyon, inflamasyon) değerlendirilmesi için yeni MRG yöntemleri geliştirilmiştir. Bu
yöntemlerin çoğu nicel olarak konumlandırılmıştır; bu nedenle, daha ileri klinik uygulamalar için
temel sağlamak amacıyla deneysel hayvan çalışmalarında histolojik olarak onaylanmaları gerekir. Tek
veya çok bileşenli gevşeme [1-3], mıknatıslanma transferi [4-9], anizotropik difüzyon [10] ve manyetik
duyarlılık [11,12]. MRI miyelin tahminlerinin doğruluğunu doğrulamak için altın standartlar, Luxol Fast
Blue (LFB) histoloji boyaması, miyelin temel proteini (MBP) veya proteolipid proteini (PLP) için
immünohistokimyadır [13]. MRG bulgularının histolojik doğrulaması, serebrovasküler [14] ve
nörodejeneratif [15] patolojilerin hayvan modellerinin, hayvan tümör modellerinin [16], tedavinin
rezeksiyonları içerdiği durumlarda MRG sonrası insan çalışmalarının önemli bir bileşenidir [17-20] ve
insan MRG sonrası ölüm sonrası histopatolojisi [21]. Hücre nakli çalışmaları [22–32] ve gen raportör
görüntüleme [33–35] de histolojik doğrulama gerektirir.

Tipik olarak, yeni MRG tekniklerinin geçerliliği, MRG ile anatomik olarak benzer alanlarda veya ilgi
alanlarındaki (ROI) histolojik ölçümler arasındaki ilişkinin değerlendirilmesini içerir. İn vivo ve ex vivo
veriler arasındaki korelasyonların güvenilirliği, MRI ve histoloji görüntüleri üzerindeki ROI'lerdeki
benzer anatomi ile belirlenir. İlk olarak, MRI ve histolojik bölümler, dilim düzlemine dik koordinat
(örneğin, koronal dilimler için ön-arka eksen boyunca) ve ayrıca dilimin bu eksene göre eğimi ile
belirlenen aynı uzamsal konuma sahip olmalıdır ( koronal dilimler durumunda sagital düzlem).
Histolojik bölümlerin eğimi, elde edildikten sonra değiştirilemez. Bununla birlikte, 3D MRI görüntüleri
için dilimin eğimi, örneğin MRIcron veya ImageJ ücretsiz yazılımında uygulanan dilim düzleminin
serbest dönüşü (doğrusal enterpolasyon) ile düzeltilebilir.
Daha ciddi bir sorun, postmortem bölümlerin doku işleme sırasında büzülme, yırtılma ve katlanmaları
içerebilen bozulmaya maruz kalmasıdır. Bu nedenle MR görüntüleri ve histolojik kesitlerde anatomik
olarak eşleşen ROI'lerin belirlenmesi çok önemlidir. Bu sorunu çözmek için çeşitli yöntemler
kullanılmaktadır. İlk yaklaşım, histoloji görüntülerinin MRG dilimleri ile görsel uyumuna dayalı olarak
her iki görüntü türünün manuel olarak bölümlenmesini içerir [7-9,35]. Bu yaklaşım tamamen
operatörün niteliklerine ve öznel değerlendirmesine dayanmaktadır. Bu yaklaşımın ek sınırlamaları,
MRG'nin otomatik bölümleme sonuçlarını histoloji görüntülerine aktarmanın zorluğu ve ROI sınırları
belirgin olmadığında (örneğin, iskemik bir lezyon içindeki iltihaplanma sınırları) doku
bölümlemesindeki zorluklardır. Başka bir yaklaşım, histoloji görüntüsünün elastik (sert olmayan)
dönüşümleri ile histolojik dilimlerin karşılık gelen in vivo MRI dilimlerine birlikte kaydedilmesidir. Bu
yaklaşımın ana sınırlaması, ROI'lerde yanlış hücre hesaplaması ve diğer parametrelerle
sonuçlanabilecek görüntünün deformasyonudur [16,36].
Burada, orijinal ham MR ve histolojik görüntüler değişmeden kalırken keşfedilen görüntüler için
ROI'lerin yeterli dönüşümüne dayanan yeni ve basit bir yaklaşım öneriyoruz. Kemirgen beyni MR
görüntülerinden ve aynı beynin karşılık gelen histoloji bölümlerinden elde edilen ROI'lerin kantitatif
bir karşılaştırmasını kullanarak yöntemin geliştirilmesi ve doğrulanması için ücretsiz olarak temin
edilebilen Fiji (ImageJ) yazılımı [37] kullanıldı.
Geliştirilen ROI dönüşümü (ROIT) yöntemi, MRI ve histoloji görüntüleri arasındaki ölçümleri
eşleştirme sorunlarını çözmek için uygulanabilir. ROIT yöntemi, MRI'dan histolojiye büyütme/ROI'nin
dönüşümü ve ayrıca histolojiden MRI ROI'nin azaltma yaklaşımı için kullanılabilir. Dönüşümlü ROI
genişlemesine yönelik ilk yaklaşım, ROI'nin MRG'de kolayca tanımlanabileceğini ve ardından örneğin
miyelin içeriğinin nicelleştirilmesi gibi uygun ölçümler için histolojik görüntüye aktarılabileceğini
varsayar. Tersine, ikinci yaklaşım, yani transformasyonla ROI azalması, histolojik olarak tanımlanabilir
biyolojik özelliklerin neden olduğu MRG sinyalindeki değişikliklerin niceliksel bir değerlendirmesini
içerir. İkinci yaklaşımın bir örneği, paramanyetik nanoparçacıkların ve gen habercilerinin
enjeksiyonundan sonra MR sinyalinin ölçülmesidir.

2- Görüntü işleme

Görüntü işleme, mevcut ücretsiz yazılım (Fiji sadece) ImageJ 1.53f51 (Ulusal Sağlık Enstitüleri,
Bethesda, MD, ABD) [37,41] kullanılarak gerçekleştirilmiştir. Aşağıda açıklanan gelişmiş ROI dönüşüm
yöntemini (ROIT) doğrulamak için, en rostral ve kaudal dilimler hariç beynin çoğu MR ve histolojik
görüntüsünde kolayca tanımlanabilen beyin yapısı olarak korpus kallosum (CC) seçildi. . ROI dönüşüm
protokolüne göre yöntem doğrulaması için görüntü işleme, doktora derecesi ve kemirgen beyin
yapıları hakkında bilgisi olan iki kalifiye operatör tarafından gerçekleştirildi. Görüntü işleme
Görüntü işleme, mevcut ücretsiz yazılım (Fiji sadece) ImageJ 1.53f51 (Ulusal Sağlık Enstitüleri,
Bethesda, MD, ABD) [37,41] kullanılarak gerçekleştirilmiştir. Aşağıda açıklanan gelişmiş ROI dönüşüm
yöntemini (ROIT) doğrulamak için, en rostral ve kaudal dilimler hariç beynin çoğu MR ve histolojik
görüntüsünde kolayca tanımlanabilen beyin yapısı olarak korpus kallosum (CC) seçildi. . ROI dönüşüm
protokolüne göre yöntem doğrulaması için görüntü işleme, doktora derecesi ve kemirgen beyin
yapıları hakkında bilgisi olan iki kalifiye operatör tarafından gerçekleştirildi.