研究人员和医生依靠功能成像更好地理解人体肿瘤和其他结构。然而,成像技术,捕捉深层结构分辨率差,而那些提供高分辨率的深度有限。正电子发射断层扫描(PET)为例,揭示了细节深处组织但遭受贫穷的空间分辨率,每体素的PET扫描代表数以千计甚至数以百万计的细胞。相比之下,光学显微镜可以交付亚细胞的空间分辨率但通常限于几十微米的深度。
光学相干断层扫描(OCT)帮助之间的桥梁低分辨率/高渗透和高分辨率/渗透率很低技术通过提供微米尺寸的空间分辨率1到2毫米的深度。传统的10月只提供了结构信息;它缺乏必要的对比来提供功能或分子信息。
我们的斯坦福大学研究小组已解决这个缺点通过开发莫扎特(分子成像和特征的非侵入性的组织细胞分辨率),使用大的金纳米棒的方法(LGNRs)提高10月的对比图片在活的有机体内(图1)。
使用光谱处理算法在MATLAB开发的®,我们已经分析了反向散射从这些LGNRs动物图像血管直径小至20μm, 750μm深在肿瘤组织。莫扎特的MATLAB算法自适应校正色散和depth-related畸变图像,使我们能够识别个别毛细血管以及阀门的位置和功能状态,控制流体流动在淋巴管网络。这些信息可以帮助科学家探测和开发治疗某些癌症和失明。
我们可以发展我们的算法使用Python®或另一个脚本语言,但是我们选择了MATLAB因为所有的函数和功能我们需要一些基本的矩阵运算,图像处理,信号处理,更多的是现成的。此外,MATLAB包括方便的调试功能,允许更深的探索我们的分析算法。
我们的MATLAB代码可用下载。
图1所示。10月:传统的形象,显示肿瘤的组织结构在活老鼠的耳朵耳廓。底部:莫扎特的形象组织的同一区域。光谱分析显示LGNRs血管,黄绿色所示。
设置实验,收集数据
我们演示了莫扎特的功能在两种类型的实验中我们成像活老鼠的耳朵。第一类型的实验中,我们注入LGNRs静脉注射和成像血管在肿瘤组织和健康组织前后的注入。在健康受试者,LGNRs循环处理,直到他们的肝脏和脾脏。与肿瘤学科,LGNRs往往积聚在肿瘤由于增强渗透性和保留(EPR)的效果。
第二种类型的实验,我们注入LGNRs皮下注射(以下皮肤)和成像间隙进入淋巴管。研究淋巴阀门的性能,我们按顺序注射两种截然不同的类型的LGNRs然后跟踪每种类型,因为它通过淋巴系统。我们能够区分这两种类型的LGNRs由于他们不同的散射光谱和光谱算法,能够区分它们。
图2。一个结在淋巴网络。左边的白色箭头指向相邻lymphangions之间的阀门。单向流动的阀门由蓝色区域表示右边的阀(显示存在一种LGNR)和绿色区域左侧(显示第二个类型)。
在这两种类型的实验中,我们使用了一个广泛的超发光二极管(SLD)照射组织和光谱仪测量从组织和LGNRs背散射光,大约100×30 nm。谱仪记录一个干涉图,捕捉每个样本点的近红外散射光谱。
发展中光谱处理算法
一旦我们有了原始干涉图数据在活的有机体内10月扫描,我们开发了自动化数据处理的算法。10月算法重建传统的图像(如图1所示)从记录的干涉图。他们应用离散傅里叶变换,实现矩阵乘法,样本的映射散射,这包括LGNRs和有机组织样本。
接下来,我们使用独特的散射光谱LGNRs区分LGNRs从周围组织。我们更新了算法,应用损害过滤器将记录频谱划分为两个乐队(图3)。
后重建图像来自这两个乐队和应用中值滤波图像处理工具箱™来减少噪音,比较两个图像的算法通过执行一个简单的减法。当没有LGNRs存在,两个波段的图像重建几乎是相同的,这个减法的结果是接近于零。然而,LGNRs存在时,两个图像显著差异,因为不同的光谱散射LGNRs的属性。
图3。记录的干涉图分为两个乐队。
我们发现我们的能力来评估图像之间的差异与这个简单的减法受到两个物理现象。首先是旋光色散,可以引起的光元素在10月系统和样品本身。为了补偿色散,我们增加了一个迭代的MATLAB算法优化两者之间的对齐为每个样本分析重建图像。
第二个问题我们确认是由于工件与深度有关的光谱图像重建的区别。这些构件主要是由于引入的色差光学设置。为了纠正这个问题,我们添加了一个算法,可怕地中立地区的颜色梯度图像和计算与深度有关的获得的拟合多项式使用MATLAB polyfit函数的梯度。这种方法自适应地调整为每个图像与深度有关的光谱变化。
应用色散补偿和深度校正后,LGNRs出现更明显,因为他们显著和持续产生光谱信号高于周围组织。
意想不到的结果和下一代算法
我们的MATLAB算法产生的图像非常清楚,他们发现了一些细节,我们没有充分预见看到当我们开始我们的研究。例如,我们发现实例LGNRs从血管淋巴管。在一个健康主题这样的运动是意想不到的,但这种影响可能是由于多孔血管或免疫反应。我们也很惊讶看到淋巴管,包括阀门,控制在健康受试者单向的淋巴流。据我们所知,研究人员无法想象淋巴管和它们的功能这样直到现在。
我们正在加强我们的算法来支持研究的LGNRs涂以抗体和多肽,这样他们目标特定的蛋白质在肿瘤金宝app。在我们目前的研究中,LGNRs都在运动,因为他们流过血管和淋巴管。这个流很容易对我们算法平均噪声。然而,在研究目标,LGNRs仍将在肿瘤局部,使噪音更重要的问题。我们已经开始改善我们的下一代的消声功能的算法在MATLAB更好地可视化静态LGNRs准备未来的分子定位研究。
确认
我们感激地认识到我们的工作Debasish森博士和他的同事对这一研究的贡献。
