本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
约翰·霍普金斯大学重建 3D 组织架构以揭示隐藏的癌症前体
研究人员精确对齐、分割和可视化数千张组织学图像，用于先进的癌症和发育生物学研究。
“我们在工作中会使用多种编程语言，但 MATLAB 是开发 CODA 的绝佳选择，因为它拥有众多用于图像处理和可视化的、文档齐全的工具箱。”
关键成果
- 通过将大规模图像数据集与先进分析工作流相结合，发现了关于癌症前体普遍性和形态的新见解。
- 使用 Image Processing Toolbox 实现了组织样本的高精度 3D 重建，从而能够可视化复杂的组织架构。
- 使用 Deep Learning Toolbox 自动化了细胞和解剖结构的分割与量化，提高了通量和可复现性。
使用 CODA 和 MATLAB 创建的胰腺组织 3D 重建，揭示了 PanIN 病变的复杂结构和多样性。
在约翰·霍普金斯大学，一个由工程师、癌症生物学家和病理学家组成的多学科团队，致力于解决癌症研究中的一个主要局限性：无法在三维空间中可视化和分析微观的癌前病变。胰腺上皮内瘤变 (PanIN) 是胰腺癌的一种常见前体，它非常微小，无法通过传统成像技术检测到，传统上只能使用 2D 组织学切片进行研究。这种方法限制了研究人员对这些病变真实结构、频率和生物学意义的理解。
为了克服这些挑战，该团队开发了 CODA，一个从连续组织学切片重建 3D 组织模型的计算平台。这个过程需要解决复杂的图像对齐挑战，因为组织的物理切片会引入撕裂、折叠和变形等伪影。CODA 使用 Image Processing Toolbox™ 和 Deep Learning Toolbox™ 来实现非线性图像配准、核坐标检测，以及使用带有 ResNet-50 骨干网络的 DeepLabv3+ 算法进行基于深度学习的分割。其工作流包括对图像进行下采样、手动注释训练数据，以及应用深度学习来自动分割解剖结构。在较低分辨率图像上计算出的变换矩阵被用于配准高分辨率的分割图像，从而实现精确的 3D 重建。
借助 CODA，该团队生成了人类胰腺组织的解剖图谱，揭示了 PanIN 病变比以前认识到的更为普遍且形态更为复杂。CODA 还使得组织学数据能够与基因组学、蛋白质组学和转录组学分析相结合，提供了对组织架构和分子特征的全面视图。通过整合 3D 形态学和基因组学，该团队发现 PanINs 是彼此独立发展的，每个解剖学上分离的 PanIN 都在致癌基因 KRAS 上拥有不同的突变。该平台的灵活性使其能够应用于其他器官和研究领域，包括绘制发育中的肾脏、输卵管和心脏的图谱，以及设计仿生类器官模型。
未来的计划包括扩展 CODA 的功能，使其具备核分割、切片插值、虚拟染色和用户友好的应用程序开发，以进一步支持癌症和发育生物学研究。
