خوارزمية تحليل الشكل تحدد الشكل المكاني وسياق زراعة الخلايا ثنائية الأبعاد إلى ثلاثية الأبعاد لقياس الأنماط الظاهرية بشكل جديد

ملخص

تشرح هذه المقالة كيف يمكن قياس الخصائص المورفولوجية الجديدة في الخلايا والعضويات باستخدام تحويل الإحداثيات القطبية المضغوطة الخطية (LCPC)، وهو خوارزمية مكانية تلتقط خصائص لا تستطيع المقاييس التقليدية مثل المساحة والحجم ومساحة السطح. تناقش أفضل الممارسات لتوجيه الشكل ومحاذاة الصور.

الملخص

أظهرت العديد من الدراسات أن النمط الظاهري للخلية أو العضوية يرتبط بقابليتها للعوامل المضادة للسرطان. ومع ذلك، تعتمد الطرق التقليدية لقياس النمط الظاهري على مقاييس مكانية مثل المساحة، الحجم، المحيط، وشدة الإشارة، والتي تعمل لكنها محدودة. هذه الأساليب لا يمكنها قياس العديد من السمات الحيوية للسياق المكاني، مثل الكيرالية، وهي خاصية لليد اليسرى واليمينية اليسرى. لا يمكن استخدام الصوت لتسجيل التشيرالية لأن الحذاء الأيسر والأيمن لهما نفس الصوت. على الرغم من أن السياق المكاني في شكل الكيرالية، واتجاه الجاذبية، ومحور القطبية بديهي للبشر، إلا أن المقاييس التقليدية التي استخدمها علماء الأحياء الخلوية وعلماء الأمراض والأشعة وممارسو التعلم الآلي حتى الآن لا تستطيع التقاط هذه المفاهيم الأساسية. تحويل الإحداثيات القطبية المضغوطة الخطية (LCPC) هو خوارزمية جديدة يمكنها التقاط السياق المكاني بشكل لا يشبه أي مقياس آخر. يترجم تحويل LCPC المنحنى ثنائي الأبعاد (2D) إلى موجة جيبية منفصلة عن طريق وضع نظام شبكة يتتبع نقاط التقاطع بين الخطوط الكنتورية والشبكة. يحول المنحنى إلى سلسلة من أزواج الإحداثيات المتقطعة، حيث يقابل الإحداثي المستقل (إحداثي x) مواقع متتالية في الفضاء ثنائي الأبعاد. كل إحداثي تابع (إحداثي y) يتكون من المسافة بين تقاطع المسار والشبكة إلى نقطة الأصل أو الأساس لنظام الشبكة. في شكل موجة جيبية منفصلة، يطبق تحويل فورييه السريع على البيانات. وبهذه الطريقة، يتم تمثيل أشكال الخلايا في الزراعة ثنائية وثلاثية الأبعاد بشكل منهجي ومتعدد الأبعاد، مما يمكن من الطبقات الكمية القوية التي ستكشف رؤى حول مقاومة العلاج.

المقدمة

أثبتت الزراعة العضوية ثلاثية الأبعاد (ثلاثية الأبعاد) تفوقها على زراعة الخلايا ثنائية الأبعاد (ثنائية الأبعاد) في تقليد علم الأحياء في الجسم الحي ^1,2. أصبحت الأعضاء العضوية لا غنى عنها في أبحاث السرطان لفحص العلاجات الفعالة وللحصول على رؤى حول تقدم المرض 3,4,5,6. بينما من المعروف جيدا في علم الأحياء السرطاني أن الفروق في الشكل ترتبط بسلوك بيولوجي مميز للخلايا والأنسجة، يعتمد المجال على مقاييس الشكل التقليدية ذات النطاق المحدود. تصف هذه الدراسة خوارزمية مكانية جديدة تقوم بقياس الميزات الشكلية الدقيقة بدقة غير مسبوقة بشكل موضوعي، متجاوزة الأساليب التقليدية مثل المساحة والحجم ومساحة السطح.

تم اختراع تحويل الإحداثيات القطبية المضغوطة الخطية (LCPC) لوصف الأشكال المعقدة التي لوحظت في علم الأنسجة بشكل موضوعي وكمي، بهدف تعزيز تصنيف سيارات الساقين العصبية⁷. الرغبة في توسيع هذا النهج لالتقاط السمات المكانية المعتمدة على الرنين المغناطيسي الكبير في أمراض الدماغ، مثل اضطراب ثنائي القطب ومرض الزهايمر، أدت إلى زيادات عززته أكثر. تصف هذه الدراسة البروتوكول خطوة بخطوة وأفضل الممارسات لتطبيق نسختين من تحويل LCPC: نظام الشبكة المتوازية ونظام الشبكة الشعاعية، وكلاهما يحتوي على نصوص مفتوحة المصدر وفيديوهات تعليمية.

بعيدا عن الطرق الهندسية التقليدية، هناك العديد من التجريدات التي كانت فعالة في قياس الأشكال المعقدة للخلايا والأعضاء. تشمل هذه القياسات قياس الشذوذ، والانحراف، والتباين، والكورتوسيس، إلى جانب لحظات زيرنيك لالتقاط الدائرية، وعدم التماثل، وعدم انتظام الحواف، وبنية الكونتور العالمية^8،9،10. كما كان التحليل الكسري مفيدا لتقليل الخطوط المعقدة إلى قيم قياسية، مثل البعد الكسيري، الذي يقيس مدى عدم انتظام الكنتور، والفكوناريتي، الذي يقيس كيف تظهر الفجوات غير المنتظمة بشكل متجانس في المسار^11,12. لقياس النسيج، تعد طريقة مصفوفة التداخل في المستوى الرمادي (GLCM) شائعة لقياس التباين، الطاقة، التجانس، الارتباط، والإنتروبيا^13،14. بينما كل هذه الطرق مفيدة، لم تصمم أي منها لالتقاط السياق المكاني، مثل اتجاه الجاذبية، أو اليسار مقابل اليمين، أو موقع البنية المركزية الداعمة التي تؤثر على اتجاه تغير الشكل. علاوة على ذلك، ينتج العديد منها قيمة قياسية واحدة أو مجرد عدد قليل من القيم القياسية لتمثيل المعلومات المكانية، ولهذا السبب غالبا ما تستخدمها الدراسات المذكورة معا لتقييم الأشكال المعقدة.

تم تصميم تحويل LCPC لإنتاج العديد من الميزات من قياس واحد وللسماح بإضافة علامات مكانية ترمز السياق المكاني إلى الشكل، مثل اتجاه الجاذبية. أقرب طريقة لتحويل LCPC⁷ نشرت بعد عام^{من 15}، وكانت تشترك في نفس الفكرة الأساسية كنقطة انطلاق: تطبيق تحويل فورييه على خطوط الخلايا لقياس الشكل على شكل طيف ترددي. ومع ذلك، تم تطوير تحويل LCPC بشكل مستقل ليتم تطبيقه عبر أنظمة شبكة مميزة كان من المفترض استخدامها مع معرفة السياق المكاني خارج الشكل الذي يتم قياسه. علاوة على ذلك، يشرح مخترع تحويل LCPC في هذا المخطوطة أن طيف التردد الناتج يحتوي على كميات هائلة من المعلومات المكانية المخفية. يحتوي الملف التكميلي 1 على مناقشة موسعة للسياقات المكانية في علم الأحياء التي غالبا ما يتم تجاهلها عند استخدام الطرق المذكورة وكيف يمكن تطبيق تحويل LCPC لالتقاط هذا السياق. بالنسبة للقراء الذين تظهر بيانات أشكالهم عدم وجود فرق بين مجموعات التحكم والمجموعات التجريبية، سواء كانت أعينهم ترى فرقا في الأشكال أم لا، أو بيانات الشكل التي تظهر فرقا ضئيلا جدا، رغم أنهم يشتبهون في أنه يجب أن يكون هناك فرق أكبر، يجب عليهم تجربة تحويل LCPC.

يوفر تحويل LCPC مستوى غير مسبوق من الدقة في قياس المعلومات المكانية لأنه يمثل أشكالا في أبعاد متعددة. على عكس الطرق التقليدية مثل المساحة والحجم، التي تعطي قيمة قياسية واحدة فقط لكل شكل (أي 25 سم^مربع)، يمكن أن تنتج نتائج تحويل LCPC عدة مؤاشئر، كل منها مرتبط بجانب مورفولوجي مختلف للشكل (أي استدارة مقابل حدة الزوايا، نعومة مقابل تعرج الحواف). يصف تحويل LCPC شكلا ثنائي الأبعاد عن طريق تراكب شبكة من الخطوط المستقيمة التي تتقاطع مع منحه. لكل نظام شبكة نقطة أصل (الشكل 1) أو خط أساس (الشكل 2) يمكن من خلاله قياس المسافة الخطية. راجع الأشكال 1B و2B للاطلاع على مخططات انسيابية مبسطة تصف الخوارزمية. يتم اكتشاف كل نقطة تقاطع بين خطوط الشبكة ومنحنى الشكل. ثم يتم حساب مسافة كل تقاطع بالنسبة لخط الأساس أو الأصل. وبهذه الطريقة، يحول تحويل LCPC الأشكال ثنائية الأبعاد إلى سلسلة من أزواج الإحداثيات المتتالية x-y. يمثل إحداثي x موقع خط الشبكة من الصفر إلى اللانهاية، بينما يمثل الإحداثي y مسافة التقاطع إلى خط الأساس أو الأصل. في هذا الشكل، وهو موجة جيبية منفصلة، يطبق تحويل فورييه السريع (FFT) لتحويل البيانات من "مجال الموقع" إلى مجال التردد. إذا كان إحداثي x يمثل الوقت، فإن "مجال الموقع" سيكون مكافئا ل "مجال الزمن" في التطبيقات القياسية ل FFT.

بينما يقيس نظام الشبكة الشعاعية مسافة كل تقاطع من أصل الشبكة الشعاعية (الشكل 1A)، يقيس نظام الشبكة المتوازية دائما مسافة التقاطعات بالإشارة إلى خط وهمي على يسار الشكل (الشكل 2A). يحدد السكريبت المفتوح موضع هذا الخط التخيلي عن طريق إيجاد البكسل الأيسر في المسار ثم تحريك 10 بكسل إلى يسار هذا الموقع. هنا، يصبح إحداثي x لهذا الموقع هو الخط المرجعي الذي تحسب منه جميع التقاطعات. قاعدة 10 بكسل هذه عشوائية، ولهذا السبب يجب أن تحتوي جميع الخطوط الكنتورية التي تحللها السكريبت مفتوح المصدر لنظام الشبكة المتوازية على ما لا يقل عن 15 بكسل من المساحة البيضاء على جميع الجوانب الأربعة.

بالنسبة للأشكال ثنائية الأبعاد ذات الطيات أو الطبقات المتعددة، قد تتقاطع خطوط الشبكة مع المسار أكثر من مرة. في هذه الحالة، يتم جمع مسافات جميع التقاطعات على طول خط الشبكة إلى قيمة واحدة. وبالتالي، كل خط شبكة له إحداثي x واحد وإحداثي y واحد فقط. يمثل هذا الجمع بمصطلح "مضغوط" في اسم تحويل LCPC. يتم تمثيل شكل ثنائي الأبعاد غير خطي إلى موجة جيبية منفصلة بمصطلح "خطي" في اسم الخوارزمية. أخيرا، مصطلح "الإحداثيات القطبية" موجود في اسم الخوارزمية لأن أول نظام شبكة تم تصوره كان شبكة شعاعية بزاوية 180 درجة من الإحداثيات القطبية⁷. حتى بعد إدراك أن الإحداثيات القطبية والكارتيزية قابلة للتبادل، تم الاحتفاظ باسم الخوارزمية كما هو. يصف قسم الشكر الأسباب الشخصية التي دفعت اختراع وتعزيز تحويل LCPC.

كان البروتوكول 1 هو التسلسل للحصول على البيانات المعروضة في الشكل 3B، بينما كان البروتوكول 2 هو التسلسل للحصول على البيانات المعروضة في الشكل 3C–D. يتم تنفيذ الخطوات في هذه البروتوكولات في سكريبتات بايثون الفردية المتوفرة في مستودع GitHub "أدوات المعالجة المسبقة لتحويل LCPC"¹⁶. البروتوكول 1 هو مثال على خطوات المعالجة المسبقة لاشتقاق "الشكل النقي" استعدادا لتحويل LCPC. البروتوكول 2 هو مثال على خطوات المعالجة المسبقة لقياس الأشكال "على المقياس"، أي على مقاييسها الأصلية بالنسبة لبعضها البعض.

يمكن إجراء التقسيم يدويا في برامج معالجة الصور، مثل معاينة ماك أو Paint من مايكروسوفت، أو باستخدام طرق تعتمد على العتبة. إذا تم ذلك يدويا، يجب اختيار أحد الألوان الأربعة التالية: الأزرق، الأخضر، الوردي/الأرجواني، أو الأحمر. مستودع GitHub المسمى "أدوات المعالجة المسبقة لتحويل LCPC"¹⁶ يحتوي على مجلد يسمى "سكريبتات استخراج الألوان". يحتوي هذا المجلد على أربعة ملفات Jupyter Notebook مع كود بايثون يستخرج الألوان الأربعة المذكورة أعلاه ويحولها إلى أقنعة زرقاء على خلفية بيضاء. يمكن أيضا تنفيذ هذه العملية عن طريق تحديد عتبة لون الإطار في برامج معالجة الصور مثل Fiji/ImageJ. بالنسبة للصور التي تحتوي على خطوط ملامسة بحدود متلامسة أو حواف متداخلة (مثل مخطط فين)، ستحتاج إلى فصلها باستخدام برامج معالجة الصور، بحيث تصبح كائنات مستقلة في صورة القناع المركب التي تحتوي على عدة خطوط أورغيونيد. هذا لا ينطبق على الصور التي تحتوي على عضوي واحد فقط أو عدة عضويات لا تلامس بعضها البعض.

البروتوكول

تم الحصول على الخلايا البشرية الأولية المستخدمة في هذه الدراسة وزراعتها بموجب الموافقات الأخلاقية وإجراءات الموافقة المستنيرة التي تم الإبلاغ عنها^{سابقا 17}. الصور المعروضة هنا تم إنتاجها من تلك الزراعة الخلوية المعتمدة ونشرت لأول مرة. تم جمع عينات الأنسجة في مستشفى بريغهام وومان وجامعة كاليفورنيا، سان فرانسيسكو بموجب بروتوكولات معتمدة من مجلس مراجعة المؤسسات (IRB) من المرضى الذين قدموا موافقة مستنيرة لاستخدام أنسجتهم البحثية، كما هو موضح سابقا¹⁷. لم يتم جمع عينات بشرية إضافية لهذه الدراسة.

1. استخراج الشكل النقي للخطوط العضوية ثنائية الأبعاد لتحويل LCPC

1. قم بتقسيم الحافة الخارجية لكل أورغانويد باستخدام أي برنامج معالجة صور، مثل برنامج Paint من مايكروسوفت، أو معاينة MacOS، أو Fiji/ImageJ.
2. استخرج ملامح الأورغانويدات كأقنعة مفتوحة تكون خطوط زرقاء على خلفية بيضاء.
3. عزل كل منحنى أزرق على لوحته البيضاء الخاصة.
   ملاحظة: هذه الخطوة ضرورية فقط إذا احتوت الصورة على أكثر من منحني واحد.
4. قم بقص كل منحني ليكون هامش بكسل واحد على جميع جوانب الجسم الأزرق الأربعة.
5. أضف 100 بكسل من المساحة البيضاء على جميع الجوانب الأربعة لإنشاء هوامش جديدة.
6. قم بتدوير الأجسام بحيث يكون أطول طول داخلي أفقيا.
   ملاحظة: هذه الخطوة تحول أطول خط داخلي داخل كل جسم إلى عرض الجسم. هناك نصان متاحان لهذا الغرض. للأشكال المغلقة، استخدم دفتر Jupyter Notebook المسمى "تدوير الجسم المغلق الأفقي بواسطة أطول Length_v2.ipynb". للأشكال المفتوحة أو الأشكال التي تحتوي على عدة مكونات، استخدم دفتر Jupyter Notebook المسمى "تدوير الأخضر Line_v3.ipynb". أداة تدوير الخط الأخضر تحتوي على فيديو تعليمي مرتبط في ملف ReadMe الموجود في نفس المجلد الذي يحتوي عليه ملف .ipynb.
7. اقتصاص كل صورة ليكون لها هامش بكسل واحد على جميع الجوانب الأربعة للجسم الأزرق.
   ملاحظة: هذا هو نفس الخطوة 1.4. لكن الغرض من التقليم هذه المرة هو أن خطوة تغيير الحجم التالية تعيد حجم القماش بالكامل، وليس فقط الجسم الأزرق فيها. لذا، من خلال جعل الجسم الأزرق تقريبا بنفس عرض وارتفاع اللوحة نفسها، فإن تغيير حجم اللوحة إلى عرض 400 بكسل يؤدي أيضا إلى تقليل حجم الجسم ليصبح عرضه يقارب 400 بكسل. هناك جهاز Jupyter notebook اسمه "Trim margin to 1-pixel border.ipynb".
8. قم بتغيير حجم عرض اللوحة لكل صورة ليصبح 400 بكسل مع تقليل نسبة العرض إلى الارتفاع أيضا.
   ملاحظة: هذه الخطوة تجعل كل كائن له نفس العرض. تقييد نسبة العرض إلى الارتفاع يمنع تحريف الجسم أثناء تغيير الحجم. هناك جهاز Jupyter notebook بعنوان "تغيير حجم العرض إلى 400 بكسل ولكن قيد نسبة العرض إلى الارتفاع .ipynb".
9. أضف 100 بكسل من المساحة البيضاء على جميع الجوانب الأربعة لإنشاء هوامش جديدة.
10. قم بتدوير كل صورة إما بزاوية 90 درجة باتجاه عقارب الساعة أو عكسها لجعل أطول طول صورة داخليا عموديا، بما يتوافق مع الاختيار لجميع الصور.
    ملاحظة: في التسلسل أعلاه، يتم الحصول على الشكل النقي من خلال تنفيذ الخطوات 1.6، 1.7، 1.8، و1.9 بشكل متسلسل. إضافة مساحة هامش في الخطوة 1.9 مطلوبة لتجنب الأخطاء في سكريبتات تحويل LCPC التي ستتم لاحقا، لكنها لا تشارك في استخراج الشكل النقي. لا يحتاج المستخدمون الذين يرغبون في قياس الأشكال "على نطاق واسع" إلى أداء الخطوات 1.6 و1.7 و1.8 في التسلسل أعلاه، رغم أنه ينبغي عليهم معالجة صور القناع مسبقا لتحقيق الاتجاه الأمثل قبل تطبيق تحويل LCPC.
11. قم بتنفيذ تحويل LCPC على كل منحني. استخدم سكريبتات بايثون المقدمة لطريقة الشبكة الشعاعية¹⁸ أو طريقة الشبكة المتوازية¹⁹.

2. استخراج الشكل على نطاق واسع من الخطوط العضوية ثنائية الأبعاد لتحويل LCPC

ملاحظة: طريقة استخراج الشكل على المقياس للكائنات مشابهة لطريقة استخراج الشكل النقي في البروتوكول 1 أعلاه. تم تسمية الخطوات بنفس الطريقة في كلا البروتوكولين لتسهيل المطابقة. يرجى الرجوع إلى الملاحظات في البروتوكول 1 لكل خطوة. الفرق الرئيسي بين الشكل النقي والشكل على نطاق واسع هو أن الشكل على المقياس لا يتطلب خطوات 1.6 و1.7 و1.8، وهي خطوات تغيير الحجم.

1. اقسم الحافة الخارجية لكل عضو. استخدم نهجا حسابيا أو قم بذلك يدويا عبر برنامج تحرير صور أساسي، مثل برنامج Paint من مايكروسوفت، أو MacOS' Preview، أو Fiji/ImageJ.
2. استخرج ملامح الأورغانويدات كأقنعة مفتوحة تشكل خطوط زرقاء على قماش أبيض. استخدم Fiji/ImageJ لاستخراج الأقنعة أو السكربت المقدم بلغة بايثون¹⁶.
3. عزل كل منحنى أزرق على لوحته البيضاء الخاصة. استخدم Fiji/ImageJ لاستخراج الأقنعة أو السكربت المقدم بلغة بايثون¹⁶.
4. قم بقص كل منحني ليكون هامش بكسل واحد على جميع جوانب الجسم الأزرق الأربعة. استخدم Fiji/ImageJ أو السكربت المقدم من بايثون¹⁶.
5. أضف 100 بكسل من المساحة البيضاء على جميع الجوانب الأربعة لإنشاء هوامش جديدة. استخدم Fiji/ImageJ أو السكربت المقدم من بايثون¹⁶.
6. قم بتدوير كل منحنية بحيث يكون أطول خط داخلي فيها عموديا. استخدم Fiji/ImageJ أو السكربت المقدم من بايثون¹⁶.
7. قم بتنفيذ تحويل LCPC على كل منحني. استخدم سكريبتات بايثون المقدمة لطريقة الشبكة الشعاعية¹⁸ أو طريقة الشبكة المتوازية¹⁹.

النتائج

تحويل LCPC الشبكي الشعاعي المطبق على عضويات سرطان الثدي

يمكن أن تتخذ العضويات والأورام ثلاثية الأبعاد أشكالا متنوعة، وبعضها يختلف بوضوح عن العين البشرية، رغم أن المقاييس التقليدية تظهر فروقا إحصائية ضئيلة. من ناحية أخرى، يمكن أن تظهر العضويات أشكالا تبدو غير متجانسة، وبالتالي غير مهمة للعين البشرية، مما يخفي تشاكلا دقيقا متكررا تمثل أنواعا فرعية مميزة. تم استخراج عضويات الثدي الأولية البشرية من المرضى وزراعتها ثلاثية الأبعاد وفقا لبروتوكول منش...

المناقشة

كما هو الحال مع أي أداة حسابية، تعتمد جودة المخرجات على ما إذا كانت المدخلات تلتزم بالقواعد المتوقعة التي صممت حولها الأداة. يجب اتباع القواعد التالية واستخدامها كاختبارات مراقبة جودة عند استخدام سكريبتات بايثون المتوفرة. أولا، تأكد من أن الأقنعة المفتوحة تكون خطوط زرقاء على خلفية بيضاء. كان اللون الأزرق قرارا عشوائيا ولا له أهمية، لكن السكريبتات التي تقوم بتحويل LCPC كتبت للبحث عن بكسلات زرقاء على خلفية بيضاء. ثانيا، لا تشغل سكريبتات تحويل LCPC على صور تحتوي على مساحة بيضاء أقل من 10 بك...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
Add 100 pixels to margins.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Average K-means Nearest Neighbor via sklearn version 1.6.1	SciKit Learn	https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.html	استخدمت دالة NearestNeighbors ضمن حزمة sklearn.neighbors
BLUE_Color Extraction.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Chamfer Distance via scipy version 1.15.1	SciPy	https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.cKDTree.html	استخدمت دالة cKDTree ضمن حزمة scipy.spatial
Cliff's Delta	Tissue Spatial Geometrics Lab	https://github.com/dh2nguyen/Cliffs-Delta	تم إنشاء تنفيذ لـ Cliff's Delta عبر لغة بايثون
Enlarge Image Size by 3X.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Fiji/ImageJ v2.14.0	ImageJ.net	https://imagej.net/
Flip images HORIZontally.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Flip images VERTically.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
GREEN_Color Extraction.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Isolate Objects Empty Blue.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
MacOS Preview Version 11.0	Apple Inc	https://support.apple.com/guide/preview/welcome/mac
Master Script_Parallel Grid LCPC_DN_071025.ipynb	Tissue Spatial Geometrics Lab	عنوان مستودع GitHub: https://github.com/dh2nguyen/Radial-Grid-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Master Script_Radial Grid LCPC_bBoxCentered.ipynb	Tissue Spatial Geometrics Lab	عنوان مستودع GitHub: https://github.com/dh2nguyen/Parallel-Grid-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Microsoft Paint	Microsoft	https://www.microsoft.com/en-us/windows/tips/paint	تم ذكره كأداة مفيدة محتملة للفصل اليدوي، ولكن لم يتم استخدامه في هذه الدراسة
Microsoft Powerpoint Version 16.109.3	Microsoft	https://www.microsoft.com/en-us/microsoft-365/p/powerpoint/cfq7ttc0pbmc
PINK_Color Extraction.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Principal Component Analysis (PCA) via sklearn version 1.6.1	SciKit Learn	https://scikit-learn.org/stable/api/sklearn.decomposition.html	استخدمت دالة PCA مع حزمة sklearn.decomposition
RED_Color Extraction (Mac).ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
RED_Color Extraction (Windows).ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Resize width to 400 pixels but constrain aspect ratio.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Rotate CLOSED Object Horizontal by Longest Internal Length.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Rotate Green Line_v3.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Rotate images 90CCW.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Rotate images 90CW.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Thicken Blue Lines.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter
Trim margin to 1-pixel border.ipynb	Tissue Spatial Geometrics Lab	اسم مستودع GitHub: Pre-Processing-Tools-for-LCPC-Transform | عنوان مستودع GitHub: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	سكربت بايثون في مذكرة Jupyter