基于形态学的健康与病变细胞区分方法：利用傅里叶变换与自组织映射

该方法有助于回答基础研究和临床应用中的关键问题，例如癌症研究与癌症治疗，同时也适用于免疫学领域。该方法的主要优势在于其为一种静态方法，易于实施。该技术能够根据细胞的形态和运动特征自动识别病变细胞类型。

该技术的应用前景涵盖癌症或炎症性疾病的诊断与治疗。此方法可揭示免疫细胞与癌细胞之间的相互作用，同时也可应用于任何需要三维显微成像数据的领域。对于刚接触该方法的研究人员而言，由于在描述和验证三维显微成像数据方面可能存在困难，可能会面临一定的挑战。

我们认为，对本方法进行可视化演示至关重要，因为此处所使用的软件工具对许多科研人员而言并不熟悉。首先，按照随附的文字方案获取高分辨率、去卷积的三维显微成像数据集。将三维图像数据载入重建软件中，并开始为每个对象创建三维表面。

为此，请选择 3D 视图选项，点击表面，然后点击下一步按钮以继续表面创建向导。接下来，选择用于表面重建的图像通道。选择一个平滑值，该值应既能保留表面的细节，又能避免产生多孔表面。

通过点击“平滑选项”复选框并提供平滑半径来应用平滑函数。在创建显微镜数据的三维图像结构时，尤其需要注意平滑因子和合适的阈值方法，以避免丢失任何细胞特征或形态。接下来，选择阈值方法以确定表面。

当目标物体（如此处所示）与背景分离良好且亮度水平大致均匀时，使用绝对强度阈值。当目标物体的强度存在差异，但仍能与局部背景及其周围其他物体分离时，应应用局部对比度阈值。根据预期重建物体直径的数值设置局部阈值搜索区域。

接下来，从选项列表中进行选择，根据感兴趣的形态学参数对重建的表面进行筛选。这些参数包括体积、球形度、表面积与体积比等。将生成的表面以兼容后续步骤所用三维动画软件的格式（例如 VRML）保存并导出。

启动 Blender，然后转到窗口右侧的输出选项卡。从下拉菜单中选择 TIFF 格式，并将颜色深度设置为 8 位 RGBA。接下来，切换到脚本模式，并导航至提供的脚本文件，标题为：GUI_Autorotate。

py，可从本研究的 GitHub 代码仓库下载。返回主窗口后，单击运行脚本，当提示输入时选择 wrl 文件所在的文件夹。然后，进入默认菜单。

此处，将旋转次数设置为六次或以上。通过单击“旋转”按钮运行脚本。通常，六次不同角度的旋转已足以区分不同的细胞群体；但为了不丢失任何关于细胞形态或特征的信息，我们不建议使用少于六次的旋转。

将各个表面的投影保存到与输入文件相同的文件夹中。默认情况下，图像以8位TIFF格式保存，这是FIJI插件Shade所要求的格式。打开Fiji，然后在插件菜单中选择Shade。

从默认值开始，之后再对参数进行微调。准备运行程序时，点击“确定”。接下来，选择包含上一节中生成的 TIFF 文件的源文件夹，然后点击“选择”。

然后，提供一个输出数据文件夹。当第一张图像出现时，绘制一个矩形框选细胞，并点击“确定”开始。插件运行过程中，您将在图像周围看到细胞的预处理过程，细胞边缘以红线标出。

现在使用所找到边缘的坐标来计算离散傅里叶分量。首次训练自组织映射时，首先启动 MATLAB，加载 TrainSOM MATLAB 脚本，然后选择运行以开始训练。

如有需要，请确保正确设置文件路径。程序开始运行后，会弹出一个额外窗口以显示进度。请等待训练完成后再继续下一步操作。

默认情况下，脚本设置为运行 2,000 次迭代，即 epics。训练完成后，检查网络的拓扑图。以下是邻域距离图、样本命中图和输入平面图的示例。

自组织映射是发现数据集中隐藏关系的重要工具。它能够客观地对数据进行聚类，并且具有无需训练数据集的优势，因为其采用无监督学习方式。网络现已训练完成。

在工作区中右键单击文件，将其保存以供将来使用。当使用已训练好的自组织映射时，加载自组织映射以对数据集进行聚类。然后，导入将使用预加载训练映射进行测试的 CSV 文件。

此处，我们将选择 Shade 插件的 CSV 输出。数据加载后，将输出类型更改为数值矩阵，然后选择导入选中内容。分类完成后，使用命令窗口评估各种图表。

此处显示的图像来自小胶质细胞的去卷积活体多光子显微镜数据集。在生理条件下，小胶质细胞呈现出较为复杂的形态，具有多个高度分支的突起。当处于癌症环境中时，例如本皮层肿瘤模型，小胶质细胞则转变为更简单、更呈纺锤形的形态。

将这20个纺锤形的描述性组分作为输入，用于训练自组织映射。训练完成后，对该映射进行测试，以评估其区分健康细胞与癌细胞的能力。健康细胞群体被投射到此处所示的单一区域，而癌变的小胶质细胞数据集则呈现为哑铃形的活跃区域。

医学专家还可以训练地图以识别不同的细胞群。在此，静息细胞、吞噬细胞、相互作用细胞和移动细胞被识别、重建，并用于训练一个12×12的地图。该整合地图显示了具有高命中值的人工神经元群，尤其集中在地图的左下部和中部区域。

通过使用训练好的自组织映射方法，并以不属于训练数据集的同一种静息细胞类型的3个随机子集进行测试，验证了该映射方法的稳健性。自组织映射（S.O.M）对这些输入的响应表现出非常相似的结果，表明能够正确识别细胞类型。在该技术开发完成后，我们现在拥有了一个工具包，可以据此简单地对细胞形态变化进行分类。

这些变化在癌症或其他免疫系统反应过程中会发生，我们可以通过显微镜进行测量，所用样本包括完整动物、切除的组织，甚至器官芯片。