Ein Formanalyse-Algorithmus quantifiziert die räumliche Morphologie und den Kontext von 2D- zu 3D-Zellkulturen für eine neuartige Quantifizierung von Phänotypen

Zusammenfassung

Dieser Artikel erklärt, wie neuartige morphologische Merkmale in Zellen und Organoiden mithilfe der linearisierten komprimierten Polarkoordinaten-(LCPC)-Transformation quantifiziert werden können, einem räumlichen Algorithmus, der Eigenschaften erfasst, die traditionelle Metriken wie Fläche, Volumen und Oberfläche nicht erfassen können. Best Practices für Formorientierung und -ausrichtung werden diskutiert.

Zusammenfassung

Zahlreiche Studien haben gezeigt, dass der morphologische Phänotyp einer Zelle oder eines Organoids mit seiner Anfälligkeit für Krebshemmer korreliert. Traditionelle Methoden zur Messung des Phänotyps basieren jedoch auf räumlichen Metriken wie Fläche, Volumen, Umfang und Signalintensität, die zwar funktionieren, aber begrenzt sind. Diese Ansätze können viele entscheidende Merkmale des räumlichen Kontexts nicht messen, wie zum Beispiel Chiralität, eine Eigenschaft der Links- und Rechtshändigkeit. Das Volumen kann nicht zur Erfassung der Chiralität verwendet werden, da der linke und der rechte Schuh dasselbe Volumen haben. Obwohl der räumliche Kontext in Form von Chiralität, Gravitationsrichtung und Polaritätsachse für Menschen intuitiv ist, können die traditionellen Metriken, die von Zellbiologen, Pathologen, Radiologen und Praktikern des maschinellen Lernens bisher verwendet werden, diese grundlegenden Vorstellungen nicht erfassen. Die linearisierte komprimierte polare Koordinaten-Transformation (LCPC) ist ein neuartiger Algorithmus, der räumlichen Kontext erfassen kann, wie keine andere Metrik. Die LCPC-Transformation übersetzt eine zweidimensionale (2D) Kontur in eine diskrete Sinuswelle, indem ein Gittersystem überlagert wird, das die Schnittpunkte zwischen Kontur und Gitterlinie verfolgt. Er verwandelt die Kontur in eine Folge von Paaren diskreter Koordinaten, wobei die unabhängige Koordinate (x-Koordinate) aufeinanderfolgenden Positionen im zweidimensionalen Raum entspricht. Jede abhängige Koordinate (y-Koordinate) besteht aus dem Abstand zwischen einem Schnittpunkt der Kontur und der Gitterlinie zum Ursprung oder zur Basislinie des Gittersystems. In Form einer diskreten Sinuswelle wird dann die schnelle Fourier-Transformation auf die Daten angewendet. Auf diese Weise werden die Formen der Zellen in 2D- und 3D-Zellkulturen systematisch und multidimensional dargestellt, was eine robuste quantitative Schichtung ermöglicht, die Einblicke in die Therapieresistenz liefert.

Einleitung

Die dreidimensionale (3D) Organoidkultur hat sich als überlegen gegenüber der zweidimensionalen (2D) Zellkultur erwiesen, um die Biologie in vivo nachzuahmen ^1,2. Organoide sind in der Krebsforschung unverzichtbar geworden, um wirksame Behandlungen zu screenen und Einblicke in den Krankheitsverlauf zu gewinnen 3,4,5,6. Obwohl in der Krebsbiologie bekannt ist, dass Unterschiede in der Morphologie mit unterschiedlichen biologischen Verhaltensweisen von Zellen und Geweben korrelieren, stützt sich das Fachgebiet auf traditionelle, begrenzte Formmetriken. Diese Studie beschreibt einen neuartigen räumlichen Algorithmus, der subtile morphologische Merkmale objektiv mit beispielloser Präzision quantifiziert und traditionelle Ansätze wie Fläche, Volumen und Oberfläche übertrifft.

Die linearisierte Transform der komprimierten polaren Koordinaten (LCPC) wurde erfunden, um objektiv und quantitativ komplexe Morphologien in der Gewebehistopathologie zu beschreiben, mit dem Ziel, die Graduierung von Darmpolypen⁷ zu verbessern. Der Wunsch, diesen Ansatz dann auszuweiten, um makroskopische MRT-basierte räumliche Merkmale in Gehirnpathologien wie bipolarer Störung und Alzheimer zu erfassen, führte zu Augmentationen, die ihn noch weiter verbesserten. Diese Studie beschreibt das Schritt-für-Schritt-Protokoll und Best Practices zur Anwendung zweier Versionen der LCPC-Transformation: das Parallelgittersystem und das radiale Gittersystem, die beide Open-Source-Skripte und Tutorial-Videos enthalten.

Neben traditionellen geometrischen Methoden gibt es mehrere Abstraktionen, die sich als wirksam zur Messung der komplexen Formen von Zellen und Organen erwiesen haben. Dazu gehören die Messung von Exzentrizität, Verrägung, Kontrast und Kurtosis sowie Zernike-Momente zur Erfassung von Kreisform, Asymmetrie, Kantenunregelmäßigkeit und globaler Konturstruktur ^8,9,10. Die Fraktalanalyse war auch nützlich, um komplexe Konturen in skalare Werte zu reduzieren, wie zum Beispiel die Fraktaldimension, die misst, wie unregelmäßig die Kontur ist, und die Lacunärität, die misst, wie heterogen unregelmäßige Lücken in der Kontur^11,12 auftreten. Zur Messung der Textur ist die Gray Level Co-occurrence Matrix (GLCM)-Methode beliebt, um Kontrast, Energie, Homogenität, Korrelation und Entropie^13,14 zu messen. Obwohl alle diese Methoden vorteilhaft sind, wurden keine davon darauf ausgelegt, räumlichen Kontext zu erfassen, wie etwa die Richtung der Schwerkraft, Links- vs. Rechtshändigkeit oder die Lage der zentralen Stützstruktur, die die Richtung der Formänderung beeinflusst. Außerdem erzeugen viele von ihnen einen einzelnen skalaren Wert oder nur eine Handvoll skalare Werte, um räumliche Informationen darzustellen, weshalb die zitierten Studien sie oft in Kombination verwenden, um komplexe Formen zu bewerten.

Die LCPC-Transformation wurde entwickelt, um viele Merkmale aus einer Messung zu erzeugen und das Hinzufügen räumlicher Markierungen zu ermöglichen, die den räumlichen Kontext in die Form kodieren, wie etwa die Richtung der Schwerkraft. Die Methode, die der LCPC-Transformation⁷ am nächsten kommt, wurde ein Jahr später¹⁵ veröffentlicht und teilt dieselbe Kernidee als Ausgangspunkt: Die Fourier-Transformation auf Zellkonturen anzuwenden, um die Form in Form eines Frequenzspektrums zu messen. Die LCPC-Transformation wurde jedoch unabhängig entwickelt, um über verschiedene Gittersysteme angewendet zu werden, die in Verbindung mit Kenntnis des räumlichen Kontexts außerhalb der zu messenden Form verwendet werden sollten. Darüber hinaus erklärt der Erfinder der LCPC-Transformation in diesem Manuskript, dass das resultierende Frequenzspektrum enorme Mengen verborgener räumlicher Informationen enthält. Supplementary File 1 enthält eine ausführliche Diskussion räumlicher Kontexte in der Biologie, die bei der Verwendung der zitierten Methoden oft übersehen werden, und wie die LCPC-Transformation angewendet werden kann, um diesen Kontext zu erfassen. Für Leser, deren Formdaten keinen Unterschied zwischen Kontroll- und Experimentgruppen zeigen, ob ihre Augen einen Unterschied in den Formen erkennen oder deren Formdaten nur sehr geringe Unterschiede zeigen, obwohl sie vermuten, dass es einen größeren Unterschied geben sollte, sollten sie die LCPC-Transformation ausprobieren.

Die LCPC-Transformation bietet ein beispielloses Maß an Präzision bei der Messung räumlicher Informationen, da sie Formen in mehreren Dimensionen darstellt. Im Gegensatz zu traditionellen Methoden wie Fläche und Volumen, die pro Form nur einen skalaren Wert liefern (z. B. 25 cm^²), können die Ergebnisse der LCPC-Transformation mehrere Indizes liefern, die jeweils mit einem anderen morphologischen Aspekt einer Form korrelieren (z. B. Rundheit vs. Schärfe der Ecken, Glätte vs. Zackigkeit der Kanten). Die LCPC-Transformation beschreibt eine 2D-Form, indem sie ein Raster gerader Linien überlagert, die ihre Kontur schneiden. Jedes Gittersystem hat einen Ursprung (Abbildung 1) oder eine Basislinie (Abbildung 2), von der aus lineare Entfernungen gemessen werden kann. Siehe die Abbildungen 1B und 2B für vereinfachte Flussdiagramme, die den Algorithmus beschreiben. Jeder Schnittpunkt zwischen den Gitterlinien und der Kontur der Form wird erkannt. Die Entfernung jeder Schnittmenge wird dann relativ zu einer Basislinie oder einem Ursprung berechnet. Auf diese Weise wandelt die LCPC-Transformation 2D-Formen in eine Reihe aufeinanderfolgender x-y-Koordinatenpaare um. Die x-Koordinate stellt die Position der Gitterlinie von null bis unendlich dar, während die y-Koordinate die Entfernung des Schnittpunkts zur Basislinie oder zum Ursprung darstellt. In dieser Form, die eine diskrete Sinuswelle ist, wird dann die Fast-Fourier-Transformation (FFT) angewendet, um die Daten vom "Positionsbereich" in den Frequenzbereich umzuwandeln. Wenn die x-Koordinate die Zeit darstellt, wäre der "Positionsbereich" in den Standardanwendungen des FFT äquivalent zum "Zeitbereich".

Während das radiale Gittersystem den Abstand jeder Schnittmenge vom Ursprung des radialen Gitters misst (Abbildung 1A), misst das parallele Gittersystem stets die Entfernung der Schnittpunkte mit Bezug auf eine imaginäre Linie links in der Form (Abbildung 2A). Das Open-Source-Skript bestimmt die Position dieser imaginären Linie, indem es den linkesten Pixel der Kontur findet und dann 10 Pixel nach links dieser Position verschiebt. Hier wird die x-Koordinate dieser Position zur Referenzlinie, von der aus alle Schnitte berechnet werden. Diese 10-Pixel-Regel ist willkürlich, aber deshalb müssen alle vom Open-Source-Skript für das Parallelgittersystem analysierten Konturen mindestens 15 Pixel Weißraum auf allen vier Seiten haben.

Bei 2D-Formen mit Falten oder mehreren Schichten können Gitterlinien die Kontur mehrmals schneiden. In diesem Fall werden die Entfernungen aller Schnittpunkte entlang eines Gitters zu einem einzigen Wert addiert. Daher hat jede Gitterlinie nur eine x-Koordinate und eine y-Koordinate. Diese Summe wird durch den Begriff "komprimiert" im Namen LCPC-Transformation dargestellt. Die Darstellung einer nichtlinearen 2D-Form in eine diskrete Sinuswelle wird durch den Begriff "linearisiert" im Namen des Algorithmus dargestellt. Schließlich ist der Begriff "Polarkoordinaten" im Namen des Algorithmus, weil das erste konzeptuale Gittersystem ein 180-Grad-Radialgitter mit Polarkoordinaten⁷ war. Selbst nachdem erkannt wurde, dass polare und kartesische Koordinaten austauschbar sind, blieb der Name des Algorithmus unverändert. Der Abschnitt Danksagungen beschreibt die persönlichen Gründe, die die Erfindung und Erweiterung der LCPC-Transformation motiviert haben.

Protokoll 1 war die Sequenz zur Erfassung der in Abbildung 3B gezeigten Daten, während Protokoll 2 die Sequenz zur Erfassung der in Abbildung 3C–D dargestellten Daten war. Die Schritte in diesen Protokollen werden in einzelnen Python-Skripten implementiert, die im GitHub-Repository "Pre-Processing-Tools-for-LCPC-Transform" verfügbar ^sind16. Protokoll 1 ist ein Beispiel für die Vorverarbeitungsschritte zur Ableitung der "reinen Form" zur Vorbereitung der LCPC-Transformation. Protokoll 2 ist ein Beispiel für Vorverarbeitungsschritte, um Formen "im Maßstab" zu messen, also auf ihren ursprünglichen Maßstäben relativ zueinander.

Die Segmentierung kann manuell in Bildverarbeitungssoftware wie Macs Vorschau oder Microsofts Paint oder mit Schwellenwert-basierten Methoden durchgeführt werden. Bei manueller Ausführung sollte eine der folgenden vier Farben gewählt werden: Blau, Grün, Rosa/Magenta oder Rot. Das GitHub-Repository namens "Pre-Processing-Tools-for-LCPC-Transform"¹⁶ enthält einen Ordner namens "color extraction scripts". Dieser Ordner enthält vier Jupyter Notebook-Dateien mit Python-Code, die die vier genannten Farben extrahieren und in blaue Masken auf weißem Hintergrund umwandeln. Dieser Prozess kann auch durchgeführt werden, indem die Farbumrissfarbe in einer Bildverarbeitungssoftware wie Fiji/ImageJ geschwellenwert wird. Für Bilder, die Konturen mit berührenden Rändern oder überlappenden Kanten enthalten (z. B. ein Venn-Diagramm), müssen sie mit Bildverarbeitungssoftware getrennt werden, sodass sie unabhängige Objekte im zusammengesetzten Maskenbild mit mehreren organoiden Konturen werden. Dies gilt nicht für Bilder, die nur ein Organoid oder mehrere Organoide enthalten, die sich nicht berühren.

Protokoll

Primäre menschliche Zellen, die in dieser Studie verwendet wurden, wurden unter Ethikgenehmigungen und zuvor berichteten Verfahren zur informierten Einwilligung gewonnen und kultiviert¹⁷. Die hier präsentierten Bilder wurden aus diesen genehmigten Zellkulturen generiert und erstmals veröffentlicht. Gewebeproben wurden am Brigham and Women's Hospital und an der University of California, San Francisco, im Rahmen von der Institutional Review Board (IRB) genehmigten Protokollen von Patienten entnommen, die eine informierte Einwilligung für die Forschungsnutzung ihres Gewebes gegeben hatten, wie zuvor beschrieben¹⁷. Für diese Studie wurde keine zusätzliche menschliche Probenentnahme durchgeführt.

1. Extraktion der reinen Form von 2D-Organoidkonturen für die LCPC-Transformation

1. Segmentieren Sie die äußere Kante jedes Organoids mit beliebiger Bildverarbeitungssoftware, wie z. B. Microsofts Paint, MacOS' Vorschau oder Fiji/ImageJ.
2. Extrahiere die Konturen der Organoide als offene Masken, die blaue Linien auf weißem Hintergrund sind.
3. Isoliere jede blaue Kontur auf einer eigenen weißen Leinwand.
   HINWEIS: Dieser Schritt ist nur notwendig, wenn ein Bild mehr als eine Kontur enthält.
4. Schneide jede Kontur so zu, dass auf allen vier Seiten des blauen Objekts ein Pixelrand entsteht.
5. Füge 100 Pixel Weißraum auf allen vier Seiten hinzu, um neue Ränder zu schaffen.
6. Drehen Sie die Objekte so, dass die längste innere Länge horizontal ist.
   HINWEIS: Dieser Schritt wandelt die längste innere Linie innerhalb jedes Objekts in die Breite des Objekts um. Für diesen Zweck stehen zwei Skripte zur Verfügung. Für geschlossene Formen verwenden Sie das Jupyter Notebook namens "Rotate CLOSED Object Horizontal by Longest Internal Length_v2.ipynb". Für offene Formen oder Formen mit mehreren Komponenten verwenden Sie das Jupyter Notebook namens "Rotate Green Line_v3.ipynb". Das Tool Grüne Linie drehen hat ein Videotutorial, das in der ReadMe-Datei im selben Ordner wie die .ipynb-Datei verlinkt ist.
7. Schneide jedes Bild so zu, dass auf allen vier Seiten des blauen Objekts ein Pixelrand vorhanden ist.
   HINWEIS: Dies ist dasselbe wie Schritt 1.4. Der Zweck des Trimmens dieses Mal ist jedoch, dass der nächste Schritt zur Größenanpassung die gesamte Leinwand vergrößert, nicht nur das blaue Objekt darin. Indem das blaue Objekt also nahezu die gleiche Breite und Höhe wie die Leinwand selbst ist, wird die Größe der Leinwand auf 400 Pixel Breite auch auf fast 400 Pixel Größe verkürzt. Es gibt ein Jupyter Notebook namens "Trim margin to 1-pixel border.ipynb".
8. Die Leinwandbreite jedes Bildes auf 400 Pixel anpassen und gleichzeitig das Seitenverhältnis einschränken.
   HINWEIS: Dieser Schritt sorgt dafür, dass jedes Objekt die gleiche Breite hat. Das Einschränken des Seitenverhältnisses verhindert, dass das Objekt während der Größenänderung verzerrt wird. Es gibt ein Jupyter Notebook namens "Resize width to 400 pixel, but constrain aspect ratio.ipynb".
9. Füge 100 Pixel Weißraum auf allen vier Seiten hinzu, um neue Ränder zu schaffen.
10. Drehen Sie jedes Bild entweder um 90 Grad im Uhrzeigersinn oder gegen den Uhrzeigersinn, um die längste innere vertikale Länge zu erhalten, was mit der Wahl aller Bilder übereinstimmt.
    HINWEIS: In der obigen Sequenz wird die reine Form durch sequentielle Umsetzung der Schritte 1.6, 1.7, 1.8 und 1.9 erhalten. Das Hinzufügen von Margin-Raum in Schritt 1.9 ist erforderlich, um Fehler in den LCPC-Transformationsskripten zu vermeiden, die als nächstes ausgeführt werden, aber nicht an der Extraktion der reinen Form beteiligt sind. Nutzer, die Formen "im Maßstabsgetreuen" messen möchten, müssen die Schritte 1.6, 1.7 und 1.8 in der obigen Sequenz nicht durchführen, sollten jedoch ihre Maskenbilder vorverarbeiten, um eine optimale Ausrichtung zu erreichen, bevor sie die LCPC-Transformation anwenden.
11. Führen Sie die LCPC-Transformation auf jeder Kontur durch. Verwenden Sie Python-Skripte, die für die radiale Gittermethode¹⁸ oder die parallele Gittermethode¹⁹ bereitgestellt werden.

2. Extraktion der maßstabsgetreuen Form von 2D-Organoidkonturen für die LCPC-Transformation

HINWEIS: Die Schritt-für-Schritt-Methode zur Extraktion der maßstabsgetreuen Form von Objekten ähnelt der zur Extraktion reiner Form in Protokoll 1 oben. Die Schritte sind in beiden Protokollen identisch benannt, um das Matching zu erleichtern. Bitte beachten Sie die Anmerkungen in Protokoll 1 für jeden Schritt. Der Hauptunterschied zwischen reiner Form und maßstabsgetreuer Form besteht darin, dass die maßstabsgetreue Form die Schritte 1.6, 1.7 und 1.8 nicht benötigt, die die Schritte, die Größe der Größe sind.

1. Segmentiere die äußere Kante jedes Organoids. Verwenden Sie einen rechnergestützten Ansatz oder machen Sie dies manuell über eine einfache Bildbearbeitungssoftware wie Microsofts Paint, MacOS Preview oder Fiji/ImageJ.
2. Extrahiere die Konturen der Organoide als offene Masken, die blaue Linien auf einer weißen Leinwand sind. Verwenden Sie Fiji/ImageJ, um Masken zu extrahieren, oder das bereitgestellte Python-Skript¹⁶.
3. Isoliere jede blaue Kontur auf einer eigenen weißen Leinwand. Verwenden Sie Fiji/ImageJ, um Masken zu extrahieren, oder das bereitgestellte Python-Skript¹⁶.
4. Schneide jede Kontur so zu, dass auf allen vier Seiten des blauen Objekts ein Pixelrand entsteht. Verwenden Sie Fiji/ImageJ oder das bereitgestellte^{Python-Skript 16}.
5. Füge 100 Pixel Weißraum auf allen vier Seiten hinzu, um neue Ränder zu schaffen. Verwenden Sie Fiji/ImageJ oder das bereitgestellte^{Python-Skript 16}.
6. Drehen Sie jede Kontur so, dass ihre längste innere Linie vertikal ist. Verwenden Sie Fiji/ImageJ oder das bereitgestellte^{Python-Skript 16}.
7. Führen Sie die LCPC-Transformation auf jeder Kontur durch. Verwenden Sie Python-Skripte, die für die radiale Gittermethode¹⁸ oder die parallele Gittermethode¹⁹ bereitgestellt werden.

Ergebnisse

Die radiale LCPC-Transformation angewendet auf Brustkrebsorganoide

3D-Organoide und Tumore können verschiedene Formen annehmen, von denen einige für das menschliche Auge offensichtlich anders sind, obwohl traditionelle Metriken statistisch unsignifikante Unterschiede liefern. Organoide hingegen können auch Formen aufweisen, die für das menschliche Auge heterogen und daher unbedeutend erscheinen und wiederkehrende subtile Morphologien verbergen...

Diskussion

Wie bei jedem rechnergestützten Werkzeug hängt die Qualität des Outputs davon ab, ob die Eingaben den erwarteten Regeln entsprechen, um die das Werkzeug entwickelt wurde. Die folgenden Regeln sollten befolgt und als Qualitätskontrollprüfungen verwendet werden, wenn die bereitgestellten Python-Skripte verwendet werden. Stelle zuerst sicher, dass die offenen Masken blaue Linien auf weißem Hintergrund sind. Blau war eine willkürliche Entscheidung und hat keine Bedeutung, aber die Skripte, d...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Add 100 pixels to margins.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Average K-means Nearest Neighbor via sklearn version 1.6.1	SciKit Learn	https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.html	Verwendete die NearestNeighbors-Funktion innerhalb des sklearn.neighbors-Pakets
BLUE_Color Extraction.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Chamfer Distance via scipy version 1.15.1	SciPy	https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.cKDTree.html	Verwendete cKDTree-Funktion innerhalb des scipy.spatial-Pakets
Cliff's Delta	Tissue Spatial Geometrics Lab	https://github.com/dh2nguyen/Cliffs-Delta	Erstellte eine Implementierung von Cliff's Delta in der Python-Sprache
Enlarge Image Size by 3X.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Fiji/ImageJ v2.14.0	ImageJ.net	https://imagej.net/
Flip images HORIZontally.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Flip images VERTically.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
GREEN_Color Extraction.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Isolate Objects Empty Blue.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
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	GitHub Repo Address: https://github.com/dh2nguyen/Radial-Grid-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Master Script_Radial Grid LCPC_bBoxCentered.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Address: https://github.com/dh2nguyen/Parallel-Grid-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Microsoft Paint	Microsoft	https://www.microsoft.com/en-us/windows/tips/paint	Als potenziell nützliches Tool für manuelle Segmentierung erwähnt, aber in dieser Studie nicht verwendet
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	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Principal Component Analysis (PCA) via sklearn version 1.6.1	SciKit Learn	https://scikit-learn.org/stable/api/sklearn.decomposition.html	Verwendete die PCA-Funktion mit dem sklearn.decomposition-Paket
RED_Color Extraction (Mac).ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
RED_Color Extraction (Windows).ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Resize width to 400 pixels but constrain aspect ratio.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Rotate CLOSED Object Horizontal by Longest Internal Length.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Rotate Green Line_v3.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Rotate images 90CCW.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Rotate images 90CW.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Thicken Blue Lines.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook
Trim margin to 1-pixel border.ipynb	Tissue Spatial Geometrics Lab	GitHub Repo Name: Pre-Processing-Tools-for-LCPC-Transform | GitHub Repo Address: https://github.com/dh2nguyen/Pre-Processing-Tools-for-LCPC-Transform	Python-Skript in einem Jupyter Notebook