Self-consistent automatic retrieval of single cell rotation enables highly reliable holo-tomographic flow cytometry

Die Autoren stellen ein neuartiges, selbstkonsistentes und vollautomatisiertes Verfahren vor, das durch iterative Optimierung die genaue Bestimmung der Rotationswinkel einzelner Zellen ermöglicht und so die Zuverlässigkeit und Skalierbarkeit der holographischen tomographischen Durchflusszytometrie erheblich verbessert.

Das Wesentliche

Das große Rätsel: Wie man ein rollendes Ei im Fluss filmt

Stellen Sie sich vor, Sie haben einen kleinen, durchsichtigen Fluss (eine Mikrofluidik-Kanüle), in dem einzelne Zellen wie winzige Boote vorbeiziehen. Diese Zellen sind nicht nur bewegt, sondern sie rollen auch, genau wie ein Würfel, der über eine Tischkante rollt.

Das Ziel der Wissenschaftler ist es, ein 3D-Bild von jeder einzelnen Zelle zu machen, ohne sie anzufärben oder zu markieren (das nennt man "label-free"). Dafür nutzen sie eine Art "Hologramm-Kamera", die Licht durch die Zellen schießt.

Das Problem:
Um ein scharfes 3D-Bild zu erstellen, müssen die Wissenschaftler genau wissen, in welche Richtung die Zelle zu jedem Zeitpunkt rollt.

• Die alte Methode: War wie ein Detektiv, der versucht, das Rätsel zu lösen, indem er starr auf die Bilder schaut und hofft, ein Muster zu erkennen. Oft musste ein Mensch die Bilder manuell prüfen, um zu sagen: "Aha, hier hat die Zelle genau eine volle Runde gedreht." Das war langsam, fehleranfällig und funktionierte nicht immer gut, wenn die Zellen sehr rund oder unscheinbar aussahen.

Die neue Lösung (Der "Selbstkorrigierende Kompass"):
Die Forscher aus Neapel haben einen neuen, vollautomatischen Weg gefunden. Stellen Sie sich das so vor:

1. Der erste Versuch: Das Computerprogramm macht eine erste Schätzung: "Okay, die Zelle rollt vielleicht so schnell." Es baut daraus ein vorläufiges 3D-Modell.
2. Der Rückwärts-Test (Die Magie): Jetzt kommt der Clou. Das Programm nimmt dieses vorläufige 3D-Modell und projiziert es virtuell wieder zurück in die 2D-Bilder, die die Kamera eigentlich aufgenommen hat.
3. Der Abgleich: Das Programm vergleicht nun: "Passt mein virtuelles Bild zu dem echten Foto, das die Kamera gemacht hat?"
   • Wenn es nicht passt (wie ein Schlüssel, der ins falsche Schloss passt), weiß das Programm: "Meine Schätzung der Rollgeschwindigkeit war falsch."
   • Es ändert dann die Geschwindigkeit ein bisschen, baut das 3D-Bild neu und versucht es wieder.
4. Der perfekte Treffer: Das Programm wiederholt diesen Prozess immer und immer wieder (iterativ), bis das 3D-Modell und die echten Fotos perfekt übereinstimmen.

Die Analogie:
Stellen Sie sich vor, Sie versuchen, die genaue Geschwindigkeit eines fahrenden Autos zu bestimmen, indem Sie Fotos machen.

• Die alte Methode: Sie schauen auf das Foto und raten: "Es sieht aus wie 50 km/h." Wenn das Auto unscharf ist, raten Sie falsch.
• Die neue Methode: Sie bauen ein Modell des Autos, das mit 50 km/h fährt, und projizieren es auf die Straße. Wenn das Modell nicht mit dem Foto übereinstimmt (z. B. steht das Rad im Modell an einer anderen Stelle als im Foto), sagen Sie: "Ups, es waren eher 48 km/h." Sie passen die Geschwindigkeit an, projizieren wieder und passen an, bis das Modell und das Foto exakt übereinstimmen. Das passiert so schnell, dass der Computer die Geschwindigkeit (und damit die Drehung der Zelle) automatisch und perfekt berechnet, ohne dass ein Mensch eingreifen muss.

Warum ist das so wichtig?

• Vollautomatisch: Kein Mensch muss mehr mühsam die Bilder durchsuchen. Der Computer macht alles allein.
• Genauer: Die alten Methoden hatten oft kleine Fehler, weil sie annahmen, die Zelle drehe sich in exakten Schritten. Die neue Methode erkennt auch winzige Abweichungen.
• Schneller: Da keine menschliche Überprüfung nötig ist, können viel mehr Zellen pro Sekunde analysiert werden.

Das Ergebnis:
Mit dieser Methode können die Forscher jetzt hochpräzise, dreidimensionale Bilder von einzelnen, lebenden Zellen erstellen, während sie durch den Körper (oder einen Chip) fließen. Das ist ein riesiger Schritt für die Medizin, da man Krebszellen oder andere krankhafte Veränderungen viel genauer und schneller erkennen kann, ohne sie zu zerstören oder zu färben.

Kurz gesagt: Sie haben einen selbstkorrigierenden Kompass für rollende Zellen entwickelt, der es ermöglicht, die innere Welt der Zellen in 3D zu sehen, ohne dass jemand manuell nachhelfen muss.

Technische Zusammenfassung

Titel: Selbstkonsistente automatische Extraktion der Einzelzellrotation ermöglicht hochzuverlässige holographische tomographische Durchflusszytometrie

Autoren: Daniele Pirone et al. (CNR-ISASI, Italien)

---

1. Problemstellung

Die Holographische Tomographische Durchflusszytometrie (HTFC) ist eine leistungsstarke, markierungsfreie Bildgebungstechnik, die es ermöglicht, dreidimensionale (3D) Brechungsindex-Tomogramme einzelner, fließender und rotierender Zellen zu rekonstruieren. Ein zentrales Hindernis für die breite Anwendung und Automatisierung dieser Technik ist die Bestimmung der unbekannten Orientierung (Rollwinkel) der sich bewegenden Zellen.

• Herausforderung: Für die tomographische Rekonstruktion müssen die Quantitative Phasenbilder (QPMs) den korrekten Rotationswinkeln zugeordnet werden.
• Bestehende Methoden:
  • Ältere Ansätze: Benötigten a priori-Informationen über die Zellform oder den Brechungsindex oder nutzten theoretische Mikrofluidik-Modelle.
  • Neuronale Netze: Können die Orientierung schätzen, haben aber Schwierigkeiten, auf neue, im Training nicht gesehene biologische Proben zu generalisieren.
  • Matching-basierte Methode (aktueller Standard): Nutzt die Ähnlichkeit zwischen den QPMs (z. B. mittels Tamura Similarity Index, TSI), um Frames zu finden, die einer bestimmten Rotation (z. B. 180° oder 360°) entsprechen.
• Limitierungen der aktuellen Methoden:
  • Erfordern oft menschliche Überprüfung zur Identifizierung des korrekten Referenzframes ($f_m$), da Rauschen oder homogene Zellstrukturen zu lokalen Minima in der Ähnlichkeitsmetrik führen können.
  • Die Berechnung der Winkel basiert auf der Annahme, dass eine exakte $m \cdot 180^\circ$-Rotation genau abgetastet wurde. In der Realität liegt jedoch immer ein Abtastfehler ($\varepsilon$) vor, der sich über die gesamte Winkelserie fortpflanzt und die Rekonstruktionsgenauigkeit mindert.

2. Methodik

Die Autoren stellen eine neuartige selbstkonsistente, reprojektionsbasierte Methode vor, die die Rotationswinkel automatisch und ohne menschliches Eingreifen ermittelt.

Grundprinzip:
Die Methode nutzt die Eigenschaft aus, dass die Winkelvariation (Rotation um die x-Achse) proportional zur Translationsvariation (Bewegung entlang der y-Achse im Mikrofluidik-Kanal) ist. Statt einen spezifischen Frame für eine volle Rotation zu suchen, wird der durchschnittliche Winkelinkrement ($\Delta\bar{\theta}$) direkt optimiert.

Algorithmus (Workflow):

1. Eingabe: $K$ experimentelle QPMs ($\Psi_k$) und die rekonstruierten Zellpositionen ($y_k$) für jeden Frame.
2. Berechnung des mittleren Translationsinkrements ($\Delta\bar{y}$): Aus den gemessenen Positionen.
3. Suche nach dem optimalen $\Delta\bar{\theta}$:
   • Ein Suchbereich für $\Delta\bar{\theta}$ wird definiert.
   • Für jeden Kandidatenwert $\Delta\bar{\theta}_i$ werden die Winkel $\theta_k$ gemäß der verallgemeinerten Formel $\theta_k = (y_k - y_1) \cdot \frac{\Delta\bar{\theta}_i}{\Delta\bar{y}}$ berechnet.
   • Ein trunkiertes Tomogramm ($T_{k=2,...,K}$) wird rekonstruiert (ohne das erste Bild).
   • Dieses Tomogramm wird rückwärts um verschiedene Winkel $\varphi_j$ rotiert und entlang der optischen Achse ($z$) reprojiziert, um simulierte QPMs ($\tilde{\Psi}_{i,j}$) zu erzeugen.
   • Die reprojizierten QPMs werden mit dem ersten experimentellen QPM ($\Psi_1$) verglichen (mittels TSI).
4. Optimierung:
   • Eine Kostenfunktion $E(\Delta\bar{\theta}_i, \varphi_j)$ wird aufgebaut.
   • Durch Mittelung über $\varphi$ und Anwendung eines gleitenden Durchschnitts (Filterung) wird eine gefilterte Funktion $\tilde{E}(\Delta\bar{\theta}_i)$ erzeugt.
   • Der Wert $\Delta\bar{\theta}$, der dieses Minimum minimiert, wird als optimaler Winkelinkrement gewählt.
5. Verfeinerung: Der Prozess kann iterativ mit einem engeren Suchbereich um den gefundenen Wert wiederholt werden, um die Genauigkeit zu steigern.
6. Rekonstruktion: Mit den nun präzise bekannten Winkeln $\theta_k$ wird das finale 3D-Brechungsindex-Tomogramm rekonstruiert.

3. Wichtige Beiträge

• Vollständige Automatisierung: Die Methode eliminiert die Notwendigkeit menschlicher Eingriffe zur Identifizierung von Rotationsframes.
• Überwindung von Abtastfehlern: Durch die direkte Optimierung des durchschnittlichen Inkrements wird der systematische Fehler vermieden, der entsteht, wenn man annimmt, eine Rotation werde exakt an einem Frame abgetastet.
• Selbstkonsistenz: Der Algorithmus nutzt die Rekonstruktion selbst (durch Reprojektion), um die Parameter zu verifizieren und zu optimieren.
• Skalierbarkeit: Die Methode ist robust gegenüber Rauschen und Zellheterogenität, was sie für hochdurchsatzfähige Durchflusszytometrie geeignet macht.

4. Ergebnisse

Die Methode wurde sowohl an numerischen Zell-Phantomen als auch an experimentellen Daten mit CAOV3-Ovarialkrebszellen validiert.

• Simulation: Bei einem simulierten Datensatz mit einer bekannten Rotation von $6^\circ$ pro Schritt zeigte die herkömmliche Matching-Methode einen Fehler von 12,5 %. Die neue Methode ermittelte den korrekten Wert präzise.
• Experiment (CAOV3-Zellen):
  • Die Matching-Methode erforderte manuelle Inspektion, um den Frame für eine 360°-Rotation zu finden ($f_2 = 41$).
  • Die Reprojektionsmethode fand automatisch den korrekten durchschnittlichen Winkelinkrement von $9,15^\circ$.
  • Dies führte zu einer präziseren Bestimmung der Rotationswinkel als die manuelle Methode, da der intrinsische Abtastfehler ($\varepsilon$) eliminiert wurde.
  • Die resultierenden 3D-Tomogramme zeigten eine hohe Qualität und Detailtreue der Zellstrukturen (Membran, Zytoplasma, Nukleus).
• Geschwindigkeit: Obwohl die Reprojektion rechenintensiv ist, ermöglicht die Automatisierung und das Vermeiden manueller Schritte eine signifikante Beschleunigung des Gesamtprozesses in der Praxis.

5. Bedeutung und Ausblick

Diese Arbeit stellt einen bedeutenden Fortschritt für die markierungsfreie 3D-Bildgebung in der Durchflusszytometrie dar.

• Technologischer Durchbruch: Die Methode macht HTFC zu einer zuverlässigen, hochautomatisierten Technologie, die für klinische Anwendungen und die Grundlagenforschung in der Biomedizin skalierbar ist.
• Anwendungspotenzial: Sie ermöglicht die quantitative Analyse einzelner Zellen in Echtzeit ohne externe Marker, was für die Diagnose und die Überwachung von Therapien (z. B. in der Onkologie, wie im Projekt FIGHT-TUMOR erwähnt) von großem Wert ist.
• Zukunft: Die Genauigkeit könnte durch fortschrittlichere Reprojektionsalgorithmen oder präzisere mikrofluidische Kontrollen weiter verbessert werden, wobei die Rechenzeit durch Eingrenzung des Suchraums optimiert werden kann.

Zusammenfassend löst die vorgestellte Methode das kritische Problem der Winkelbestimmung in der HTFC und ebnet den Weg für eine breite, zuverlässige Anwendung der holographischen Tomographie in der Durchflusszytometrie.