Механизмы для столов раздвижные: Механизмы для раздвижных столов

Содержание

Механизмы: фурнитура для раздвижных столов трансформеров, недорого

Идея создания нашей компании была продиктована нам ситуацией на мебельном рынке в те не такие далекие 90 годы, когда понятия комплексного обслуживания кустарных мебельщиков, умеющих работать руками и головой, практически не было.

В первые же месяцы нашей работы мы поняли, что находимся на верном пути. При общении с людьми, которых мы обслуживали в то время, звучали вполне разумные предложения по усовершенствованию получаемых услуг и расширению ассортимента сопутствующих товаров. Таким образом началось наше бурное развитие.

В 2005 году для нас стал очевидным факт, что постепенно у наших клиентов появляется потребность и возможность покупать товары OnLine. В связи с этим, было принято решение создать интернет магазин для современных мебельщиков и розничных клиентов.

В нашем новом сервисе мы предоставили быструю возможность разобраться в огромном количестве товаров, необходимых для изготовления индивидуальной мебели.

Интернет магазин Торговой Марки ДЕКС постепенно набирал популярность не только в своем регионе, но и по всей территории Украины. С нами начали сотрудничать многие мебельщики из разных регионов, где обслуживание не то, что онлайн, а даже офлайн, до сих пор на очень низком уровне. Постепенно у нас стали появляться клиенты из городов миллионников, в которых с каждым годом становилось все труднее и труднее перемещаться из точки А в точку Б.

И так, из года в год, работая над улучшением нашего сервиса, к 2010 году мы вышли в лидеры по обслуживанию клиентов онлайн в такой узкоспециализированной нише, как мебельная фурнитура.

В этом же году было принято решение о выставлении фотографий товаров собственного производства: шкафов, прихожих, диванов для онлайн продажи. Это решение также было успешным и привело нас к расширению ассортимента мебели и договоренности с другими производителями о реализации их товаров на нашей площадке. Сегодня мы очень тщательно относимся к выбору наших партнеров-поставщиков и постоянно работаем над повышением уровня сервиса для наших клиентов.

Это не просто слова, которые украшают этот текст. Каждый сотрудник, которого мы принимаем на работу, придерживается ключевой ценности компании — Мы Выполняем То, Что Пообещали Клиенту С Первого Раза И Точно Вовремя. Это же требование относится и к нашим поставщикам.

Все отзывы, которые есть в разделе «Отзывы», действительно написаны нашими клиентами, а не притянуты за «уши». Мы всегда приветствуем конструктивную критику и будем Вам за нее благодарны. Надеемся, что сотрудничество с нами будет для Вас полезным, и от этого жизнь станет ярче

механизмы, материалы, стили. Салоны ТРИО-Интерьер в Москве.


     Если вы решили купить раздвижной стол, чтобы принимать гостей красиво и при этом сэкономить место в квартире или загородном доме, у вас есть возможность выбора.


     Как его сделать правильно и по каким критериям оценивать столы – об этом расскажут наши дизайнеры и технические специалисты.

Виды раздвижных столов

     Начнем с практической функции раздвижных столов, ведь в первую очередь важна их способность менять размер. Итак, принцип тот же – маленький стол превращается в большой. В собранном виде он великолепно экономит место на кухне, гостиной или в столовой, в разложенном дает возможность усадить с комфортом до 10-14 человек. Если вы экономите место или у вас не так часто бывают гости, раздвижной стол, — то, что нужно.


     Как правило, обеденные столы стандартной высоты увеличиваются за счет выдвигающихся «лепестков», которые хранятся под столешницей или в ней – они легко выезжают из-под нее и благодаря плотной стыковке обеспечивают увеличение стола на запланированную длину. При этом стол может менять свою форму – например, с квадратной на овальную как Titan III 1136 (Draenert).


https://www.trio.ru/upload/iblock/387/38734b74ddbded27a8648968c6f6eed0.jpg» title=»Titan III 1136″>


     Зачастую дополнительные элементы (вытяжные вкладки), увеличивающие поверхность стола, хранятся в самой столешнице, как в модели 8810 (Rolf-Benz). Огромный плюс — максимум свободного пространства для ног.


https://www.trio.ru/upload/iblock/627/7d6923a54bb39da22316aea19bc2c9cf.jpg» title=»8810″>


     Иногда поверхность стола увеличивается за счет подъемной части – из вертикального положения она переводится в горизонтальное и закрепляется как в модели DAYTONA (Cattelan).




10 важных особенностей современных раздвижных столов

     Если вспомнить советские образцы, то в противовес их функциональности можно было поставить вес стола, сложную транспортировку по квартире, не очень удобные и ненадежные механизмы раскладывания, неэкологичные и недолговечные материалы. Что же отличает современные дизайнерские столы?

Эстетика

     Они действительно красивые и будут служить украшением интерьера, куда бы их ни поставили – на кухню, в столовую, гостиную, спальню и т.д.

Интуитивно понятный механизм раскладывания.

     Вам не придется долго изучать инструкцию, чтобы понять, как обращаться со столом.

https://www.youtube.com/embed/R9dGaBdJX1c» frameborder=»0″ allowfullscreen>
Легкость в использовании

     Даже сложные механизмы не требуют большой физической силы. С любым, даже очень тяжелым столом, справится и хрупкая женщина, и в этом большой плюс.

Значительное увеличение в размере

     В некоторых моделях стол может увеличиться до 4 метров. По ссылке — большие обеденные столы.



У нас вы можете подобрать обеденный стол любого дизайна и стиля из 600 наименований!
Выбрать стол


Регулируемая основа

     Также частая опция в современных моделях. Вы можете выставить нужную высоту стола и поменять ее при необходимости.

Высокая степень комфорта

     Эргономика современных столов продумана до мелочей, поэтому сидеть за ними удобно. Что немаловажно – какой бы механизм раскладывания не предложил производитель, всегда будет достаточно места для ног.

Разнообразие материалов

     Современные производители используют даже сложные и, казалось бы, нетипичные для столов материалы – камень, стекло, керамику и т.д.




Разнообразие цветовых решений

     Ваша столешница может быть любого цвета и идеально вписываться в интерьер.

Легкость перемещения

     Некоторые из современных раскладывающихся столов оснащены колесиками, поэтому легко перемещаются в пространстве.


Срок эксплуатации до 15-20 лет

     Обеспечивается современными материалами и технологиями.


Важно! Среди наиболее востребованных моделей – раздвижные столы со стеклянной столешницей. Вопреки нашим представлениям о хрупкости стекла и необходимости крайне осторожно обращаться с этим материалом, такой стол выдерживает значительные нагрузки и долго остается в великолепном состоянии. Однако имейте в виду, что на ощупь стекло будет холодным. Обратите внимание на Ray plus (Fiam, Италия).




Раскладывающиеся столы в интерьере

     Благодаря новомодным техническим решениям у потребителя есть превосходный выбор. Вы выбираете не только механизм раскладывая и финальную длину стола, но также материал и цвет. Стоит отметить, что раздвижные столы нового поколения отлично смотрятся и в классических, и в современных интерьерах. Востребовано сочетание различных материалов столешницы – камня и керамики, дерева и стекла, и т.д.


Совет: Чтобы точнее определиться с выбором, задайте себе вопрос – какие тактильные ощущения вам хотелось бы получать, ведь обедая за этим столом, вы все время будете дотрагиваться до столешницы. Сложность ухода за материалом также важна — раскладной стол такого качества будет служить вам на протяжении десятилетий.


     Исключительный пример – столы Drаenert. Этот производитель из Германии специализируется на современных столах с каменной столешницей, оснащенных механизмом раскладывания. Основа – полированная высококачественная сталь, камень – натуральный мрамор с различной обработкой поверхности. Вес такой мебели – около 300 килограмм. Такие мраморные столы великолепно подчеркивают статус интерьера, создают ощущение спокойствия и надежности, легко перемещаются в пространстве квартиры или дома благодаря выдвижным колесикам. Механизм их раскладывания очень прост и не требует серьезных физических усилий.

https://www.youtube.com/embed/y8rciice9lU» frameborder=»0″ allowfullscreen>

Консультанты салонов ТРИО знают все про столы для ваших гостиных. Приезжайте к нам, трогайте, раздвигайте и выбирайте!

Виды раскладных столов и основные правила их выбора

Механизмов раскладки стола множество. По принципу действия их можно классифицировать на две базовые группы:
1. Ручные системы. Для увеличения стола нужно выполнить вручную несколько манипуляций:

  • отодвинуть столешницу;
  • вынуть (взять с места хранения) дополнительную вставку;
  • расположить в предусмотренном для нее месте;
  • зафиксировать.

Складывание стола выполняется в обратном порядке.
Ручным механизмом может снабжаться и столешница без вставки. Она представляет собой конструкцию из двух модулей, соединенных рояльными, карточными или секретерными петлями и положенных друг на друга. При необходимости увеличить размеры крышки ее поворачивают и распахивают.

Ручными механизмами оснащены практически все раскладные столы экономкласса.

Рисунок 2 — Раскладывание стола с ручным механизмом без вставки Рисунок 1 — Раскладывание стола с ручным механизмом и вставкой

2. Полуавтоматические системы. Чтобы раскрыть или сложить столешницу, достаточно потянуть за специальную ручку или нажать на деталь в определенном месте конструкции, — механизм выполнит работу самостоятельно. Такой мебелью удобнее пользоваться, но она значительно дороже. Обычно узлами автоматики снабжены лишь итальянские столы премиум-класса или люксовая мебель, выполняемая на заказ в дизайнерских мастерских.

Разновидности ручных и полуавтоматических систем увеличения столешниц

Теперь рассмотрим максимально популярные и практичные разновидности раскладки, которые могут использоваться и для ручных, и для полуавтоматических механизмов.

Центральная вставка. Дополнительный модуль (или несколько) вставляется в центр столешницы, половины которой раздвигаются в противоположные стороны. Для компактного хранения вставки предусмотрена ниша, где деталь находится, когда стол сложен. Преимущества конструкции — сравнительная дешевизна, простота использования. Стол с центральной вставкой удобен для размещения в центре комнаты или у стены.

Вставка-бабочка — вариация центральной. Жестко зафиксированная к столу дополнительная деталь складывается пополам. Это удобнее, чем полностью съемная вставка, и практично, если стол периодически приходится перемещать: вставка-бабочка не выпадает, не шатается при движении. Благодаря этому исключен риск повреждения мебели при транспортировке.

Модель Tivoli, столешница с центральной вставкой-«бабочкой» Стол Эссен, с боковым крылом, и выдвигающимися ногами Стол Сидней, с одной центральной вставкой

Стол-консоль. Интересное конструктивное решение: раздвигается не только столешница, но и рама, за счет чего сохраняется устойчивость и прочность. У консолей может быть до 7 вставок. Минус — необходимость хранения съемных деталей отдельно от стола.

Боковое крыло. Конструкция предусматривает 1 или 2 дополнительных элемента, соответственно, приставленных с одной либо с двух сторон основной столешницы. Она при одном крыле может сдвигаться, при двух — быть стационарной. Преимущества механизма — простота, экономичность.

Есть модели столов с боковым крылом, в которых смещается не столешница, а пара ножек, выдвигаясь вместе с рамой вбок. Вставки располагаются на получившемся удлинении конструкции. Возможно увеличение одного или обоих краев. Удобно, что ножки стола всегда остаются по бокам. Минус — такой механизм удорожает мебель.

Стол-слайдер. Здесь столешница тоже увеличивается за счет бокового элемента, но его размер равен или почти равен габаритам основной детали. Когда стол сложен, дополнительный модуль находится под крышкой, при раскладывании — выезжает и поднимается на ее уровень. Плюс механизма — простота использования, недостаток — дороговизна производства, повышающая цену мебели.

Модель Poket со слайдер-механизмом Модель NEW Mistery: 3 вставки, каждая увеличивает стол-консоль на 50 см

Стол-книжка. Механизм так назван благодаря сходству элементов столешницы со страницами. Крышка состоит из соединенных петлями двух частей, в сложенном состоянии находящихся друг над другом. При раскладке они как бы распахиваются, увеличивая поверхность в 2 раза.

Консоль-книжка — вариация стола-книжки. У консоли обычно не одно, а два крыла, они значительно больше, прикреплены петлями к длинным сторонам основной столешницы. Поставленная у стены консоль-книжка экономит место в комнате, но для полного раскрывания мебель приходится отодвигать, поэтому для удобства она часто снабжается колесиками.
Модель «Гавана»: 2 крыла консоли в развернутом состоянии образуют овальную столешницу

Консоль-книжка «Гавана», с двумя боковыми крыльями Консоль-книжка Mascotte, с изменяемой высотой и столешницей-книжкой

Сателитный механизм. Используется редко, в основном в итальянских столах премиум-класса. В конструкции предусмотрена пара боковых крыльев, которые при раскладывании выдвигаются из-под основной детали по кругу, для этого необходимо много свободного пространства. Плюсы — оригинальный вид, простота трансформации. Минус — высокая цена.

2 главных правила выбора раскладного стола

Даже раскладной стол может оказаться громоздким и неудобным, если перед покупкой не продумать важные моменты.

1. Пропорциональность. Сопоставьте габариты сложенного и раскрытого стола с предназначенной для него площадью. Предварительные расчеты позволят определить, вмещается ли мебель в отведенное пространство.
Важно: от раскрытой столешницы до стен и стационарной мебели должно оставаться не менее 80 см, чтобы гости могли свободно отодвигать стулья, садясь за стол или выходя из-за него.

2. Частота пользования. Если в квартире нет гостиной или столовой и нужно экономить пространство, самым компактным решением станет консоль — перед приемом гостей ее можно выдвинуть и разложить, в остальное время она будет стоять у стены. При наличии свободной площади лучше купить большой стол, выбирая механизм раскладывания по личным предпочтениям.

Механизм для раздвижного стола: использование при изготовлении мебели

Мебель, которая способна трансформироваться, приобретает все большую популярность именно благодаря своей функциональности и практичности в сравнении со стандартной мебелью. Это касается и раздвижных столов. Такие конструкции незаменимы в квартирах, которые не могут похвастаться просторной кухней.

Рынок мебели способен предложить вашему вниманию большой ассортимент столов подобной конструкции, однако стоимость не всегда может подойти. Вот почему гораздо выгоднее сделать обеденный стол самостоятельно, используя лишь механизм для раздвижного стола.

Вся работа, связанная с изготовлением необходимого предмета мебели, при условии, что вы используете механизм для раздвижного стола, проводится в пять этапов. Рассмотрим их последовательно.

Подготовительные работы

Прежде чем начать непосредственное изготовление, нужно обязательно определиться с формой и типом механизма. После этого нужно подготовить материалы и инструменты, которые вам понадобятся для изготовления стола.

Вам необходимы:

  • материал: дерево, МДФ или ДСП;
  • формы;
  • ножовка или электролобзик;
  • отвертки;
  • саморезы;
  • клей.

Изготовление столешницы

Выбранный вами материал, будь то дерево, МДФ или ДСП, нужно обрезать до нужной вам формы. Для этого рекомендуется нанести на материал разметку, а затем, используя электролобзик или ножовку, обрезать лишнее. В данном процессе очень важно четко проводить все разметки, для того чтобы раздвижной стол, своими руками сделанный, служил вам длительное время и не «поехал».

Столешница для такого стола, как правило, состоит из трех частей: двух основных полотен и центральной вставки.

Изготовление ножек

Ножки для вашего стола можно изготовить самостоятельно или же купить уже готовые. При выборе второго варианта нужно учитывать их цвет и текстуру, которые должны быть идентичны изготовленной столешнице. Также нужно тщательно подбирать размер ножек в соответствии с размерами стола. Нельзя использовать слишком тонкие или чересчур короткие ножки.

Предельно точно нужно провести разметку центров брусков, в противном случае, установив механизм для раздвижного стола на такие ножки, вы получите «гуляющий» стол.

После выбора брусков и разметки центра ножкам нужно придать определенную форму, после чего сделать гнезда под шипы.

Изготовление элементов царги

Для разметки вам необходимо уложить столешницу лицевой стороной на пол или другую ровную твердую поверхность. Заготовки для элементов царги должны быть немного больше необходимого размера, поскольку лишнее всегда можно обрезать, а вот недостающее приклеить уже невозможно. Для работ на данном этапе вам потребуются токарный станок или фрезер.

Сборка конструкции

Для того чтобы сделать самостоятельно механизм для раздвижного стола, необходима установка полозьев, по которым и будут двигаться части столешницы. Перед этим нужно соединить боковые царги с ножками стола, подогнав шипы к сделанным пазам.

После сборки стола обязательно нужно проверить его работоспособность, особенно требует проверки механизм для раздвижного стола синхронный, который является наиболее популярным и легким в использовании.

Раздвижные столы обладают рядом преимуществ. Например, они достаточно прочные и удобные в использовании, а также занимают мало места во время хранения. Однако при необходимости могут легко трансформироваться в большой обеденный стол, что очень удобно во время приема гостей.

Раздв.механизм д/стола 14. Фурнитура для раздвижных столов

Раздв.механизм д/стола H=37 L=1150/1816

Код: 000008895

Стандартная система для столов с рамой. Система изготовлена из высококачественной оцинкованной стали. Плавность и легкость раздвижения достигается применением стальных шариков. Серия 37 рассчитана на нагрузку до 60 кг. Раздвижные системы поставляются комплектами. Все системы снабжены стопорами, ограничивающими максимальный сдвиг крышек. Для фиксации сдвижных крышек стола и вставки поставляются специальные фиксаторы.

Категория: Раздв.механизм д/стола

Заканчивается на складе

374.44 грн.

Раздв.механизм д/стола H=37 L=1200/1930

Код: 000008896

Стандартная система для столов с рамой. Система изготовлена из высококачественной оцинкованной стали. Плавность и легкость раздвижения достигается применением стальных шариков. Серия 37 рассчитана на нагрузку до 60 кг. Раздвижные системы поставляются комплектами. Все системы снабжены стопорами, ограничивающими максимальный сдвиг крышек. Для фиксации сдвижных крышек стола и вставки поставляются специальные фиксаторы.

Категория: Раздв.механизм д/стола

Заканчивается на складе

425.87 грн.

Внимание! Указанные цены носят справочный характер и могут незначительно отличаться от действительных на момент выписки накладной.

Преобразите свое жилое пространство с помощью универсальных механизмов стола!

Преобразите свое жилое пространство с помощью универсальных механизмов стола!
Новые инновационные решения SmartLiving® от Richelieu

Montreal – Richelieu с гордостью предлагает своим клиентам широкий ассортимент универсальных механизмов для столов, которые помогают максимально увеличить жилое пространство. Эти системы позволяют столярам изготавливать универсальную мебель многоцелевого назначения, которая позволяет экономить место. Полуостровный стол и скамейка аккуратно прячутся за фасадами ящиков на вашей кухне, а книжная полка за считанные секунды превращается в рабочее место.

Линейка выдвижных рабочих поверхностей Richelieu включает механизмы NAXO, CHEO и T-ABLE. Эти системы состоят из мощных направляющих, которые выдвигаются вручную. Столешницы могут быть изготовлены из любой панели или материала плиты, чтобы соответствовать или контрастировать с существующими столешницами. Некоторые системы включают центральную опору для дополнительной поддержки.

Используйте эти расширенные столы в виде полуострова в качестве обеденных стоек, для приемов или в качестве дополнительной зоны для приготовления пищи. Когда вы закончите, просто откиньте верхнюю часть назад и задвиньте под прилавок в место, где обычно находится ящик.Фронтальная часть ящика на петлях может скрыть механизм и сохранить пространство аккуратным и обтекаемым.

OPLA-TOP — это выдвижная столешница, которая при выдвижении становится заподлицо с существующей столешницей, эффективно освобождая место на столешнице!

Кроме того, Richelieu предлагает выдвижную скамью. Установленная ниже на землю и оснащенная ножкой для поддержки, T-BENCH может выдерживать до 220 фунтов веса. Это отлично подходит для небольших жилых помещений, где мебель должна усердно работать, чтобы обеспечить комфорт и удобство.

Напротив, инновационный механизм стола SLIDE устанавливается поверх кухонного острова, образуя приподнятую поверхность, которая скользит по диагонали, расширяя поверхность, создавая больше места для дополнительных сидений, сервировочной зоны или барной стойки на срок до четырех человек.

Механизм ECLIPSE используется для поворота поверхности по горизонтали для создания дополнительной перпендикулярной рабочей поверхности, которую затем можно убрать, когда она не используется. Это невероятно универсальное решение для экономии места может помочь создать дополнительные рабочие места на кухне в качестве дополнительной стойки для резки или сервировки, в мастерской для рисования или шитья или в качестве послешкольной игры и обеденной стойки, где дети могут есть или делать домашнее задание.

Найдите эти инновационные решения SmartLiving® и многое другое на нашем веб-сайте по адресу www.richelieu.com

Richelieu — ведущий канадский дистрибьютор, импортер и производитель специального оборудования и сопутствующих товаров. Richelieu предлагает широкий выбор из более чем 120 000 продуктов от производителей со всего мира. Его продукция ориентирована на клиентскую базу из более чем 80 000 производителей и розничных продавцов, обслуживаемых 69 центрами в Северной Америке. Richelieu находится в авангарде дизайна, стиля и инноваций для образа жизни 21 века.

Veronique Romaniuk
Координатор по связям с общественностью, Richelieu
Телефон: 514-832-4010 x5039 Эл.

#gallery-0 {
поле: авто;
}
#gallery-0 .gallery-item {
float: left;
верхнее поле: 10 пикселей;
выравнивание текста: по центру;
ширина: 100%;
}
#gallery-0 img {
граница: 2px сплошная #cfcfcf;
}
#галерея-0 .галерея-заголовок {
поле слева: 0;
}

#gallery-4 {
margin: auto;
}
#gallery-4 . gallery-item {
float: left;
верхнее поле: 10 пикселей;
выравнивание текста: по центру;
ширина: 33%;
}
#gallery-4 img {
граница: 2px сплошная #cfcfcf;
}
#gallery-4 .gallery-caption {
margin-left: 0;
}
/* см. Gallery_shortcode() в wp-includes/media.php */

роль астроцитов в прионоподобных механизмах нейродегенерации | Мозг

«> Введение

Основным компонентом, связывающим многие нейродегенеративные заболевания, является накопление и отложение белков с неправильной укладкой. Патогенные факторы, лежащие в основе цитотоксической роли агрегированных и неправильно свернутых белков, предсказываются прионной гипотезой. Есть четыре основных поведенческих характеристики, которые делают белок «прионоподобным»: (i) направленный на матрицу засев и амплификация неправильно свернутых белков с образованием агрегатов; (ii) межклеточное распространение агрегатов и распространение шаблонной реакции посева на близлежащие клетки; (iii) конформационные штаммы, вызывающие различные клинические и биохимические заболевания; и (iv) белково-опосредованная клеточная токсичность. 1 Действительно, по этому последнему пункту появляется все больше свидетельств того, что олигомерные промежуточные виды этих белков могут быть ответственны за результирующую нейротоксичность, приводящую к заболеванию. 2 , 3 Важно отметить, что хотя многие белки, связанные с нейродегенеративными заболеваниями, обладают «прионоподобными» поведенческими характеристиками, 1 они, однако, обычно не обладают такими же высокими уровнями инфекционности и агрессивного фенотипа, как у фактические прионные заболевания, и поэтому называются «прионоподобными».

В настоящее время дифференциальный ответ нейронов и астроцитов на агрегированные белки с прионоподобным поведением остается относительно малоизученным. В частности, существуют противоречивые данные о наличии агрегированных белков в астроцитах после смерти, о том, как эти агрегаты влияют на астроциты и какую роль они играют в нейродегенерации. 4-9 Важно отметить, что предыдущие важные исследования охарактеризовали нейротоксическую и нейрозащитную роль астроцитов. 10–12 За ними последовали бесчисленные отчеты, дополнительно демонстрирующие эти результаты и их возможную механистическую основу для различных нейродегенеративных заболеваний. 13–18 Недавняя работа также предполагает, что реактивная трансформация астроцитов может происходить автономно в контексте генных мутаций, вызывающих нейродегенерацию. 19 Целью данной статьи является обзор литературы, в которой непосредственно исследуется роль астроцитов в протеинопатиях с прионоподобным поведением при следующих нейродегенеративных заболеваниях: прионовая болезнь, болезнь Альцгеймера, тауопатии, синуклеинопатии, болезнь Гентингтона и боковой амиотрофический склероз ( БАС).

«> Болезнь Альцгеймера: β-амилоид

Болезнь Альцгеймера — прогрессирующее нейродегенеративное заболевание, вызывающее необратимую потерю нейронов, ведущую к прогрессирующему снижению когнитивных функций. Одним из признаков болезни Альцгеймера является отложение агрегированного неправильно свернутого белка амилоида-β (Aβ) в виде внеклеточных бляшек в нейропиле. Амилоид-β процессируется через белок-предшественник амилоида (APP) на клеточной мембране, где он расщепляется гамма-секретазой на различные фрагменты, включая Aβ40 и Aβ42.В настоящее время хорошо известно, что агрегированный амилоид-β имеет прионоподобное поведение из-за его способности к обсеменению, способности распространяться и размножаться, образовывать отдельные штаммы и проявлять токсичность через агрегированные олигомерные промежуточные соединения как in vitro , так и in vivo (рассмотрено в Watts and Prusiner 37 ). Однако важным отличием амилоида-β по сравнению с другими белками, описанными в этом обзоре, является то, что он накапливается внеклеточно.Действительно, наиболее токсичные виды состоят из растворимых олигомерных ансамблей, которые генерируются внутриклеточно, а затем секретируются внеклеточно, распространяясь от клетки к клетке. 38–41

Поскольку бляшки β-амилоида являются внеклеточными в головном мозге человека с болезнью Альцгеймера, они не образуются в астроцитах. Однако астроциты играют хорошо известную роль в секреции, поглощении и клиренсе агрегированных нейрональных пептидов амилоида-β. 41–44 Кроме того, считается, что за нейротоксичность ответственны растворимые олигомерные агрегированные разновидности амилоида-β, а не нерастворимый фибриллярный амилоид-β. 40 , 46–50 Хотя влияние этих олигомеров на нейроны хорошо изучено, их влияние на астроциты еще недостаточно изучено.

Реактивная трансформация астроцитов является одним из самых ранних выявляемых признаков болезни Альцгеймера. Реактивность астроцитов сопровождается высвобождением провоспалительных цитокинов, таких как TNF-α, IL-6 и IL1β, которые, как считается, опосредуют нейротоксические эффекты. 11 , 51 Имеющиеся данные свидетельствуют о том, что олигомеры β-амилоида могут вызывать высвобождение этих цитокинов более остро, чем фибриллярные формы, продуцируя более высокие уровни индуцибельной синтазы оксида азота (iNOS), оксида азота (NO) и TNF-α в первичных культурах астроцитов. 52 Аполипопротеин E4 (ApoE4) является наиболее распространенным генетическим фактором риска болезни Альцгеймера и экспрессируется более чем у половины пациентов. Исследования показывают, что низкие уровни общего апоЕ, демонстрируемые носителями ε4, могут непосредственно способствовать прогрессированию заболевания. 53 Кроме того, также было показано, что токсичность олигомеров Aβ42 усугубляется при совместном культивировании нейронов с астроцитами, нокаутными по ApoE4. 54 Интересно, что другое исследование продемонстрировало, что инъекция олигомеров Aβ42 вызывала токсичность нейронов посредством механизмов, инициируемых астроглиозом и реактивной трансформацией, а не прямого воздействия на нейроны. 55 Кроме того, было показано, что олигомеры Aβ42 индуцируют реактивность астроцитов, а также снижают жизнеспособность астроцитов в первичных культурах дозозависимым образом. 55 , 56 В более позднем исследовании той же группы были выявлены специфические нонамерные и додекамерные растворимые олигомеры β-амилоида в мозге мутантных мышей PSEN1, у которых наблюдается снижение когнитивных функций. В этом случае было обнаружено, что эти олигомеры специфически амплифицируются в астроцитах, где они автономно индуцируют и усиливают неклеточное повреждение нейронов посредством реактивной трансформации астроцитов. 57

Механически это увеличение реактивности астроцитов может быть вызвано нарушением олигомером Aβ42 гомеостаза кальция в ЭР, что приводит к стрессу ЭР и реактивной трансформации астроцитов. 58 Действительно, было обнаружено, что олигомерные Aβ40 и Aβ42 специфически усиливают передачу сигналов кальция в астроцитах, а не в нейронах. Было также обнаружено, что эти олигомеры повышают уровни активных оксидных форм (АФК), вызывают митохондриальную деполяризацию, снижают уровни антиоксиданта GSH и вызывают метаболическую дисфункцию в астроцитах. 59 , 60 Было также обнаружено, что увеличение секреции АФК в культурах астроцитов, обработанных олигомерами, увеличивает нейрональную передачу сигналов кальция, что, в свою очередь, снижает защитную передачу сигналов STAT3. 61 Частично эта токсичность может быть обусловлена ​​высвобождением АТФ из астроцитов, зависящим от рецептора mGluR5, 61 , 62 , а активированные рецепторы-мусорщики могут быть ответственны за фагоцитарное поглощение олигомеров β-амилоида, которое вызывает глиальную токсичность через гексапептид XD4. 63

Было обнаружено, что олигомеры β-амилоида вызывают реактивность и снижают нейропротекторную способность в первичных культурах астроцитов и in vivo посредством изменения секреции синаптогенного фактора TGF-β1. 6 Было показано, что дополнительные нейропротекторные свойства астроцитов опосредованы IGF1, который может высвобождать связанные с нейронами олигомеры β-амилоида, а обработка олигомерами астроцитов может снижать передачу сигналов IGF1 к нейронам. 64 Напротив, другое исследование показало, что олигомерный амилоид-β был специфически токсичен для нейронов, а не для астроцитов, даже при самых высоких концентрациях, и что эта токсичность зависела от JUN-киназы. 7

Нейропротекторная способность астроцитов против патологии бета-амилоида может заключаться в некотором частичном поглощении агрегатов для клиренса на ранних фазах агрегации бета-амилоида, но как только уровни агрегации становятся достаточно высокими, нейротоксическая роль, по-видимому, начинает проявляться. вытесняют эту защиту, и они становятся инструментом дегенеративного процесса. Однако роль астроцитов в процессинге, обсеменении и передаче патологии амилоида-β остается не до конца решенной и требует дальнейшего изучения.

«> Синуклеинопатии

Болезнь Паркинсона, деменция с тельцами Леви (DLB) и множественная системная атрофия (MSA) составляют группу нейродегенеративных состояний, известных как синуклеинопатии, патологически представленных наличием агрегированного белка α-синуклеина.α-Синуклеин является основным компонентом патологического признака синуклеинопатий, известных как тельца Леви и подобные включения Леви, которые обнаруживаются в нейронах пациентов с болезнью Паркинсона и ДТЛ, а также в астроцитах и ​​олигодендроцитах пациентов с МСА. 86–88 Действительно, включения α-синуклеина в олигодендроцитах, называемые глиальными цитоплазматическими включениями (GCI), считаются патологическим признаком MSA, что подтверждает гипотезу о том, что глиальные цитоплазматические включения управляют патогенезом этого состояния.Астроцитарная а-синуклеиновая патология встречается реже, чем олигодендроцитарные GCI 89 , и преобладает на поздних стадиях болезни Паркинсона и ДТЛ. 90 Действительно, астроцитарный α-синуклеин также обнаруживается у 40% пациентов с МСА, преимущественно в субпиальной и перивентрикулярной областях. 91 Эти типы клеток имеют низкий уровень экспрессии α-синуклеина, и механизм образования этих включений до конца не ясен.

α-Синуклеин представляет собой преимущественно синаптический белок, который секретируется нервными клетками путем экзоцитоза. 92 Было обнаружено, что олигомерные формы белка повышены в спинномозговой жидкости и плазме крови пациентов с болезнью Паркинсона. 93 В одной из первых работ, в которых сообщалось о влиянии α-синуклеина на астроциты, было показано, что агрегированный α-синуклеин может экзоцитозироваться из нейронов и поглощаться астроцитами, образуя включения и вызывая активацию генов воспалительного ответа. 94 Последующие исследования показали, что различные рекомбинантные формы α-синуклеина могут индуцировать реактивность микроглии и астроцитов, но для поглощения астроцитами, в отличие от микроглии, не требуется толл-подобный рецептор 4 (TLR4). 95 , 96 Другое исследование продемонстрировало поглощение рекомбинантного α-синуклеина корковыми нейронами, астроцитами и фибробластами и сообщило о митохондриальной дисфункции в этих типах клеток. 97 Используя очищенные агрегаты α-синуклеина из ткани головного мозга человека с болезнью Паркинсона, визуализацию с высоким содержанием и микрофлюидику на первичных кортикальных нейронах и астроцитах крыс, одна группа показала, что астроциты могут легче поглощать агрегаты α-синуклеина по сравнению с нейронами посредством эндоцитоза. Также было замечено, что эти агрегаты могут легко перемещаться между этими типами клеток, что приводит к гибели нейронов при переносе из астроцитов в нейроны, 98 , тем самым демонстрируя усиление токсической функции астроцитов. Лория и др. . 99 интересно продемонстрировали, что это распространение и размножение фибрилл α-синуклеина зависело от типа клеток. Они демонстрируют, что перенос фибриллярного альфа-синуклеина наиболее оптимален от астроцита к астроциту и от нейрона к астроциту, но менее эффективен от астроцита к нейрону.Кроме того, астроциты были способны более эффективно расщеплять этот фибриллярный альфа-синуклеин, чем нейроны, что является дополнительным доказательством в поддержку гипотезы о том, что астроциты могут захватывать и разрушать патологический альфа-синуклеин в качестве нейрозащитного ответа. 99 Другое исследование продемонстрировало накопление олигомеров α-синуклеина в астроцитах, полученных из эмбриональных стволовых клеток, где нарушение процесса лизосомного пищеварения для обработки избыточных олигомеров привело к образованию включений в транс-сети Гольджи, что привело к набуханию ЭПР и митохондриальным аномалиям. Это исследование также продемонстрировало, что при накоплении олигомеров астроциты формируют туннельные нанотрубки для секреции накопленных олигомеров в соседние здоровые астроциты. Эти данные предполагают потенциальный ранний защитный механизм и роль астроцитов в переносе α-синуклеина в процессе заболевания. 8

В другом исследовании, посвященном внедрению мономерных, олигомерных и фибриллярных форм синуклеина в первичные культуры астроцитов крысы, описаны изменения, сходные с реактивной трансформацией, такие как морфологические изменения и увеличение внутриклеточных АФК, высвобождение цитокинов и экспрессия GFAP. 9 Здесь эксперименты по совместному культивированию выявили значительную цитотоксичность астроцитов для нейронов, при этом фибриллярные астроциты, обработанные α-синуклеином, вызывали самые высокие уровни токсичности. Однако лечение олигомерным α-синуклеином было единственным условием, способным вызвать митохондриальную дисфункцию и увеличить продукцию перекиси водорода в астроцитах. Уровни экспрессии TNF-α и генов цитокинов также варьировали в зависимости от вида используемого α-синуклеина. В совокупности это исследование показало, что как олигомерные, так и фибриллярные виды потенциально способствуют токсичности, опосредованной астроцитами, но через разные механизмы и возможности. 9 Интересно, что различные морфологические подтипы включений α-синуклеина (нитевидные и зернистые) также были продемонстрированы в первичных культурах астроцитов, полученных от мутантных (A53T или A30P) трансгенных мышей по α-синуклеину человека, подвергшихся воздействию гомогената мозга MSA. Это исследование показало, что уровни экспрессии α-синуклеина определяют селективный тропизм агрегации. 100

В совокупности эти данные представляют собой смешанную картину астроцитов, играющих как защитную, так и вредную роль в ответ на агрегацию α-синуклеина.Действительно, многие из этих наблюдений потенциально могут быть связаны с различиями в моделях, используемых для каждого исследования, включая виды (как клеточная модель, так и инокулят), подтип астроцитов и продолжительность лечения. Ключом к выяснению роли астроцитов в индуцированной агрегацией α-синуклеина токсичности являются дальнейшие исследования с использованием более физиологически значимых типов клеток, таких как астроциты, полученные из иПСК человека, в кокультуре с нейронами. 101–103

«> Протеинопатии TDP-43

Трансактивный ДНК-связывающий белок (TARDBP) с молекулярной массой 43 кДа (TDP-43) представляет собой ДНК- и РНК-связывающий белок.Его аномальная цитоплазматическая агрегация считается патологическим признаком примерно 97% случаев БАС и примерно 50% случаев лобно-височной долевой дегенерации (FTLD-TDP), которые в настоящее время реклассифицированы как протеинопатии TDP-43. Мутации в гене TARDBP также являются причиной небольшого процента случаев ALS и FTLD, придавая TDP-43 центральную роль в патогенезе ALS и FTLD. 119–121

TDP-43 представляет собой преимущественно ядерный белок, который может динамически перемещаться между ядром и цитоплазмой.При ALS и FTLD он неправильно локализуется в цитоплазме, где расщепляется, гиперфосфорилируется и агрегируется. Присутствие агрегированного TDP-43 хорошо задокументировано в нейронах, а также является общим признаком олигодендроцитов. 122–124 Однако наличие патологии TDP-43 в астроцитах недостаточно документировано и менее изучено при БАС и FTLD-TDP. Интересно, что астроцитарная патология TDP-43 является ключевой особенностью болезни Александера, состояния, вызванного мутациями в GFAP , 125 , но в этом случае TDP-43 не расщепляется на С-концевые фрагменты, как при БАС и FTLD-TDP. .Патология TDP-43 также распознается в астроцитах белого вещества при FTLD-Tau, CBD, 126 , синдроме Коккейна 127 и опухолях головного мозга 128 , что позволяет предположить, что астроглиальная патология TDP-43 действительно возникает при некоторых неврологических заболеваниях, но что ее патологическая актуальность неясна в БАС. Сообщалось, что in vitro астроциты, полученные из иПСК человека, с мутацией TDP-43 M337V демонстрируют неправильную локализацию TDP-43 в цитоплазме и фенотип автономного выживания клеток. 129 Однако возможность генерализации астроцитарно-цитоплазматической протеинопатии TDP-43 требует дальнейшего систематического исследования на различных модельных системах.

Появляется все больше свидетельств того, что TDP-43 также является прионоподобным белком, демонстрирующим многие черты прионоподобного поведения, 130 , однако было проведено мало исследований, изучающих патологическую значимость астроцитов в этом контексте. Одна группа использовала нервные стволовые клетки крысы, дифференцированные в нейроны, астроциты и олигодендроциты, которые вирусно сверхэкспрессировали TDP-43, и использовали ингибирование протеасом для индукции агрегатов TDP-43 во всех трех типах клеток. С помощью покадровой визуализации они смогли обнаружить образование этих агрегатов во всех трех типах клеток, за которым последовала гибель клеток через 72 часа и распространение агрегатов на соседние клетки. 131 Это исследование действительно показало, что вышеупомянутые типы клеток восприимчивы к патологическому распространению белка TDP-43 и связанной с ним токсичности. Чтобы начать рассмотрение различий в распространении и восприимчивости к токсичности между этими типами клеток, мы недавно продемонстрировали, что контрольные двигательные нейроны и астроциты, полученные из иПСК спинного мозга человека, могут засевать патологию TDP-43 из последовательно пассированных экстрактов спинного мозга с БАС. 132 Мы также показали, что астроциты были сравнительно устойчивы к засеванию TDP-43, токсичности, вызванной посевом, и токсичности, индуцированной рекомбинантным олигомером TDP-43, по сравнению с двигательными нейронами.Действительно, при совместном культивировании с двигательными нейронами мы продемонстрировали, что эти засеянные агрегаты могут распространяться между обоими типами клеток с предрасположенностью к распространению двигательных нейронов на астроциты. Астроциты также оказывали нейропротекторное действие на двигательные нейроны, при этом не было обнаружено вредных реактивных изменений астроцитов после совместного культивирования. 132 Эти данные показывают, что астроциты менее уязвимы к токсичности, опосредованной белком TDP-43, и могут — по крайней мере, при начальном воздействии — оказывать нейропротекторное действие, удаляя агрегированные TDP-43 из двигательных нейронов.Однако на более поздних стадиях заболевания они могут быть неспособны очищать агрегаты и могут участвовать в распространении и нейротоксическом процессе. Выяснение точных механизмов этих дифференциальных ответов нейронов и астроцитов на патологию TDP-43 требует дальнейшего изучения и может выявить новые терапевтические мишени для улучшения токсичности, опосредованной белками.

Общие патогенетические механизмы, специфичные для астроцитов . Протеинопатия
(белок, специфичный для болезни)
. Прионовая болезнь (PrPsc) . Болезнь Альцгеймера (β-амилоид) . Таупатии (тау) . Синуклеинопатии (α-синуклеин) . Болезнь Хантингтона (БГТ) . Боковой амиотрофический склероз (TDP-43) .
9059 ✓

Увеличение белка
токсичность для нейронов митохондриальной / метаболическая дисфункция Порытый CA 2+ гомеостаз

9 7
Общие астроциты-специфические патогенные механизмы . Протеинопатия
(белок, специфичный для болезни)
.
Прионовая болезнь (PrPsc) . Болезнь Альцгеймера (β-амилоид) . Таупатии (тау) . Синуклеинопатии (α-синуклеин) . Болезнь Хантингтона (БГТ) . Боковой амиотрофический склероз (TDP-43) .
9059 ✓
Увеличение белка
токсичность для нейронов
митохондриальной / метаболическая дисфункция
Срытый CA 2+ гомеостаз
Таблица 1

астроцитов все чаще признаются как играющие фундаментальные роли в ряде невродегенеративных заболеваний



Общие патогенетические механизмы, специфичные для астроцитов . Протеинопатия
(белок, специфичный для болезни)
.
Прионовая болезнь (PrPsc) . Болезнь Альцгеймера (β-амилоид) . Таупатии (тау) . Синуклеинопатии (α-синуклеин) . Болезнь Хантингтона (БГТ) . Боковой амиотрофический склероз (TDP-43) .
9059 ✓
Увеличение белка
токсичность для нейронов
митохондриальной / метаболическая дисфункция
Порытый CA 2+ гомеостаз


Общие астроциты-специфические патогенные механизмы . Протеинопатия
(белок, специфичный для болезни)
.
Прионовая болезнь (PrPsc) . Болезнь Альцгеймера (β-амилоид) . Таупатии (тау) . Синуклеинопатии (α-синуклеин) . Болезнь Хантингтона (БГТ) . Боковой амиотрофический склероз (TDP-43) .
9059 ✓
Увеличение белка
токсичность для нейронов
митохондриальной / метаболическая дисфункция
Порытый CA 2+ гомеостаз

«> Конкурирующие интересы

Авторы сообщают об отсутствии конкурирующих интересов.

Гипотеза олигомера в α-400000-нуклеинопатии

Нейрохим Рез

.

2017

;

42

(

12

):

12

):

3362

3362

3371

.51

.51

jj

,

jj

,

parpura

V

,

Zorec

R

,

Verkhratsky

A.

Астроциты при физиологическом старении и болезни Альцгеймера

.

Неврология

.

2016

;

323

:

170

180

182

.52

белый

JA

,

JA

,

,

AM

,

Holmberg

KH

,

VAN ELDIK

LJ

,

LADU

MJ.

Дифференциальные эффекты олигомерного и фибриллярного бета-амилоида 1-42 на воспаление, опосредованное астроцитами

.

Нейробиол Дис

.

2005

;

18

(

3

):

459

459

465

.53

Riddell

DR

,

ZHOU

H

,

atchison

K

, et al.

Влияние полиморфизма аполипопротеина E (ApoE) на уровни ApoE в головном мозге

.

Дж Нейроски

.

2008

;

28

(

48

(

48

):

45

):

11445

11453

11453

.54

Manelli

AM

,

Bulfinch

LC

,

Sullivan

PM

,

Ladu

MJ.

Нейротоксичность Abeta42 в первичных совместных культурах: влияние изоформы апоЕ и конформации Abeta

.

Нейробиол Старение

.

2007

;

28

(

8

):

1139

1139

1147

.55

Perez

JL

,

JL

,

Carrero

I

,

Gonzalo

P

, et al.

Растворимые олигомерные формы бета-амилоидного (Абета) пептида стимулируют выработку Абета посредством астроглиоза в мозге крыс

.

Опыт Нейрол

.

2010

;

223

(

2

):

410

410

421

.56

Hou

l

,

liu

y

,

Wang

x

, et al.

Влияние олигомера амилоида-β42 на пролиферацию и активацию астроцитов in vitro

.

In Vitro Cell Dev Biol Anim

.

2011

;

47

(

8

):

573

573

580

.57

Wang

W

,

Hou

TT

,

JIA

LF

,

WU

QQ

,

QUAN

MN

,

Jia

JP.

Токсичные олигомеры бета-амилоида индуцируют саморепликацию в астроцитах, вызывая повреждение нейронов

.

ЭБиоМедицина

.

2019

;

42

:

174

174

187

.58

ALBERDI

E

,

Wyssenbach

A

,

ALBERDI

M

, et al.

Ca(2+)-зависимый стресс эндоплазматического ретикулума коррелирует с астроглиозом в олигомерных амилоидных бета-обработанных астроцитах и ​​в модели болезни Альцгеймера

.

Ячейка старения

.

2013

;

12

(

2

):

292

292

302

.59

ALLAMAN

I

,

Gavillet

M

,

Bélanger

M

, et al.

Бета-амилоидные агрегаты вызывают изменения метаболического фенотипа астроцитов: влияние на жизнеспособность нейронов

.

Дж Нейроски

.

2010

;

30

(

9

):

3326

3338

.60

Ангелова

Пр

,

Абрамов

AY.

Взаимодействие нейронов и астроцитов лежит в основе механизма Aβ-индуцированной нейротоксичности

.

Биохим Сок Транс

.

2014

;

42

(

5

):

1286

1290

1290

.61

Muñoz

Y

,

Paula-Lima

AC

,

Núññz

MT.

Активные формы кислорода, высвобождаемые из астроцитов, обработанных бета-амилоидными олигомерами, вызывают кальциевые сигналы нейронов, которые снижают содержание фосфо-Ser727-STAT3 в ядре

.

Свободный радикал Биол Мед

.

2018

;

117

:

132

144

144

.62

SHRIVASTAVA

AN

,

KOWALEWSKI

JM

,

RENNER

M

, et al.

β-амилоид и АТФ-индуцированный диффузионный захват астроцитарных и нейрональных метаботропных глутаматных рецепторов типа 5

.

Глия

.

2013

;

61

(

10

):

1673

1673

1686

1686

.63

Чжан

H

,

SU

Y-J

,

ZHOU

W-W

, et al.

Активированный рецептор-мусорщик A способствует глиальной интернализации aβ

.

PLoS Один

.

2014

;

9

(

4

):

4

):

E

.64

Pitt

J

,

Wilcox

KC

,

Tortelli

V

, et al.

Нейропротекторный инсулин/инсулиноподобный фактор роста 1, полученный из астроцитов, стимулирует эндоцитарную обработку и внеклеточное высвобождение связанных с нейронами олигомеров Aβ

.

Мол Биол Селл

.

2017

;

28

(

20

):

20

):

2623

2636

2636

.65

Reid

MJ

,

Beltran-Lobo

P

,

Johnson

L

,

Perez-Nievas

BG

,

Noble

W.

Астроциты при таупатиях

.

Фронт Нейрол

.

2020

;

11

:

572850

.66

Связующее

LI

,

Frankfurter

A

,

Ребхун

LI

Распределение тау в центральной нервной системе млекопитающих

.

J Cell Biol

.

1985

;

101

(

4

):

1371

1371

1378

1378

.67

Zhang

y

,

Chen

K

,

SLOAN

SA

, et al.

Транскриптом секвенирования РНК и база данных сплайсинга глии, нейронов и сосудистых клеток коры головного мозга

.

Дж Нейроски

.

2014

;

34

(

36

):

36

):

11929

11929

11947

. 68

Clavaguera

Clavaguera

F

,

Duyckaerts

C

,

Haïk

S.

С.

Прионные свойства TAU .

Curr Opin Neurobiol

.

2020

;

61

:

49

57

.69

57

.69

,

CJ

,

RATCLIFFE

LE

,

SIMPSON

JE

,

Heath

PR

,

INCE

PG

,

Уортон

СБ.

Обзор: Астроциты при болезни Альцгеймера и других возрастных деменциях: вспомогательный игрок с центральной ролью

.

Приложение Нейропатол Нейробиол

.

2017

;

43

(

4

):

4

):

281

298

.70

NICOLL

JAR

,

WILKINSON

D

,

Holmes

C

,

Steart

P

,

Markham

Х

,

Веллер

РО.

Нейропатология болезни Альцгеймера человека после иммунизации бета-амилоидным пептидом: клинический случай

.

Nat Med

.

2003

;

9

(

4

):

448

448

448

.71

de Calignon

A

,

De Calignon

A

,

Polydoro

M

, et al.

Распространение тау-патологии в модели ранней болезни Альцгеймера

.

Нейрон

.

2012

;

76

(

2

):

461

.72

Ferrer

I

,

García

MA

,

González

IL

, et al.

Связанная со старением тау-астроглиопатия (ARTAG): не только фосфорилирование тау в астроцитах

.

Мозговой патол

.

2018

;

28

(

6

):

965

965

985

.73

Narasimhan

S

,

GUO

JL

,

Changolkar

L

, et al.

Патологические штаммы тау из мозга человека резюмируют разнообразие таупатий в мозге нетрансгенных мышей

.

Дж Нейроски

.

2017

;

37

(

47

):

47

):

11406

11423

11423

. 74

Narasimhan

S

,

Changolkar

L

,

Riddle

DM

, et al.

Патология тау человека передается глиальными агрегатами тау в отсутствие нейронального тау

.

J Exp Med

.

2020

;

217

(

2

):

2

):

E201

.75

HE

Z

,

McBride

JD

,

XU

H

, et al.

Передача штаммов таупатии не зависит от состава их изоформ

.

Нац Коммуна

.

2020

;

11

(

1

):

7

.76

Leyns

CEG

,

Holtzman

DM.

Вклад глии в нейродегенерацию при таупатиях

.

Мол Нейродегенер

.

2017

;

12

(

1

):

50

.77

Holmes

Holmes

BB

,

DEVOS

SL

,

KFORY

N

, et al.

Гепарансульфатные протеогликаны опосредуют интернализацию и размножение специфических протеопатических семян

.

Proc Natl Acad Sci U S A

.

2013

;

110

(

33

):

3138

E3138

E3147

E3147

.78

Martini-STOICA

H

,

COLE

AL

,

Swartzlander

дБ

, et al.

TFEB усиливает астроглиальное поглощение внеклеточных видов тау и уменьшает распространение тау

.

J Exp Med

.

2018

;

215

(

9

):

2355

2355

2377

2377

.79

Rauch

JN

,

CHEN

JJ

,

SORUM

AW

, et al.

. Интернализация тау регулируется 6-O сульфатированием гепарансульфатных протеогликанов (HSPG)

.

Научный представитель

.

2018

;

8

(

1

):

6382

.80

.80

JR

,

López

E

,

Díez-Ballesteros

JC

,

JC

,

ávila

J

,

Hernández

F

,

Болос

М.

Внеклеточный мономерный тау-белок интернализуется астроцитами

.

Фронт Нейроски

.

2019

;

13

:

442

.81

Wang

P

,

Ye

Y.

Нитевидный рекомбинантный тау-рецептор активирует 4-0-90-рецепторный комплекс человека.

Нац Коммуна

.

2021

;

12

(

1

):

9000

.82

R

,

R

,

Li Puma

DD

,

Mainardi

M

, et al.

Снижение высвобождения глиотрансмиттера из астроцитов опосредует тау-индуцированную синаптическую дисфункцию в культивируемых нейронах гиппокампа

.

Глия

.

2017

;

65

(

8

):

1302

1302

1302

.83

Kovacs

GG

,

Astroglia

T.

Новые перспективы

.

Front Aging Neurosci

.

2020

;

12

:

9000

.84

Schultz

C

,

C

,

Ghecremedhin

,

E

,

del Tredici

K

,

RUB

U

,

Braak

H.

Высокая распространенность шиповидных астроцитов в медиальной височной доле пожилого человека

.

Нейробиол Старение

.

2004

;

25

(

3

):

397

397

405

.85

Кружева

G

,

INCE

PG

,

BRAYNE

C

, et al.

Тау-патология мезиальных височных астроцитов в когорте стареющего мозга MRC-CFAS

.

Старческое слабоумие

.

2012

;

34

(

1

):

15

24

.86

Ту

РН

,

Галвин

JE

,

Баба

М

и др.

Глиальные цитоплазматические включения в олигодендроцитах белого вещества головного мозга с множественной системной атрофией содержат нерастворимый альфа-синуклеин

.

Энн Нейрол

.

1998

;

44

(

3

):

415

422

422

.87

Wakabayashi

K

,

Hayashi

S

,

Yoshimoto

M

,

KUDO

H

,

Takahashi

Х.

NACP/α-синуклеин-положительные нитевидные включения в астроцитах и ​​олигодендроцитах головного мозга при болезни Паркинсона

.

Акта Нейропатол

.

2000

;

99

(

1

):

14

20

.88

20

.88

Terada

S

,

ISHIZU

H

,

yokota

O

, et al.

Вовлечение глии при диффузной болезни с тельцами Леви

.

Акта Нейропатол

.

2003

;

105

(

2

):

163

169

.89

Веннинг

ГК

,

Джеллингер

К.А.

Роль альфа-синуклеина и тау в нейродегенеративных двигательных расстройствах

.

Карр Опин Нейрол

.

2005

;

18

(

4

):

4

):

357

362

362

.90

.90

,

Sastre

M

,

del Tredici

K.

Разработка альфа-синуклеинов иммунореактивных астроцитов в переднем мозгу соответствует стадиям внутринейронной патологии при спорадической болезни Паркинсона

.

Акта Нейропатол

.

2007

;

114

(

3

):

231

231

241

.91

Nakamura

K

,

MORI

F

,

Kon

T

, et al.

Накопление фосфорилированного α-синуклеина в субпиальных и перивентрикулярных астроцитах при длительно существующей множественной системной атрофии

.

Невропатология

.

2016

;

36

(

2

):

157

167

.92

Emmanouilidou

E

,

Melachroinou

K

,

Roumeliotis

T

, et al.

Производимый клетками -синуклеин секретируется кальций-зависимым образом экзосомами и влияет на выживаемость нейронов

.

Дж Нейроски

.

2010

;

30

(

20

):

6838

6838

6851

6851

.93

El-Agnaf

OMA

,

Salem

SA

,

Paleologou

Ke

, et al.

Обнаружение олигомерных форм белка альфа-синуклеина в плазме человека в качестве потенциального биомаркера болезни Паркинсона

.

FASEB J

.

2006

;

20

(

3

):

419

419

425

.94

Lee

Lee

H-J

,

KIM

C

,

Lee

S-J.

Стимуляция астроцитов альфа-синуклеином: возможная роль нейровоспаления и нейропротекции

.

Oxid Med Cell Longev

.

2010

;

3

(

4

):

4

):

283

283

287

.95

Flasher

L

,

Irschick

R

,

Schanda

K

, et al.

Толл-подобный рецептор 4 необходим для зависимой от α-синуклеина активации микроглии и астроглии

.

Глия

.

2013

;

61

(

3

):

3

):

360

360

.96

Rannikko

EH

,

Weber

SS

,

Kahle

PJ.

Экзогенный α-синуклеин индуцирует зависимые от толл-подобных рецепторов 4 воспалительные реакции в астроцитах

.

BMC Neurosci

.

2015

;

16

:

57

. 97

Braidy

N

,

Gai

W-P

,

Xu

2 YH 9 et al .

Поглощение и митохондриальная дисфункция альфа-синуклеина в астроцитах, кортикальных нейронах и фибробластах человека

.

Перевод Нейродегенер

.

2013

;

2

(

1

):

20

.98

Cavaliere

F

,

CERF

L

,

Dehay

B

, et al.

Нейротоксичность α-синуклеина in vitro и его распространение среди нейронов и астроцитов с использованием экстрактов телец Леви из мозга при болезни Паркинсона

.

Нейробиол Дис

.

2017

;

103

:

101

101

112

.99

LORIA

F

,

VARGAS

JY

,

Bousset

L

, et al.

Перенос α-синуклеина между нейронами и астроцитами указывает на то, что астроциты играют роль скорее в деградации, чем в распространении

.

Акта Нейропатол

.

2017

;

134

(

5

):

789

789

808

. 100

Krejciova

Z

,

Z

,

CARLSON

GA

,

GILES

K

,

Prusiner

SB.

Репликация прионов множественной системной атрофии в первичных культурах астроцитов трансгенных мышей, экспрессирующих α-синуклеин человека

.

Acta Neuropathol Commun

.

2019

;

7

(

1

):

81

.101

Krencik

R

,

Weick

JP

,

LIU

Y

,

Zhang

Z-J

,

Чжан

S-C.

Спецификация трансплантируемых подтипов астроглии из плюрипотентных стволовых клеток человека

.

Нат Биотехнолог

.

2011

;

29

(

6

):

528

534

.102

Bradley

RA

,

Shireman

J

,

McFalls

C

и др.

Регионально определенные астроциты, полученные из плюрипотентных стволовых клеток человека, демонстрируют различные молекулярные сигнатуры и функциональные свойства

.

Разработка

.

2019

;

146

(

13

):dev170910.103

Clarke

BE

,

Taha

DM

,

OJal

4

Астроциты, полученные из стволовых клеток человека, проявляют регионально-специфическую гетерогенность в своих секреторных профилях

.

Мозг

.

2020

;

143

(

10

):

10

):

E85

.104

Masnata

м

,

м

,

Cicchetti

F.

Доказательства распространения и посевных мощностей мутантного белка в системах и их терапевтические последствия

.

Фронт Нейроски

.

2017

;

11

:

647

.105

Shin

J-Y

,

Fang

Z-H

,

YU

Z-X

,

Wang

C-E

,

LI

S-H

,

LI

X-J.

Экспрессия мутантного гентингтина в глиальных клетках способствует эксайтотоксичности нейронов

.

J Cell Biol

.

2005

;

171

(

6

):

1001

101

1012

. 106

Bradford

J

,

Shin

JY

,

Roberts

M

,

Wang

CE

,

LI

СДЖ

,

Ли

С.

Экспрессия мутантного хантингтина в астроцитах головного мозга мыши вызывает возрастные неврологические симптомы

.

Proc Natl Acad Sci U S A

.

2009

;

106

(

52

):

22480

22485

22485

.107

Bradford

J

,

Shin

J-Y

,

Roberts

M

, et al.

Мутантный гентингтин в глиальных клетках усугубляет неврологические симптомы болезни Хантингтона у мышей

.

J Биол Хим

.

2010

;

285

(

14

):

10653

10661

10661

.108

Wang

L

,

LIN

F

,

Wang

J

, et al.

Экспрессия мутантного N-концевого фрагмента хантингтина (htt552-100Q) в астроцитах подавляет секрецию BDNF

.

Мозг Res

.

2012

;

1449

:

69

82

. 109

82

.109

Singhrao

SK

,

Thomas

P

,

Wood

JD

, et al.

Белок Хантингтина локализуется в очагах нейродегенеративных заболеваний: исследование болезней Гентингтона, Альцгеймера и Пика

.

Опыт Нейрол

.

1998

;

150

(

2

):

2

):

213

213

.110

222

.110

Shin

JY

,

Fang

ZH

,

YU

ZX

,

Wang

CE

,

LI

СХ

,

Ли

КСДЖ.

Экспрессия мутантного гентингтина в глиальных клетках способствует эксайтотоксичности нейронов

.

J Cell Biol

.

2005

;

171

(

6

):

1001

):

1001

1012

.111

Bradford

J

,

Shin

JY

,

Roberts

M

,

Wang

CE

,

LI

XJ

,

Li

S.

Экспрессия мутантного хантингтина в астроцитах головного мозга мыши вызывает возрастные неврологические симптомы

.

Proc Natl Acad Sci U S A

.

2009

;

106

(

52

):

22480

22485

22485

.112

Faideau

M

,

KIM

J

,

Cormier

K

, et al.

. In vivo экспрессия полиглутамин-расширенного хантингтина астроцитами полосатого тела мыши нарушает транспорт глутамата: корреляция с субъектами с болезнью Гентингтона

.

Хум Мол Жене

.

2010

;

19

(

15

):

3053

3067

.113

Jansen

AHP

,

van Hal

M

,

den Kelder IC

Op

, et al.

Частота образования включений гентингтина ядерных мутантов в нейронах и глии зависит от типа клеток

.

Глия

.

2017

;

65

(

1

):

50

):

50

61

.114

CHO

IK

,

IK

,

Yang

B

,

,

C

,

QIAN

L

,

Chan

АВС.

Улучшение фенотипа болезни Хантингтона в астроцитах, полученных из нейральных клеток-предшественников, полученных из иПСК, у обезьян с болезнью Гентингтона

.

PLoS Один

.

2019

;

14

(

3

):

E0214156

.115

Pearse

,

MMP

,

Spartz

EJ

,

HONG

W

,

LUO

L

,

KOPITO

RR.

Прионоподобная передача агрегатов нейронов хантингтина фагоцитарной глии мозга дрозофилы

.

Нац Коммуна

.

2015

;

6

(

1

):

6768

.116

Meunier

C

,

C

,

Merienne

N

,

Jollé

C

,

Déglon

N

,

Pellerin

L.

Астроциты являются ключевыми, но косвенными участниками развития симптоматики и патофизиологии болезни Гентингтона

.

Глия

.

2016

;

64

(

11

):

1841

1856

.117

Чжао

T

,

Hong

Y

,

Li

S

,

Li

X-J.

Компартмент-зависимая деградация мутантного гентингтина объясняет его предпочтительное накопление в отростках нейронов

.

Дж Нейроски

.

2016

;

36

(

32

):

32

):

8317

8327

8328

.118

Zhao

T

,

,

Y

,

yin

P

,

LI

S

,

LI

XJ.

Дифференциальная экспрессия HspBP1 объясняет большую уязвимость нейронов, чем астроцитов, к неправильно свернутым белкам

.

Proc Natl Acad Sci U S A

.

2017

;

114

(

37

):

E7803

E7803

E7811

.119

Kabashi

E

,

Valdmanis

PN

,

dion

p

, et al.

Мутации TARDBP у лиц со спорадическим и семейным боковым амиотрофическим склерозом

.

Нат Жене

.

2008

;

40

(

5

):

572

572

574

574

.120

Rutherford

NJ

,

Чжан

Y-J

,

Baker

M

, et al.

Новые мутации в TARDBP (TDP-43) у пациентов с семейным боковым амиотрофическим склерозом

.

ПЛОС Жене

.

2008

;

4

(

9

):

9

):

E1000193

.121

Sreedharan

J

,

BLAIR

IP

,

Tripathi

VB

, et al.

Мутации TDP-43 при семейном и спорадическом боковом амиотрофическом склерозе

.

Наука

.

2008

;

319

(

5870

(

5870

):

1668

1672

1672

.1222

Neumann

M

,

Kwong

LK

,

Truax

AC

, et al.

TDP-43-положительная патология белого вещества при лобно-височной долевой дегенерации с убиквитин-позитивными включениями

.

J Нейропатол Эксперт Нейрол

.

2007

;

66

(

3

):

177

183

.123

Nishihira

Y

,

Tan

C-F

,

onodera

O

, et al.

Спорадический боковой амиотрофический склероз: два патологических паттерна, выявленные при анализе распределения TDP-43-иммунореактивных нейронов и глиальных цитоплазматических включений

.

Акта Нейропатол

.

2008

;

116

(

2

):

169

182

.124

Чжан

Y-J

,

Сюй

Y-F

,

Кук

C

, и др.

Аберрантное расщепление TDP-43 усиливает агрегацию и клеточную токсичность

.

Proc Natl Acad Sci U S A

.

2009

;

106

(

18

):

7607

7612

7612

.125

Walker

AK

,

Daniels

CML

,

Goldman

JE

,

Trojanowski

JQU

,

Lee

VM-Y

,

Мессинг

А.

Астроцитарная патология TDP-43 при болезни Александера

.

Дж Нейроски

.

2014

;

34

(

19

(

19

):

6448

6448

6448

.126

Uryu

K

,

Nakashima-Yasuda

H

,

Forman

MS

, et al.

Сопутствующая патология, связывающая TAR-ДНК-связывающий белок 43, присутствует при болезни Альцгеймера и кортикобазальной дегенерации, но не при других таупатиях

.

J Нейропатол Эксперт Нейрол

.

2008

;

67

(

6

):

555

555

564

.127

Sakurai

A

,

Makioka

K

,

Fukuda

T

,

Takatama

M

,

Okamoto

К.

Накопление фосфорилированного TDP-43 в ЦНС больного с синдромом Коккейна

.

Невропатология

.

2013

;

33

(

6

):

673

677

.128

Lee

Lee

EB

,

Lee

VM-Y

,

Trojanowski

JQ

,

Neumann

M.

TDP-43 Иммунореактивность в аноксических, ишемических и неопластических поражениях центральной нервной системы

.

Акта Нейропатол

.

2008

;

115

(

3

):

3

):

305

311

.129

Serio

Serio

A

,

Bilican

B

,

Barmada

SJ

, et al.

Патология астроцитов и отсутствие неклеточной автономии в модели индуцированной плюрипотентной стволовой клетки протеинопатии TDP-43

.

Proc Natl Acad Sci U S A

.

2013

;

110

(

12

):

4697

4702

4702

.130

Nonaka

T

,

T

,

Hasegawa

M.

Прионные свойства Собранного TDP-43

.

Curr Opin Neurobiol

.

2020

;

61

:

23

28

.131

ISHII

T

,

T

,

Kawakami

E

,

,

K

,

K

,

K

,

K

,

K

,

K

,

H

,

WATABE

K.

Формирование и распространение агрегатов TDP-43 в культивированном нейроном и глиальные клетки, продемонстрированные с помощью покадровой визуализации

.

ПЛОС ОДИН

.

2017

;

12

(

6

):

E0179375

.1329375

.132

Smethurst

P

,

Risse

E

,

Tyzack

GE

, et al.

Различные реакции нейронов и астроцитов на протеинопатию TDP-43 при боковом амиотрофическом склерозе

.

Мозг

.

2020

;

143

(

2

):

430

440

.
  • ALS

    ALS

    AMYOTROPHIC Боковой склероз

  • CBD

    CORTicobasal Degeneration

  • FradeoTemporal Lobar Degeneration

  • PSP

    Прогрессивный супронуквесный паралич

Примечания автора

© Автор(ы) (2022).Опубликовано Oxford University Press от имени Гарантов мозга.

Это статья в открытом доступе, распространяемая в соответствии с лицензией Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0/), которая разрешает неограниченное повторное использование, распространение и воспроизведение на любом носителе при условии, что оригинал работа цитируется правильно.

Мотив дизайна устойчивого к повреждениям материала, полученный из асимметричного вращения

Мотив дизайна сегментов

Мотив дизайна материала извлечен из сегментарной структуры экзоскелета членистоногого. Эта структура экзоскелета, которая встречается более чем у 80% известных видов животных 23 , таких как блоха, скорпион, многоножка и т. д., представляет собой еще один способ сочетания высокой прочности и устойчивости к повреждениям. Как показано на рис. 1a, b, d, типичная нога членистоногого состоит из нескольких сегментов, таких как большеберцовая кость и предплюсна, которые представляют собой тонкие оболочки, соединенные ротационными суставами 24 . При сжатии сегментов (рис. 1в, д), например, при прыжках, сегменты асимметрично вращаются вокруг суставов, что обеспечивает способность накапливать и высвобождать энергию, а также максимизировать несущую способность 24,25 .Подобные сегментарные структуры также обнаруживаются у других видов, выполняющих аналогичные функции, таких как ноги млекопитающих (например, человека и медведя), амфибий (например, лягушки и жабы) и рептилий (например, черепахи и ящерицы). Все эти сегментные конструкции демонстрируют превосходную несущую способность и большую способность поглощать энергию за счет асимметричного вращения.

Рис. 1: Сегментарный мотив, вдохновленный структурой экзоскелета членистоногого.

a Сегментарное строение ноги членистоногого. b , c Вращение сегментов предплюсны при компрессии. Серый цвет указывает на жесткую оболочку экзоскелета; желтый цвет указывает на мягкие ткани (сухожилия). d , e Кинематическая модель предплюсны при компрессии до и после поворота сегмента. Каждый мотив дизайна содержит два типа материала: жесткий и прочный материал (серый), обеспечивающий прочность, и мягкий материал (желтый), улучшающий прочность и гибкость. f Сравнение вдохновленного сегментарного мотива с мотивами дизайна в литературе, включая шовные, многослойные, спиральные и перекрывающиеся мотивы.Подробное сравнение и обсуждение перекрывающейся структуры и сегментной структуры можно найти в дополнительном примечании 1. g Деформация и вращение сегмента под нагрузкой. h l Схема реализации сегментного мотива. h Леса, вид спереди. Горизонтальные элементы обозначаются как балки, а вертикальные — как колонны. Влияние ориентации 3D-печати и толщины каркаса представлено в дополнительном примечании 2. i Общий вид сегментированного каркаса после нанесения покрытия. Цементный слой с покрытием с левой стороны срезан, а поверхностное натяжение указано стрелками. j , k Горизонтальные разрезы с асимметричным покрытием. l Вертикальный разрез, показывающий асимметричное покрытие до загрузки (слева) и поворот сегмента после загрузки (справа). Расположение поперечных сечений показано на ( h ) пунктирными линиями. м Общий вид полимерного каркаса искусственного жука с сегментированным полимерным каркасом. n Полимерный каркас искусственного жука, вид спереди. o Общий вид искусственного клопа после покрытия цементным тестом. Масштабная линейка = 1 см. p Совместное вращение ноги при компрессии. Поддерживается искусственная ошибка и ограничивается горизонтальное перемещение во время загрузки. q Решетчатый метод Больцмана (LBM) моделирование взаимодействия между жидкостью и каркасами при совместном воздействии гравитации и поверхностного натяжения. Напряжение сдвига жидкости в разные моменты времени обозначено цветовой картой.Метод моделирования LBM относится к дополнительному примечанию 3.

По сравнению с четырьмя известными конструктивными мотивами, которые эффективны для адаптации к повреждениям, включая спиральные, шовные, многослойные и перекрывающиеся структуры, сегментарная структура обеспечивает устойчивость к повреждениям за счет асимметричного сегментарного вращения (рис. 1f). Как показано на рис. 1f, спиральная, шовная и многослойная структуры предназначены для повышения устойчивости к повреждениям и прочности при растяжении. Структура внахлест обычно рассчитана на высокую гибкость и устойчивость к проколам 26,27,28,29 , но менее эффективна для восприятия нагрузки в продольном направлении.Способность поглощать энергию в основном достигается за счет скольжения между отдельными пластинами или шкалами 3,29,30 . Напротив, мотив сегментной конструкции очень эффективен для нагрузки, потому что вращение ограничено в одном направлении, что способствует высокому уровню сжимающего напряжения в более прочных хрупких материалах. Только при чрезмерной деформации вращательная степень свободы позволяет твердому материалу деформироваться вбок, чтобы избежать разрушения твердого материала. Энергия, рассеиваемая при асимметричном вращении сегмента, определяется уравнением{{\theta}_{t}}{{{{{\bf{F}}}}}}{\sin}\theta \cdot L\cdot d\theta$$

(1)

где \({{{{{\bf{F}}}}}}\) — сила, приложенная к отрезку длиной \(L\); \({\theta}_{t}\) и \({\delta}_{t}\) — вращение и осевая деформация в момент времени \(t\) соответственно. Следует отметить, что в этом исследовании мы рассматривали только сегментарную структуру, использующую асимметричное вращение в качестве ключевого механизма поглощения энергии. Структуры рыбьей чешуи 26,31,32 и шиповидные структуры 33,34 , основанные на скольжении и смещении в качестве ключевых механизмов поглощения энергии, которые также могут называться сегментарными структурами в некоторой литературе, здесь не рассматриваются. Механизм асимметричного вращения сегментного мотива дизайна заполняет существенные пробелы в возможностях и функциональности существующих мотивов дизайна.

Реализация и изготовление сегментного мотива

При понимании принципа работы сегментного мотива выполнение таких тонких соединений в дизайне материалов представляет собой ключевую проблему, особенно с использованием доступных методов производства. Мы изучили, насколько нам известно, все возможные схемы реализации сегментного мотива в дизайне материалов, и была разработана схема покрытия поверхности на основе каркаса для повышения эффективности производства для обеспечения крупномасштабного производства.Схема изготовления была вдохновлена ​​​​формированием экзоскелетов, в которых внутренние мягкие ткани служат платформой для контроля геометрии и роста жесткого экзоскелета 22 . В нашей схеме конструктивный мотив рассматривался как композиция из двух составляющих: каркаса и материалов покрытия. Каркас с геометрической конструкцией, позволяющей наносить асимметричные покрытия, сначала был изготовлен из материала с относительно низкой жесткостью (рис. 1h), затем на каркас был нанесен окунанием или распылением жидкая смесь, содержащая более жесткие заполнители и связующее (рис. .1и–л). Затем путем отверждения, гидратации, минерализации или керамизирования жидкость затвердевала, образуя конечный продукт.

Наши результаты показали, что свойства каркаса и жидкости должны быть настроены для достижения тонкой геометрии, которая регулирует деформацию как в мягком каркасе, так и в твердой оболочке для достижения вращения. При использовании хорошо настроенного каркаса и жидкостной системы предложенная схема обеспечивает гораздо более высокую эффективность, чем другие методы изготовления, которые были предложены для доставки таких систем, включая биомиметическую минерализацию 35 , замораживание 36 и аддитивное производство 19 , все они сильно ограничены масштабом, сложностью геометрии и применимыми материалами (см. Дополнительную таблицу 1 для подробного сравнения).

Наша первая успешная демонстрация этого дизайнерского мотива использовала предложенную схему изготовления, комбинируя полимерный каркас и твердую цементную оболочку. U-образный каркас, показанный на рис. 1h, был специально разработан для двух целей: (1) для контроля эксцентриситета покрытия (рис. 1j, k) за счет боковых стенок U-образного профиля (рис. 1i), образующих стопор вращения в направлении по часовой стрелке (рис. 1i) и (2) с использованием горизонтального элемента (рис. 1h, k) для обеспечения гибкости вращения в направлении против часовой стрелки (рис.1л). В качестве материала покрытия в экспериментальных испытаниях была выбрана свежая портландцементная паста, наиболее часто используемое хрупкое/квазихрупкое искусственно созданное вещество. Чтобы обеспечить однородное и стабильное покрытие полимерного каркаса, реологические свойства, включая поверхностное натяжение и предел текучести, были тщательно подобраны и согласованы с размером окна полимерного каркаса. Первоначально была изготовлена ​​и испытана экспериментальная структурная единица, напоминающая насекомое с шестью опорными ногами (рис. 1m–p).Этот эксперимент показал, что когда ножки нагружены, сегменты вращаются против часовой стрелки вокруг полимерного горизонтального элемента (рис. 1р). Колебание ступней ног было предотвращено от бокового смещения, аналогично рабочему механизму предплюсны, при котором коготь на конце используется для закрепления на поверхности, чтобы предотвратить боковое движение. Поскольку вращение по часовой стрелке было остановлено из-за эксцентриситета твердого минерального покрытия (рис. 1l), опоры стали очень эффективно нести нагрузку. Результаты наших механических испытаний показали, что устройство может легко выдерживать нагрузку, в 10 000 раз превышающую его собственный вес.Следует отметить, что вклад полимерного каркаса в несущую способность составляет 1-3% из-за его очень низкого модуля упругости и малой объемной доли.

Как описано выше, предложенная нами схема изготовления обеспечивает простой и эффективный способ выполнения асимметричной суставной и сегментарной конструкции. Однако необходимо понимать несколько ключевых аспектов, чтобы обеспечить успешную реализацию схемы. В дополнение к конструктивным особенностям каркаса, показанного на рис. 1g, h, реологические свойства жидкости также имеют решающее значение для динамического формирования покрытия.В отличие от ньютоновских жидкостей 37 наши результаты показали, что неньютоновские жидкости с поведением Бингама вносят значительный вклад в стабилизацию покрытия. Результаты моделирования жидкости Больцмана на решетке показали, что, когда жидкость приближалась к полимерному каркасу следующего уровня, напряжение сдвига и кинетическая энергия значительно увеличивались из-за собственного поверхностного натяжения связующего (рис. 1q). Процесс динамического формования завершается, когда кинематическая энергия пастообразной жидкости рассеивается за счет трения между частицами.Поверхностная энергия неньютоновской жидкости с воздухом и каркасом играет ключевую роль как в течении, так и в растекании покрытия, а также вносит вклад в равновесие сил под действием силы тяжести и трения между частицами при стабилизации покрытия. Наш расчет изменения свободной энергии Гиббса в процессе динамического формования также показал, что реологические свойства жидкости (поверхностное натяжение, \({\gamma}_{L}\), краевой угол, \(\theta\)) должны соответствовать с геометрией каркаса (размер пустоты, \(\frac{b}{a}\)) для обеспечения равномерного и стабильного формирования пленки (подробности см. в дополнительном примечании 4).Свойства жидкости можно регулировать, изменяя объемную долю твердых частиц и химический состав поверхности поверхностно-активными веществами (в данном случае использовался полимер на основе поликарбоната).

Нет никаких сомнений в том, что сегментарная структура, показанная на рис. 2, может быть применена при проектировании материалов с помощью большого количества возможных методов топологической сборки, таких как одномерные колонны, двухмерные соты, трехмерные решетки и трехмерные пены (рис. 2а и дополнительный рис. . 1).

Рис. 2: Сборка сегментированных U-образных блоков в двухмерную сотовую архитектуру.

a Схема этапов сборки. б , с Сотовый сегментный 1 (Ш2) б до и с после покрытия. d , e Сегментированные соты 2 (Sh3) d до и e после покрытия (дополнительные изображения и сведения о размерах Sh2 и Sh3 см. на дополнительном рисунке 2, дополнительном рисунке 3 и в дополнительной таблице 2) . f Изображение рентгеновской микрокомпьютерной томографии (микро-КТ), показывающее цементное покрытие Sh2. g Увеличенный вид детали, обозначенной в ( f ). h , i Поперечные сечения, показанные на ( g ), показывают асимметричное покрытие цементным тестом на двух сторонах полимерного каркаса из-за поверхностного натяжения и кривизны полимера. Масштабная линейка = 1 см.

Здесь мы представляем метод сотовой сборки, который помогает превзойти пределы производительности традиционных хрупких и квазихрупких материалов. Трехмерные сотовые структуры могут быть сформированы с использованием U-образных элементов, расположенных шестиугольным образом, как показано на рис.2а. Размер U-образной формы можно варьировать, чтобы контролировать объемную плотность сотового материала. (Sh2 и Sh3 на рис. 2b–e). Сборка U-образных элементов была реализована в конструкции лесов. Как показано на рис. 2б, г, боковые стенки П-образных лесов (рис. 1е) сливаются с оконным сечением соседних блоков. Это упрощает конструкцию лесов и снижает использование полимерного материала. Сотовый материал с использованием собранных лесов может быть изготовлен путем нанесения покрытия из жидкости (рис.2е). Рентгеновские микро-КТ (рис. 2f-i) показали, что асимметричное покрытие может быть эффективно сформировано таким же образом, как и на U-образном каркасе. После настройки как конструкции лесов, так и свойств жидкости толщина покрытия в центре окон составила 400–800 микрометров, а на уровне стыков — 600–1000 микрометров.

Характеристики сегментной конструкции

При приложении сжимающей нагрузки с одновременным наблюдением в реальном времени моделей деформации с помощью рентгеновской микро-КТ были исследованы как рациональные движения, так и распространение трещин в материале, что показано на рис.3а–в. Исследование микро-КТ показало, что перед вращением сустава трещины сначала возникают вокруг стороны каркаса с более тонким покрытием из твердой оболочки, что также было подтверждено моделированием расширенным методом конечных элементов (XFEM) (дополнительный рисунок 4). Далее трещины распространялись вертикально в более тонкое покрытие, что приводило к выкрашиванию материала вокруг стыка (рис. 3а). После того, как произошло отслоение, более гибкое соединение каркаса начало сжиматься, что привело к вращению самого верхнего сегмента в направлении каркаса (против часовой стрелки на рис.3с). По мере того, как вращение продолжалось, более толстая твердая оболочка на другой стороне менялась от сжатия к растяжению. Затем образовалась горизонтальная трещина, отделившая первый сегмент от второго (рис. 3б, в). Кроме того, мы также обнаружили, что материал в верхней части вращающихся сегментов также подвергался усиленному разрушению, что способствовало большему поглощению энергии (дополнительный рисунок 5). В структуре сборки асимметричное вращение также оказалось осесимметричным вокруг центральной колонны лесов, где три U-образные формы соединялись друг с другом под углом 120 градусов.Схема, показывающая механизм вращения сегментов в собранном сотовом материале, представлена ​​на рис. 3d, а соответствующее моделирование разрушения первого яруса после нагружения методом дискретных элементов показано на рис. 3e.

Рис. 3: Поведение при отказе собранных сот с сегментным дизайном.

а , б Типичные рентгеновские микро-КТ изображения, полученные в процессе нагружения сегментированных сот (СГ), с нарастанием деформации от состояния нагружения S1 ( а ) до состояния нагружения S2 ( б ).Неповрежденная структура окрашена в зеленый цвет, а поверхность излома выделена оранжевым цветом. c Типичное вертикальное сечение, показывающее вращение первого сегмента вокруг полимера на ( b ). d Схема поворота сегмента СГ в сборе. e Метод дискретных элементов (DEM) моделирование отказоустойчивости SH. Подробности см. в дополнительном примечании 5. f Типичное рентгеновское микро-КТ-изображение, показывающее распределение различных фаз внутри SH.Цветовая карта указывает на различные фазы внутри SH, которые представляют собой полимер (P), межфазную переходную зону (ITZ), продукты гидратации с низкой плотностью (LD), продукты гидратации с высокой плотностью (HD) и частицы негидратированного цемента (UP). Определение различных фаз относится к дополнительному примечанию 6. г Поперечное сечение показано на ( f ). h Анализ количественного наномеханического картирования (QNM) показывает карты модуля упругости (E) закаленного SH. Местоположение и направление сканирования QNM указаны в ( e ).Распределение Е в материале показано цветной полосой. Дополнительные результаты QNM и определение различных фаз в QNM см. в дополнительном примечании 7. i , j Увеличенное изображение областей, заключенных в рамки ( h ). k Результаты моделирования ЦМР показывают распределение частиц разного размера в цементном тесте. Размер частиц указан цветной полосой. l , m Типичные кривые нагрузки, показывающие два различных режима отказа, включая ( l ) нерегулярный непериодический прогрессирующий отказ и ( m ) регулярно периодический прогрессирующий отказ. n , o Типичные снимки были сделаны в процессе загрузки СГ n нерегулярным непериодическим прогрессирующим отказом и o регулярным периодическим прогрессирующим отказом. p Метод конечных элементов (FEM) моделирование прогрессирующего разрушения (PF) материала, используемого в качестве материала, поглощающего энергию, по сравнению с пластичным (Duc) материалом. Цветовая карта показывает распределение остаточного напряжения (напряжения сжатия) в решетчатой ​​структуре. q Сравнение деформации конструкции оболочки при ударе.Исследуемые места указаны в ( p ). Дополнительные результаты моделирования МКЭ см. в дополнительном примечании 8.

С помощью комбинации микро-КТ, количественного наномеханического картирования (QNM) и моделирования методом дискретных элементов (DEM) мы также обнаружили, что жесткость соединения вокруг полимерных элементов также способствовала начало вращения в суставе. Мы обнаружили образование более плотных и жестких материалов вокруг полимерных столбиков (рис. 3f–k). Неуравновешенная сила на границе раздела воздух-жидкость 38 привела к результирующей силе «сжимания» жидкости, которая способствовала упаковке частиц в более плотное состояние и привела к концентрации негидратированных зерен вблизи полимерных столбиков (рис. 3е–к). Этот эффект придания жесткости соединению создал кольцо жесткости с более высоким наноразмерным модулем Юнга вокруг полимерных колонн (рис. 3f–k), которое в сочетании с межфазной переходной зоной между полимерными стойками и затвердевшим цементным тестом (рис. 3g) остановило трещины 21 и направлять их для вертикального распространения внутри сегментов (рис. 3а и дополнительные рис. 4, 5).

Наши результаты также показали, что баланс между размером элемента каркаса и толщиной твердой оболочки имеет решающее значение для вращения сустава.Размер горизонтальных элементов лесов должен быть достаточным, чтобы остановить и направить трещины, распространяющиеся горизонтально, чтобы предотвратить распространение на соседние сегменты (рис. 3a и дополнительные рис. 5, 6). Следует подчеркнуть, что размер полимерных колонн также необходимо настроить, чтобы все сегменты в одном ярусе могли вращаться одновременно без выраженного распространения трещины на нижний ярус (рис. 3d). Мы также обнаружили, что полимерные элементы неправильного размера позволяют трещинам распространяться по всему образцу, что приводит к неравномерному непериодическому прогрессирующему разрушению (дополнительный рис.7 и рис. 3л, н). Мы обнаружили, что прочность каркаса должна составлять около 1–3% от сегментированных сот, чтобы обеспечить желаемое поведение при вращении.

Асимметрично вращающиеся сегменты позволяют материалу демонстрировать уникальный режим периодического прогрессирующего разрушения при большой деформации (рис. 3m, o). Нижние сегменты настроенных сегментных сот оставались неповрежденными и неповрежденными (рис. 3o) даже при нагрузке >50 % инженерной деформации (50 % от их начальной длины), тогда как сегментированные соты без прогрессирующего разрушения разрушались на несколько частей (рис.3н). Сотовый материал может быть классифицирован как тип метаматериала 39 из-за его уникальной картины периодического прогрессирующего разрушения и близкого к нулю коэффициента Пуассона при больших деформациях. Основываясь на высокой регулярности прогрессирующего разрушения, которое может быть достигнуто, нетривиально сделать вывод, что прогрессирующее разрушение может продолжать увеличивать напряжение и деформацию при использовании в более высоких несущих элементах конструкции, работающих на сжатие. Прогрессирующее разрушение по ярусам дает явное структурное преимущество по сравнению с традиционными хрупкими материалами, которые могут стать очень нестабильными из-за крупных трещин, которые часто проникают через весь элемент конструкции, что приводит к потере целостности 40 .На типичной кривой нагрузки процесса периодического разрушения (рис. 3l) наблюдаются множественные пики с интервалом около 1,75 мм, высотой каждого сегмента (дополнительная таблица 2). Следовательно, интервалы между периодическими пиками можно контролировать путем настройки каркаса и жидкости для разных размеров сегментов.

Периодическое разрушение также может привести к тому, что характеристики квазихрупких материалов будут соответствовать и даже превосходить пластичные материалы, такие как металлы, в широком диапазоне конструкционных применений. Как сообщается в литературе, постепенное разрушение является уникальным преимуществом тонкостенных пластичных материалов. Наши результаты показали, что квазихрупкий материал также может демонстрировать такое поведение. Рассматривая прогрессирующее разрушение в конституциональных отношениях хрупких и квазихрупких материалов, мы провели исследование его влияния в качестве материала, поглощающего энергию, встроенного в типичные полые оболочки, с помощью моделирования методом конечных элементов. По сравнению с типичными пластичными материалами, которые демонстрируют постоянную прочность после текучести 41 , материал с прогрессирующим разрушением демонстрирует уникальный механизм снятия напряжения.Как показано на рис. 3p, остаточное напряжение материала с прогрессирующим разрушением после локального повреждения значительно снижается на 90,5% (до 97,9%, см. пример в дополнительном примечании 8) по сравнению с пластичными материалами. Кроме того, как показано на рис. 3q, деформация из-за локального повреждения также уменьшилась до 31,8% (до 94,4%, см. Дополнительное примечание 8).

Сегментированный сотовый заполнитель показал более высокую прочность на сжатие, чем любой другой легкий материал, в котором используются аналогичные ингредиенты.Результаты механических испытаний вместе с несколькими типичными испытаниями ячеистого пенобетона на прочность при сжатии представлены на рис. 4а. Например, пенобетон с плотностью около 250 кг/м 3 имеет прочность <1 МПа, как указано в литературе 42,43 . Напротив, собранные сегментированные соты, представленные здесь, имели прочность около 3  МПа, что составляет увеличение примерно на 200%. Как показано на рис. 4а, мы обнаружили, что сегментная конструкция может снизить показатель деградации \(n\) между относительной плотностью и относительной прочностью (см. Дополнительное примечание 9) до 1.1–1,5, что является значительным улучшением по сравнению с 2,0–3,4 традиционных аналогов (всю упомянутую литературу см. Дополнительный рисунок 8). Кроме того, коэффициент использования материала также улучшился с 59 до 79% при использовании сегментной конструкции (см. Дополнительное примечание 9).

Рис. 4: Прочность на сжатие сегментированных сот и исследование других материалов.

a График сравнения прочности на сжатие сегментированного сотового заполнителя и легкого цементного материала, как указано в литературе.Серая область представляет собой прочность на сжатие легкого бетона, полученного традиционными методами. Разброс показывает прочность на сжатие легкого бетона, полученную в трех типичных исследованиях 43,50,51 . Всю указанную литературу см. на дополнительном рис. 8. Подробная информация о результатах испытаний SH представлена ​​в дополнительной таблице 3. вверху, с областью, заштрихованной черным цветом, обозначающей области растяжения.Значения напряжения представлены в цветной полосе. Метод моделирования XFEM относится к дополнительному примечанию 9. c Типичное распределение напряжений в сегментированных сотах. d Модуль Юнга и прочность на сжатие материалов, принятых для покрытий и каркасов. Линии обозначают комбинацию материалов, а цвета линий представляют индекс прогрессирующего отказа ( PFi ), который указывает вероятность демонстрации поведения прогрессирующего отказа. Метки рассеяния — это идентификаторы материалов в дополнительной таблице 4 и дополнительной таблице 5, в которых перечислены все потенциальные материалы, применимые к мотиву сегментного дизайна.

Исследование сегментарной структуры в других материалах

Мы также изучили потенциальное применение мотива дизайна в цементных, керамических, стеклянных, металлических и полимерных материалах. Список типичных материалов, которые потенциально могут быть реализованы с сегментной конструкцией, представлен на рис. 4d, e, который включает обычно используемые (квази-)хрупкие материалы для покрытий (например, цементный материал, керамика, стекло) и пластичные материалы для каркаса ( например, полимер, металл).Хотя некоторые из материалов могут не подходить для предложенного здесь подхода жидкостного покрытия, недавние достижения в области 3D-печати металлом 44,45 и керамикой 46,47,48 позволили изготавливать эти материалы сложной геометрии, такие как как предложенная здесь сегментарная структура.

Отношения модуля Юнга и прочности на сжатие между полимерным каркасом и цементной оболочкой:

$$\frac{{E}_{{{{{{{{\mathrm{Polymer}}}}}}}}}{{ E}_{{{{{{{\mathrm{Цемент}}}}}}}}}\ок. 0.1\;{{\& }}\;\frac{{\sigma}_{{{{{{{{\mathrm{Полимер}}}}}}}}}}{{\sigma}_{{{{{ {{\ mathrm{Цемент}}}}}}}}}\ок. 0,78$$

(2)

На основе соотношений, показанных в уравнении. (2), мы прогнозируем вероятность постепенного отказа с помощью комбинаций двух компонентов каркаса (S) и используемых покрытий (C), которые показаны на рис. 4d. Здесь мы определили индекс прогрессирующего отказа (PFi) для оценки вероятности демонстрации прогрессирующего отказа, который равен

$${{{{{{\mathrm{PFi}}}}}}}=\left|{{ \log }}\left(\frac{{E}_{{{{{{{\mathrm{S}}}}}}}}{{E}_{{{{{{\mathrm{C}}} }}}}}\right)-{{\log }}\left(\frac{{E}_{{{{{{{\mathrm{Polymer}}}}}}}}}{{E}_ {{{{{{{\mathrm{Cement}}}}}}}}}}\right)\right|+\left|{{\log }}\left(\frac{{\sigma}_{{{ {{{\mathrm{S}}}}}}}}{{\sigma}_{{{{{{\mathrm{C}}}}}}}}}\right)-{{\log}}\ слева (\ frac {{\ sigma} _ {{{{{{{{\ mathrm {Полимер}}}}}}}}}} {\ sigma } _ {{{{{{{{\ mathrm {Цемент}}} }}}}}}\справа)\справа|$$

(3)

Вероятность того, что комбинация материалов будет демонстрировать прогрессирующий отказ, выше, если PFi ближе к 0. Как показано на рис. 4d, 50 комбинаций, охватывающих 27 материалов, показывают PFi менее 0,6, что указывает на большой потенциал для демонстрации прогрессирующего отказа. Кроме того, на рис. 4d дополнительно выделены 14 различных материалов, включая цементные, керамические, стеклянные, полимерные и металлические материалы. Можно видеть, что комбинации полимера и вяжущего материала или керамики (например, цемент + ПЭТ/ПЭНП, нитрид бора + ПЭИ) демонстрируют наибольшую вероятность прогрессирующего разрушения из-за относительно более низкой прочности полимера, чем керамика и вяжущий материал.Кроме того, металлический материал в сочетании с высокопрочной керамикой, такой как Ti6Al4V и карбид кремния, также может демонстрировать высокий потенциал прогрессирующего разрушения. Учитывая более высокую прочность металлического материала, чем полимера, сегментные материалы, изготовленные из комбинации металлических и керамических материалов, будут более подходящими для несущих целей. Основываясь на очень широкой применимости, продемонстрированной здесь, ожидается, что многообещающие последующие исследования откроют поколение комбинаций материалов и методов реализации этого дизайнерского мотива.

Таким образом, мы успешно извлекли и применили асимметричные сегментные структуры, основанные на вращении, в конструкции материалов для изготовления легких композитов, демонстрирующих превосходную прочность на сжатие и устойчивость к повреждениям. Мы реализовали применение сегментной структуры в дизайне материалов. Предыдущие исследования, включая изучение структур рыбьей чешуи 26,31,32 и шиповидных структур 33,34 , в основном были сосредоточены на структурном уровне, таком как разработка защитных структур.Понимание применения сегментной структуры в дизайне материалов все еще ограничено. Введение сегментного мотива дизайна заполняет критический пробел в известных мотивах дизайна и открывает широкий спектр потенциально применимых хрупких и квазихрупких материалов. Наши экспериментальные результаты продемонстрировали успешную реализацию мотива и его реализацию в дизайне материалов, в результате чего были получены метаматериалы, с которыми мы продемонстрировали уникальное поведение с прогрессирующим разрушением, которое сохраняет целостность материала, обеспечивая 60–80% производительности при> 50% деформации сжатия. Вращательная степень свободы также допускала периодическую схему поглощения энергии во время разрушения с на 100% большей прочностью, чем у традиционной ячеистой пены, и до 97,9% остаточного напряжения после повреждения по сравнению с пластичными материалами. Мы также обнаружили, что сегментный мотив потенциально может быть реализован в различных материалах, среди которых пятьдесят комбинаций материалов, охватывающих 27 типов различных материалов, демонстрируют большой потенциал в достижении поведения с постепенным отказом, что подтверждает широкий потенциал применения и преимущества дизайнерского мотива.

Сегментация патологических изображений менингиомы, окрашенных HE, на основе псевдометок

Abstract

Биомедицинские исследования неотделимы от анализа различных гистопатологических изображений, и изображения, окрашенные гематоксилин-эозином (ГЭ), являются одним из основных и широко используемых видов. Однако в настоящее время подходы к анализу изображений такого типа, основанные на машинном обучении, в значительной степени зависят от ручной маркировки изображений для обучения. Полностью автоматизированная обработка окрашенных HE изображений остается сложной задачей из-за высокой степени неопределенности интенсивности цвета, размера и формы окрашенных клеток.Для этой задачи мы предлагаем полностью автоматический метод семантической сегментации по пикселям, основанный на псевдометках, который значительно сокращает работу по рисованию и маркировке ячеек вручную перед машинным обучением и гарантирует точность сегментации. Во-первых, мы собираем надежные обучающие выборки без учителя на основе результатов кластеризации K-средних; во-вторых, мы используем стратегию полного смешения для улучшения обучающих изображений и получения модели U-Net для сегментации ядер по фону.Экспериментальные результаты, основанные на наборе данных изображений патологии менингиомы, показывают, что предложенный метод имеет хорошую производительность, а патологические признаки, полученные статистически на основе результатов сегментации, могут быть использованы для помощи в клинической оценке менингиом. По сравнению с другими стратегиями машинного обучения он может более эффективно служить надежной ссылкой для клинических исследований.

Образец цитирования: Wu C, Zhong J, Lin L, Chen Y, Xue Y, Shi P (2022) Сегментация патологических изображений менингиомы, окрашенных HE, на основе псевдометок.ПЛОС ОДИН 17(2): е0263006. https://doi.org/10.1371/journal.pone.0263006

Редактор: Чжифань Гао, Университет Сунь Ятсена, КИТАЙ

Получено: 9 июля 2021 г .; Принято: 10 января 2022 г .; Опубликовано: 4 февраля 2022 г.

Авторское право: © 2022 Wu et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: В настоящее время данные не могут быть опубликованы из-за соглашения об этике, и они будут опубликованы в будущем. Данные доступны в объединенной больнице Медицинского университета Фуцзянь (контакт через http://www.fjxiehe.com/) для исследователей, отвечающих критериям доступа к конфиденциальным данным. Мы также загрузили минимальный базовый набор данных и соответствующую спецификацию в качестве вспомогательных информационных файлов, включая все исходные изображения, которые были обработаны и показаны на рисунках в статье.Наша исследовательская группа также создает полный набор тестовых данных, используемых в экспериментах статьи, которая находится на рассмотрении местного комитета по этике. Набор данных будет загружен онлайн для общего доступа после одобрения заявки. Прежде чем размещать весь набор данных в Интернете, все читатели могут напрямую запросить исходные изображения, связавшись с соответствующим автором.

Финансирование: Эта работа была поддержана Совместным фондом инноваций в области науки и технологий провинции Фуцзянь (2018Y9112) и Проектом обучения талантов в области научных исследований в области здравоохранения провинции Фуцзянь (2019-ZQN-17). Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

В последние годы заболеваемость опухолями и смертность населения во всем мире быстро растут [1]. Раннее выявление и точная диагностика могут сделать лечение более эффективным и тем самым повысить шансы на выживание, а анализ гистопатологических изображений опухоли является золотым стандартом диагностики опухолей [2].Окрашивание гематоксилин-эозином (ГЭ) является одним из наиболее часто используемых методов наблюдения патологических парафиновых срезов, особенно при анализе микроскопических гистопатологических изображений опухолевой ткани [3], при котором ядро ​​окрашивается гиацинтином щелочным гематоксилином, а цитоплазма окрашивается кислым эозином в красный цвет. Таким образом, различия между различными клеточными структурами в ткани эффективно увеличиваются. На гистопатологических изображениях, окрашенных HE, морфология ядра является основой для суждения о природе рака.Например, размер, форма и плотность ядра влияют на качественный анализ опухоли. Однако патологоанатомам сложно анализировать большие объемы данных, окрашенных HE, а результаты анализа подвержены субъективным факторам [4].

Исследователи ищут прорывы в сегментации ядер на патологических изображениях, потому что обнаружение и сегментация ядер являются самыми основными и важными этапами в процессе анализа патологических изображений. Большинство морфологических методов основано на пороговом алгоритме, алгоритме водораздела, наборе статистических уровней, модели активного контура или комбинации этих подходов [5–9].Эти методы обеспечивают отличные результаты сегментации при определенных условиях. Однако при анализе фактического патологического изображения тканей, окрашенных HE, при использовании вышеуказанных методов могут возникнуть следующие проблемы. Во-первых, поскольку на окрашивание HE сильно влияют внешние факторы, существует большая изменчивость в окрашивании ядер. Во-вторых, отсутствие четкой ядерной границы делает эти методы чрезвычайно склонными к чрезмерной сегментации. В-третьих, разнообразие форм ядер затрудняет создание модели стабильной формы.

В связи с быстрым развитием машинного обучения сегментация изображения упрощается за счет маркировки всех пикселей изображения посредством обучения, которое состоит из двух основных категорий: 1) классические методы сегментации машинного обучения: сегментация пикселей основана на наборах признаков, извлеченных на основе хорошо разработанные модели и введенные в классические методы машинного обучения для присвоения определенной категории каждому пикселю всего изображения. 2) Методы глубокого обучения для сегментации изображения: различные типичные фрагменты изображения вручную выбираются в качестве обучающего набора данных и вводятся в модель нейронной сети для сегментации различных частей клетки, таких как ядро, цитоплазма и внеклеточное пространство (ECS), затем обученная сеть используется для сегментации всех других немаркированных изображений.

В качестве классических подходов к машинному обучению Mittal et al. [10] использовали метод суперпиксельной кластеризации для сегментации ядер клеток и использовали алгоритм гравитационного поиска для оптимизации центров кластеров. Ку и др. [11] предложили метод, основанный на попиксельном классификаторе машины опорных векторов (SVM) для сегментации опухолевых гнезд и стромы. Между тем в последнее время были сделаны прорывы в анализе естественных и патологических изображений с помощью глубокого обучения, появились различные методы ядерной сегментации, основанные на глубоком обучении.В задачах сегментации первоначально сверточные нейронные сети (CNN) использовались только для выделения признаков, а с появлением полностью сверточных сетей (FCN) [12] семантическая сегментация постепенно стала основным методом сегментации, и появились различные улучшенные модели. . Чен и др. [13] представили новую глубокую сеть с учетом контуров (DCAN) и использовали многоуровневую контекстную FCN для сквозного создания многомасштабных представлений признаков. Путем модификации модели FCN Qu et al.[14] получили сверточную нейронную сеть с полным разрешением (FullNet) для сохранения более подробной информации. U-Net Ronneberger et al. [15] привнесли новую жизненную силу в модель сегментации патологических изображений, и было создано множество оптимизированных версий. Пан и др. [16] расширенная U-Net с жесткой разделяемой по глубине сверткой (AS-UNet) для ядерной сегментации. В исследовании [17] была предложена нейронная сеть на основе U-Net с вниманием к остаточному каналу (RIC-UNet), в которой применялись остаточные блоки, а также механизмы мультимасштабирования и внимания к каналу для повышения точности сегментации.

Все вышеперечисленные методы являются улучшениями с точки зрения модельных аспектов, но одна из существенных проблем глубоких нейронных сетей все еще неразрешима: необходимость большого количества размеченных вручную точек данных, что особенно важно при анализе медицинских изображений. Поскольку существует высокая потребность в специалистах по аннотации медицинских изображений, для дальнейшего повышения эффективности машинного обучения при подготовке набора данных для обучения. В связи с этим мы предлагаем полностью автоматический метод ядерной сегментации патологического изображения на основе псевдометки, как показано на рис. 1.Сначала на изображениях выполняется кластеризация K-средних на основе признаков пикселей, а затем фрагменты обучающей выборки захватываются как в соответствии с установленными правилами, так и по результатам кластеризации. Во-вторых, разрабатывается новый алгоритм обучения, который не имеет фиксированной эпохи, и полученные фрагменты обучающей выборки помещаются в модель для обучения с операцией полного смешения в соответствии с вероятностью. Затем перекрывающиеся участки тестовых изображений нарезаются до одинакового размера и доставляются в модель для получения результатов прогнозирования, а результаты сегментации переднего плана ядер получаются путем сшивания.Наконец, алгоритм гибридного водораздела используется для сегментации границ между ядрами, получения окончательного результата сегментации и подсчета соответствующих патологических признаков. По сравнению как с традиционными методами машинного обучения, так и с методами глубокого обучения, использование неконтролируемой кластеризации заменяет утомительный процесс ручного аннотирования обучающих наборов, а стратегия полного смешивания используется для решения проблемы плохой способности к обобщению автоматически полученных наборов обучающих патчей. .

Материалы и методы

В этом разделе мы в основном сосредоточимся на подробном процессе обучения образцов и их псевдометок, которые могут автоматически получать надежные участки из полных изображений, окрашенных HE. Для решения задачи обобщения предлагается серия протоколов обучения и тестирования.

Получение окрашенных HE изображений и ядерной аннотации

В данной работе в качестве объектов эксперимента мы использовали патологические изображения менингиомы. Всемирная организация здравоохранения классифицирует менингиомы на три степени: доброкачественные менингиомы (ВОЗ I), атипичные менингиомы (ВОЗ II) и интерстициальные или злокачественные менингиомы (ВОЗ III). Первая степень известна как низкосортная, а вторая и третья классифицируются как менингиомы высокой степени злокачественности [18]. Таким образом, существуют определенные различия между менингиомами высокой и низкой степени злокачественности, которые очень подходят для проверки обобщающей способности предлагаемого метода.

Подготовка набора данных была выполнена на образцах тканей двух групп, включая менингиомы высокой и низкой степени злокачественности, от различных клинических пациентов в больнице Союза медицинского университета Фуцзянь. Местный комитет по этике предоставил этическое одобрение для исследования (Сертификат №2019KJTYL024), и было получено информированное согласие. Микроскопические срезы окрашивали HE с помощью стандартной гистологической процедуры, описанной в [19], а затем изображения RGB были захвачены и сохранены в виде 1536 × 2048 × 24-битных tiff-файлов. В итоге мы получили в общей сложности 60 окрашенных HE срезов тканей менингиом высокой и низкой степени злокачественности, в том числе 30 менингиом высокой степени злокачественности и 30 менингиом низкой степени злокачественности. Изображения пяти наиболее репрезентативных областей, определенных профессионалами в каждом срезе, были собраны для формирования наборов изображений HE.Таким образом, всего в работе было использовано 300 (60 групп × 5) изображений, окрашенных HE.

Чтобы включить как можно более разнообразные проявления ядер, мы случайным образом выбрали 20 изображений разных групп из собранных 60 групп, включая 300 окрашенных HE патологических изображений, полученных из образцов менингиомы как высокой, так и низкой степени злокачественности. Выбранный набор данных включал 10 изображений менингиомы высокой степени злокачественности и 10 изображений менингиомы низкой степени злокачественности. Патологическое изображение размером 1536 × 2048, окрашенное HE, содержит около 800 ядер, которые необходимо аннотировать, поэтому на 20 изображениях содержится около 16 000 ядер.Мы использовали программное обеспечение MaZda4.6 [20] для аннотирования этих ядер, а аннотаторами были два врача из Union Hospital Медицинского университета Фуцзянь.

Процесс выбора обучающей выборки на основе обучения без учителя

В этом разделе представлен метод неконтролируемого отбора обучающих образцов, который автоматически выбирает наиболее надежные участки, включая ядра и их метки, на основе характеристик окрашивания каждого среза. Эти образцы затем используются для обучения модели глубокого обучения для сегментации ядер других изображений, окрашенных HE.

Выбор функции.

Существует два вида проблем с качеством изображений, окрашенных HE: неравномерное распределение красителей в тканях и шум соли и перца, вызванный мелкими частицами красителя. В соответствии с этими задачами изображение фильтруется комбинацией медианного фильтра 5×5 [21] и фильтра Гаусса 5×5 [22] для устранения шумов. Более ранние исследования нашей группы доказали, что выбранные наборы признаков эффективны для сегментации ядер [23]. Двухцветные каналы R и G предоставляют гораздо больше информации для результата классификации, чем цветовой канал B. Следовательно, чтобы снизить вычислительные затраты и повысить эффективность предлагаемого конвейера, выбираются интенсивности цветовых каналов R и G и сопоставляются с двумерным пространством признаков для формирования набора двумерных признаков.

Приобретение стабильной окраски участков ядер.

Манхэттенская кластеризация K-средних на основе расстояния применяется для автоматического получения ядерно-стабильных цветовых областей. На изображениях, окрашенных HE, есть три различных клеточных структуры, а именно: ядерная область, цитоплазматическая область и ECS.Четкой границы между вышеперечисленными структурами на изображениях, окрашенных HE, нет. Чтобы получить более надежные области ядер для построения обучающей выборки, мы сначала устанавливаем классы кластеризации равными пяти и случайным образом инициализируем центры кластеризации. Поскольку модули собственных векторов ядер, цитоплазмы и наборов признаков ECS на практике возрастают, средние значения всех центров кластеризации также следуют этому порядку. Затем в результате кластеризации получаются следующие пять категорий на уровне пикселей: область стабильного ядерного цвета, область нечеткой ядерно-цитоплазматической окраски, область стабильного цитоплазматического цвета, нечеткая область цитоплазматического ECS и область стабильного цвета ECS.

При группировании ядерных областей для автоматического выбора ядерных пятен необходимо учитывать только точность, а увеличение отзыва может дать больше возможностей для выбора подходящих обучающих образцов. Мы извлекаем несколько репрезентативных изображений, окрашенных HE, и сравниваем ядерные области, полученные путем кластеризации, с искусственно нарисованными ядерными областями. На рис. 2 показано распределение пикселей стабильного цвета ядер на разных изображениях. Оливковые области — это глубоко окрашенные участки стабильных цветных областей ядер, полученных путем кластеризации, которые можно использовать в качестве областей-кандидатов для обучающих выборок.

Рис. 2. Сравнение реальных результатов и результатов кластеризации ядер.

Где оливковые области обозначают стабильные цветовые области ядер в результате кластеризации, а зеленые контуры указывают основные истины ядерной стабильной цветовой области.

https://doi.org/10.1371/journal.pone.0263006.g002

Коллекция обучающих наборов изображений.

Поскольку наша задача состоит в том, чтобы сегментировать целые области ядер, мы дополнительно объединяем пять вышеуказанных категорий, полученных путем кластеризации.Во-первых, пиксели, принадлежащие областям стабильного цвета ядер, могут использоваться в качестве переднего плана обучающих выборок, поэтому никаких изменений не производится. Во-вторых, пиксели, принадлежащие к ядерно-цитоплазматическим нечетким областям, включают как ядерные, так и цитоплазматические пиксели, поэтому они определяются как нечеткие области. Наконец, пиксели, принадлежащие к областям стабильного цвета цитоплазмы, нечетким областям цитоплазмы-ECS и областям стабильного цвета ECS, объединяются в одну категорию, которая определяется как неядерная область. Подробные результаты интегрирования представлены в таблице 1.

Автоматическая коллекция исправлений показана в виде псевдоцветных изображений различных категорий на рис. 3. Наборы обучающих изображений строятся на основе следующих правил скрининга. Мы проектируем окно размером 48 × 48 пикселей и устанавливаем размер шага 8 пикселей, чтобы скользить по всему псевдоцветному изображению метки категории. Когда в окне находится более 100 пикселей области ядерно-стабильного цвета и доля пикселей в нечеткой области меньше α , исходное изображение HE с окном захватывается в качестве фрагмента обучающего изображения, а соответствующая позиция в псевдоцветном изображении метки категории фиксируется как метка патча обучающего изображения.Поскольку нечеткие области в основном находятся вокруг ядерной стабильной цветовой области, трудно полностью избежать нечетких областей. Чтобы свести к минимуму влияние нечетких областей на эффект обучения, мы установили здесь α на 0,05. Результат показан на патче обучающего изображения и патче обучающей метки на рис. 3.

Рис. 3. Процесс сбора патчей обучающего изображения.

Где белые области на изображении метки категории представляют собой цветные области ядерной стабильности, серые области — нечеткие области, черные области — неядерные области, а зеленые прямоугольники обозначают области, выбранные для обучения.

https://doi.org/10.1371/journal.pone.0263006.g003

Протоколы обучения и тестирования

Как показано на рис. 2, поскольку ядра, которые могут быть захвачены без присмотра, являются ядрами на каждом изображении и в основном не превышают аннотированное вручную положение контура зеленых линий, которое показывает, что наиболее глубоко окрашенные части, обучающие наборы, собранные автоматический сбор непосредственно используется для обучения модели, что может привести к недостаточной сегментации ядер при легком окрашивании.Обычно бывает трудно различить некоторые светло-голубые ядра с окружающей их цитоплазмой. Таким образом, точная сегментация слегка окрашенного ядра является ключевой задачей ядерной сегментации. Мы разрабатываем серию протоколов обучения и тестирования для обучающих наборов, чтобы улучшить обобщающую способность предлагаемой модели, чтобы максимизировать разрешение слабо окрашенных ядер.

Модель сверточной нейронной сети.

Мы используем модель сети U-Net [15], которая является одной из наиболее широко используемых сетей для сегментации изображений, для проверки предложенного метода построения псевдометки.Модель U-Net является усовершенствованием и расширением FCN, в котором используются слои свертки и слои пула для извлечения признаков, а затем используются слои деконволюции для восстановления размера изображения. Модель представляет собой зрелую базовую модель семантической сегментации, и ее эффективность была полностью проверена. Простая структура U-net может свести к минимуму влияние самой модели сегментации и более точно проверить предлагаемый метод псевдометки.

Наборы для обучения и тестирования.

Мы используем 20 вручную аннотированных изображений в качестве тестовых наборов модели.Учитывая, что пять изображений одной и той же группы, полученные от одного пациента в одно и то же время, морфология ядер и окрашивание были очень похожими. Поэтому для обеспечения разумности и надежности точности теста изображения, используемые в качестве тестовых наборов, и другие изображения в той же группе не участвуют в создании обучающих наборов. С помощью разработанного неконтролируемого метода поиска достоверной обучающей выборки из оставшихся 40 групп по 200 изображений получают более 200 000 патчей размером 48×48, которые можно использовать для обучения.Мы распределяем обучающие наборы и проверочные наборы в соответствии с соотношением 4 к 1, поэтому обучающие наборы обычно содержат более 160 000 исправлений, а проверочные наборы содержат более 40 000 исправлений.

Полный набор тренировочных патчей.

Поскольку созданные нами обучающие наборы состоят из наиболее хорошо окрашенных ядер на различных изображениях, окрашенных HE, сеть, обученная с помощью исходных обучающих наборов, не может сегментировать слабо окрашенные ядра, что приводит к отсутствию способности к обобщению. Для компенсации этой проблемы применяется стратегия полного смешивания обучающих выборок. Мы используем следующие методы для выполнения операции микширования: (1) (2) Где I x и I Y Y — это разные входные процедуры. Как показывают уравнения (1) и (2), операция полного смешения объединяет разные изображения с λ в качестве веса и напрямую накладывает метки изображений.Поскольку каждое изображение, окрашенное HE, является реальным и эффективным, они имеют одинаковую важность, поэтому мы устанавливаем вес смешивания λ равным 0,5. Операция «ИЛИ» выполняется между двоичными метками L x и L y в уравнении (2).

Как показано на рис. 4, по сравнению с исходным изображением, на смешанном изображении имеется гораздо больше слабо окрашенных ядер, что вызвано смешением ядерных областей одного изображения с цитоплазматическими областями или областями ЭКС другого изображения. Ядра, созданные при смешивании изображений, очень похожи на слегка окрашенные ядра на исходном изображении, поэтому эта операция устраняет проблему, связанную с тем, что при обучении с самоконтролем можно было выбрать только наиболее окрашенные области ядер. На практике мы определяем, нужно ли полностью перемешивать группу обучающих наборов размером с пакет во входной сети, в соответствии с вероятностью P . При необходимости этот набор обучающих наборов случайным образом чередуется и полностью перемешивается внутри группы, а P является переменным в процессе обучения.

Функция потерь.

Обучающий эффект изображения обучающей выборки после полного смешения является ключом к тому, может ли модель различать слабо окрашенные ядерные пиксели. Чтобы увеличить интенсивность штрафа за ядерные пиксели в смешанном изображении, мы используем взвешенную бинарную функцию кросс-энтропийных потерь, и уравнение выглядит следующим образом: (3) среди них, (4) где N — размер пакета, y n — истинное значение ядерного изображения, а x n — прогнозируемое значение (от 0 до 1). Для веса w n , который инициализируется как матрица со всеми элементами 1, мы накладываем удвоенный вес на ядерные пиксели в пакете, если выполняется полное смешение, но для фона и пакета без операции полного смешивания мы сохраняем первоначальный вес.

Критерий оценки.

Критерии, включая точность (ACC), прецизионность (PC), полноту (RC), специфичность (SP) и F1-показатель (F1), широко используются для оценки эффективности ядерной сегментации на патологических изображениях, а расчетные уравнения для них параметры показаны в уравнениях (5)–(9).(5) (6) (7) (8) (9)

Точность (ACC) представляет собой отношение правильно сегментированных ядерных и фоновых пикселей к общему количеству пикселей в изображении. При сравнении результатов сегментации (SR) с наземной истиной (GT) точность (PC) представляет собой долю правильно сегментированных ядерных пикселей в SR к общему количеству ядерных пикселей в SR. Отзыв (RC) можно также назвать чувствительностью, которая относится к специфичности (SP). Первый указывает на отношение правильных ядерных пикселей в SR к ядерным пикселям в GT, а второй указывает на отношение правильных неядерных пикселей в SR к неядерным пикселям в GT.Значение F1-score(F1) является гармоническим средним значением точности и полноты, а TP, FP, FN и TN представляют истинно положительный, ложноположительный, ложноотрицательный и истинно отрицательный результат соответственно. Кроме того, мы вводим два других показателя из [24], сходство Жаккара (JS) и коэффициент Дайса (DC), а уравнения для их расчета показаны в уравнениях (10) и (11). (10) (11) Из уравнений (10) и (11) мы можем видеть, что JS и DC оба описывают совпадение SR и GT; эти параметры часто используются для расчета подобия или перекрытия SR и GT.При полном совпадении SR и GT значения JS и DC равны 1.

Динамическая стратегия обучения.

Во время обучения модели, в отличие от обычно используемых фиксированных значений эпох, мы используем значение вероятности P в операции полного смешивания для определения эпохи обучения. Псевдокод динамического процесса описывается как Алгоритм 1:

.

Алгоритм 1 Стратегия обучения

Вход : индикаторы JS и DC в точности обучения и точности проверки каждой эпохи;

Результат : Вес лучших моделей U-Net;

1: Установите и инициализируйте параметры: Best _ оценка ← 0; P ← 0.1;

2: для каждой эпохи до

3:  ; ;

4:   , если ScoreV > Лучший _ оценка − 0,005 и | ScoreT ScoreV | < 0,06 затем

5:   Сохранить текущие веса модели;

6:   Обновите параметры: Best _ score ScoreV ; Р Р + 0,1;

7:   конец если

8:   если P < 1 то

9:   Продолжить обучение;

10:   еще

11:   Завершить обучение;

12:   конец если

13: конец для

В Алгоритме 1 P — начальная вероятность выполнения полного смешивания; и — JS и DC в показателе точности обучения, полученном из каждой эпохи обучения; и являются JS и DC в индексе точности проверки, полученном в каждом раунде обучения. На 4-м шаге алгоритма по мере обучения значение P увеличивается шаг за шагом; то есть все большее количество изображений полностью смешивается, что приводит к небольшим колебаниям точности обучения. Таким образом, ScoreV немного ниже, чем Best_score, полученный из значения P предыдущего этапа, а диапазон уменьшения установлен равным 0,005. Обеспечение того, чтобы расстояние между ScoreT и ScoreV находилось в контролируемом диапазоне, предотвращает переоснащение модели.

Окончательное значение P находится в диапазоне от 0,1 до 0,9. Здесь верхний предел установлен равным 0,9, поскольку полное смешивание обучающих наборов приводит к недостаточному обучению исходного изображения моделью. Этот метод пошагового обучения может позволить модели обильно обучаться на исходных изображениях, а затем обучаться на изображениях полного смешения, что эквивалентно процессу постепенного обобщения модели.

Сшивание результатов предсказания.

При тестировании, чтобы сохранить исходный размер модели одинаковым, мы обрезаем тестовое изображение на участки размером 48 × 48 и устанавливаем шаг кадрирования равным 24, что позволяет несколько раз прогнозировать граничную часть каждого участка и повышает стабильность модели на границе патча. При выполнении сшивания результатов сегментации, поскольку шаг обрезки равен 24, во время сшивания несколько раз генерируются перекрывающиеся части. Затем мы усредняем значения вероятности соответствующих перекрывающихся частей в качестве конечного результата. Наконец, пиксели с прогнозируемым значением вероятности, большим или равным 0,5, используются в качестве ядерных пикселей.

Сегментация перекрывающихся ядер

В клинических исследованиях часто требуется количественный анализ различных клеточных морфологий на гистопатологических изображениях, поэтому простого разделения ядерных областей недостаточно.Следовательно, ядерные области должны быть точно сегментированы, чтобы определить границы каждого ядра. Однако из-за отсутствия очерченных границ между перекрывающимися ядрами необходим морфологический метод для дальнейшей сегментации границ ядер в полностью автоматическом конвейере.

Общими этапами работы алгоритма водораздела являются окрашивание цветного изображения в серый цвет, построение карты градиента и сегментация водораздела на основе карты градиента для получения линии края сегментированного изображения. Когда начальная площадь охвата (т. е. минимальное значение площади) рассчитана, площадь ядра, полученная в результате сегментации переднего плана, подвергается преобразованию по расстоянию для извлечения морфологической центральной точки, а области стабильного цвета ядер, полученные в результате кластеризации вместе составляют первоначальные водосборные площади. Затем на основе этих областей алгоритм водораздела используется для получения результатов сегментации прилипших ядер.

Результаты и обсуждения

Сначала мы провели эксперименты по абляции основных тренировочных стратегий, предназначенных для проверки эффективности каждой стратегии.Во-вторых, предлагаемый метод сравнивается с традиционным методом сегментации машинного обучения на основе пикселей, чтобы доказать преимущества обучающего набора изображений, построенного с помощью обучения без учителя. Затем, чтобы отразить преимущества неконтролируемого построения обучающих выборок, его сравнивают с полностью контролируемым методом семантической сегментации. Наконец, проверяется влияние гибридного метода водораздела на сегментацию между ядрами.

Исследование реализовано с помощью Python 3.7, а алгоритмы разработаны на основе платформы глубокого обучения Pytorch, которая в настоящее время является широко используемой библиотекой машинного обучения. Основными компонентами аппаратной среды являются процессор Intel (R) Core (TM) i7–8700K, 16 ГБ ОЗУ и графический процессор Nvidia Titan RTX.

Выполнение эксперимента по абляции

Чтобы проверить необходимость предложенной нами серии протоколов обучения, мы используем 20 исходных окрашенных HE изображений с искусственно аннотированными ядрами для тестирования, в то время как обучающие наборы и проверочные наборы автоматически захватываются неконтролируемым обучением.Разработанный эксперимент по абляции и экспериментальные результаты критериев сегментации показаны в таблице 2.

Элементы операций в Таблице 2 — это протоколы обучения из предыдущего раздела. Кроме того, для сравнения с полным смешиванием добавляется общая операция смешивания, в которой обучающие изображения и метки смешиваются со случайными весами, соответствующими бета-распределению. Галочка в таблице указывает на то, что соответствующие операции выполняются в каждой строке.

Из результатов видно, что значения ACC для разных операций очень близки.Это сходство возникает из-за того, что на изображениях менингиомы, окрашенных HE, безъядерные области обычно имеют большую долю во всем изображении, и для общей модели не составляет труда правильно сегментировать большинство безъядерных областей, что приводит к размыванию некорректных областей. сегментация ядерных областей. Значения PC и значения SP демонстрируют тенденцию к снижению из-за недостаточной способности к обобщению исходной модели, которая может идентифицировать только более темные окрашенные ядра на основе обучающих образцов, и эти области в основном являются правильными областями ядер, что приводит к более низкому FP.С дополнительными операциями способность модели к обобщению повышается, и она может различать слабо окрашенные ядра, что приводит к увеличению значения RC и значения F1. Это указывает на то, что способность модели к обобщению постепенно увеличивается с помощью нескольких операций, показанных в последней строке таблицы 2, а результаты сегментации переднего плана ядер, основанные на окончательных комбинированных операциях, показаны на рис. 5.

Рис. 5. Результаты сегментации области ядра изображений менингиомы низкой и высокой степени злокачественности на основе как ручного, так и предложенного методов.

, где оливковые области — это наземная правда, а области, окруженные тонкими зелеными линиями, указывают на результаты нашей ядерной сегментации.

https://doi.org/10.1371/journal.pone.0263006.g005

Обратите внимание, что предлагаемый метод обучения с самоконтролем не требует нормализации цвета изображения до или после сбора обучающего патча, что позволяет для сохранения исходных цветовых характеристик и дополнительной экономии времени при подготовке тренировочного комплекта.

Сравнение производительности сегментации с традиционными методами машинного обучения

Обычно для сегментации патологических изображений используются два основных традиционных метода машинного обучения: классификация на уровне пикселей на основе SVM с учителем [6] и неконтролируемая иерархическая кластеризация K-средних [25].

Мы разработали следующий эксперимент, чтобы сравнить эффект сегментации предлагаемого метода псевдометки с эффектом сегментации традиционных контролируемых и неконтролируемых методов: 1) Метод SVM: поскольку метод, описанный в [11], должен быть основан на одной и той же группе HE. -окрашенных изображений, мы случайным образом выбираем один процент от общего количества пикселей в изображении и его метки пикселей для обучения SVM, а затем используем обученную модель для предсказания каждого пикселя всего изображения до тех пор, пока не будут предсказаны все 20 тестовых изображений и рассчитывается средняя точность.2) Иерархический метод кластеризации K-средних аналогичен методу, описанному в исследовании [25]. Результаты индекса, полученные разными методами сегментации, приведены в таблице 3.

Для традиционного метода сегментации машинного обучения, основанного на классификации пикселей, даже если добавлена ​​функция локальной области пикселя, корреляции между пикселями по-прежнему отсутствуют, поэтому этот метод требует некоторой морфологической постобработки для получения относительно полных ядерных областей. Между тем, предлагаемый метод требует только сплайсинга каждого патча без необходимости чрезмерной морфологической постобработки. Результаты сравнения показаны на рис. 6.

Рис. 6. Сравнение результатов сегментации с результатами традиционных методов машинного обучения.

В каждой строке представлены результаты сегментации, полученные разными методами, а в каждом столбце — разные выборки. Оливковые области на изображении представляют наземную правду, а зеленая линия представляет собой результат ядерной сегментации с использованием соответствующего метода.

https://doi.org/10.1371/journal.pone.0263006.g006

На рис. 6 показаны ограничения традиционного метода сегментации машинного обучения на основе пикселей. Отсутствие локального восприятия приводит к большому количеству неправильно сегментированных пикселей, поэтому для повышения точности сегментации требуется морфологическая постобработка. Кроме того, постобработка морфологии может легко привести к ситуации, показанной на рис. 6, образец 2. Цитоплазматическая область, окруженная несколькими ядерными областями, ошибочно классифицируется как ядерные области, что приводит к снижению точности ядерной сегментации.

Сравнение производительности сегментации с контролируемой семантической сегментацией

Чтобы создать обучающие наборы данных для контролируемого обучения, мы разделили 20 искусственно аннотированных окрашенных HE изображений на две части в соотношении 3:1, 15 для обучения и оставшиеся 5 для тестирования. Мы случайным образом берем более 200 000 обучающих фрагментов из 15 помеченных изображений, чтобы убедиться, что количество обучающих образцов такое же, как и в методе псевдометки. Наборы обучающих данных дополняются с помощью операций сдвига влево-вправо и вверх-вниз, вращения, отражения и масштабирования, а затем для сравнения используется модель U-Net и две ее улучшенные модели.После достаточного обучения тестовые изображения вводятся во все модели для прогнозирования.

Результаты показаны в таблице 4, где AttU-Net означает Attention U-Net [26], а R2U-Net представляет рекуррентную остаточную сеть U-Net на основе CNN [24]. Экспериментальные результаты выявляют ограничения обучения с учителем, основанного на ручной маркировке, которая имеет ограниченную способность к обобщению, основанную на разнообразии ручной маркировки. Поскольку мы случайным образом выбрали 20 помеченных изображений из разных групп, существуют очевидные различия в цвете и ядерной морфологии изображений.Кроме того, обучающие изображения не нормализуются по цвету во время обучения, поэтому модели обучения с учителем сложно напрямую изучить особенности других 5 тестовых изображений из 15 обучающих изображений, что ограничивает точность, показанную в таблице 4. Сравнительные изображения результатов сегментации каждого метода показаны на рис. 7.

Рис. 7. Сравнение результатов сегментации с методами контролируемой семантической сегментации.

В каждой строке представлены результаты сегментации, полученные разными методами, а в каждом столбце — разные выборки.Оливковые области на изображении представляют наземную правду, а зеленая линия представляет собой результат ядерной сегментации с использованием соответствующего метода.

https://doi.org/10.1371/journal.pone.0263006.g007

Из образца 2, сегментированного AttU-Net, и образца 1, сегментированного R2U-Net на рис. 6, мы видим, что введение механизма внимания в усиливает AttU-Net изучает эффективные функции или используется рекуррентная нейронная сеть (RNN) и ResNet Структура интеграции R2U-Net, есть еще несколько изображений, которые не могут быть эффективно сегментированы.Этот сбой может быть связан с отсутствием похожих изображений в обучающем наборе, что означает, что модель не может эффективно изучить особенности таких изображений. В реальной задаче сегментации патологического изображения, окрашенного HE, качество изображений сильно различается, что затрудняет получение исчерпывающих данных ручной аннотации. Одним из решений является нормализация цвета изображений, окрашенных HE, чтобы цвет изображений был одинаковым. Это может снизить эффективность пакетной обработки изображений, но выбор эталонного изображения напрямую повлияет на качество общего нормализованного результата.

Сравнение количества ядер

Чтобы точно определить распределение и морфологию отдельных клеток в срезе, мы используем метод подсчета ядер для проверки сегментации ядер прикрепленных клеток, который также предоставляет статистические результаты для исследований по клинической диагностике или классификации. Мы случайным образом выбираем три изображения из тестовых изображений менингиомы высокой и низкой степени злокачественности соответственно в качестве образцов для подсчета, а затем отправляем их патологу для оценки статистики ядерных чисел.Из-за высокой плотности клеток в полном изображении патологоанатом делит каждое изображение на 16 (4×4) областей, каждая размером 384×512 пикселей, а затем эксперт выбирает четыре ROI для статистики на основе распределения клеток. . Количество ядер на всем изображении оценивается по принципу равномерного распределения клеток. Результаты сравнения между предложенным гибридным методом сегментации водоразделов и ручной статистикой показаны в таблице 5, в которой ручная статистика представляет результат ручного подсчета количества ядер, а «До» представляет статистические результаты до сегментации ядер адгезии, что является результатом прямого подсчета количества ядерных областей переднего плана, полученных предлагаемым способом. After представляет статистические результаты после сегментации Mixed Watershed, Rate представляет скорость увеличения количества ядер после добавления адгезионной сегментации ядер. Ошибка дает диапазон ошибок окончательной статистики после сегментации водораздела по сравнению со статистикой, полученной вручную.

Применение сегментации смешанного водосбора оказывает относительно сильное влияние на количество ядер, наименьшее увеличение превышает 25%, а большинство ошибок по сравнению с ручной статистикой составляет менее 10%, что показывает, что метод смешанного водосбора обладает способностью сегментировать прилипшие ядра.Подробные характеристики сегментации показаны на рис. 8, на котором показаны результаты сегментации трех исходных (1536 × 2048) изображений образцов, окрашенных HE. Из 2-уровневого увеличения мы видим, что большинство границ прилипших ядер точно найдены и сегментированы. Гибридный метод сегментации водораздела обеспечивает хорошую производительность, поскольку он может выбрать соответствующие точки локального минимума в соответствии с цветом ядра и надежной морфологией прилипшего ядра, а затем получить точную границу прилипшего ядра. Предпосылкой для этого метода является то, что метод сегментации, основанный на псевдометке, может более точно отделить ядерную область переднего плана от окрашенного HE изображения, что обеспечивает благоприятные условия для гибридного метода водосбора.

Статистический анализ патологических особенностей менингиомы

Количественная оценка результатов сегментации изображений, окрашенных HE, для вывода соответствующих патологических признаков является одним из важных шагов в анализе патологических изображений. Чтобы убедиться, что патологические признаки, основанные на результатах сегментации, оказывают вспомогательное влияние на классификацию менингиомы, мы количественно оценили сегментированные изображения, используя ряд патологических признаков, определенных в предыдущем исследовании [23], как показано в таблице 6, которые характеризуют состояние опухолевой ткани и может отражать прогрессирование опухоли [23].

Поскольку во всех процессах обучения не использовались ручные аннотации, здесь нет необходимости рассматривать проблему утечки данных в глубоком обучении. Предложенный метод сегментации изображений ядер патологии менингиомы был применен в общей сложности к 60 группам из 300 изображений (30 групп из 150 для высокосортных и 30 групп из 150 для низкодифференцированных), а также к цитоплазматическим областям и внеклеточным интерстициальным областям. были временно сегментированы с использованием кластеризации K-средних. На основе результатов сегментации были подсчитаны наборы признаков в таблице 6, а некоторые результаты показаны в таблицах 7 и 8.

Критерий суммы рангов Уилкокса использовался для проверки различий в характеристиках между менингиомами высокой и низкой степени злокачественности. Нулевая гипотеза: нет существенной разницы между статистическими характеристиками менингиом высокой и низкой степени злокачественности. Результаты испытаний в случае доверительной вероятности 0,95 представлены в таблице 9.

Из Таблицы 9 видно, что, за исключением пропорции площади ECS, результаты всех других признаков меньше 0,05, что отвергает нулевую гипотезу. Причина, по которой доля ECS не прошла тест, заключается в том, что это не сама клетка, а влияние на аномальный рост ткани в основном отражается на клетке, а влияние на ECS относительно невелико. Поэтому изменения патологической картины менингиом разной степени злокачественности относительно незначительны. Поэтому в целом патологические признаки по результатам сегментации могут эффективно отражать различия в степени менингиом.

Сравнение результатов сегментации общедоступных наборов данных

Для дальнейшего тестирования эффективности обобщения предлагаемого метода мы проводим эксперименты по сегментации на общедоступном наборе данных MoNuSeg.Набор данных MoNuSeg [27] взят из конкурса Medical Image Computing and Computer Assisted Intervention (MICCAI) 2018 Multi-Organ Pathology Image Nucleus Segmentation Challenge, который включает 30 обучающих наборов и 14 тестовых наборов. Эти изображения поступают из разных больниц и охватывают образцы опухолевой ткани из разных органов, и их можно найти по следующей ссылке https://monuseg. grand-challenge.org/Data/.

Чтобы обогатить количество обучающих выборок и уменьшить смещение результатов кластеризации из-за неравномерной окраски, мы устанавливаем окно размером 500 × 500 для случайного захвата блоков изображения из исходного изображения размером 1000 × 1000 и используем разработанную стратегию выбора выборки. на блоках изображения.В таблице 10 показаны результаты сравнения различных методов. Из значений в таблице видно, что предлагаемый метод обучения псевдометок без учителя достигает или превышает точность классической модели контролируемой семантической сегментации с точки зрения точности сегментации переднего плана ядра. Это также еще раз доказывает сильную обобщающую способность предлагаемого метода.

Выводы

В этой статье мы предлагаем полностью автоматизированный конвейер, основанный на псевдометках, для определения точных ядерных границ на окрашенных HE патологических изображениях менингиом, который фокусируется на автоматическом процессе генерации псевдометок и разрабатывает серию эффективные решения глубокого обучения для псевдометок. В качестве альтернативы ручному выбору обучающих выборок из фрагментов изображений HE предлагается стратегия неконтролируемого отбора, которая может автоматически и адаптивно захватывать обучающие выборки в соответствии с их характеристиками, что значительно повышает эффективность процесса обучения и совместимо с различными количествами и качеством изображений. . Затем структура глубокого обучения совершенствуется с помощью стратегий полного смешения и динамических эпох в процессе обучения. С помощью этой схемы можно предсказать даже не полностью окрашенные ядерные области на основе стабильно окрашенных ядерных областей.

Предлагаемый метод показывает хорошие результаты в сравнительных экспериментах с методами контролируемой семантической сегментации и традиционными методами машинного обучения. Для методов контролируемой семантической сегментации, чтобы повысить обобщающую способность модели, необходимо получить как можно больше меток изображений с различными формами и цветами ядер, когда необходимо обработать новое изображение случая, его необходимо сначала помечается вручную, а затем строится обучающий набор для переобучения модели, чтобы модель имела возможность сегментировать новый случай, неизбежное ручное участие значительно снизит эффективность сегментации изображения. Однако предлагаемый метод может захватывать изображения обучающей выборки и их псевдометки в соответствии с установленной стратегией. Когда получен новый случай изображения, обучающие выборки и метки могут быть автоматически созданы на основе изображений для дальнейшего обучения модели, что повышает эффективность расширения модели. Для традиционных методов машинного обучения построение признаков с высокой репрезентативностью является сложной задачей, а способность классификации пикселей или суперпикселей получать локальную информацию об области, в которой находится пиксель, недостаточна.Предлагаемый метод использует патч изображения и сеть семантической сегментации для решения этих проблем.

В дополнение к вышеперечисленным преимуществам, некоторые незначительные проблемы предлагаемых методов могут быть улучшены в будущем. Во-первых, относительно сложно сегментировать некоторые крупные скопления ядер правильной формы. Эти агрегации могут быть ошибочно приняты за целое ядро, а обучающие выборки с регулярными агрегациями могут отсутствовать. Поскольку такие скопления часто намного больше, чем отдельные ядра, особенность размера ядер будет учитываться в будущей структуре обучения, чтобы различать такие случаи.Во-вторых, некоторые крошечные нерелевантные точки сегментируются как ядра, которые могут быть стерты при постобработке после сегментации. В-третьих, после использования метода смешанного водораздела все еще есть несколько случаев недостаточной и чрезмерной сегментации. Принимая во внимание эти возможные улучшения, мы будем дополнительно направлять стратегию неконтролируемого отбора на выбор более надежных ядерных границ в качестве обучающих выборок, что повысит точность сегментации для более эффективных клинических исследований по анализу патологических изображений.

Каталожные номера

  1. 1. Chen W, Zheng R, Baade PD, Zhang S, Zeng H, Bray F et al. Статистика рака в Китае, 2015 г. CA: Журнал рака для клиницистов, 2016 г., 66 (2): 115–132. пмид:26808342
  2. 2. Hu H, Liu YH, Xu L, Zhao JX, Duan XN, Ye JM и другие. Клинико-патологическая классификация и индивидуализированное лечение рака молочной железы. Китайский медицинский журнал, 2013 г., 126(20): 3921–3925. пмид:24157157
  3. 3. Гонг Л., Лю В., Дин Ю., Гэн Ю., Сунь Х., Хуан Х.Диагностика и дифференциальная диагностика десмопластической фибробластомы с помощью клинических, рентгенологических и гистопатологических анализов. Китайский медицинский журнал, 2018 г., 131(1): 32–36. пмид:2

    77
  4. 4. Lopez C, Lejeune M, Bosch R, Korzynska A, Jaen J. Цифровой анализ изображений при раке молочной железы: пример автоматизированной методологии и эффекты сжатия изображений. Исследования в области медицинских технологий и информатики, 2012 г., 179: 155–171. пмид:22

    6
  5. 5. Лу С., Махмуд М., Джа Н., Мандал М.Надежный метод автоматической сегментации ядер для количественного анализа гистопатологических изображений. Анальный квант цитопато, 2012, 34: 296–308. пмид:23304815
  6. 6. Tareef A, Song Y, Huang H, Feng D, Chen M, Wang Y. Многопроходный быстрый водораздел для точной сегментации перекрывающихся клеток шейки матки. IEEE Trans Med Imag, 2018, 37: 2044–2059. пмид:299

  7. 7. Zhang X, Xing F, Su H. Высокопроизводительный анализ гистопатологических изображений с помощью надежной сегментации клеток и хеширования.Med Image Anal, 2015, 26: 306–315. пмид:26599156
  8. 8. Тахери С., Февенс Г.Т., Буй Д.Т. Надежная сегментация ядер на цито-гистопатологических изображениях с использованием подхода набора статистических уровней с ограничением сохранения топологии. Материалы SPIE Medical Imaging, Флорида, 2017 г.
  9. 9. Cui Y, Hu J. Саморегулирующаяся сегментация ядер (SANS) окрашенных гематоксилин-эозином гистопатологических изображений рака молочной железы. Материалы Международной конференции IEEE по биоинформатике и биомедицине (BIBM) 2016 г., Шэньчжэнь, 2016 г.
  10. 10. Миттал Х., Сарасват М. Метод автоматической сегментации ядер с использованием интеллектуального алгоритма гравитационного поиска на основе суперпиксельной кластеризации. Swarm Evol Comput, 2019, 45: 15–32.
  11. 11. Qu A, Chen J, Wang L, Yuan J, Yang F, Xiang Q и др. Сегментация окрашенных гематоксилином-эозином гистопатологических изображений рака молочной железы на основе попиксельного классификатора SVM. Sci China Inf Sci, 2015, 58: 1–13.
  12. 12. Шелхамер Э., Лонг Дж., Даррелл Т.Полностью сверточные сети для семантической сегментации. IEEE Trans Pattern Anal Mach. Интелл, 2017, 39: 640–651. пмид:27244717
  13. 13. Chen H, Qi X, Yu L, Dou Q, Qin J, pheng H. DCAN: глубокие сети с учетом контуров для сегментации экземпляров объектов по гистологическим изображениям. Med Image Anal, 2017, 36: 135–146. пмид:27898306
  14. 14. Цюй Х., Ян З., Ридлингер М.Г., Де С., Метаксас Д.Н. Улучшение сегментации экземпляров ядер/желез в гистопатологических изображениях с помощью нейронной сети с полным разрешением и пространственной ограниченной потери.Материалы 22-й Международной конференции по обработке медицинских изображений и компьютерным вмешательствам (MICCAI), Шэньчжэнь, 2019 г.
  15. 15. Роннебергер О., Фишер П., Брокс Т. U-Net: сверточные сети для сегментации биомедицинских изображений. Материалы 18-й Международной конференции по обработке медицинских изображений и компьютерным вмешательствам (MICCAI), Мюнхен, 2015 г.
  16. 16. Pan X, Li L, Yang D, He Y, Liu Z, Yang H. Алгоритм точной сегментации ядер в патологическом изображении на основе глубокой семантической сети.IEEE Access, 2019, 7: 110674–110686.
  17. 17. Zeng Z, Xie W, Zhang Y, Lu Y. RIC-Unet: улучшенная нейронная сеть на основе Unet для сегментации ядер в гистологических изображениях. IEEE Access, 2019, 7: 21420–21428.
  18. 18. Цзян Х, Ван И, Чжан Дж, Чанг Ф, Сюэ Х, Ван Х и др. Патологическая классификация и иконография менингиом. Int J Neurol Neurosur, 2012, 6: 511–514.
  19. 19. Кокс Дж.А. МЕТОДЫ ОКРАШИВАНИЯ: гистологический и гистохимический.CA Medicine, 1961, 94: 277.
  20. 20. Strzelecki M, Szczypinski P, Materka A, Klepaczko A. Программный инструмент для автоматической классификации и сегментации 2D/3D медицинских изображений. Ядерные приборы и методы в физических исследованиях А, 2013, 702: 137–140.
  21. 21. Sun T, Neuvo Y. Сохраняющие детали срединные фильтры при обработке изображений. Письма о распознавании образов, 1994, 15: 341–347.
  22. 22. Ван Влит Дж.Л., Янг ТИ, Вербек В.П. Рекурсивные фильтры производных Гаусса.Материалы четырнадцатой Международной конференции по распознаванию образов (ICPR), Брисбен, 1998 г.
  23. 23. Ши П., Чен Дж., Лин Дж., Чжан Л. Высокопроизводительная количественная оценка жира на гистопатологических изображениях печени, окрашенных гематоксилин-эозином, на основе попиксельной кластеризации. Sci China Inf. Наука, 2017, 60: 12.
  24. 24. Алом З.М., Якопчич С., Таха М.Т., Асари В.К. Сегментация ядер с помощью повторяющихся остаточных сверточных нейронных сетей на основе U-Net (R2U-Net). Материалы Национальной конференции IEEE по аэрокосмической отрасли и электронике (NAECON), Дейтон, 2018 г.
  25. 25. Ши П., Чжун Дж., Хуан Р., Лин Дж. Автоматизированный количественный анализ изображений препаратов, окрашенных гематоксилином-эозином при лимфоме, на основе иерархической кластеризации K-средних. Материалы 8-й Международной конференции по информационным технологиям в медицине и образовании (ITME), Фучжоу, 2016.
  26. 26. Октай О., Шлемпер Дж., Фолгок Л.Л., Ли М., Генрих М., Мисава К. и др. Внимание U-Net: учимся, где искать поджелудочную железу. материалы медицинской визуализации с глубоким обучением (MIDL), Амстердам, 2018 г.
  27. 27. Кумар Н., Верма Р., Ананд Д., Чжоу Ю., Ондер О.Ф., Цугэнис Э. и др. Задача сегментации многоорганного ядра. IEEE Transactions on Medical Imaging, 2020, 39(5): 1380–1391. пмид:31647422
  28. 28. Фейсал М., Дэниел Б., Ричард Дж. К., Грегори Н. М., Кеван Дж. С., Александр Б. и др. Глубокая состязательная тренировка для сегментации ядер нескольких органов на гистопатологических изображениях. IEEE Transactions on Medical Imaging, 2020, 39(11): 3257–3267.
  29. 29. Ван Х, Цао П, Ван Дж, Зайан О Р.Uctransnet: переосмысление пропускных соединений в u-net с точки зрения канала с помощью трансформатора. 36-я конференция AAAI по искусственному интеллекту, Ванкувер, 2021 г.
  30. 30. Виджай Б., Алекс К., Роберто С. SegNet: Архитектура глубокого сверточного кодера-декодера для сегментации изображений. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481–2495.

Samsung запатентовала смартфон Galaxy Z Flip & Side с выдвижным дисплеем

Источник: LetsGoDigital

Samsung, как и большинство других компаний, ежегодно патентует сотни, если не тысячи уникальных идей.В прошлом году мы видели складной смартфон с выдвижным дисплеем, а недавно мы увидели странно выглядящий складной гибкий смартфон L-образной формы. Недавно был обнаружен новый патент, демонстрирующий складной смартфон, который выглядит как смартфон Galaxy Z Flip and Slide.

Новый патент Samsung на складной смартфон был обнаружен LetsGoDigital , который также продемонстрировал, как устройство Galaxy Z Flip & Slide может выглядеть в реальной жизни. Похоже, что Samsung может рассмотреть возможность разработки устройства, которое можно было бы не только складывать, но и расширять.Дисплей, размещенный на плоской поверхности, будет иметь длинную и высокую область экрана, которую можно будет сложить, как у смартфона Galaxy Z Flip 3.

Samsung Electronics подала заявку в ВОИС (Всемирную организацию интеллектуальной собственности) в сентябре 2021 года, и в 80-страничной документации устройство описывается как «многократное электронное устройство». (машинный перевод). Патент, по-видимому, обеспечивает внешний вид и функции, аналогичные Galaxy Z Flip 3, но вся панель также будет расширяемой, обеспечивая гораздо большую площадь поверхности.

Источник: LetsGoDigital

Средний дисплей также можно было бы складывать, и его можно было бы разместить вертикально, чтобы придать уникальный внешний вид, который можно было бы использовать для игр с другими людьми или просмотра видео. Напоминает игру про линкор, где каждый игрок должен спрятать свой экран от противника, с которым на этом устройстве было бы отлично играть из-за форм-фактора.

Сгиб выглядит очень резким, и интересно наблюдать, как Samsung экспериментирует с такой идеей.Samsung объявила, что будет разрабатывать дисплей Flex OLED с кривизной 1,4R, и не исключено, что у компании уже есть рабочие блоки с такими шарнирными механизмами и острыми складными дисплеями.

Что вы думаете об этом уникальном складном дисплее? Как вы думаете, может ли это быть полезным в некоторых случаях? Дайте нам знать об этом в комментариях!

Samsung Galaxy Z Flip 3

Galaxy Z Flip 3 — это телефон, который стоит приобрести, если вам не терпится опробовать складной форм-фактор без больших затрат.

.

Добавить комментарий

Ваш адрес email не будет опубликован.