diffusion-imaging-in-the-rat-cervical-spinal-cord

Diffusion Imaging in the Rat Cervical Spinal Cord

Magnetic resonance imaging (MRI) is the state of the art approach for assessing the status of the spinal cord noninvasively, and can be used as a ...

Medical College of Wisconsin

The segmentation of diffusion tensor imaging (DTI) data is a challenging problem due to the high variation and overlap of the distributions induced by individual DTI measures (e.g., fractional anisotropy). Accurate tissue segmentation from DTI data is important for characterizing the mi-crostructural properties of white matter (WM) in a subsequent analysis. This step may also be useful for generating a mask to constrain the results of WM tractography. In this study, a graph-cuts segmentation method was applied to the problem of extracting WM, gray matter (GM) and cerebral spinal fluid (CSF) from brain DTI data. A two-phase segmentation method was adopted by first segmenting CSF signal from the DTI data using the third eigenvalue (lambda(3)) maps, and then extracting WM regions from the fractional anisotropy (FA) maps. The algorithm was evaluated on ten real DTI data sets obtained from in vivo human brains and the results were compared against manual segmentation by an expert. Overall, the graph cuts method performed well, giving an average segmentation accuracy of about 0.90, 0.77 and 0.88 for WM, GM and CSF respectively in terms of volume overlap(VO).

An experimental evaluation of diffusion tensor image segmentation using graph-cuts.

&#x5F25;&#x6563;&#x5F20;&#x91CF;&#x6210;&#x50CF; (DTI) &#x662F;&#x8868;&#x5F81;&#x5927;&#x8111;&#x7EC4;&#x7EC7;&#x663E;&#x5FAE;&#x7ED3;&#x6784;&#x548C;&#x767D;&#x8272;&#x7269;&#x8D28;&#x7684;&#x7EC4;&#x7EC7;&#x529F;&#x80FD;&#x5F3A;&#x5927;&#x4E14;&#x65E0;&#x521B;&#x6210;&#x50CF;&#x65B9;&#x6CD5;&#x3002;&#x867D;&#x7136;&#x5B83;&#x5DF2;&#x5E7F;&#x6CDB;&#x5E94;&#x7528;&#x5728;&#x4EBA;&#x7C7B;&#x5927;&#x8111;&#x7684;&#x7814;&#x7A76;&#xFF0C;&#x53EA;&#x662F;&#x6700;&#x8FD1;&#x624D;&#x5DF2;&#x6267;&#x884C;&#x7684;&#x975E;&#x4EBA;&#x7C7B;&#x7075;&#x957F;&#x76EE;&#x52A8;&#x7269;&#x7684;&#x6269;&#x6563;&#x5F20;&#x91CF;&#x6210;&#x50CF;&#x7814;&#x7A76;&#x3002;&#x8D38;&#x5DE5;&#x90E8;&#x5728;&#x6052;&#x6CB3;&#x7334;&#x7684;&#x7814;&#x7A76;&#x8D8A;&#x6765;&#x8D8A;&#x591A;&#x5E94;&#x7528;&#x5C06;&#x5927;&#x5927;&#x53D7;&#x76CA;&#x4E8E;&#x4E00;&#x4E2A;&#x6807;&#x51C6;&#x5316;&#x7684;&#x6846;&#x67B6;&#xFF0C;&#x4EE5;&#x6BD4;&#x8F83;&#x8DE8;&#x4E0D;&#x540C;&#x7684;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x3002;&#x56FE;&#x50CF;&#x5206;&#x6790;&#x975E;&#x5E38;&#x5E38;&#x89C1;&#x7684;&#x7B56;&#x7565;&#x662F;&#xFF0C;&#x7A7A;&#x95F4;&#x5B9E;&#x73B0;&#x6B63;&#x5E38;&#x5316; (co-register) &#x4E2A;&#x4EBA;&#x626B;&#x63CF;&#x5230;&#x4E00;&#x4E2A;&#x4EE3;&#x8868;&#x6A21;&#x677F;&#x7684;&#x7A7A;&#x95F4;&#x3002;&#x672C;&#x6587;&#x4ECB;&#x7ECD;&#x7684; DTI &#x8111;&#x6A21;&#x677F;&#xFF0C;UWRMAC-DTI271&#xFF0C;&#x9752;&#x6625;&#x671F;&#x6052;&#x6CB3;&#x7334; (&#x7315;&#x7334;) &#x7334;&#x5B50;&#x7684;&#x53D1;&#x5C55;&#x3002;&#x8BE5;&#x6A21;&#x677F;&#x662F;&#x4ECE; 271 &#x6052;&#x6CB3;&#x7334;&#xFF0C;&#x4F5C;&#x4E3A;&#x552F;&#x4E00;&#x7684;&#x8111;&#x6210;&#x50CF;&#x7814;&#x7A76;&#x9057;&#x4F20;&#x5B66;&#x7684;&#x4E00;&#x90E8;&#x5206;&#x6536;&#x96C6;&#x751F;&#x6210;&#x7684;&#x3002;&#x5B83;&#x662F;&#x6570;&#x76EE;&#x6700;&#x5927;&#x7684;&#x52A8;&#x7269;&#x66FE;&#x7ECF;&#x7528;&#x6765;&#x751F;&#x6210;&#x8BA1;&#x7B97;&#x8111;&#x7684;&#x6A21;&#x677F;&#xFF0C;&#x4F7F;&#x6A21;&#x677F;&#x5177;&#x6709;&#x9AD8;&#x56FE;&#x50CF;&#x8D28;&#x91CF;&#x548C;&#x5E10;&#x6237;&#x7684;&#x4EE3;&#x53D8;&#x5F02;&#x7269;&#x79CD;&#x3002;DTI &#x4F20;&#x7EDF;&#x77E5;&#x8BC6;&#xFF0C;&#x4EBA;&#x4F53;&#x7814;&#x7A76;&#x884C;&#x4E4B;&#x6709;&#x6548;&#x548C;&#x9AD8;&#x6027;&#x80FD;&#x7684;&#x6269;&#x6563;&#x5F20;&#x91CF;&#x6210;&#x50CF;&#x7A7A;&#x95F4;&#x6B63;&#x5E38;&#x5316;&#x65B9;&#x6CD5;&#x7684;&#x4F7F;&#x7528;&#xFF0C;&#x8FDB;&#x4E00;&#x6B65;&#x4FDD;&#x8BC1;&#x6A21;&#x677F;&#x7684;&#x8D28;&#x91CF;&#x3002;&#x6211;&#x4EEC;&#x5C55;&#x793A;&#x4E86;&#x6807;&#x91CF;&#x65B9;&#x6CD5;&#x7528;&#x4E8E; DTI &#x6B63;&#x5E38;&#x5316;&#x7334;&#x7814;&#x7A76;&#x9996;&#x6B21;&#x901A;&#x8FC7;&#x5C06;&#x5B83;&#x4E0E;&#x5176;&#x4ED6;&#x5E38;&#x7528;&#x6BD4;&#x8F83;&#x5176;&#x7597;&#x6548;&#x3002;&#x9884;&#x8BA1;&#x6B64;&#x6A21;&#x677F;&#x5C06;&#x53D1;&#x6325;&#x91CD;&#x8981;&#x4F5C;&#x7528;&#xFF0C;&#x4FC3;&#x8FDB;&#x5728;&#x7315;&#x7334;&#x4E2D;&#x7684;&#x8DE8;&#x7AD9;&#x70B9; voxelwise &#x6269;&#x6563;&#x5F20;&#x91CF;&#x6210;&#x50CF;&#x5206;&#x6790;&#x3002;&#x8FD9;&#x79CD;&#x5206;&#x6790;&#x5728;&#x8C03;&#x67E5;&#x767D;&#x8272;&#x7269;&#x8D28;&#x7ED3;&#x6784;&#x5728;&#x8111;&#x529F;&#x80FD;&#x3001; &#x53D1;&#x5C55;&#x548C;&#x5176;&#x4ED6;&#x7CBE;&#x795E;&#x75C5;&#x7406;&#x5B66;&#x7684;&#x969C;&#x788D;&#xFF0C;&#x5BF9;&#x4E8E;&#x6709;&#x6548;&#x7684;&#x81EA;&#x6211;&#x7684;&#x975E;&#x4EBA;&#x7C7B;&#x7075;&#x957F;&#x7C7B;&#x52A8;&#x7269;&#x6A21;&#x578B;&#x4E2D;&#x7684;&#x4F5C;&#x7528;&#x81F3;&#x5173;&#x91CD;&#x8981;&#x3002;

&#x7315;&#x7334;&#x6269;&#x6563;&#x5F20;&#x91CF;&#x8111;&#x6A21;&#x677F;&#x3002;

Diffusion tensor imaging (DTI) is a powerful and noninvasive imaging method for characterizing tissue microstructure and white matter organization in the brain. While it has been applied extensively in research studies of the human brain, DTI studies of non-human primates have been performed only recently. The growing application of DTI in rhesus monkey studies would significantly benefit from a standardized framework to compare findings across different studies. A very common strategy for image analysis is to spatially normalize (co-register) the individual scans to a representative template space. This paper presents the development of a DTI brain template, UWRMAC-DTI271, for adolescent Rhesus Macaque (Macaca mulatta) monkeys. The template was generated from 271 rhesus monkeys, collected as part of a unique brain imaging genetics study. It is the largest number of animals ever used to generate a computational brain template, which enables the generation of a template that has high image quality and accounts for variability in the species. The quality of the template is further ensured with the use of DTI-TK, a well-tested and high-performance DTI spatial normalization method in human studies. We demonstrated its efficacy in monkey studies for the first time by comparing it to other commonly used scalar-methods for DTI normalization. It is anticipated that this template will play an important role in facilitating cross-site voxelwise DTI analyses in Rhesus Macaques. Such analyses are crucial in investigating the role of white matter structure in brain function, development, and other psychopathological disorders for which there are well-validated non-human primate models.

A diffusion tensor brain template for rhesus macaques.

Tenseur de diffusion (DTI) d&#39;imagerie est une m&eacute;thode d&#39;imagerie non invasive et de puissante pour caract&eacute;riser l&#39;organisation tissulaire de la microstructure et la substance blanche du cerveau. Alors qu&#39;il a &eacute;t&eacute; largement appliqu&eacute; dans les &eacute;tudes du cerveau humain, des &eacute;tudes DTI de primates non humains ont &eacute;t&eacute; r&eacute;alis&eacute;es r&eacute;cemment. La demande croissante de DTI dans les &eacute;tudes de singe rh&eacute;sus b&eacute;n&eacute;ficierait consid&eacute;rablement un cadre normalis&eacute; pour comparer les r&eacute;sultats entre les diff&eacute;rentes &eacute;tudes. Une strat&eacute;gie tr&egrave;s commune pour l&#39;analyse de l&#39;image est de normaliser dans l&#39;espace un espace mod&egrave;le repr&eacute;sentatif des analyses (co-register) l&#39;individu. Cet article pr&eacute;sente le d&eacute;veloppement d&#39;un mod&egrave;le de cerveau DTI, UWRMAC-DTI271, pour l&#39;adolescents singes macaques rh&eacute;sus (Macaca mulatta). Le mod&egrave;le provenait de 271 chez les singes rh&eacute;sus, recueillies dans le cadre d&#39;un cerveau unique &eacute;tude g&eacute;n&eacute;tique d&#39;imagerie. C&#39;est le plus grand nombre d&#39;animaux d&eacute;j&agrave; utilis&eacute; pour g&eacute;n&eacute;rer un mod&egrave;le de calcul de cerveau, qui permet la g&eacute;n&eacute;ration d&#39;un mod&egrave;le qui a la qualit&eacute; d&#39;image &eacute;lev&eacute;e et les comptes de la variabilit&eacute; des esp&egrave;ces. La qualit&eacute; du mod&egrave;le est davantage assur&eacute;e avec l&#39;utilisation du DTI-TK, une m&eacute;thode de normalisation spatiale DTI &eacute;prouv&eacute;e et performante dans les &eacute;tudes chez l&#39;homme. Nous avons d&eacute;montr&eacute; son efficacit&eacute; dans des &eacute;tudes de singe pour la premi&egrave;re fois en le comparant aux autres couramment utilis&eacute; scalaire-m&eacute;thodes pour la normalisation de la DTI. Il est pr&eacute;vu que ce mod&egrave;le va jouer un r&ocirc;le important pour faciliter les analyses DTI voxelwise multisite chez les Macaques rh&eacute;sus. Ces analyses sont essentielles pour enqu&ecirc;ter sur le r&ocirc;le de structure de la mati&egrave;re blanche dans le fonctionnement du cerveau, le d&eacute;veloppement et autres troubles psychopathologiques, pour lesquels il existe des mod&egrave;les de valid&eacute; de primates non humains.

Un mod&egrave;le de diffusion tensor cerveau pour les macaques rh&eacute;sus.

Diffusion Tensor imaging (DTI) ist ein leistungsf&auml;higes und nicht-invasive bildgebende Verfahren zur Charakterisierung der Mikrostruktur und der wei&szlig;en Substanz-Organisation von Gewebe im Gehirn. W&auml;hrend es ausgiebig in Research-Studien des menschlichen Gehirns angewendet wurde, wurden erst vor kurzem DTI Studien von nicht-menschlichen Primaten durchgef&uuml;hrt. Die zunehmende Anwendung der DTI im Rhesus-Affen Studien w&uuml;rden von einem standardisierten Rahmen um die Ergebnisse verschiedener Studien vergleichen erheblich profitieren. Eine sehr h&auml;ufige Strategie f&uuml;r Bildanalyse ist r&auml;umlich (Co-register) die einzelnen Scans zu einem repr&auml;sentativen Vorlage-Space zu normalisieren. Dieser Beitrag stellt die Entwicklung einer DTI-Gehirn Vorlage, UWRMAC-DTI271, f&uuml;r Heranwachsende Rhesus-Makaken (Macaca Mulatta). 271 Rhesus-Affen, die als Teil einer einzigartigen Gehirns Genetik Studie zusammengestellt wurde die Vorlage erzeugt. Es ist die gr&ouml;&szlig;te Anzahl von Versuchstieren, die jemals eine Vorlage computational Gehirn zu generieren, wodurch die Erzeugung einer Vorlage, die hohe Bildqualit&auml;t und Konten hat f&uuml;r die Variabilit&auml;t der Arten. Die Qualit&auml;t der Vorlage wird mit der Verwendung von DTI-TK, eine erprobte und leistungsf&auml;hige DTI r&auml;umliche Normalisierung Methode in Humanstudien weiter gew&auml;hrleistet. Wir bewiesen, dass seine Wirksamkeit in Affe-Studien zum ersten Mal durch Vergleich mit anderen h&auml;ufig f&uuml;r DTI-Normalisierung Skalar-Methoden verwendet. Es wird erwartet, dass diese Vorlage eine wichtige Rolle spielen bei der Erleichterung der standort&uuml;bergreifenden Voxelwise DTI Analysen im Rhesus-Makaken. Solche Analysen sind entscheidend bei der Untersuchung der Rolle der wei&szlig;en Substanz Struktur in der Funktion des Gehirns, Entwicklung und andere psychopathologischen St&ouml;rungen, wof&uuml;r gibt es well-validated nicht-menschlichen Primaten-Modelle.

Eine Diffusion Tensor-Gehirn-Vorlage f&uuml;r Rhesus-Makaken.

Diffusion tensor imaging (DTI) &egrave; un metodo di imaging non invasivo e potente per caratterizzare la organizzazione microstruttura e la materia bianca di tessuto del cervello. Mentre &egrave; stata applicata estesamente in studi di ricerca del cervello umano, DTI di primati non umani sono stati effettuati studi solo recentemente. La crescente applicazione di DTI negli studi di scimmia rhesus significativamente trarrebbero beneficio da un quadro standardizzato per confrontare i risultati tra studi diversi. Una strategia molto comune per l&#39;analisi di immagine &egrave; spazialmente normalizzare scansioni (co-register) l&#39;individuo in uno spazio modello rappresentativo. Questo libro presenta lo sviluppo di un modello di cervello DTI, UWRMAC-DTI271, per adolescenti scimmie Macaco Rhesus (Macaca mulatta). Il modello &egrave; stato generato da 271 scimmie rhesus, raccolti come parte di un unico cervello genetica studio di imaging. &Egrave; il pi&ugrave; grande numero di animali mai utilizzato per generare un modello computazionale del cervello, che consente la generazione di un modello che ha immagini di alta qualit&agrave; e conti per la variabilit&agrave; della specie. La qualit&agrave; del modello &egrave; ulteriormente assicurata con l&#39;uso del DTI-TK, un metodo di normalizzazione spaziale a DTI che collaudato e ad alte prestazioni in studi umani. Abbiamo dimostrato la sua efficacia in studi di scimmia per la prima volta dal confronto tra l&#39;altro comunemente usato scalari-metodi per la normalizzazione del DTI. Si prevede che questo modello giocher&agrave; un ruolo importante nel facilitare il cross-site voxelwise DTI analisi nei macachi Rhesus. Tali analisi sono cruciali per indagare il ruolo della struttura di sostanza bianca in funzione del cervello, lo sviluppo e di altri disturbi psicopatologiche per cui ci sono modelli convalidati primate non umano.

Un modello di cervello tensore di diffusione per i macachi rhesus.

&#x62E1;&#x6563;&#x30C6;&#x30F3;&#x30BD;&#x30EB;&#x753B;&#x50CF; (DTI) &#x8133;&#x7D44;&#x7E54;&#x306E;&#x5FAE;&#x7D30;&#x69CB;&#x9020;&#x3068;&#x767D;&#x8CEA;&#x7D44;&#x7E54;&#x3092;&#x7279;&#x5FB4;&#x4ED8;&#x3051;&#x308B;&#x305F;&#x3081;&#x5F37;&#x529B;&#x304B;&#x3064;&#x975E;&#x4FB5;&#x8972;&#x7684;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x6CD5;&#x3067;&#x3059;&#x3002;&#x4EBA;&#x9593;&#x306E;&#x8133;&#x306E;&#x7814;&#x7A76;&#x306B;&#x5E83;&#x304F;&#x9069;&#x7528;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x9593;&#x306F;&#x3001;&#x975E;&#x3072;&#x3068;&#x970A;&#x9577;&#x985E;&#x306E; DTI &#x7814;&#x7A76;&#x306F;&#x3054;&#x304F;&#x6700;&#x8FD1;&#x884C;&#x308F;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;DTI &#x306E;&#x6210;&#x9577;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30A2;&#x30AB;&#x30B2;&#x30B6;&#x30EB;&#x7814;&#x7A76;&#x304C;&#x5927;&#x5E45;&#x306B;&#x5168;&#x4F53;&#x306E;&#x7570;&#x306A;&#x308B;&#x7814;&#x7A76;&#x6240;&#x898B;&#x3092;&#x6BD4;&#x8F03;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x6A19;&#x6E96;&#x5316;&#x3055;&#x308C;&#x305F;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x304B;&#x3089;&#x6069;&#x6075;&#x3002;&#x753B;&#x50CF;&#x89E3;&#x6790;&#x306E;&#x305F;&#x3081;&#x306E;&#x975E;&#x5E38;&#x306B;&#x4E00;&#x822C;&#x7684;&#x306A;&#x6226;&#x7565;&#x306F;&#x3001;&#x7A7A;&#x9593;&#x7684; (co-register)&#x3001;&#x500B;&#x3005; &#x306E;&#x30B9;&#x30AD;&#x30E3;&#x30F3;&#x4EE3;&#x8868;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8; &#x30B9;&#x30DA;&#x30FC;&#x30B9;&#x306B;&#x6B63;&#x898F;&#x5316;&#x3057;&#x307E;&#x3059;&#x3002;DTI &#x8133;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x3001;UWRMAC DTI271 &#x306E;&#x601D;&#x6625;&#x671F;&#x306E;&#x30A2;&#x30AB;&#x30B2;&#x30B6;&#x30EB; &#xFF08;&#x30DE;&#x30AB;&#x30AF;) &#x30B5;&#x30EB;&#x958B;&#x767A;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8; 271 &#x30A2;&#x30AB;&#x30B2;&#x30B6;&#x30EB;&#x3001;&#x907A;&#x4F1D;&#x5B66;&#x7814;&#x7A76;&#x3092;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0; &#x30E6;&#x30CB;&#x30FC;&#x30AF;&#x306A;&#x8133;&#x306E;&#x4E00;&#x90E8;&#x3068;&#x3057;&#x3066;&#x53CE;&#x96C6;&#x304B;&#x3089;&#x751F;&#x6210;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;&#x3053;&#x308C;&#x307E;&#x3067;&#x9AD8;&#x54C1;&#x8CEA;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x304C;&#x3042;&#x308A;&#x3001;&#x30A2;&#x30AB;&#x30A6;&#x30F3;&#x30C8; &#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x306E;&#x751F;&#x6210;&#x3092;&#x6709;&#x52B9;&#x306B;&#x8A08;&#x7B97;&#x8133;&#x306E;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x3092;&#x751F;&#x6210;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x308B;&#x52D5;&#x7269;&#x306E;&#x6700;&#x5927;&#x6570;&#x306F;&#x3001;&#x7A2E;&#x306E;&#x53EF;&#x5909;&#x6027;&#x306B;&#x3064;&#x3044;&#x3066;&#x3002;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x306E;&#x54C1;&#x8CEA;&#x306F;&#x3055;&#x3089;&#x306B;&#x5341;&#x5206;&#x306A;&#x30C6;&#x30B9;&#x30C8;&#x3068;&#x9AD8;&#x30D1;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30F3;&#x30B9; DTI &#x306E;&#x7A7A;&#x9593;&#x7684;&#x6B63;&#x898F;&#x5316;&#x6CD5;&#x306B;&#x95A2;&#x308F;&#x308B;&#x7814;&#x7A76; DTI TK &#x306E;&#x4F7F;&#x7528;&#x3067;&#x4FDD;&#x8A3C;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;DTI &#x6B63;&#x898F;&#x5316;&#x306B;&#x30B9;&#x30AB;&#x30E9;&#x30FC; &#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x306B;&#x733F;&#x306E;&#x7814;&#x7A76;&#x3001;&#x4ED6;&#x306B;&#x4E00;&#x822C;&#x7684;&#x306B;&#x6BD4;&#x8F03;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x3001;&#x521D;&#x3081;&#x3066;&#x305D;&#x306E;&#x52B9;&#x679C;&#x3092;&#x4F7F;&#x7528;&#x3092;&#x5B9F;&#x8A3C;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8; &#x30A2;&#x30AB;&#x30B2;&#x30B6;&#x30EB;&#x306B;&#x304A;&#x3051;&#x308B;&#x30AF;&#x30ED;&#x30B9;&#x30B5;&#x30A4;&#x30C8; voxelwise DTI &#x89E3;&#x6790;&#x3092;&#x4FC3;&#x9032;&#x3059;&#x308B;&#x91CD;&#x8981;&#x306A;&#x5F79;&#x5272;&#x3092;&#x62C5;&#x3046;&#x3053;&#x3068;&#x304C;&#x4E88;&#x60F3;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x305D;&#x306E;&#x3088;&#x3046;&#x306A;&#x5206;&#x6790;&#x306F;&#x8133;&#x306E;&#x6A5F;&#x80FD;&#x3001;&#x958B;&#x767A;&#x3001;&#x304A;&#x3088;&#x3073; well-validated &#x306E;&#x30D2;&#x30C8;&#x4EE5;&#x5916;&#x306E;&#x970A;&#x9577;&#x985E;&#x30E2;&#x30C7;&#x30EB;&#x304C;&#x5B58;&#x5728;&#x4ED6;&#x306E;&#x7CBE;&#x795E;&#x75C5;&#x7406;&#x5B66;&#x7684;&#x75BE;&#x60A3;&#x306B;&#x304A;&#x3051;&#x308B;&#x767D;&#x8CEA;&#x69CB;&#x9020;&#x306E;&#x5F79;&#x5272;&#x306E;&#x8ABF;&#x67FB;&#x3067;&#x91CD;&#x5927;&#x3067;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;

&#x30A2;&#x30AB;&#x30B2;&#x30B6;&#x30EB;&#x306E;&#x62E1;&#x6563;&#x30C6;&#x30F3;&#x30BD;&#x30EB;&#x8133;&#x30C6;&#x30F3;&#x30D7;&#x30EC;&#x30FC;&#x30C8;&#x3067;&#x3059;&#x3002;

&#xD655;&#xC0B0; &#xD150;&#xC11C; &#xC601;&#xC0C1; (DTI) &#xC870;&#xC9C1; &#xBBF8;&#xC138; &#xB1CC;&#xC758; &#xBC31;&#xC0C9; &#xC9C8; &#xC870;&#xC9C1; &#xD2B9;&#xC131;&#xD654;&#xB97C; &#xC704;&#xD55C; &#xAC15;&#xB825; &#xD558; &#xACE0; &#xBE44; &#xCE68; &#xD22C; &#xC801;&#xC778; &#xC774;&#xBBF8;&#xC9D5; &#xBC29;&#xBC95;&#xC785;&#xB2C8;&#xB2E4;. &#xADF8;&#xAC83;&#xC740; &#xC778;&#xAC04;&#xC758; &#xB1CC;&#xC758; &#xC5F0;&#xAD6C; &#xACB0;&#xACFC;&#xC5D0;&#xC11C; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xC801;&#xC6A9; &#xB41C;, &#xD558;&#xB294; &#xB3D9;&#xC548; &#xBE44; &#xC778;&#xAC04; &#xC601;&#xC7A5;&#xB958;&#xC758; DTI &#xC5F0;&#xAD6C;&#xAC00; &#xCD5C;&#xADFC;&#xC5D0; &#xC218;&#xD589; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. &#xBD89;&#xC740; &#xD138; &#xC6D0;&#xC22D;&#xC774; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; DTI&#xC758; &#xC131;&#xC7A5; &#xD558; &#xACE0; &#xC788;&#xB294; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xC5F0;&#xAD6C; &#xACB0;&#xACFC; &#xBE44;&#xAD50; &#xD558;&#xB294; &#xD45C;&#xC900;&#xD654; &#xB41C; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;&#xC5D0;&#xC11C; &#xD06C;&#xAC8C; &#xB3C4;&#xC6C0;&#xC774; &#xB420; &#xAC83; &#xC774;&#xB77C;&#xACE0;. &#xC774;&#xBBF8;&#xC9C0; &#xBD84;&#xC11D;&#xC744; &#xC704;&#xD55C; &#xB9E4;&#xC6B0; &#xC77C;&#xBC18;&#xC801;&#xC778; &#xC804;&#xB7B5; &#xACF5;&#xAC04;&#xC801; &#xB300;&#xD45C; &#xC11C;&#xC2DD; &#xACF5;&#xAC04; (co-register) &#xAC1C;&#xC778; &#xAC80;&#xC0AC;&#xB97C; &#xD45C;&#xC900;&#xD654; &#xD558;&#xB294; &#xAC83;. &#xC774; &#xBB38;&#xC11C;&#xC5D0;&#xC11C;&#xB294; &#xD15C;&#xD50C;&#xB9BF;&#xC758; DTI &#xB1CC;, UWRMAC-DTI271, &#xC0AC;&#xCD98;&#xAE30; (Macaca mulatta) &#xBD89;&#xC740; &#xD138; &#xC9E7;&#xC740; &#xAF2C;&#xB9AC; &#xC6D0;&#xC22D;&#xC774; &#xC6D0;&#xC22D;&#xC774; &#xB300; &#xD55C; &#xAC1C;&#xBC1C; &#xC124;&#xBA85;. &#xC11C;&#xC2DD; &#xD30C;&#xC77C;&#xC740; &#xACE0;&#xC720;&#xD55C; &#xB1CC; &#xC774;&#xBBF8;&#xC9D5; &#xC720;&#xC804;&#xD559; &#xC5F0;&#xAD6C;&#xC758; &#xC77C;&#xD658;&#xC73C;&#xB85C; &#xC218;&#xC9D1; 271 &#xBD89;&#xC740; &#xD138; &#xC6D0;&#xC22D;&#xC774;&#xC5D0;&#xC11C; &#xC0DD;&#xC131; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC801; &#xB192;&#xC740; &#xC774;&#xBBF8;&#xC9C0; &#xD488;&#xC9C8;&#xACFC; &#xACC4;&#xC815; &#xD15C;&#xD50C;&#xB9BF; &#xC0DD;&#xC131;&#xD560; &#xC218; &#xC788;&#xB3C4;&#xB85D; &#xC804;&#xC0B0; &#xB450;&#xB1CC; &#xD15C;&#xD50C;&#xB9BF;&#xC744; &#xC0DD;&#xC131; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xB3D9;&#xBB3C;&#xC758; &#xAC00;&#xC7A5; &#xD070; &#xC218;&#xB294; &#xC885;&#xC758; &#xB2E4;&#xC591;&#xC131;&#xC5D0; &#xB300; &#xD55C;. &#xD15C;&#xD50C;&#xB9BF;&#xC758; &#xD488;&#xC9C8; &#xB354; DTI-TK, &#xC778;&#xAC04; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xD14C;&#xC2A4;&#xD2B8; &#xB41C; &#xBC0F; &#xB192;&#xC740;-&#xC131;&#xB2A5; DTI &#xACF5;&#xAC04; &#xC815;&#xADDC;&#xD654; &#xBC29;&#xBC95;&#xC758; &#xC0AC;&#xC6A9;&#xC744; &#xBCF4;&#xC7A5; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; DTI &#xC815;&#xADDC;&#xD654;&#xC5D0; &#xB300; &#xD55C; &#xC2A4;&#xCE7C;&#xB77C; &#xBA54;&#xC11C;&#xB4DC;&#xB97C; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &#xB2E4;&#xB978; &#xBE44;&#xAD50; &#xD558; &#xC5EC; &#xCC98;&#xC74C;&#xC73C;&#xB85C; &#xC6D0;&#xC22D;&#xC774; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xADF8; &#xD6A8;&#xB2A5; &#xC785;&#xC99D;. &#xC774; &#xD15C;&#xD50C;&#xB9BF;&#xC740; &#xBD89;&#xC740; &#xD138; &#xC6D0;&#xC22D;&#xC774;&#xC5D0; &#xD06C;&#xB85C;&#xC2A4; &#xC0AC;&#xC774;&#xD2B8; voxelwise DTI &#xBD84;&#xC11D;&#xC744; &#xCD09;&#xC9C4;&#xC5D0; &#xC911;&#xC694; &#xD55C; &#xC5ED;&#xD560;&#xC744; &#xC7AC;&#xC0DD; &#xB429;&#xB2C8;&#xB2E4; &#xC608;&#xC0C1; &#xB429;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xBD84;&#xC11D;&#xC740; &#xC911;&#xC694; &#xD55C; &#xB450;&#xB1CC; &#xAE30;&#xB2A5;&#xACFC; &#xAC1C;&#xBC1C;, well-validated &#xBE44; &#xC778;&#xAC04; &#xC601;&#xC7A5;&#xB958; &#xBAA8;&#xB378;&#xC740; &#xB2E4;&#xB978; psychopathological &#xC7A5;&#xC560;&#xC5D0; &#xBC31; &#xC9C8; &#xAD6C;&#xC870;&#xC758; &#xC5ED;&#xD560; &#xC870;&#xC0AC;&#xC5D0;.

&#xBD89;&#xC740; &#xD138; &#xC6D0;&#xC22D;&#xC774; &#xB300; &#xD55C; &#xD655;&#xC0B0; &#xD150;&#xC11C; &#xB1CC; &#xD15C;&#xD50C;&#xB9BF;&#xC785;&#xB2C8;&#xB2E4;.

Tensor de difusi&oacute;n (DTI) es un m&eacute;todo imagenol&oacute;gico poderoso y no invasivo para la caracterizaci&oacute;n de la organizaci&oacute;n de la microestructura y la materia blanca del tejido en el cerebro. Mientras que se ha aplicado extensamente en estudios de investigaci&oacute;n del cerebro humano, DTI de primates no humanos se han realizado estudios s&oacute;lo recientemente. La creciente aplicaci&oacute;n de DTI en estudios de mono rhesus beneficiar&iacute;an significativamente de un marco estandarizado para comparar resultados entre diferentes estudios. Una estrategia muy com&uacute;n para el an&aacute;lisis de la imagen es espacialmente normalizar las exploraciones (co-register) el individuo a un espacio de representaci&oacute;n de la plantilla. Este documento presenta el desarrollo de una plantilla de cerebro DTI, UWRMAC-DTI271, para adolescentes monos macacos Rhesus (Macaca mulatta). La plantilla se gener&oacute; de 271 macacos, recogidos como parte de un cerebro &uacute;nico estudio de gen&eacute;tica de la proyecci&oacute;n de imagen. Es el mayor n&uacute;mero de animales utilizados siempre para generar una plantilla de cerebro computacional, que permite la generaci&oacute;n de una plantilla que tiene alta calidad de imagen y cuentas de variabilidad en las especies. La calidad de la plantilla est&aacute; garantizada a&uacute;n m&aacute;s con el uso de DTI-TK, un m&eacute;todo de normalizaci&oacute;n espacial DTI bien probado y alto rendimiento en los estudios en humanos. Hemos demostrado su eficacia en estudios de mono por primera vez compar&aacute;ndolo con otro com&uacute;nmente utilizado escalar-m&eacute;todos para la normalizaci&oacute;n de la DTI. Se prev&eacute; que esta plantilla jugar&aacute; un papel importante para facilitar el an&aacute;lisis de cross-site voxelwise DTI en macacos Rhesus. Esos an&aacute;lisis son cruciales en la investigaci&oacute;n sobre el papel de la estructura de la materia blanca en la funci&oacute;n cerebral, el desarrollo y otros trastornos psicopatol&oacute;gicos que hay modelos mixtos de primates no humanos.

Una plantilla de difusi&oacute;n tensor cerebro de macacos rhesus.

The image contrast in magnetic resonance imaging (MRI) is highly sensitive to several mechanisms that are modulated by the properties of the tissue environment. The degree and type of contrast weighting may be viewed as image filters that accentuate specific tissue properties. Maps of quantitative measures of these mechanisms, akin to microstructural/environmental-specific tissue stains, may be generated to characterize the MRI and physiological properties of biological tissues. In this article, three quantitative MRI (qMRI) methods for characterizing white matter (WM) microstructural properties are reviewed. All of these measures measure complementary aspects of how water interacts with the tissue environment. Diffusion MRI, including diffusion tensor imaging, characterizes the diffusion of water in the tissues and is sensitive to the microstructural density, spacing, and orientational organization of tissue membranes, including myelin. Magnetization transfer imaging characterizes the amount and degree of magnetization exchange between free water and macromolecules like proteins found in the myelin bilayers. Relaxometry measures the MRI relaxation constants T1 and T2, which in WM have a component associated with the water trapped in the myelin bilayers. The conduction of signals between distant brain regions occurs primarily through myelinated WM tracts; thus, these methods are potential indicators of pathology and structural connectivity in the brain. This article provides an overview of the qMRI stain mechanisms, acquisition and analysis strategies, and applications for these qMRI stains.

Characterization of cerebral white matter properties using quantitative magnetic resonance imaging stains.

Atlases of key white matter (WM) structures in humans are widely available, and are very useful for region of interest (ROI)-based analyses of WM properties. There are histology-based atlases of cortical areas in the rhesus macaque, but none currently of specific WM structures. Since ROI-based analysis of WM pathways is also useful in studies using rhesus diffusion tensor imaging (DTI) data, we have here created an atlas based on a publicly available DTI-based template of young rhesus macaques. The atlas was constructed to mimic the structure of an existing human atlas that is widely used, making results translatable between species. Parcellations were carefully hand-drawn on a principle-direction color-coded fractional anisotropy image of the population template. The resulting atlas can be used as a reference to which registration of individual rhesus data can be performed for the purpose of white-matter parcellation. Alternatively, specific ROIs from the atlas may be warped into individual space to be used in ROI-based group analyses. This atlas will be made publicly available so that it may be used as a resource for DTI studies of rhesus macaques.

Article	Year
An experimental evaluation of diffusion tensor image segmentation using graph-cuts. Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference\| PubMed ID: 19964408	2009
A diffusion tensor brain template for rhesus macaques. NeuroImage\| PubMed ID: 21803162	2012
Characterization of cerebral white matter properties using quantitative magnetic resonance imaging stains. Brain connectivity\| PubMed ID: 22432902	2011
A diffusion-tensor-based white matter atlas for rhesus macaques. PloS one\| PubMed ID: 25203614	2014

Elizabeth Zakszewski

Biography

JoVE Journal Publications

Other Publications