需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

脑梗死病灶在MRI或CT上的分割与配准用于病灶-症状映射

49.3K 次观看

⸱

DOI：

10.3791/59653

⸱

2019年9月25日

 ,  ,  ,  ,  , Meta VCI Map Consortium,
1Department of Neurology and Neurosurgery, UMC Utrecht Brain Center, University Medical Center Utrecht, Utrecht University, 2Image Sciences Institute, University Medical Center Utrecht, 3BrainNow Research Institute, 4Institute for Stroke and Dementia Research, University Hospital, LMU Munich

本文内容

摘要

本文提供了一个开放获取的、标准化的影像处理流程实用教程，旨在用于病灶-症状映射。教程逐步介绍了每个处理步骤，从在CT/MRI上进行人工梗死分割，到后续将图像配准至标准空间，并结合典型病例提供了实用建议和图示说明。

摘要

在病灶-症状映射（lesion-symptom mapping, LSM）中，通过将获得性脑损伤的位置与一组患者的行為或認知症狀相關聯，從而推斷大腦功能。隨著腦成像和圖像處理技術的最新進展，LSM 已成為認知神經科學中一種流行的工具。LSM 可為人類大腦多種認知與非認知功能的功能架構提供基礎性見解。進行 LSM 研究的一個關鍵步驟，是對大量患者的腦部掃描圖像進行病灶分割，並將每幅掃描圖像配準至一個共同的立體定向空間（也稱為標準空間或標準化腦模板）。本文介紹了一種開放獲取的、標準化的腦梗死分割與配準方法，用於 LSM 研究，並基於示例病例提供了詳細且實操性的操作指南。教程涵蓋了在 CT 掃描以及 DWI 或 FLAIR MRI 序列上進行腦梗死手動分割的完整流程，包括梗死識別的標準以及不同掃描類型的常見誤區。配準軟件提供了多種配準方案，可用於處理具有不同採集參數的 CT 和 MRI 數據。教程還介紹了如何使用該配準軟件，並進行視覺質量檢查與必要的手動校正（在某些情況下需要）。該方法為研究人員提供了執行 LSM 研究所需的整個腦圖像處理流程的框架，從數據收集到最終結果的質量核查。

引言

病灶-症状映射（LSM），也称为病灶-行为映射，是研究人类大脑功能结构的重要工具1在病灶研究中，通过研究获得性脑损伤患者来推断和定位脑功能。19世纪首次开展了将神经症状与特定脑区位置相关联的病例研究。 已为语言及其他多种认知过程的解剖学基础提供了根本性见解2然而，许多认知方面的神经解剖学相关机制仍不明确。 其他脑功能仍不明确。在过去几十年中，改进的脑结构成像方法和技术进步使得大规模的活体激光扫描显微镜研究成为可能，并实现了高空间分辨率（即达到单个体素或特定皮层/皮层下感兴趣区域的水平）1,2随着这些方法学的进步，列文斯坦相似性映射（LSM）在认知神经科学领域正变得越来越流行，并持续为认知的神经解剖学基础及神经症状的机制提供新的见解3在任何病灶表面映射（LSM）研究中，一个关键步骤是对病灶进行精确分割并将其配准至脑模板。然而，目前尚缺乏针对LSM目的的脑成像数据预处理的综合性教程。

此处提供了一套标准化病灶分割与配准方法的完整教程。该方法为研究人员提供了一个流程化方案 标准化脑成像数据处理及需避免的潜在问题概述。所展示的图像处理流程是通过国际协作开发的4 并且是新成立的Meta VCI map联盟框架的一部分，该联盟旨在开展针对血管性认知障碍的多中心病灶-症状映射研究 <www.metavcimap.org>5该方法旨在处理来自不同厂商和异质扫描方案的CT与MRI影像，从而实现对来自不同来源的影像数据集进行联合处理。本方案所需的RegLSM软件及其他所有软件均可免费获取，但MATLAB需持有许可证方可使用。本教程重点介绍脑梗死病灶的分割与配准，但该影像处理流程也可用于其他类型的病灶，例如白质高信号6.

在启动脑结构映射（LSM）研究之前，需要对基本概念和常见问题有初步了解。目前已有一些详细的指南和实用手册可供参考1,3,6。然而，这些综述并未提供关于如何实际操作的详细动手教程，例如如何采集脑扫描图像并将其转换为合适格式、如何对脑梗死区域进行分割，以及如何将扫描图像配准到脑模板。本文旨在提供这样一份详细的操作指南。引言部分介绍了LSM的总体概念，并附有相关参考文献，供读者进一步深入学习。

病灶-症状定位研究的总体目标

从认知神经心理学的角度来看，脑损伤可作为一种模型条件，以更深入地理解某些认知过程的神经基础，并更全面地揭示大脑的认知结构1。这是神经心理学中一种经典的研究方法，最早由布罗卡（Broca）和韦尼克（Wernicke）等先驱在19世纪通过尸体解剖研究加以应用2。在功能性脑成像时代，病灶定位法仍然是神经科学中的重要工具，因为它能够证明特定脑区的损伤会损害任务表现，而功能性成像研究则仅能显示任务执行过程中被激活的脑区。因此，这两种方法提供了互补的信息1。

从临床神经病学的角度来看，脑损伤定位研究（LSM）可以阐明急性症状性梗死、白质高信号、腔隙性梗死或其他类型病灶（如肿瘤）患者中病灶位置与认知功能之间的关系。近期研究表明，与总体病灶负荷相比，位于关键脑区的病灶在解释认知表现方面更具相关性2,5,7,8。该方法有望加深对复杂疾病（在此例中为血管性认知障碍）病理生理机制的理解，并可能为开发新的诊断和预后工具或支持治疗策略提供机会2。

LSM 在认知领域之外也有应用。事实上，任何变量都可以与病灶位置相关联，包括临床症状、生物标志物和功能预后。例如，最近一项研究确定了可预测缺血性卒中后功能预后的梗死部位10。

基于体素与基于感兴趣区域的病灶-症状映射

为了进行病灶-症状映射，需要对病灶进行分割并将其配准到脑模板。在配准过程中，每位患者的脑部都会进行空间对齐（即标准化或配准至一个公共模板），以校正脑部大小、形状和方向的差异，从而使病灶图谱中的每个体素在所有患者中代表相同的解剖结构7。在标准空间中，可以进行多种类型的分析，此处简要总结如下。

可通过粗略的病灶减法分析，显示存在功能缺损的患者与无功能缺损患者之间病灶分布的差异。所得的减法图谱可呈现那些在存在功能缺损患者中更常受损、而在无功能缺损患者中通常保留的脑区1。尽管病灶减法分析可为特定功能的相关脑区提供一定线索，但其无法提供统计学证据，目前主要应用于样本量过小、不足以支持基于体素的病灶-症状映射分析所需统计效能的情况。

在基于体素的病灶-症状映射中，会在大脑每个单独体素的水平上确定病灶的存在与认知表现之间的关联（图1）。该方法的主要优势在于具有较高的空间分辨率。传统上，这类分析采用的是大规模单变量方法，这需要对多重检验进行校正，并且由于未考虑体素间的相关性，会引入空间偏差1,10,11。近年来发展的一些新方法能够考虑体素间的相关性（通常被称为多变量病灶-症状映射方法，例如贝叶斯分析13、支持向量回归4,14或其他机器学习算法15），显示出良好的应用前景，与传统方法相比，似乎能够提高体素水平LSM分析结果的敏感性和特异性。针对体素水平LSM的多变量方法的进一步优化与验证仍在持续进行中。针对特定病灶-症状映射研究的最佳方法选择取决于多种因素，包括病灶的分布特征、结局变量以及各方法所依赖的统计学假设。

在基于感兴趣区域（ROI）的病灶-症状映射中，通过分析特定脑区内病灶负荷与认知功能之间的关联来确定其关系（参见 Biesbroek 等人2 中的 图1 以了解示意图）。该方法的主要优势在于，它考虑了解剖结构内的累积性病灶负荷，在某些情况下，这可能比单个体素的病灶提供更多信息。然而，基于 ROI 的分析在检测仅存在于区域内部分体素中的模式时，其检测能力有限16。传统上，基于 ROI 的病灶-症状映射采用逻辑回归或线性回归进行分析。近年来，已引入一些对共线性问题处理更优的多变量方法（例如贝叶斯网络分析17、支持向量回归4,18 或其他机器学习算法19），这些方法可能提高病灶-症状映射研究结果的特异性。

患者选择

在LSM研究中，患者通常根据特定的病变类型（如脑梗死或白质高信号）以及诊断与神经心理学评估之间的时间间隔（如急性期与慢性期脑卒中）进行选择。最佳的研究设计取决于具体的研究问题。例如，在研究人脑功能架构时，理想情况下应纳入急性期脑卒中患者，因为此阶段尚未发生功能重组；而在研究脑卒中对认知功能的长期影响时，则应纳入慢性期脑卒中患者。有关患者选择中的注意事项和潜在问题的详细说明，可参见其他文献7。

用于病灶-症状映射的脑图像预处理

精确的病灶分割及其向标准脑模板的空间配准是病灶-症状映射中的关键步骤。对于包括脑梗死在内的多种病灶类型，手动分割仍是当前的金标准7。本文提供了一份详细的教程，介绍在急性期和慢性期的CT扫描、弥散加权成像（DWI）以及液体衰减反转恢复（FLAIR）MRI序列上进行脑梗死手动分割的判定标准。在进行跨被试分析之前，必须对分割得到的梗死区域（即三维二值化病灶图）进行空间配准。本实验方案采用RegLSM配准方法，该方法是在多中心研究背景下开发的4。RegLSM基于elastix20框架，针对CT和MRI数据均应用了线性与非线性配准算法，并额外包含一个专为提升CT扫描配准质量而设计的CT预处理步骤21。此外，RegLSM支持选用不同的目标脑模板，并可选择性地加入一个面向年龄特异性CT/MRI模板的中间配准步骤22。由于RegLSM能够处理CT和MRI扫描数据，并且在中间模板与目标脑模板的选择上具有高度可定制性，因此成为病灶-症状映射研究中极为适用的图像处理工具。下一部分将详细描述CT/MRI扫描图像的准备与分割、向脑模板的配准以及必要时的手动修正等完整流程。

figure-introduction-1
图1：基于体素的病灶-症状映射概念的示意图。上半部分展示了脑影像预处理步骤，包括对病灶（本例中为急性梗死）进行分割，随后将其配准至脑模板（本例中为MNI-152模板）。下方显示了同一位患者配准后的二值化病灶图的一部分，以三维网格表示，其中每个立方体代表一个体素。结合其余99位患者的病灶图，可生成病灶叠加图。针对每个体素，进行统计学检验以确定病灶状态与认知表现之间的关联。此处所示的卡方检验仅为示例，实际可采用任意统计学方法。通常需在整个大脑范围内对数十万个体素进行检验，并随后进行多重比较校正。请点击此处查看该图的放大版本。

访问受限。请登录或开始试用以查看此内容。

方案

本方案遵循本机构人体研究伦理委员会的指南。

1. 扫描图像与临床数据的采集

  1. 收集缺血性卒中患者的脑部 CT 或 MRI 扫描图像。大多数扫描仪会将扫描结果保存为 DICOM（医学数字成像和通信）文件，可复制到硬盘或服务器上。
    注意：只要满足以下两个条件，任何类型扫描仪、扫描方案和 MRI 磁场强度的扫描图像均可使用：1）所用扫描类型的时窗要求已满足（见表 1）；2）图像中无影响梗死区准确勾画的伪影。有关 CT 和 MRI 伪影检测的详细教程见其他文献23,24。常见的 CT 运动伪影示例见图 2，结果部分的示例病例中提供了高质量扫描图像的示例。任何层厚和面内图像分辨率的扫描图像均可用于梗死区的分割。然而，较薄的层厚和较高的面内分辨率可使梗死区在脑模板上的映射更为精确。
  2. 将临床变量整理为数据文件（例如 Excel 文件），每个病例占一行，每个临床变量占一列。进行梗死区分割时，至少应包括卒中发生日期和影像检查日期，或一个表示卒中与影像检查之间时间间隔的变量。
  3. 确保遵守有关隐私保护的伦理准则和法规。确保数据已匿名化或编码处理。特别注意删除 DICOM 文件标签中存储的患者信息，如姓名、地址和出生日期。可使用 dcm2niix 工具清除这些标签（可从 <https://github.com/rordenlab/dcm2niix> 免费下载）25。

2. 将DICOM图像转换为Nifti文件

  1. 使用 dcm2niix 工具将 DICOM 图像转换为未压缩的 nifti 文件时，在命令提示符中输入"[dcm2niix.exe 的文件夹路径]\dcm2niix %d_%p [DICOM 文件的文件夹路径]"。插入具体文件夹路径后的命令示例如：C:\users\matthijs\dcm2niix %d_%p C:\users\matthijs\dicom\。该命令将运行 dcm2niix 可执行程序，转换所选文件夹中的 DICOM 图像，并将生成的 nifti 文件保存在同一文件夹中。
    注意：添加 %d_%p 可确保系列描述和协议名称被插入到文件名中。dcm2niix 手册中提供了更多功能，包括批量转换选项，详见 <https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii:MainPage>。也可使用其他开源工具将 DICOM 图像转换为 nifti 文件。
  2. 确保在转换过程中将扫描类型名称（CT、FLAIR、DWI 或其他序列名称）复制到文件名中（dcm2niix 提供此选项）。
  3. 对于 MRI 扫描，选择用于分割的 DWI 或 FLAIR 序列。或者，也可使用任何其他能够显示梗死灶的结构序列。有关在卒中后适当时间窗内使用 CT、DWI 或 FLAIR 进行梗死分割的建议，请参见表 1。
  4. 将 nifti 文件按病例组织成便于管理的文件夹结构，每个病例使用一个子文件夹（参见 RegLSM 手册和补充图 1）。该手册可从 <www.metavcimap.org/support/software-tools> 下载。
    注意：此文件夹结构是配准软件 RegLSM（见第 4 节）的必要要求。目前正在开发 RegLSM 的更新版本，使其兼容 BIDS（脑成像数据结构26，参见 <http://bids.neuroimaging.io>），并将很快发布。

3. 梗死区域分割

  1. 适用于所有扫描类型的总体说明
    1. 确保执行和评估分割与配准的人员对结局变量（通常为认知测量指标）设盲，以避免偏倚。
    2. 请注意，梗死灶通常在横断面切片上进行分割，但分割可在任意切片方向上进行。
    3. 使用高分辨率显示器并在适宜的环境光照条件下进行梗死分割，以确保理想的观察条件，提供舒适的视觉环境。分割过程中手动调整图像对比度，以获得健康脑组织之间的最佳对比效果。在不同受试者间保持设置的一致性。
  2. CT 上的梗死分割
    1. 首先检查扫描是否在卒中症状发作后至少24小时进行。在24小时内，急性梗死灶在CT上不可见或仅部分可见，因此该扫描不能用于分割。7参见 图3 以示说明。
    2. 使用 ITK-SNAP 软件打开原始 CT（可免费下载，网址为 <www.itksnap.org>)27在 ITK-SNAP 中，单击 文件 | 打开主图像 从下拉菜单中。点击 浏览 并选择文件以打开扫描图像。如果默认的对比度设置导致健康脑组织与病灶之间的对比度较差，请调整对比度设置。操作方法为点击 工具 | 图像对比度 | 对比度调节.
      注意： 任何开源软件也可使用。
    3. 如有条件，应另打开一份卒中症状发作后24小时内完成的CT影像作为参考，以区分急性梗死与陈旧性缺血性病变，如腔隙性梗死、（皮质）皮质下梗死或白质高信号。
    4. 根据以下特征识别梗死灶。梗死灶与正常脑组织相比信号较低（即低密度）。
      1. 在急性期（最初数周），大面积梗死可引起占位效应，导致周围组织移位、脑室受压、中线结构偏移以及脑沟消失。可能出现出血性转化，表现为梗死区域内出现高信号（即高密度）区域。
      2. 在慢性期（数月至数年），梗死灶将表现为一个密度减低的空洞中心（密度与脑脊液相似）以及一个密度稍高的边缘带，后者代表受损的脑组织。空洞中心和低密度边缘均需被划分为梗死区域。对于大面积梗死，邻近的脑沟或脑室可出现继发性扩张。
        注意： 由于占位效应或结构的真空性扩大所导致的组织移位，在分割过程中不应进行校正（即仅需分割梗死灶的全部范围）。组织移位的校正在配准及后续步骤中进行。
    5. 使用以下方法对梗死脑组织进行分割 画笔模式 从主工具栏中选择（左键单击绘制，右键单击擦除）。或者，使用 多边形模式 在病灶边界处放置锚点（这些点将自动由线条连接），或在鼠标移动至病灶边界时按住左键。当所有锚点均连接完毕后，单击 接受 以填充划定的区域。
    6. 避免脑梗死的“模糊效应”期，即梗死灶在CT上呈等密度的阶段（此阶段与梗死组织被吞噬细胞浸润同时发生）。该现象通常出现在卒中发病后14-21天，但在极少数情况下可能更早出现28在此期间，梗死灶可能变得不可见或其边界变得模糊，因此该阶段不适合进行梗死分割。在雾化期之后，当出现空洞形成和胶质增生时，病灶再次呈现低密度。参见 图4 两个示例。
    7. 完成分割后，通过点击将其保存为与扫描文件同一文件夹中的二值 NIfTI 文件 分割 | 保存分割结果 从下拉菜单中选择图像，然后通过将其保存为与已分割扫描完全相同的名称（扩展名为.lesion）来保存分割结果（例如，如果扫描保存为 "ID001.CT.nii"，将分割结果保存为 "ID001.CT.病灶.nii").
  3. DWI上的梗死分割
    1. 首先检查DWI是否在卒中发病后7天内进行。梗死灶在卒中发病数小时后即可在DWI上显现，且其在DWI上的可见性在约7天后逐渐减弱（详见讨论部分第2段）。
    2. 在 ITK-SNAP 中打开 DWI（操作方式与步骤 3.2.2 相同）。
      注意： DWI序列在大多数扫描方案中至少生成两幅图像，一幅b值为0，即标准的T2加权图像，另一幅为较高b值的图像，用于捕捉组织的实际扩散特性。b值越高，扩散效应越强。在缺血性卒中检测中，通常采用约1000 s/mm的b值。2 通常使用该方法，因为其在大多数情况下能提供良好的对比度噪声比29高b值图像用于梗死分割。
    3. 在 ITK-SNAP 的另一个实例中打开表观扩散系数（ADC）序列以供参考。
    4. 根据DWI上的高信号（即高信号强度）和ADC上的低信号（即低信号强度）识别并标注梗死脑组织（参见 图5）。梗死区的ADC值逐渐升高，直至ADC恢复正常 平均值 卒中后1周30但在某些情况下，如果血管源性水肿较明显，几天后ADC可能已经（几乎）恢复正常。
      注意： 在低b值的DWI图像中，具有固有高T2信号的脑部病变（如白质高信号）也可能表现为高信号。这种现象称为T2透射效应。31然而，随着b值的增加，这一现象的影响逐渐减弱，因为DWI图像上的信号更多地反映了扩散特性，而非固有的T2信号。在现代DWI扫描方案中（通常b值为1000或更高），T2透射效应较为有限32.
    5. 切勿将空气与组织或骨交界处附近常见的高DWI信号伪影误认为脑梗死。参见 图5.
    6. 将标注保存为二进制 NIfTI 文件，文件名与分割后的扫描图像完全相同，扩展名为 .lesion（保存方式与步骤 3.2.7 相同）。
  4. FLAIR 上的梗死分割
    1. 首先，检查扫描是否已完成 >卒中症状出现后48小时。在超急性期，梗死灶通常在FLAIR序列上不可见，或梗死灶的精确边界不清晰31 （参见 图6).
    2. 以与步骤 3.2.2 相同的方式在 ITK-SNAP 中打开 FLAIR。
    3. 如有需要，为T1打开ITK-SNAP的独立实例以供参考。
    4. 根据以下特征识别并分割梗死脑组织。
      1. 在急性期（最初几周），梗死灶表现为或多或少均质的高信号病灶，可伴有或不伴有明显的肿胀和占位效应图5).
      2. 在慢性期（数月至数年），梗死灶出现空洞化，即在FLAIR序列上中心区域呈低信号或等信号。该空洞在T1加权像上可得到最准确的识别。大多数情况下，空洞中心周围可见FLAIR序列上的高信号环，代表胶质增生。33.
        注意： 然而，慢性梗死灶的空洞形成和胶质增生程度存在较大差异。将空洞及其高信号环一并分割为梗死灶（参见步骤 3.2.5）。FLAIR 上的高信号病灶并不一定都是梗死灶。在急性期，当有 DWI 图像可用时，小的皮质下梗死灶可以很容易地与白质高信号或其他慢性病变（如推测为血管源性的腔隙性病灶）相区分（参见 图5）。在慢性阶段，鉴别可能更为困难。有关如何在慢性阶段区分这些病变类型的信息，请参见讨论部分第3段。
    5. 将标注保存为二进制 NIfTI 文件，文件名与分割后的扫描图像完全相同，扩展名为 .lesion（操作方式与步骤 3.2.7 相同）。
扫描类型卒中后时间窗梗死灶特征参考扫描注意事项
CT>24 小时急性期：低密度-- 模糊期 
慢性期：脑脊液样低密度腔隙，伴较不明显的低密度边缘- 出血性转化
DWI <7 天高信号ADC：通常为低信号- T2 透射效应
- 空气与骨/组织交界处附近的高 DWI 信号
FLAIR >48 小时急性期：高信号急性期：DWI/ADC，T1（等信号或低信号）- 白质高信号
慢性期：低信号或等信号（腔隙），伴高信号边缘慢性期：T1（具有脑脊液特征的低信号腔隙）。 - 腔隙灶

表1：不同扫描类型梗死分割标准的汇总。

4. 配准至标准空间

  1. 从 <www.metavcimap.org/features/software-tools>4 下载 RegLSM。使用该工具处理 CT 扫描及任何类型的 MRI 序列。配准流程如图 7所示。
    注意：RegLSM 的可选功能包括将图像配准至一个中间 CT/MRI 模板，该模板更接近脑萎缩老年患者的扫描图像22。默认情况下，CT 和 MRI 扫描图像将被配准至 MNI-152 模板34，但可根据研究需求替换为其他模板。不同的配准方案如图 7所示。此步骤也可使用其他开源配准工具完成。
  2. 检查以下三项：1）nifti 文件是否未被压缩；2）分割后扫描图像的文件名是否包含 CT、FLAIR 或 DWI 字样；3）病灶标注文件的文件名是否包含相同的术语，并附加".lesion"。若以上前三步均已完成，则数据已完全准备好进行配准，无需进一步修改。
  3. 打开 MATLAB（版本 2015a 或更高），将当前文件夹设置为 RegLSM（该文件夹可从 35 下载），并安装 SPM 软件包（版本 12 或更高，可在 <https://www.fil.ion.ucl.ac.uk/spm/> 免费下载），在命令行中输入 addpath {SPM 文件夹名称}。然后输入 RegLSM 以启动图形用户界面（GUI）。
  4. 在配准下拉菜单中选择 测试模式，以对单个病例执行配准操作。在测试模式面板中，使用 打开图像 按钮选择扫描图像（CT、FLAIR 或 DWI）、标注文件，以及可选的 T1 图像。选择配准方案：CT、FLAIR（含或不含 T1）、DWI（含或不含 T1）。
  5. 或者，选择 批量模式，以批量方式对所选文件夹中所有病例的扫描图像进行配准。
  6. 确保 RegLSM 将生成的配准参数、配准后的扫描图像（包括中间步骤）以及配准后的病灶图保存在自动生成的子文件夹中。在此过程中，配准后的扫描图像和病灶图将被重采样，以匹配 MNI-152 模板的分辨率（各向同性 1 mm3 体素）和角度。

5. 审核注册结果

  1. 在 RegLSM 图形用户界面中选择 检查结果 选项，并浏览至包含配准结果的主文件夹。该界面将自动加载已配准的扫描图像及其对应的病灶图，以及在横断面、矢状面和冠状面方向上带有配准后病灶图的 MNI-152 模板（见 图8）。
  2. 滚动查看已配准的扫描图像，并使用十字光标检查配准图像与 MNI-152 模板之间的对齐情况。特别注意基底节、脑室和颅骨等可识别解剖标志的对齐程度。
  3. 在数据文件（步骤 1.2 中创建）的单独一列中标记所有配准失败的案例，以便在第 6 节中进行后续的手动校正。
    注意：配准过程中常见的错误包括：由于急性期病灶引起的占位效应导致对齐不完全，或慢性期脑室的代偿性扩大。此类错配的示例见 图3 和 图5。另一个常见错误是小脑幕对齐不良，此时枕叶梗死可能与模板中的小脑区域重叠。当后续的病灶-症状映射分析仅使用二值化病灶图时，非病灶组织的错配并不构成问题；在此类情况下，只需确保病灶区域完全对齐即可。

6. 手动校正配准错误

  1. 对于需要校正的病灶图，在 ITK-SNAP 中打开 MNI-152 T1 模板，然后从 分割 菜单中选择 | 打开分割 | 已配准的病灶图，此时病灶图将叠加在模板上。
  2. 在另一个 ITK-SNAP 实例中打开已配准的脑部扫描图像作为参考。
  3. 使用 ITK-SNAP 中的画笔工具，对步骤 5.3 中提到的任何类型的错位进行校正：左键单击添加体素，右键单击删除体素。仔细比较已配准的扫描图像与叠加的病灶图（见步骤 5.2）以及 MNI-152 模板与叠加的病灶图（见步骤 6.1），以识别错位区域。参见 图3 和 图5。
  4. 在 MNI 空间中手动校正病灶图后，通过将患者的原始空间分割扫描图像与 MNI 空间中的校正后病灶图（即步骤 6.3 的结果）进行对比，进行最终检查。确保 MNI 空间中的校正后病灶图现在能准确反映原始空间中的梗死区域。特别注意基底节、脑室和颅骨等可识别的解剖标志（类似于步骤 5.2）。
  5. 将校正后的 MNI 空间病灶图保存为二值化的 NIfTI 文件，存放于与未校正的 MNI-152 空间病灶图相同的文件夹中，文件名与未校正的病灶图完全相同，但扩展名添加 .corrected。

7. 病灶-症状映射的数据准备

  1. 重命名所有病灶图。默认情况下，RegLSM 将病灶图保存在名为 "results" 的子文件夹中。请在文件名中包含受试者 ID。若进行了手动校正，务必选择并重命名已校正的文件。
  2. 将所有病灶图复制到同一个文件夹中。
  3. 通过在 ITK-SNAP 中随机选择并检查多个病灶图，并与原始扫描图像进行比较，对数据进行合理性检查，以排除数据处理中的系统性错误（例如左右翻转）。
  4. 使用 MRIcron <https://www.nitrc.org/projects/mricron> 进行另一次数据合理性检查，方法是生成病灶重叠图像，以确认没有病灶位于脑模板之外。操作步骤为：选择 draw 下拉菜单 | statistics | create overlap images。
    注意： 所得的病灶叠加图可投影至 MNI-152 模板上，并使用例如 MRIcron 或 ITK-SNAP 等工具进行查看。
  5. 病灶图现已准备好用于基于体素的病灶-症状映射分析，或结合注册至与病灶图相同标准空间（本例中为 MNI-152 空间）的图谱，计算特定感兴趣区域内的梗死体积（目前已有大量适用于该空间的图谱，下文仅引用其中少数几个36,37,38）。

访问受限。请登录或开始试用以查看此内容。

结果

此处提供了脑梗死在CT（图3）、DWI（图5）和FLAIR（图6）图像上的分割示例，以及随后向MNI-152模板的空间配准结果。图3B和图5C所示的配准结果并不完全成功，因为在脑室前角附近存在错位。这些不成功的配准所得病灶图已进行人工校正，校正结果在图中显示。经过此人工校正后，这三个示例 病例的病灶图均能准确反映原始空间中的梗死区域，可用于后续的病灶-症状映射分析。图6C展示了一个配准效果良好、无需任何人工校正的示例。

这些图像还突显了在每种扫描模式下进行脑梗死分割时可能存在的一些潜在问题...

访问受限。请登录或开始试用以查看此内容。

讨论

LSM 是研究人脑功能结构的有力工具。在任何病灶-症状映射研究中，一个关键步骤是对影像数据进行预处理、病灶分割以及将图像配准至脑模板。本文介绍了一种用于病灶-症状映射的标准化病灶分割与配准流程。该方法可使用免费的图像处理工具完成，适用于 CT 和结构 MRI 扫描图像的处理，并涵盖了为病灶-症状映射分析准备影像数据的完整流程。

脑成像数据用于病灶-症状映射分析时，首要的处理步骤是病灶分割。本方案提供了一个详细的教程，包括梗死区域勾画的标准、多个示例以及常见误区，以促进准确且可重复的分割操作。如本方案所述并总结于表1中，每种扫描类型都有其可用于梗死分割的特定时间窗口。卒中发作后数小时内，弥散加权成像（DWI）即可显示梗死灶：在DWI上呈高信号，同时在表观弥散系数（ADC）图上呈低信号（反映细胞毒性水肿导致的水分子弥散受限）；而其他MRI序列（包括FLAIR序列）以及CT扫描在48小时内检测梗死灶的敏感性不足，难以可靠识别39。卒中发生一周后，随着血管源性水肿的发展，ADC图像逐渐变为等信号，最终转为高信...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在利益冲突。

致谢

Biesbroek 博士的工作得到了乌得勒支大学医学中心 Rudolf Magnus 脑科学中心青年人才奖学金的支持。本研究工作及 Meta VCI Map 联合项目同时得到了荷兰健康研究与发展组织（ZonMw）授予 Geert Jan Biessels 的 Vici 项目资助（项目编号：918.16.616）。作者谨此感谢 Tanja C.W. Nijboer 博士分享用于其中一幅图的扫描图像。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
dcm2niixN/AN/A免费下载 https://github.com/rordenlab/dcm2niix
ITK-SNAPN/AN/A免费下载 www.itksnap.org
MATLABMathWorksN/A版本 2015a 或更高
MRIcronN/AN/A免费下载 https://www.nitrc.org/projects/mricron
RegLSMN/AN/A免费下载 www.metavcimap.org/support/software-tools
SPM12bN/AN/A免费下载 https://www.fil.ion.ucl.ac.uk/spm/

参考文献

  1. Rorden, C., Karnath, H. O. Using human brain lesions to infer function: A relic from a past era in the fMRI age. Nature Reviews Neuroscience. 5 (10), 812-819 (2004).
  2. Biesbroek, J. M., Weaver, N. A., Biessels, G. J. Lesion location and cognitive impact of cerebral small vessel disease. Clinical Science (London, England: 1979). 131 (8), 715-728 (2017).
  3. Karnath, H. O., Sperber, C., Rorden, C. Mapping human brain lesions and their functional consequences. NeuroImage. 165, 180-189 (2018).
  4. Zhao, L., et al. Strategic infarct location for post-stroke cognitive impairment: A multivariate lesion-symptom mapping study. Journal of Cerebral Blood Flow and Metabolism An Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 38 (8), 1299-1311 (2018).
  5. Weaver, N. A., et al. The Meta VCI Map consortium for meta-analyses on strategic lesion locations for vascular cognitive impairment using lesion-symptom mapping: design and multicenter pilot study. Alzheimer's and Dementia: Diagnosis, Assessment and Disease Monitoring. , (2019).
  6. Biesbroek, J. M., et al. Impact of Strategically Located White Matter Hyperintensities on Cognition in Memory Clinic Patients with Small Vessel Disease. PLoS One. 11 (11), e0166261(2016).
  7. de Haan, B., Karnath, H. O., et al. A hitchhiker's guide to lesion-behaviour mapping. Neuropsychologia. 115, 5-16 (2018).
  8. Duering, M., et al. Strategic role of frontal white matter tracts in vascular cognitive impairment: A voxel-based lesion-symptom mapping study in CADASIL. Brain. 134 (Pt8), 2366-2375 (2011).
  9. Biesbroek, J. M., et al. Association between subcortical vascular lesion location and cognition: a voxel-based and tract-based lesion-symptom mapping study. The SMART-MR study. PLoS One. 8 (4), e60541(2013).
  10. Wu, O., et al. Role of Acute Lesion Topography in Initial Ischemic Stroke Severity and Long-Term Functional Outcomes. Stroke. 46 (9), 2438-2444 (2015).
  11. Mah, Y. H., Husain, M., Rees, G., Nachev, P. Human brain lesion-deficit inference remapped. Brain. 137 (Pt8), 2522-2531 (2014).
  12. Sperber, C., Karnath, H. O. Impact of correction factors in human brain lesion-behavior inference. Human Brain Mapping. 38 (3), 1692-1701 (2017).
  13. Chen, R., Herskovits, E. H. Voxel-based Bayesian lesion-symptom mapping. NeuroImage. 49 (1), 597-602 (2010).
  14. Zhang, Y., Kimberg, D. Y., Coslett, H. B., Schwartz, M. F., Wang, Z. Multivariate lesion-symptom mapping using support vector regression. Human Brain Mapping. 35 (12), 5861-5876 (2014).
  15. Corbetta, M., et al. Common behavioral clusters and subcortical anatomy in stroke. Neuron. 85 (5), 927-941 (2015).
  16. Biesbroek, J. M. The anatomy of visuospatial construction revealed by lesion-symptom mapping. Neuropsychologia. 62, 68-76 (2014).
  17. Duering, M., et al. Strategic white matter tracts for processing speed deficits in age-related small vessel disease. Neurology. 82 (22), 1946-1950 (2014).
  18. Yourganov, G., Fridriksson, J., Rorden, C., Gleichgerrcht, E., Bonilha, L. Multivariate Connectome-Based Symptom Mapping in Post-Stroke Patients: Networks Supporting Language and Speech. The Journal of Neuroscience. 36 (25), 6668-6679 (2016).
  19. Zavaglia, M., Forkert, N. D., Cheng, B., Gerloff, C., Thomalla, G., Hilgetag, C. C. Mapping causal functional contributions derived from the clinical assessment of brain damage after stroke. NeuroImage: Clinical. 9, 83-94 (2015).
  20. Klein, S., Staring, M., Murphy, K., Viergever, M. A., Pluim, J. P. W. Elastix: A toolbox for intensity-based medical image registration. IEEE Transactions on Medical Imaging. 29, 196-205 (2010).
  21. Kuijf, H. J., Biesbroek, J. M., Viergever, M. A., Biessels, G. J., Vincken, K. L. Registration of brain CT images to an MRI template for the purpose of lesion-symptom mapping. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics. , (2013).
  22. Rorden, C., Bonilha, L., Fridriksson, J., Bender, B., Karnath, H. O. Age-specific CT and MRI templates for spatial normalization. NeuroImage. 61, 957-965 (2012).
  23. Barrett, J. F., Keat, N. Artifacts in CT: Recognition and Avoidance. RadioGraphics. , (2007).
  24. Zhuo, J., Gullapalli, R. P. AAPM/RSNA physics tutorial for residents: MR artifacts, safety, and quality control. Radiographics: a review publication of the Radiological Society of North America, Inc. , (2007).
  25. Rorden, C., Brett, M. Stereotaxic display of brain lesions. Behavioural Neurology. 12 (4), 191-200 (2000).
  26. Gorgolewski, K. J., et al. The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data. 3, 160044(2016).
  27. Yushkevich, P. A., et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. NeuroImage. 31 (3), 1116-1128 (2006).
  28. Becker, H., Desch, H., Hacker, H., Pencz, A. CT fogging effect with ischemic cerebral infarcts. Neuroradiology. 18 (4), 185-192 (1979).
  29. Kingsley, P. B., Monahan, W. G. Selection of the Optimum b Factor for Diffusion-Weighted Magnetic Resonance Imaging Assessment of Ischemic Stroke. Magnetic Resonance in Medicine. 51, 996-1001 (2004).
  30. Shen, J. M., Xia, X. W., Kang, W. G., Yuan, J. J., Sheng, L. The use of MRI apparent diffusion coefficient (ADC) in monitoring the development of brain infarction. BMC Medical Imaging. 11 (2), (2011).
  31. Lansberg, M. G., et al. Evolution of apparent diffusion coefficient, diffusion-weighted, and T2-weighted signal intensity of acute stroke. American Journal of Neuroradiology. 22 (4), 637-644 (2001).
  32. Geijer, B., Sundgren, P. C., Lindgren, A., Brockstedt, S., Ståhlberg, F., Holtås, S. The value of b required to avoid T2 shine-through from old lacunar infarcts in diffusion-weighted imaging. Neuroradiology. 43, 511-517 (2001).
  33. Wardlaw, J. M. Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. The Lancet Neurology. 12, 822-838 (2013).
  34. Fonov, V., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., Collins, D. L. Unbiased average age-appropriate atlases for pediatric studies. NeuroImage. 54 (1), 313-327 (2011).
  35. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  36. Desikan, R. S. An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest. NeuroImage. 31 (3), 968-980 (2006).
  37. Hua, K. Tract probability maps in stereotaxic spaces: Analyses of white matter anatomy and tract-specific quantification. NeuroImage. 39 (1), 336-347 (2008).
  38. Eickhoff, S. B., et al. A new SPM toolbox for combining probabilistic cytoarchitectonic maps and functional imaging data. NeuroImage. 25 (4), 1325-1335 (2005).
  39. Ricci, P. E., Burdette, J. H., Elster, A. D., Reboussin, D. M. A comparison of fast spin-echo, fluid-attenuated inversion-recovery, and diffusion-weighted MR imaging in the first 10 days after cerebral infarction. American Journal of Neuroradiology. 20 (8), 1535-1542 (1999).
  40. Eastwood, J. D., Engelter, S. T., MacFall, J. F., Delong, D. M., Provenzale, J. M. Quantitative assessment of the time course of infarct signal intensity on diffusion-weighted images. American Journal of Neuroradiology. 24 (4), 680-687 (2003).
  41. Wardlaw, J. M. What is a lacune? Stroke. 39, 2921-2922 (2008).
  42. Kate, M. P. Dynamic Evolution of Diffusion-Weighted Imaging Lesions in Patients With Minor Ischemic Stroke. Stroke: a Journal of Cerebral Circulation. 46, 2318-2341 (2015).
  43. Inoue, M. Early diffusion-weighted imaging reversal after endovascular reperfusion is typically transient in patients imaged 3 to 6 hours after onset. Stroke. 45, 1024-1028 (2014).
  44. Campbell, B. C. V. The infarct core is well represented by the acute diffusion lesion: Sustained reversal is infrequent. Journal of Cerebral Blood Flow and Metabolism. 32 (1), (2012).
  45. Sperber, C., Karnath, H. O. On the validity of lesion-behaviour mapping methods. Neuropsychologia. 115, 17-24 (2018).
  46. Hillis, A. E., et al. Restoring Cerebral Blood Flow Reveals Neural Regions Critical for Naming. Journal of Neuroscience. 26 (31), 8069-8073 (2006).
  47. Wilke, M., de Haan, B., Juenger, H., Karnath, H. O. Manual, semi-automated, and automated delineation of chronic brain lesions: A comparison of methods. NeuroImage. 56 (4), 2038-2046 (2011).
  48. Zhang, R., et al. Automatic Segmentation of Acute Ischemic Stroke From DWI Using 3-D Fully Convolutional DenseNets. IEEE Transactions on Medical Imaging. 37 (9), 2149-2160 (2018).
  49. Biesbroek, J. M., et al. Distinct anatomical correlates of discriminability and criterion setting in verbal recognition memory revealed by lesion-symptom mapping. Human Brain Mapping. 36 (4), 1292-1303 (2015).
  50. Biesbroek, J. M., van Zandvoort, M. J. E., Kappelle, L. J., Velthuis, B. K., Biessels, G. J., Postma, A. Shared and distinct anatomical correlates of semantic and phonemic fluency revealed by lesion-symptom mapping in patients with ischemic stroke. Brain Structure & Function. 221 (4), 2123-2134 (2016).
  51. Ten Brink, F. A., et al. The right hemisphere is dominant in organization of visual search-A study in stroke patients. Behavioural Brain Research. 304, 71-79 (2016).
  52. Pluim, J. P. W., Maintz, J. B. A. A., Viergever, M. A. Mutual-information-based registration of medical images: A survey. IEEE Transactions on Medical Imaging. 22 (8), 986-1004 (2003).
  53. Zhao, L., et al. The additional contribution of white matter hyperintensity location to post-stroke cognitive impairment: Insights from a multiple-lesion symptom mapping study. Frontiers in Neuroscience. 12 (MAY), (2018).

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

图像配准脑模板对齐CT与MRI处理ITK SNAP软件RegLSM配准MNI152模板手动校正体素水平分析
脑梗死病灶在MRI或CT上的分割与配准用于病灶-症状映射
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。