Registro conjunto multimodal entre dispositivos y sin marcadores de modalidades de imagen preclínica
October 27th, 2023
La combinación de múltiples modalidades de imagen es a menudo necesaria para obtener una comprensión completa de la fisiopatología. Este enfoque utiliza fantasmas para generar una transformación diferencial entre los sistemas de coordenadas de dos modalidades, que luego se aplica para el corregistro. Este método elimina la necesidad de fiduciales en los escaneos de producción.
Desarrollamos herramientas de software para la obtención de imágenes preclínicas, incluida la reconstrucción, fusión, segmentación y cuantificación de imágenes. Nuestro software está diseñado para ser fácil de usar, eficiente y compatible con cualquier dispositivo de imagen de animales pequeños para permitir un análisis cuantitativo reproducible de los datos de imagen multimodal adquiridos. La automatización es un tema importante en nuestro campo porque el análisis manual suele llevar demasiado tiempo, es propenso a errores y difícilmente reproducible.
La automatización basada en software puede hacer que el análisis sea eficiente y reproducible, pero el desafío está en hacer que la automatización sea lo suficientemente robusta. Los dispositivos de imagen para animales pequeños proporcionan datos de imagen volumétrica de ratones y ratas de laboratorio anestesiados, y permiten la evaluación no invasiva de los cambios patológicos y fisiológicos. Los dispositivos multimodales integrados combinan los puntos fuertes de múltiples modalidades, como Micro-CT y PET.
También es posible combinar dos dispositivos separados. Desarrollamos software para la fusión automatizada de modalidades especiales, como Micro-CT y FMT. También proporcionamos un software eficiente para la fusión interactiva de imágenes y definimos un nuevo formato de archivo para almacenar los datos de la imagen, considerando aspectos de la curación de datos.
El año pasado, publicamos un enfoque para la compuerta respiratoria retrospectiva en entornos de alto rendimiento. Nuestro protocolo reside en una matriz de transformación, que se genera mediante un paso de calibración que involucra estructuras visibles como marcadores de referencia. Luego, la fusión de imágenes se puede automatizar utilizando esta matriz de transformación, lo que elimina la necesidad de marcadores.
Visión general
Este estudio presenta herramientas de software diseñadas para imágenes preclánicas, enfocándose en la automatización para el análisis de imágenes multimodales. Las herramientas mejoran la eficiencia y reproducibilidad en el análisis de datos de imágenes volumétricas de dispositivos de imagen de animales pequeños.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Técnicas de imagen
- Desarrollo de software
Fundamentos
- Las imágenes preclánicas son esenciales para entender los cambios fisiológicos y patológicos.
- El análisis manual de los datos de imagen a menudo consume mucho tiempo y es propenso a errores.
- La automatización puede mejorar la eficiencia y reproducibilidad del análisis de imágenes.
- Los dispositivos multimodales integrados combinan las fortalezas de varias modalidades de imagen.
Propósito del estudio
- Desarrollar software fácil de usar para la fusión y análisis automatizados de imágenes.
- Eliminar la necesidad de fídulos en el registro de imágenes.
- Permitir un análisis cuantitativo reproducible de datos de imagen multimodal.
Métodos utilizados
- Desarrollo de herramientas de software para la fusión, segmentación y cuantificación de datos de imagen.
- Automatización de la fusión de imágenes usando matrices de transformación derivadas de pasos de calibración.
- Integración de datos de imagen de dispositivos como micro CT y PET.
- Implementación de interfaces fáciles de usar para cargar y analizar imágenes.
Resultados principales
- La fusión automatizada de modalidades de imagen se logró con éxito sin fídulos.
- Las herramientas de software demostraron eficiencia en el manejo de datos volumétricos de animales pequeños.
- Se definieron nuevos formatos de archivo para una mejor curación y almacenamiento de datos.
- Se validaron el gating respiratorio retrospetivo y los ajustes de alto rendimiento.
Conclusiones
- El software desarrollado mejora el análisis de datos de imágenes multimodales.
- La automatización reduce significativamente el tiempo y los errores asociados con el análisis manual.
- Este enfoque puede facilitar evaluaciones más precisas en la investigación preclánica.
Preguntas frecuentes
Chapters in this video
0:00
Introduction
2:01
Calculation of the Differential Transformation for Cross‐Device Co‐Registration of Two Preclinical Imaging Modalities
6:10
Application of the Differential Transformation for Cross‐Device Co‐Registration of Two Preclinical Imaging Modalities
