Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Segmentation et inscription à l'IRM ou à la tordeur pour la cartographie des symptômes de lésions

49.1K vues

⸱

DOI :

10.3791/59653

⸱

25 septembre 2019

 ,  ,  ,  ,  , 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

Dans cet article

Résumé

Fourni ici est un tutoriel pratique pour un libre accès, pipeline de traitement d'image standardisé dans le but de la cartographie des lésions-symptômes. Une procédure pas à pas est prévue étape par étape pour chaque étape de traitement, de la segmentation des infarctus manuels sur la tomodensitométrie/IRM à l'enregistrement ultérieur à l'espace standard, ainsi que des recommandations pratiques et des illustrations avec des cas exemplaires.

Résumé

Dans la cartographie de lésion-symptôme (LSM), la fonction de cerveau est déduite en reliant l'endroit des lésions cérébrales acquises aux symptômes comportementaux ou cognitifs dans un groupe de patients. Avec les progrès récents dans l'imagerie cérébrale et le traitement de l'image, LSM est devenu un outil populaire dans les neurosciences cognitives. LSM peut fournir des informations fondamentales sur l'architecture fonctionnelle du cerveau humain pour une variété de fonctions cognitives et non cognitives. Une étape cruciale dans l'exécution des études de LSM est la segmentation des lésions sur des balayages de cerveau d'un grand groupe de patients et l'enregistrement de chaque balayage à un espace stéréotaxique commun (également appelé espace standard ou modèle normalisé de cerveau). Il est décrit ici comme une méthode normalisée en libre accès pour la segmentation et l'enregistrement des infarctus aux fins du LSM, ainsi qu'une procédure pas à pas détaillée et pratique basée sur des cas exemplaires. Un didacticiel complet pour la segmentation manuelle des infarctus du cerveau sur les tomodensitométries et les séquences d'IRM DWI ou FLAIR est fourni, y compris des critères d'identification des infarctus et des pièges pour différents types d'analyse. Le logiciel d'enregistrement fournit plusieurs systèmes d'enregistrement qui peuvent être utilisés pour le traitement des données de Tomodensitométrie et d'IRM avec des paramètres d'acquisition hétérogènes. Un tutoriel sur l'utilisation de ce logiciel d'enregistrement et l'exécution des contrôles de qualité visuelle et des corrections manuelles (qui sont nécessaires dans certains cas) est fourni. Cette approche fournit aux chercheurs un cadre pour l'ensemble du processus de traitement de l'image cérébrale nécessaire pour effectuer une étude LSM, de la collecte des données aux vérifications de la qualité finale des résultats.

Introduction

La cartographie des lésions-symptômes (LSM), également appelée cartographie lésion-comportement, est un outil important pour étudier l'architecture fonctionnelle du cerveau humain1. Dans les études de lésion, la fonction de cerveau est déduite et localisée en étudiant des patients présentant des lésions cérébrales acquises. Les premières études de cas liant les symptômes neurologiques à des endroits spécifiques du cerveau réalisés au XIXe siècle ont déjà fourni des informations fondamentales sur les corrélations anatomiques du langage et de plusieurs autres processus cognitifs2. Pourtant, les corrélations neuroanatomiques de nombreux aspects de la cognition et d'autres fonctions cérébrales sont restées insaisissables. Au cours des dernières décennies, l'amélioration des méthodes d'imagerie structurale du cerveau et les progrès techniques ont permis des études In vivo LSM à grande échelle avec une résolution spatiale élevée (c.-à-d. au niveau des voxels individuels ou des régions d'intérêt corticales/subcorticales spécifiques)1 ,2. Avec ces progrès méthodologiques, LSM est devenu une méthode de plus en plus populaire dans les neurosciences cognitives et continue d'offrir de nouvelles perspectives sur la neuroanatomie de la cognition et les symptômes neurologiques3. Une étape cruciale dans n'importe quelle étude de LSM est la segmentation précise des lésions et l'enregistrement à un modèle de cerveau. Cependant, un tutoriel complet pour le prétraitement des données d'imagerie cérébrale à des fins de LSM fait défaut.

Fourni ici est un tutoriel complet pour une segmentation des lésions standardisées et la méthode d'enregistrement. Cette méthode fournit aux chercheurs un pipeline pour le traitement normalisé de l'image cérébrale et une vue d'ensemble des pièges potentiels qui doivent être évités. Le pipeline de traitement d'images présenté a été développé grâce à des collaborations internationales4 et fait partie du cadre du consortium de cartes Meta VCI récemment fondé, dont le but est d'effectuer des études multicentriques de cartographie des lésions-symptômes dans troubles cognitifs vasculaires 'lt;www.metavcimap.org 'gt;5. Cette méthode a été conçue pour traiter les tomodensitométries et les IRM de plusieurs fournisseurs et de protocoles d'analyse hétérogènes afin de permettre le traitement combiné des ensembles de données d'imagerie provenant de différentes sources. Le logiciel RegLSM requis et tous les autres logiciels nécessaires à ce protocole sont disponibles gratuitement, à l'exception de MATLAB, qui nécessite une licence. Ce tutoriel se concentre sur la segmentation et l'enregistrement des infarctus du cerveau, mais ce pipeline de traitement d'image peut également être utilisé pour d'autres lésions, telles que les hyperintensités de matière blanche6.

Avant de lancer une étude LSM, une compréhension de base des concepts généraux et des pièges est nécessaire. Plusieurs lignes directrices détaillées et un guide de l'auto-stoppeur sont disponibles1,3,6. Cependant, ces commentaires ne fournissent pas un tutoriel pratique détaillé pour les étapes pratiques impliquées dans la collecte et la conversion des scanners cérébraux à un format approprié, segmenter l'infarctus du cerveau, et l'enregistrement des scans à un modèle de cerveau. Le présent document fournit un tel tutoriel. Les concepts généraux de LSM sont fournis dans l'introduction avec des références pour une lecture plus approfondie sur le sujet.

Objectif général des études cartographiques des lésions-symptômes

Du point de vue de la neuropsychologie cognitive, les lésions cérébrales peuvent être utilisées comme condition modèle pour mieux comprendre les fondements neuronaux de certains processus cognitifs et pour obtenir une image plus complète de l'architecture cognitive du cerveau1 . Il s'agit d'une approche classique en neuropsychologie qui a été appliquée pour la première fois dans les études post-mortem au XIXe siècle par des pionniers comme Broca et Wernicke2. À l'ère de l'imagerie cérébrale fonctionnelle, l'approche de la lésion est restée un outil crucial en neurosciences, car elle fournit la preuve que les lésions dans une région spécifique du cerveau perturbent la performance des tâches, tandis que les études d'imagerie fonctionnelle démontrent les régions du cerveau qui sont activé pendant la performance de la tâche. En tant que telles, ces approches fournissent des informations complémentaires1.

Du point de vue de la neurologie clinique, les études de LSM peuvent clarifier la relation entre l'emplacement de lésion et le fonctionnement cognitif dans les patients présentant des infarctus symptomatiques aigus, des hyperintensités de matière blanche, des lacunes, ou d'autres types de lésion (par exemple, tumeurs ). Des études récentes ont montré que de telles lésions dans les régions stratégiques du cerveau sont plus pertinentes dans l'explication de la performance cognitive que la charge de lésion globale2,5,7,8. Cette approche a le potentiel d'améliorer la compréhension de la physiopathologie des troubles complexes (dans cet exemple, déficience cognitive vasculaire) et peut fournir des occasions de développer de nouveaux outils diagnostiques et pronostiques ou de soutenir le traitement stratégies2.

LSM a également des applications au-delà du domaine de la cognition. En fait, n'importe quelle variable peut être liée à l'emplacement de lésion, y compris les symptômes cliniques, les biomarqueurs, et les résultats fonctionnels. Par exemple, une étude récente a déterminé les endroits infarctus qui étaient prédictifs des résultats fonctionnels après course ischémique10.

Voxel-basé par rapport à la région de la cartographie des lésions-symptômes basée sur les intérêts

Pour effectuer la cartographie des symptômes de lésion, les lésions doivent être segmentées et enregistrées sur un modèle cérébral. Pendant la procédure d'enregistrement, le cerveau de chaque patient est aligné spatialement (c.-à-d., normalisé ou enregistré à un modèle commun) pour corriger les différences dans la taille, la forme, et l'orientation de cerveau de sorte que chaque voxel dans la carte de lésion représente le même anatomique structure pour tous les patients7. Dans l'espace standard, plusieurs types d'analyses peuvent être effectuées, qui sont brièvement résumées ici.

Une analyse brute de lésion-soustraction peut être exécutée pour montrer la différence dans la distribution de lésion dans les patients présentant des déficits comparés aux patients sans déficits. La carte de soustraction qui en résulte montre des régions qui sont le plus souvent endommagées chez les patients présentant des déficits et épargnées chez les patients sansdéficits 1. Bien qu'une analyse de lésion-soustraction puisse fournir quelques aperçus dans les corrélations d'une fonction spécifique, elle ne fournit aucune preuve statistique et est maintenant la plupart du temps employée quand la taille d'échantillon est trop basse pour fournir assez de puissance statistique pour voxel-basé lésion-symptôme Cartographie.

Dans la cartographie des lésions-symptômes à base de voxel, une association entre la présence d'une lésion et la performance cognitive est déterminée au niveau de chaque voxel individuel dans le cerveau (Figure 1). Le principal avantage de cette méthode est la haute résolution spatiale. Traditionnellement, ces analyses ont été effectuées dans une approche de masse-univariate, qui justifie la correction pour les essais multiples et introduit un biais spatial causé par des corrélations inter-voxel qui ne sont pas prises en compte1,10 , 11. Approches récemment développées qui tiennent compte des corrélations inter-voxel (généralement appelées méthodes de cartographie multivariées lésion-symptôme, telles que l'analyse bayésienne13, la régression des vecteurs de soutien4, 14, ou d'autres algorithmes d'apprentissage automatique15) montrent des résultats prometteurs et semblent améliorer la sensibilité et la spécificité des résultats des analyses LSM voxel-sage par rapport aux méthodes traditionnelles. L'amélioration et la validation des méthodes multivariées pour le LSM voxel-sage est un processus continu. Le meilleur choix de méthode pour la cartographie spécifique de lésion-symptôme dépend de beaucoup de facteurs, y compris la distribution des lésions, la variable de résultat, et les hypothèses statistiques sous-jacentes des méthodes.

Dans la cartographie des lésions-symptômes basée sur la région d'intérêt (ROI), une association entre le fardeau de lésions dans une région spécifique du cerveau et la performance cognitive est déterminée (voir la figure 1 dans Biesbroek et al.2 pour une illustration). Le principal avantage de cette méthode est qu'elle considère la charge cumulative de lésion dans une structure anatomique, qui dans certains cas peut être plus instructive qu'une lésion dans un seul voxel. D'autre part, les analyses basées sur le retour sur investissement ont un pouvoir limité pour détecter les modèles qui ne sont présents que dans un sous-ensemble de voxels dans la région16. Traditionnellement, la cartographie de lésion-symptôme basée sur le roi-roi est exécutée utilisant la régression logistique ou linéaire. Récemment, des méthodes multivariées qui traitent mieux de la collinearité ont été introduites (par exemple, l'analyse du réseau bayésien17, la régression des vecteurs de soutien4,18, ou d'autres algorithmes d'apprentissage automatique19), qui peuvent améliorer la spécificité des résultats des études de cartographie de lésion-symptôme.

Sélection des patients

Dans les études sur les LSM, les patients sont habituellement sélectionnés en fonction d'un type de lésion spécifique (p. ex., des infarctus du cerveau ou des hyperintensités de la matière blanche) et de l'intervalle de temps entre le diagnostic et l'évaluation neuropsychologique (p. ex., un aVC aigu ou un accident vasculaire cérébral chronique). La conception optimale de l'étude dépend de la question de recherche. Par exemple, lorsqu'ils étudient l'architecture fonctionnelle du cerveau humain, les patients ayant subi un AVC aigu sont idéalement inclus parce que la réorganisation fonctionnelle n'a pas encore eu lieu à ce stade, alors que les patients atteints d'AVC chronique devraient être inclus dans l'étude de la effets à long terme de l'AVC sur la cognition. Une description détaillée des considérations et des pièges dans la sélection des patients est fournie ailleurs7.

Prétraitement d'image de cerveau pour le but de la cartographie de lésion-symptôme

La segmentation précise de lésion et l'enregistrement à un modèle commun de cerveau sont des étapes cruciales dans la cartographie de lésion-symptôme. La segmentation manuelle des lésions reste l'étalon-or pour de nombreux types de lésions, y compris les infarctus7. Fourni est un tutoriel détaillé sur les critères de segmentation des infarctus manuels sur les tomodensitométries, l'imagerie pondérée par diffusion (DWI), et la récupération de l'inversion des fluides atténués (FLAIR) séquences IRM dans les deux stades aigus et chroniques. Les infarctus segmentés (c.-à-d. les cartes de lésion binaire 3D) doivent être enregistrés avant toute analyse à travers le sujet. Ce protocole utilise la méthode d'enregistrement RegLSM, qui a été développé dans un cadre multicentrique4. RegLSM applique des algorithmes d'enregistrement linéaires et non linéaires basés sur elastix20 pour la ToMode et l'IRM, avec une étape supplémentaire de traitement de la tomodensitométrie spécialement conçue pour améliorer la qualité d'enregistrement des tomodensitométries21. En outre, RegLSM permet d'utiliser différents modèles de cerveau cible et une étape d'enregistrement intermédiaire (facultatif) à un modèle CT/MRI spécifique à l'âge22. La possibilité de traiter à la fois les tomodensitométries et les IRM et sa personnalisation en ce qui concerne les modèles de cerveau intermédiaire et cible fait de RegLSM un outil de traitement d'image très approprié pour LSM. L'ensemble du processus de préparation et de segmentation des tomodensitométries/IRM, l'enregistrement à un modèle cérébral et les corrections manuelles (si nécessaire) sont décrits dans la section suivante.

Segmentation de l’infarctus, enregistrement, cartographie de la superposition des lésions dans les scintigraphies cérébrales ; Résultats d’analyses statistiques.
Figure 1 : Illustration schématique du concept de cartographie des lésions-symptômes à base de voxel. La partie supérieure montre les étapes de pré-traitement de l'image cérébrale consistant à segmenter la lésion (un infarctus aigu dans ce cas) suivie de l'enregistrement à un modèle de cerveau (le modèle MNI-152 dans ce cas). Ci-dessous, une partie de la carte de lésion binaire enregistrée du même patient est montrée comme une grille 3D, où chaque cube représente un voxel. Pris avec les cartes de lésion de 99 autres patients, une carte de la pariure de lésion est produite. Pour chaque voxel, un test statistique est effectué pour déterminer l'association entre l'état de lésion et la performance cognitive. Le test chi-carré montré ici n'est qu'un exemple, n'importe quel test statistique pourrait être utilisé. Typiquement, des centaines de milliers de voxels sont testés dans tout le cerveau, suivi d'une correction pour de multiples comparaisons. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Ce protocole suit les lignes directrices de notre comité d'éthique de la recherche humaine des institutions.

1. Collecte de scans et de données cliniques

  1. Recueillir des tomodensitométries cérébrales ou IRM de patients ayant subi un AVC ischémique. La plupart des scanners enregistrent les scans sous forme de fichiers DICOM (Digital Imaging and Communications in Medicine) qui peuvent être copiés sur un disque dur ou un serveur.
    REMARQUE: Les balayages de chaque type de scanner, protocole d'analyse, et force de champ d'IRM peuvent être employés, aussi longtemps que 1) les exigences de fenêtre de temps pour le type utilisé de balayage sont remplies (voir le tableau 1) et 2) il n'y a aucun artefacts qui entravent la délimitation infarctus précise. Un tutoriel détaillé sur la détection des artefacts sur la tomodensitométrie et l'IRM est fourni ailleurs23,24. Un exemple d'artefacts de mouvement courant sur cT est fourni à la figure 2, et des exemples d'analyse de bonne qualité sont fournis dans les cas exemplaires dans la section des résultats. Les infarctus peuvent être segmentés sur des scans avec n'importe quelle épaisseur de tranche et n'importe quelle résolution d'image dans l'avion. Cependant, de fines tranches et une résolution élevée dans l'avion permettront une représentation plus précise de l'infarctus du modèle cérébral.
  2. Recueillir les variables cliniques dans un fichier de données (p. ex., Excel) en faisant des lignes séparées pour chaque cas et des colonnes pour chaque variable clinique. Pour la segmentation des infarctus, inclure au moins la date variable de l'AVC et la date de l'imagerie ou une variable qui indique l'intervalle de temps entre l'AVC et l'imagerie.
  3. Veiller à ce que les lignes directrices et les règlements éthiques en matière de protection de la vie privée soient respectés. Assurez-vous que les données sont anonymisées ou codées. Portez une attention particulière à la suppression des données sur les patients telles que le nom, l'adresse et la date de naissance qui sont stockées dans les fichiers DICOM sous forme de balises. Ces balises peuvent être effacées à l'aide de dcm2niix (téléchargement gratuit disponible à l'adresse https://github.com/rordenlab/dcm2niix-gt;)25.

2. Conversion d'images DICOM en fichiers Nifti

  1. Pour convertir les images DICOM en fichiers nifti non compressés à l'aide de l'outil dcm2niix, tapez "[chemin de dossier de dcm2niix.exe] -dcm2niix %d'%p [chemin de dossier des fichiers dicom]" dans l'invite de commande. Un exemple de la commande avec les chemins de dossiers insérés pourrait être C: 'users'matthijs'dcm2niix %d'%p C: 'users'matthijs'dicom'. Cette commande exécutera l'exécutable dcm2niix, convertira les images DICOM dans le dossier sélectionné et enregistrera les fichiers nifti dans le même dossier.
    REMARQUE: L'ajout %d%p garantit que la description de la série et le nom du protocole sont insérés dans le nom du fichier. D'autres fonctionnalités, y compris des options de conversion par lots, sont fournies dans le manuel de dcm2niix à l'adresse suivante : https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii:MainPage.. D'autres outils open source peuvent également être utilisés pour la conversion d'images DICOM en fichiers nifti.
  2. Assurez-vous que le nom du type d'analyse (CT, FLAIR, DWI ou d'autres noms de séquence) est copié dans le nom du fichier lors de la conversion (cette option est disponible en dcm2niix).
  3. Pour les IRM, sélectionnez séquences DWI ou FLAIR pour la segmentation. Alternativement, toute autre séquence structurelle sur laquelle l'infarctus est visible peut être utilisée. Voir tableau 1 pour les fenêtres de temps appropriées après un aVC dans lequel CT, DWI ou FLAIR peuvent être utilisés pour la segmentation des infarctus.
  4. Organisez les fichiers nifti dans une structure de dossier pratique avec un sous-dossier pour chaque cas (voir le manuel de RegLSM et la figure supplémentaire 1). Ce manuel peut être téléchargé à partir de lt;www.metavcimap.org/support/software-tools..
    REMARQUE: Cette structure de dossier est une exigence pour le logiciel d'enregistrement RegLSM (voir la section 4). Une mise à jour de RegLSM, ce qui en fait BIDS (structure de données d'imagerie cérébrale26, voir 'lt;http://bids.neuroimaging.io'gt;) compatible, est actuellement en cours de développement et sera bientôt publié.

3. Segmentation infarctus

  1. Remarques générales s'appliquant à tous les types d'analyse
    1. Assurez-vous que la personne qui effectue et évalue la segmentation et l'enregistrement est aveuglée par la variable de résultats (généralement une mesure cognitive) pour éviter les biais.
    2. Notez que les infarctus sont généralement segmentés sur des tranches transversales, mais la segmentation peut être effectuée dans n'importe quelle orientation de tranche.
    3. Assurer des conditions d'affichage idéales pendant la segmentation des infarctus en utilisant un écran haute résolution et une lumière ambiante optimale pour fournir un réglage confortable. Ajustez manuellement le contraste d'image pendant la segmentation pour fournir un contraste optimal entre les tissus sains du cerveau. Soyez cohérent dans l'application de paramètres similaires entre les sujets.
  2. Segmentation infarctus sur cT
    1. Vérifiez d'abord si le balayage a été exécuté au moins 24 h après début de symptôme d'AVC. Dans les 24 heures, l'infarctus aigu n'est pas ou seulement partiellement visible sur CT et l'analyse ne peut pas être utilisée pour la segmentation7. Voir Figure 3 pour une illustration.
    2. Ouvrez le CT natif à l'aide du logiciel ITK-SNAP (téléchargement gratuit disponible à lt;www.itksnap.org 'gt;)27. Dans ITK-SNAP, cliquez sur Fichier et ouvrez l'image principale du menu déroulant. Cliquez sur parcourir et sélectionnez le fichier pour ouvrir l'analyse. Si le paramètre de contraste par défaut offre un mauvais contraste entre le tissu cérébral sain et la lésion, ajustez les paramètres de contraste. Pour ce faire, cliquez sur Outils ' contraste d'image ' ajustement de contraste.
      REMARQUE: Tout logiciel open source peut également être utilisé.
    3. Si disponible, ouvrez un CT qui a été exécuté dans les 24 h après début de symptôme d'AVC dans une instance séparée comme référence pour distinguer l'infarctus aigu des vieilles lésions ischémiques telles que des lacunes, des infarctus (sous)cortical, ou des hyperintensities de matière blanche.
    4. Identifiez l'infarctus en fonction des caractéristiques suivantes. Les infarctus ont un signal faible (c.-à-d. hypodense) par rapport au tissu cérébral normal.
      1. Au stade aigu (premières semaines), de grands infarctus peuvent causer un effet de masse entraînant le déplacement des tissus environnants, la compression des ventricules, le décalage de la ligne médiane et l'oblitération du sulci. Il peut y avoir une transformation hémorragique qui est visible en tant que régions à fort signal (c.-à-d. hyperdens) dans l'infarctus.
      2. Dans le stade chronique (mois à années), l'infarctus se composera d'un centre hypodens cavitated (avec une densité similaire à celle du liquide céphalo-rachidien) et d'une jante moins hypodense qui représente le tissu cérébral endommagé. Le centre cavitated et la jante hypodens doivent être segmentés comme infarctus. En cas de grand infarctus, il peut y avoir un agrandissement ex vacuo de sulci ou de ventricules adjacents.
        REMARQUE: Le déplacement des tissus dû à l'effet de masse ou à l'élargissement ex vacuo des structures ne doit pas être corrigé pendant la segmentation (c.-à-d., seule l'étendue de l'infarctus doit être segmentée). La correction pour le déplacement des tissus a lieu pendant l'enregistrement et les étapes suivantes.
    5. Segmentez le tissu cérébral infarctus à l'aide du mode pinceau de la barre d'outils principale (clic gauche pour dessiner, clic droit à effacer). Alternativement, utilisez le mode polygone pour placer des points d'ancrage aux bordures de la lésion (ces points sont automatiquement connectés aux lignes) ou maintenez le bouton de la souris gauche tout en déplaçant la souris au-dessus des bordures de la lésion. Une fois que tous les points d'ancrage sont connectés, cliquez sur accepter de remplir la zone délimitée.
    6. Évitez la phase de brouillard, qui se réfère à la phase dans laquelle l'infarctus devient isodense sur CT (qui co-se produit avec l'infiltration du tissu infarctus avec des phagocytes). Cela se produit généralement 14-21 jours après le début de l'AVC, mais dans de rares cas peut se produire encore plus tôt28. Pendant cette période, l'infarctus peut devenir invisible ou ses limites deviennent moins claires, ce qui rend cette étape impropre à la segmentation infarctus. Après la phase de brouillard, la lésion devient hypodense à nouveau lorsque la cavitation et la gliose se produisent. Voir La figure 4 pour deux exemples.
    7. Après avoir terminé la segmentation, enregistrez-le sous forme de fichier nifti binaire dans le même dossier que l'analyse en cliquant sur la segmentation et enregistrer l'image de segmentation du menu déroulant, puis enregistrer la segmentation en lui donnant exactement le même nom que l'analyse segmentée, avec l'extension de .lesion (par exemple, si l'analyse a été enregistrée comme "ID001. CT.nii", sauf la segmentation comme "ID001. CT.lesion.nii").
  3. Segmentation infarctus sur DWI
    1. Vérifiez d'abord si le DWI a été effectué dans les 7 jours suivant le début de l'AVC. Les infarctus sont visibles sur DWI dans les heures qui suivent le début de l'AVC et leur visibilité sur DWI diminue progressivement après environ 7 jours (voir le paragraphe 2 de la discussion pour plus de détails).
    2. Ouvrez le DWI dans ITK-SNAP (de la même manière que fait à l'étape 3.2.2).
      REMARQUE: Une séquence DWI génère au moins deux images pour la plupart des protocoles d'analyse, l'une avec une valeur b 0, qui est une image standard pondérée par T2, et l'autre avec une valeur B plus élevée, qui est l'analyse qui capture les propriétés de diffusion réelles du tissu. Plus la valeur b est élevée, plus les effets de diffusion sont forts. Pour la détection des accidents vasculaires cérébraux ischémiques, une valeur b d'environ 1000 s/mm2 est souvent utilisée, car cela fournit un bon rapport contraste-bruit dans la plupart des cas29. L'image avec une valeur b élevée est utilisée pour la segmentation des infarctus.
    3. Ouvrez la séquence de coefficient de diffusion apparente (ADC) dans une instance distincte d'ITK-SNAP pour référence.
    4. Identifier et annoter le tissu cérébral infarctus en fonction du signal élevé (c.-à-d. hyperintense) sur le DWI et du signal faible (c.-à-d. hypointense) sur l'ADC (voir la figure 5). Les valeurs ADC dans l'infarctus augmentent graduellement jusqu'à ce que l'ADC normalise en moyenne 1 semaine après l'AVC30,mais dans certains cas, l'ADC peut déjà être (presque) normalisé après plusieurs jours s'il y a beaucoup d'œdème vasogène.
      REMARQUE: Dans les images DWI avec de faibles valeurs b, les lésions cérébrales avec un signal T2 élevé intrinsèque (comme les hyperintensités de la matière blanche) peuvent également apparaître hyperintenses. Ce phénomène est appelé T2 briller à travers31. Cependant, avec l'augmentation des valeurs b, ce phénomène devient moins pertinent, car le signal sur l'image DWI reflète plus fortement les propriétés de diffusion au lieu du signal T2 intrinsèque. Avec les protocoles modernes d'analyse DWI (généralement avec b-valeur 1000 ou plus), les effets de brillance T2 sont limités32.
    5. Ne confondez pas un signal DWI élevé près des interfaces entre l'air et les tissus ou les os, qui sont un artefact couramment observé, pour un infarctus. Voir Figure 5.
    6. Enregistrer l'annotation comme un fichier nifti binaire, lui donnant exactement le même nom que l'analyse segmentée, avec l'extension de .lesion (de la même manière que fait à l'étape 3.2.7).
  4. Segmentation infarctus sur FLAIR
    1. Tout d'abord, vérifiez si l'analyse a été effectuée 'gt;48 h après l'apparition des symptômes de l'AVC. Au stade hyperaigu, l'infarctus n'est généralement pas visible sur la séquence FLAIR ou les limites exactes de l'infarctus ne sont pas claires31 (voir La figure 6).
    2. Ouvrez le FLAIR dans ITK-SNAP de la même manière que lors de l'étape 3.2.2.
    3. Ouvrez le T1 une instance distincte d'ITK-SNAP pour référence, si disponible.
    4. Identifiez et segmentez le tissu cérébral infarctus en fonction des caractéristiques suivantes.
      1. Au stade aigu (premières semaines), l'infarctus est visible comme une lésion hyperintense plus ou moins homogène, avec ou sans gonflement apparent et effet de masse (Figure 5).
      2. Dans le stade chronique (mois à années), l'infarctus est cavitated, ce qui signifie que le centre devient hypo- ou isointense sur FLAIR. Cette cavité peut être identifiée avec le plus de précision sur le T1. Dans la plupart des cas, le centre cavitated est entouré d'une jante hyperintense sur le FLAIR, représentant la gliose. 33.
        REMARQUE: Cependant, il y a une quantité considérable de variation dans le degré de cavitation et de gliosis des infarctus chroniques. Segmentez à la fois la cavité et la jante hyperintense sous forme d'infarctus (voir l'étape 3.2.5). Une lésion hyperintense FLAIR n'est pas toujours un infarctus. Au stade aigu, on peut facilement distinguer les petits infarctus subcortical des hyperintensités de la matière blanche ou d'autres lésions chroniques telles que les lacunes d'origine vasculaire présumée lorsqu'il existe une DWI disponible (voir la figure 5). Dans le stade chronique, il peut être plus difficile. Voir le paragraphe 3 dans la discussion pour plus d'informations sur la façon de discriminer ces types de lésions à l'étape chronique.
    5. Enregistrer l'annotation comme un fichier nifti binaire, lui donnant exactement le même nom que l'analyse segmentée, avec l'extension de .lesion (de la même manière que fait à l'étape 3.2.7).
Type d'analyseFenêtre de temps après coursePropriétés infarctusAnalyse de référencePièges
Ct24 hAigu : hypodense-- Phase de brouillage
Chronique : cavité hypodense avec CSF et jante moins hypodense- Transformation hémorragique
Dwi7 joursHyperintenseADC: typiquement hypointense- T2 shinethrough
- Signal DWI élevé près des interfaces entre l'air et l'os/tissu
classe48 hAigu: hyperintenseAigu: DWI/ADC, T1 (isointense ou hypointense)- Hyperintensités de matière blanche
Chronique : hypointense ou isointense (cavité), jante hyperintenseChronique : T1 (cavité hypointense avec caractéristiques de CSF).- Lacunes

Tableau 1 : Sommaire des critères de segmentation des infarctus pour différents types d'analyse.

4. Inscription à l'espace standard

  1. Téléchargez RegLSM à partir de 'lt;www.metavcimap.org/features/software-tools'gt;4. Utilisez cet outil pour traiter les tomodensitométries et tout type de séquence IRM. La procédure d'enregistrement est illustrée à la figure 7.
    REMARQUE: Les caractéristiques facultatives de RegLSM comprennent l'enregistrement à un modèle intermédiaire de CT/MRI qui ressemble plus étroitement aux balayages des patients plus âgés présentant l'atrophie de cerveau22. Par défaut, l'analyse CT et IRM sont enregistrées sur le modèle34de l'INM-152, mais cela peut être remplacé par d'autres modèles si cela convient mieux à l'étude. Différents systèmes d'enregistrement sont illustrés à la figure 7. D'autres outils d'enregistrement open source peuvent également être utilisés pour cette étape.
  2. Vérifiez 1) si les fichiers nifti ne sont pas compressés, 2) que le nom de fichier de l'analyse segmentée contient le terme CT, FLAIR ou DWI, et 3) que le nom de fichier de l'annotation de lésions contient le même terme avec un ".lesion" joint. Si ces trois premières étapes sont suivies, les données sont entièrement préparées pour l'enregistrement et rien ne doit être changé.
  3. Ouvrez MATLAB (version 2015a ou plus), réglez le dossier actuel à RegLSM (ce dossier peut être téléchargé à partir de 35 (version 12 ou plus, téléchargement gratuit à lt;https://www.fil.ion.ucl.ac.uk/spm/ SPM. Ensuite, tapez RegLSM pour ouvrir l'interface graphique.
  4. Sélectionnez le mode de test dans le menu déroulant d'enregistrement pour effectuer l'enregistrement pour un seul cas. Dans le panneau de mode de test, sélectionnez l'analyse (CT, FLAIR ou DWI), l'annotation et, en option, le T1, à l'aide du bouton d'image ouverte. Sélectionnez le système d'inscription: CT, FLAIR avec ou sans T1, DWI avec ou sans T1.
  5. Vous pouvez également sélectionner le mode lot pour enregistrer les scans de tous les cas dans le dossier sélectionné en mode lot.
  6. Assurez-vous que RegLSM enregistre les paramètres d'enregistrement résultants et les scans enregistrés (y compris les étapes intermédiaires) et la carte des lésions enregistrées dans les sous-dossiers qui sont automatiquement générés. Au cours de ce processus, les scans enregistrés et les cartes de lésion sont rééchantillonnés pour correspondre à la résolution (isotrope 1 mm3 voxels) et l'angulation du modèle MNI-152.

5. Examiner les résultats de l'inscription

  1. Sélectionnez les résultats de la vérification d'option dans l'interface graphique RegLSM et parcourez le dossier principal avec les résultats d'inscription. L'interface graphique sélectionnera automatiquement l'analyse enregistrée avec la carte des lésions enregistrées, et le modèle MNI-152 avec la carte de lésion enregistrée dans les orientations transversales, sagittales et coronales (voir la figure 8).
  2. Faites défiler l'analyse enregistrée et utilisez le réticule pour vérifier l'alignement de l'analyse enregistrée et du modèle MNI-152. Portez une attention particulière à l'alignement des repères anatomiques reconnaissables tels que les ganglions basiques, les ventricules et le crâne.
  3. Marquez toutes les inscriptions échouées dans une colonne distincte du fichier de données (faite à l'étape 1.2) pour la correction manuelle subséquente à la section 6.
    REMARQUE: Les erreurs courantes dans l'enregistrement sont l'alignement imparfait dû à l'effet de masse provoqué par la lésion dans le stade aigu, ou ex vacuo agrandissement des ventricules dans le stade chronique. Voir La figure 3 et la figure 5 pour des exemples de ce désalignement. Une autre erreur commune est un mauvais alignement du tétorium cerebelli, auquel cas un infarctus occipital peut se chevaucher avec le cervelet dans le modèle. Le mauvais alignement des tissus qui ne sont pas lésions n'est pas un problème lorsque seules les cartes de lésion binaire sont utilisées dans les analyses de cartographie subséquentes de lésion-symptôme. Dans de tels cas, seules les lésions doivent être parfaitement alignées.

6. Corriger manuellement les erreurs d'enregistrement

  1. Pour les cartes de lésion qui ont besoin d'être corrigées, ouvrez le modèle MNI-152 T1 dans ITK-SNAP et sélectionnez dans le menu de segmentation. segmentation ouverte - carte de lésion enregistrée, qui est maintenant superposée sur le modèle.
  2. Ouvrez le scanner cérébral enregistré dans une instance distincte d'ITK-SNAP pour référence.
  3. Corriger la carte des lésions enregistrées dans ITK-SNAP pour tout type de désalignement qui est mentionné à l'étape 5.3 en utilisant la fonction de pinceau pour ajouter des voxels (clic gauche) ou supprimer les voxels (clic droit). Comparez soigneusement la carte des lésions enregistrées et superposée (voir l'étape 5.2) avec le modèle MNI-152 et la carte des lésions superposée dans ITK-SNAP (voir l'étape 6.1) pour identifier les régions de désalignement. Voir la figure 3 et la figure 5.
  4. Après avoir corrigé manuellement la carte des lésions dans l'espace de l'INM, effectuez une vérification finale en comparant l'analyse indigène segmentée du patient avec la carte des lésions corrigées dans l'espace de l'INM (c.-à-d. les résultats de l'étape 6.3). Assurez-vous que la carte des lésions corrigées dans l'espace MNI représente maintenant avec précision l'infarctus dans l'espace indigène. Portez une attention particulière aux repères reconnaissables tels que les ganglions basiques, les ventricules et le crâne (semblable à l'étape 5.2).
  5. Enregistrer la carte de lésion corrigée dans l'espace MNI comme un fichier nifti binaire dans le même dossier que la carte de lésion non corrigée dans l'espace MNI-152, lui donnant exactement le même nom que la carte de lésion non corrigée, avec l'extension de .corrected.

7. Préparation des données pour la cartographie des symptômes de lésion

  1. Renommer toutes les cartes de lésion. Par défaut, RegLSM a enregistré les cartes de lésion dans un sous-dossier avec le nom de fichier "résultats". Inclure l'ID du sujet dans le nom du fichier. Dans le cas de la correction manuelle, assurez-vous de sélectionner et de renommer le fichier corrigé.
  2. Copiez toutes les cartes de lésion dans un seul dossier.
  3. Effectuez une vérification de la santé mentale des données en sélectionnant et en inspectant au hasard plusieurs cartes de lésion dans ITK-SNAP et comparez-les avec les scans natifs pour éliminer les erreurs systématiques dans le traitement des données telles que le basculement gauche-droite.
  4. Utilisez MRIcron 'lt;https://www.nitrc.org/projects/mricron'gt; pour effectuer une autre vérification de la santé mentale des données en créant une image de chevauchement des lésions pour vérifier si aucune lésion n'est située en dehors du modèle du cerveau. Pour ce faire, en sélectionnant le menu de tirage au sort. statistiques et créer des images de chevauchement.
    REMARQUE: La carte de la parusurie de lésion qui en résulte peut être projetée sur le modèle MNI-152 et inspectée à l'aide, par exemple, de MRIcron ou d'ITK-SNAP.
  5. Les cartes de lésion sont maintenant prêtes à être utilisées pour la cartographie des lésions-symptômes à base de voxel ou pour le calcul des volumes d'infarctus dans des régions d'intérêt spécifiques à l'aide d'un atlas qui est enregistré dans le même espace standard que les cartes de lésion (dans ce cas, l'espace MNI-152 pour que de nombreux atlas sont disponibles, dont seulement quelques-uns sont cités en dessous de36,37,38).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Des cas exemplaires de segmentations d'infarctus du cerveau sur la tocdation (figure 3), DWI (Figure 5), et LES images de FLAIR ( figure6) et l'enregistrement subséquent au modèle De l'INM-152 sont fournis ici. Les résultats d'enregistrement présentés à la figure 3B et à la figure 5C n'ont pas été entièrement couronnés de succès, car il y av...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

LSM est un outil puissant pour étudier l'architecture fonctionnelle du cerveau humain. Une étape cruciale dans n'importe quelle étude de cartographie de lésion-symptôme est le prétraitement des données d'imagerie, la segmentation de la lésion et l'enregistrement à un modèle de cerveau. Ici, nous rapportons un pipeline normalisé pour la segmentation et l'enregistrement de lésion aux fins de la cartographie de lésion-symptôme. Cette méthode peut être effectuée avec des outils de traitement d'image librement disponibles, pe...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs ne divulguent aucun conflit d'intérêts.

Remerciements

Le travail du Dr Biesbroek est soutenu par une bourse de jeunes talents du Brain Center Rudolf Magnus du Centre Médical Universitaire d'Utrecht. Ces travaux et le consortium Meta VCI Map sont soutenus par Vici Grant 918.16.616 de ZonMw, aux Pays-Bas, organisation pour la recherche et le développement en santé, à Geert Jan Biessels. Les auteurs tient à remercier le Dr Tanja C.W. Nijboer d'avoir partagé des scans qui ont été utilisés dans l'une des figures.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
dcm2niixN/AN/Atéléchargement gratuit https://github.com/rordenlab/dcm2niix
ITK-SNAPN/AN/Atéléchargement gratuit www.itksnap.org
MATLABMathWorksN/AVersion 2015a ou supérieure
MRIcronN/AN/Atéléchargement gratuit https://www.nitrc.org/projects/mricron
RegLSMN/AN/Atéléchargement gratuit www.metavcimap.org/support/software-tools
SPM12bN/AN/Atéléchargement gratuit https://www.fil.ion.ucl.ac.uk/spm/

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

Recalage d imagesAlignement sur mod le c r bralTraitement TDM IRMLogiciel ITK SNAPRecalage RegLSMMod le MNI152Correction manuelleAnalyse voxel voxel
Segmentation et inscription à l'IRM ou à la tordeur pour la cartographie des symptômes de lésions
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.