Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Hersen infarct segmentatie en registratie op MRI of CT voor laesie-symptoom mapping

49.1K weergaven

⸱

DOI:

10.3791/59653

⸱

25 september 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

In dit artikel

Samenvatting

Hier is een praktische tutorial voor een Open-Access, gestandaardiseerde beeldverwerking pijpleiding voor het doel van laesie-symptoom mapping. Voor elke verwerkingsstap wordt een stapsgewijze uitleg gegeven, van handmatige infarct segmentatie op CT/MRI tot daaropvolgende registratie naar standaard ruimte, samen met praktische aanbevelingen en illustraties met voorbeeldige cases.

Samenvatting

In laesie-symptoom mapping (LSM), hersenfunctie wordt afgeleid door de locatie van verworven hersenlaesies aan gedrags-of cognitieve symptomen in een groep patiënten. Met recente ontwikkelingen in de hersenen Imaging en beeldverwerking, LSM is uitgegroeid tot een populaire tool in cognitieve neurowetenschappen. LSM kan fundamentele inzichten bieden in de functionele architectuur van het menselijk brein voor een verscheidenheid aan cognitieve en niet-cognitieve functies. Een cruciale stap in het uitvoeren van LSM-studies is de segmentatie van laesies op hersenen scans van een grote groep patiënten en de registratie van elke scan naar een gemeenschappelijke stereotaxic ruimte (ook wel standaard ruimte of een gestandaardiseerde hersen sjabloon genoemd). Hier beschreven is een Open-Access, gestandaardiseerde methode voor infarct segmentatie en registratie voor het doel van LSM, evenals een gedetailleerde en hands-on walkthrough op basis van voorbeeldige gevallen. Een uitgebreide zelfstudie voor de handmatige segmentatie van herseninfarcten op CT-scans en DWI of FLAIR MRI-sequenties wordt geleverd, inclusief criteria voor infarct-identificatie en valkuilen voor verschillende scan typen. De registratie software biedt meerdere registratie schema's die kunnen worden gebruikt voor de verwerking van CT-en MRI-gegevens met heterogene acquisitie parameters. Een tutorial over het gebruik van deze registratie software en het uitvoeren van visuele kwaliteitscontroles en handmatige correcties (die in sommige gevallen nodig zijn) wordt geleverd. Deze aanpak biedt onderzoekers een kader voor het hele proces van beeldverwerking van de hersenen die nodig zijn om een LSM-studie uit te voeren, van het verzamelen van gegevens tot de laatste kwaliteitscontroles van de resultaten.

Inleiding

Lesion-symptoom mapping (LSM), ook wel genoemd laesie-gedrag mapping, is een belangrijk hulpmiddel voor het bestuderen van de functionele architectuur van de menselijke hersenen1. In laesie studies, hersenfunctie wordt afgeleid en gelokaliseerd door het bestuderen van patiënten met verworven hersenlaesies. De eerste casestudy's die neurologische symptomen koppelen aan specifieke hersen locaties die in de negentiende eeuw werden uitgevoerd, hebben al fundamentele inzichten verschaft in de anatomische correlaten van taal en verschillende andere cognitieve processen2. Toch, de neuroanatomische correlaten van vele aspecten van de cognitie en andere hersenfuncties bleven ongrijpbaar. In de afgelopen decennia hebben verbeterde structurele hersen beeldvormingsmethoden en technische vooruitgang grootschalige in vivo LSM-studies met een hoge ruimtelijke resolutie mogelijk gemaakt (d.w.z. op het niveau van individuele voxels of specifieke corticale/subcortische regio's van belang)1 ,2. Met deze methodologische vooruitgang, LSM is uitgegroeid tot een steeds populairder wordende methode in de cognitieve neurowetenschappen en blijft het bieden van nieuwe inzichten in de neuroanatomie van cognitie en neurologische symptomen3. Een cruciale stap in elke LSM-studie is de nauwkeurige segmentatie van laesies en registratie naar een hersen sjabloon. Echter, een uitgebreide zelfstudie voor de voor verwerking van hersen beeldvormings gegevens voor het doel van LSM ontbreekt.

Verstrekt hier is een complete tutorial voor een gestandaardiseerde laesie segmentatie en registratiemethode. Deze methode biedt onderzoekers een pijpleiding voor gestandaardiseerde hersenen beeldverwerking en een overzicht van mogelijke valkuilen die moeten worden vermeden. De gepresenteerde beeldverwerkings pijplijn werd ontwikkeld door middel van internationale samenwerkingen4 en maakt deel uit van het kader van het onlangs opgerichte meta VCI map consortium, waarvan het doel is het uitvoeren van multicenter laesie-symptoom mapping studies in vasculaire cognitieve stoornissen < www. metavcimap. org >5. Deze methode is ontworpen voor het verwerken van CT-en MRI-scans van meerdere leveranciers en heterogene scan protocollen om gecombineerde verwerking van Imaging-gegevenssets uit verschillende bronnen mogelijk te maken. De vereiste RegLSM-software en alle andere software die nodig is voor dit protocol is vrij beschikbaar, behalve MATLAB, waarvoor een licentie is vereist. Deze tutorial richt zich op de segmentatie en registratie van herseninfarcten, maar deze beeldverwerking pijpleiding kan ook worden gebruikt voor andere laesies, zoals witte materie hyperintensiteiten6.

Voorafgaand aan het initiëren van een LSM-studie is een basisbegrip van de algemene concepten en valkuilen vereist. Verschillende gedetailleerde richtlijnen en een hitchhiker's Guide zijn beschikbaarop 1,3,6. Echter, deze beoordelingen bieden geen gedetailleerde hands-on zelfstudie voor de praktische stappen die betrokken zijn bij het verzamelen en converteren van hersenscans naar een juiste indeling, het segmenteren van de herseninfarct, en het registreren van de scans naar een hersen sjabloon. De huidige paper biedt een dergelijke tutorial. Algemene concepten van LSM zijn te lezen in de inleiding met verwijzingen naar verdere lezing over het onderwerp.

Algemeen doel van laesie-symptoom mapping studies

Vanuit het perspectief van de cognitieve Neuropsychologie kan hersenletsel worden gebruikt als een model voorwaarde om de neuronale onderbouwing van bepaalde cognitieve processen beter te begrijpen en om een completer beeld te krijgen van de cognitieve architectuur van de hersenen1 . Dit is een klassieke aanpak in de neuropsychologie die voor het eerst werd toegepast in postmortemstudies in de negentiende eeuw door pioniers als Broca en Wernicke2. In het tijdperk van functionele hersen beeldvorming, is de laesie benadering een cruciaal instrument gebleven in de neurowetenschappen, omdat het bewijs levert dat laesies in een specifiek hersengebied de taakprestaties verstoren, terwijl functionele beeldvormingsonderzoeken hersengebieden aantonen die geactiveerd tijdens de taakprestaties. Als zodanig bieden deze benaderingen aanvullende informatie1.

Vanuit het perspectief van klinische neurologie kunnen LSM-onderzoeken de relatie tussen de locatie van de laesie en het cognitieve functioneren verduidelijken bij patiënten met acute symptomatische infarcten, Hyper intensiteiten van witte stof, lacunes of andere laesie typen (bijv. tumoren ). Recente studies hebben aangetoond dat dergelijke laesies in strategische hersengebieden relevanter zijn bij het uitleggen van cognitieve prestaties dan de globale laesie last2,5,7,8. Deze aanpak heeft het potentieel om het begrip van de pathofysiologie van complexe aandoeningen te verbeteren (in dit voorbeeld, vasculaire cognitieve stoornissen) en kan mogelijkheden bieden voor het ontwikkelen van nieuwe diagnostische en prognostische hulpmiddelen of ondersteunende behandeling strategieën2.

LSM heeft ook toepassingen buiten het gebied van cognitie. In feite kan elke variabele gerelateerd zijn aan de laesie locatie, inclusief klinische symptomen, Biomarkers en functionele uitkomst. Bijvoorbeeld, een recente studie bepaald infarct locaties die voorspellend van functionele uitkomst waren na ischemische beroerte10.

Voxel-based versus regio van op interesses gebaseerde laesie-symptoom toewijzing

Voor het uitvoeren van laesie-symptoom toewijzing, laesies moeten worden gesegmenteerd en geregistreerd bij een hersen sjabloon. Tijdens de registratieprocedure is de hersenen van elke patiënt ruimtelijk uitgelijnd (d.w.z. genormaliseerd of geregistreerd bij een gemeenschappelijk sjabloon) om te corrigeren voor verschillen in hersen grootte, vorm en oriëntatie, zodat elke Voxel in de laesie kaart dezelfde anatomische structuur voor alle patiënten7. In de standaard ruimte kunnen verschillende soorten analyses worden uitgevoerd, die hier kort samengevat worden.

Een ruwe laesie-aftrek analyse kan worden uitgevoerd om het verschil in laesie verdeling bij patiënten met tekorten in vergelijking met patiënten zonder tekorten te tonen. De resulterende aftrek kaart toont gebieden die vaker worden beschadigd bij patiënten met tekorten en gespaard bij patiënten zonder tekorten1. Hoewel een analyse van de laesie-aftrekken een aantal inzichten kan bieden in correleten van een specifieke functie, biedt het geen statistisch bewijs en wordt het nu meestal gebruikt wanneer de steekproefgrootte te laag is om voldoende statistische kracht te bieden voor laesie-symptoom op basis van voxel Toewijzing.

In de Voxel-gebaseerde laesie-symptoom mapping wordt een associatie tussen de aanwezigheid van een laesie en cognitieve prestaties bepaald op het niveau van elke individuele Voxel in de hersenen (Figuur 1). Het belangrijkste voordeel van deze methode is de hoge ruimtelijke resolutie. Deze analyses zijn traditioneel uitgevoerd in een massa-univariate-benadering, die correctie voor meervoudige tests rechtvaardigt en een ruimtelijke bias veroorzaakt door correlaties tussen de Voxel die niet in aanmerking worden genomen1,10 , 11. recent ontwikkelde benaderingen die wel rekening houden met de correlaties tussen de Voxel (gewoonlijk aangeduid als multivariate laesie-symptoom toewijzingsmethoden, zoals Bayesiaanse analyse13, ondersteuning van vector regressie4, 14, of andere machine learning-algoritmen15) Toon veelbelovende resultaten en lijken te verbeteren van de gevoeligheid en specificiteit van de bevindingen van voxel-Wise LSM analyses in vergelijking met traditionele methoden. Verdere verbetering en validering van multivariate methoden voor voxel-Wise LSM is een doorlopend proces. De beste methode keuze voor specifieke laesie-symptoom toewijzing is afhankelijk van vele factoren, met inbegrip van de verdeling van laesies, uitkomstvariabele, en onderliggende statistische veronderstellingen van de methoden.

In de regio van belang (ROI)-gebaseerde laesie-symptoom mapping, een associatie tussen de laesie last binnen een specifiek hersengebied en cognitieve prestaties wordt bepaald (Zie Figuur 1 in biesbroek et al.2 voor een illustratie). Het belangrijkste voordeel van deze methode is dat het rekening houdt met de cumulatieve laesie belasting binnen een anatomische structuur, die in sommige gevallen meer informatief dan een laesie in een enkele Voxel zijn kan. Aan de andere kant hebben op ROI gebaseerde analyses beperkte kracht voor het opsporen van patronen die alleen aanwezig zijn in een subset van voxels in de regio16. Traditioneel, ROI gebaseerde laesie-symptoom toewijzing wordt uitgevoerd met behulp van logistieke of lineaire regressie. Onlangs zijn multivariate methoden die beter omgaan met collineariteit geïntroduceerd (bijv. Bayesiaanse netwerk analyse17, ondersteuning van vector regressie4,18of andere machine learning-algoritmen19), die mogelijk verbetering van de specificiteit van de bevindingen van laesie-symptoom mapping studies.

Selectie van patiënten

In LSM-onderzoeken worden patiënten meestal geselecteerd op basis van een specifiek laesie type (bijv. herseninfarcten of hyperintensiteiten in witte materie) en het tijdsinterval tussen diagnose en neuropsychologische beoordeling (bijv. acute versus chronische beroerte). Het optimale studie ontwerp is afhankelijk van de onderzoeksvraag. Bijvoorbeeld, bij het bestuderen van de functionele architectuur van het menselijk brein, acute beroerte patiënten zijn ideaal opgenomen omdat functionele reorganisatie nog niet heeft plaatsgevonden in deze fase, overwegende dat chronische beroerte patiënten moeten worden opgenomen bij het bestuderen van de langetermijneffecten van beroerte op cognitie. Een gedetailleerde beschrijving van overwegingen en valkuilen bij de selectie van de patiënt is elders7.

Brain image voor verwerking voor het doel van laesie-symptoom mapping

Nauwkeurige laesie segmentatie en registratie van een gemeenschappelijke hersen sjabloon zijn cruciale stappen in de toewijzing van laesie-symptoom. Handmatige segmentatie van laesies blijft de gouden standaard voor veel laesie types, inclusief infarcten7. Voorzien is een gedetailleerde zelfstudie over criteria voorhand matige infarct segmentatie op CT-scans, diffusie gewogen beeldvorming (DWI), en vloeistofverzwakte inversie herstel (FLAIR) MRI-sequenties in zowel acute als chronische stadia. De gesegmenteerde infarcten (d.w.z. de 3D binaire laesie kaarten) moeten worden geregistreerd voordat er analyses over het onderwerp worden uitgevoerd. Dit protocol maakt gebruik van de registratiemethode RegLSM, die is ontwikkeld in een multicenter-instelling4. RegLSM past lineaire en niet-lineaire registratie algoritmen toe op basis van Elastix20 voor zowel CT als MRI, met een extra CT-verwerkingsstap die speciaal is ontworpen om de registratie kwaliteit van CT-scans21te verbeteren. Bovendien, RegLSM maakt het mogelijk voor het gebruik van verschillende doel hersenen templates en een (optionele) tussentijdse registratiestap naar een leeftijd-specifieke CT/MRI-sjabloon22. De mogelijkheid van het verwerken van zowel CT-en MRI-scans en de aanpasbaarheid met betrekking tot Intermediate en target Brain templates maakt RegLSM een zeer geschikt beeldverwerkings hulpmiddel voor LSM. Het hele proces van het voorbereiden en segmenteren van CT/MRI-scans, registratie naar een hersen sjabloon en handmatige correcties (indien nodig) worden beschreven in de volgende sectie.

figure-introduction-1
Figuur 1: Schematische illustratie van het concept van de Voxel-gebaseerde laesie-symptoom mapping. Het bovenste deel toont de hersen beeld pre-processing stappen bestaande uit het segmenteren van de laesie (een acute infarct in dit geval) gevolgd door registratie naar een hersen sjabloon (de MNI-152 sjabloon in dit geval). Hieronder wordt een deel van de geregistreerde binaire laesie kaart van dezelfde patiënt weergegeven als een 3D-raster, waarbij elke kubus een Voxel vertegenwoordigt. Samen met de laesie kaarten van 99 andere patiënten, een laesie overlay kaart wordt gegenereerd. Voor elke Voxel wordt een statistische test uitgevoerd om de associatie tussen laesie status en cognitieve prestaties te bepalen. De Chi-kwadraat test die hier wordt weergegeven, is slechts een voorbeeld, elke statistische test kan worden gebruikt. Meestal worden honderdduizenden voxels getest in de hele hersenen, gevolgd door een correctie voor meervoudige vergelijkingen. Klik hier om een grotere versie van dit cijfer te bekijken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Dit protocol volgt de richtlijnen van onze instellingen ethiek Commissie menselijk onderzoek.

1. verzameling van scans en klinische gegevens

  1. Verzamelen van hersenen CT of MRI scans van patiënten met ischemische beroerte. De meeste scanners slaan de scans op als DICOM-bestanden (Digital Imaging and Communications in Medicine) die naar een vaste schijf of server kunnen worden gekopieerd.
    Opmerking: Scans van elk scannertype, scan protocol en MRI-veldsterkte kunnen worden gebruikt, zolang 1) de tijdvenster vereisten voor het gebruikte scan type worden voldaan (Zie tabel 1) en 2) er zijn geen artefacten die nauwkeurige infarct afbakening belemmeren. Een gedetailleerde zelfstudie over artefact detectie op CT en MRI wordt elders23,24verstrekt. Een voorbeeld van vaak voorkomende bewegings artefacten op CT is te vinden in Figuur 2, en voorbeelden van scans van goede kwaliteit worden gegeven in de voorbeeld cases in de resultaten sectie. Infarcten kunnen worden gesegmenteerd op scans met elke segment dikte en elke in-plane afbeeldingsresolutie. Echter, dunne plakjes en een hoge in-plane resolutie zal een nauwkeurigere weergave van de infarct naar de hersen sjabloon mogelijk maken.
  2. Verzamel de klinische variabelen in een gegevensbestand (bijvoorbeeld Excel) door afzonderlijke rijen te maken voor elke aanvraag en kolommen voor elke klinische variabele. Voor infarct segmentatie, omvatten ten minste de variabelen datum van de lijn en de datum van de Imaging of een variabele die het tijdsinterval tussen lijn en imaging aangeeft.
  3. Zorg ervoor dat ethische richtlijnen en regelgeving met betrekking tot privacy worden gevolgd. Zorg ervoor dat de gegevens worden geanonimiseerd of gecodeerd. Besteed specifieke aandacht aan het verwijderen van patiëntgegevens zoals naam, adres en geboortedatum die in de DICOM-bestanden als Tags zijn opgeslagen. Deze tags kunnen worden gewist met behulp van dcm2niix (gratis download beschikbaar op < https:///rordenlab/dcm2niix >)25.

2. conversie van DICOM-afbeeldingen naar nifti-bestanden

  1. Als u de DICOM-afbeeldingen wilt converteren naar ongecomprimeerde nifti-bestanden met behulp van het dcm2niix-hulpprogramma, typt u "[mappad van dcm2niix. exe] \dcm2niix% d_% p [mappad van DICOM-bestanden]" in de opdrachtprompt. Een voorbeeld van de opdracht met de mappen paden ingevoegd kan C:\users\matthijs\dcm2niix% d_% p C:\users\matthijs\dicom\. Met deze opdracht voert u het uitvoerbare bestand dcm2niix uit, converteert u de DICOM-afbeeldingen in de geselecteerde map en slaat u de nifti-bestanden op in dezelfde map.
    Opmerking: De toevoeging% d_% p zorgt ervoor dat de reeks beschrijving en de protocolnaam in de bestandsnaam worden ingevoegd. Extra functies, waaronder opties voor Batchconversie, zijn beschikbaar in de dcm2niix handleiding op < https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii: MainPage >. Andere open source-tools kunnen worden gebruikt voor het converteren van DICOM-afbeeldingen naar nifti-bestanden, ook.
  2. Zorg ervoor dat de naam van het Scan type (CT, FLAIR, DWI of andere sequentie namen) wordt gekopieerd naar de bestandsnaam tijdens de conversie (deze optie is beschikbaar in dcm2niix).
  3. Voor MRI-scans selecteert u DWI-of FLAIR-sequenties voor segmentatie. Als alternatief kan elke andere structurele sequentie waarop de infarct zichtbaar is, worden gebruikt. Zie tabel 1 voor geschikte tijdvensters na een BEROERTE waarin CT, DWI of FLAIR voor infarct segmentatie kan worden gebruikt.
  4. Organiseer de nifti-bestanden in een handige mapstructuur met een submap voor elk geval (Zie de handleiding van RegLSM en aanvullende figuur 1). Deze handleiding kan worden gedownload van < www. metavcimap. org/support/software-tools >.
    Opmerking: Deze mapstructuur is een vereiste voor de registratie software RegLSM (zie rubriek 4). Een update van RegLSM, waardoor het biedingen (Brain Imaging data structure26, zie < http://bids.neuroimaging.io >) compatibel, wordt momenteel ontwikkeld en zal binnenkort worden uitgebracht.

3. infarct segmentatie

  1. Algemene opmerkingen die van toepassing zijn op alle Scan typen
    1. Ervoor te zorgen dat de persoon die uitvoert en evalueert segmentatie en registratie is geblindeerd tot de uitkomstvariabele (meestal een cognitieve maatregel) om bias te voorkomen.
    2. Merk op dat infarcten meestal worden gesegmenteerd op transversale segmenten, maar segmentatie kan worden uitgevoerd in elke segment oriëntatie.
    3. Zorg voor ideale kijk condities tijdens de segmentatie van de infarct met behulp van een beeldscherm met hoge resolutie en een optimaal omgevingslicht voor een comfortabele instelling. Pas het beeldcontrast handmatig aan tijdens segmentatie om optimaal contrast tussen gezond hersenweefsel te bieden. Wees consistent bij het toepassen van vergelijkbare instellingen voor verschillende onderwerpen.
  2. Infarct segmentatie op CT
    1. Controleer eerst of de scan ten minste 24 uur na het begin van de beroerte symptoom is uitgevoerd. Binnen 24 uur is de acute infarct niet of slechts gedeeltelijk zichtbaar op CT en kan de scan niet worden gebruikt voor segmentatie7. Zie afbeelding 3 voor een illustratie.
    2. Open de native CT met behulp van ITK-SNAP software (gratis download beschikbaar op < www. itksnap. org >)27. Klik in ITK-SNAP op bestand | hoofdafbeelding openen in het vervolgkeuzemenu. Klik op Bladeren en selecteer het bestand om de scan te openen. Als de standaard contrastinstelling een slecht contrast tussen gezond hersenweefsel en de laesie biedt, past u de contrastinstellingen aan. Hiertoe klikt u op extra | afbeelding contrast | contrast aanpassing.
      Opmerking: Alle open source software kan ook worden gebruikt.
    3. Indien beschikbaar, open een CT die werd uitgevoerd binnen 24 uur na het begin van de beroerte symptoom in een afzonderlijk geval als de verwijzing naar de acute infarct onderscheiden van oude ischemische laesies zoals lacunes, (sub) corticale infarcten, of witte materie Hyper intensiteiten.
    4. Identificeer de infarct op basis van de volgende kenmerken. Infarcten hebben een laag signaal (d.w.z. hypodense) in vergelijking met normaal hersenweefsel.
      1. In de acute fase (eerste weken) kunnen grote infarcten leiden tot massa-effect, resulterend in verplaatsing van omringende weefsels, compressie van ventrikels, middellijn verschuiving en obliteratie van sulci. Er kan een hemorragische transformatie zijn die zichtbaar is als regio's met een hoog signaal (d.w.z. hyperdens) binnen de infarct.
      2. In de chronische fase (maanden tot jaren), zal de infarct bestaan uit een hypodens cavitated Center (met een vergelijkbare dichtheid als de cerebrospinale vloeistof) en een minder hypodense rand die beschadigd hersenweefsel vertegenwoordigt. Zowel de cavitated Center en hypodens RIM moet worden gesegmenteerd als infarct. In geval van grote infarct, kan er ex vacuuem uitbreiding van aangrenzende sulci of ventrikels.
        Opmerking: Weefsel verplaatsing als gevolg van massa-effect of ex vacuuem uitbreiding van structuren mag niet worden gecorrigeerd tijdens segmentatie (d.w.z. alleen de volledige omvang van de infarct moet worden gesegmenteerd). Correctie voor weefsel verplaatsing vindt plaats tijdens de registratie en de daaropvolgende stappen.
    5. Segmenteer het hersenweefsel van de infarceren met behulp van de Paintbrush-modus van de hoofdwerkbalk (Klik met de rechtermuisknop om te tekenen, rechtsklik om te wissen). U ook de veelhoekmodus gebruiken om ankerpunten aan de randen van de laesie te plaatsen (deze punten worden automatisch met lijnen verbonden) of houden de linker muisknop ingedrukt terwijl de muis over de randen van de laesie beweegt. Zodra alle ankerpunten zijn verbonden, klikt u op accepteren om het afgebakende gebied te vullen.
    6. Vermijd de Vernevel fase, die verwijst naar de fase waarin de infarct isodense wordt op CT (wat samenkomt met infiltratie van het hartweefsel met fagocyten). Dit gebeurt meestal 14-21 dagen na het begin van de beroerte, maar in zeldzame gevallen zelfs eerder kan optreden28. Gedurende deze periode kan de infarct onzichtbaar worden of zijn grenzen minder duidelijk worden, waardoor deze fase ongeschikt is voor infarct segmentatie. Na de Vernevel fase wordt de laesie weer hypodense wanneer cavitatie en gliose optreden. Zie Figuur 4 voor twee voorbeelden.
    7. Na het afronden van de segmentatie, sla het op als een binaire nifti bestand in dezelfde map als de scan door te klikken segmentatie | segmentatie afbeelding opslaan uit het dropdown menu, sla dan de segmentatie door het geven van het exact dezelfde naam als de gesegmenteerde scan, met de extensie van. laesie (bijvoorbeeld, als de scan is opgeslagen als "ID001. CT. NII ", sla de segmentatie op als" ID001. CT. laesie. NII ").
  3. Infarct segmentatie op DWI
    1. Controleer eerst of de DWI binnen 7 dagen na het begin van de beroerte is uitgevoerd. Infarcten zijn zichtbaar op DWI binnen enkele uren na het begin van de beroerte en hun zichtbaarheid op DWI neemt geleidelijk af na ongeveer 7 dagen (zie punt 2 in de discussie voor meer details).
    2. Open de DWI in ITK-SNAP (op dezelfde manier als gedaan in stap 3.2.2).
      Opmerking: Een DWI-reeks genereert ten minste twee afbeeldingen voor de meeste scan protocollen, een met een b-waarde = 0, een standaard T2-gewogen afbeelding, en een met een hogere b-waarde, wat de scan is die de werkelijke diffusie-eigenschappen van het weefsel vastlegt. Hoe hoger de b-waarde, hoe sterker de diffusie-effecten. Voor ischemische beroerte detectie wordt vaak een b-waarde rond 1000 s/mm2 gebruikt, omdat dit in de meeste gevallen29een goede contrast-ruis verhouding biedt. De afbeelding met een hoge b-waarde wordt gebruikt voor infarct segmentatie.
    3. Open de sequentie van de schijnbare diffusiecoëfficiënt (ADC) in een aparte instantie van ITK-SNAP ter referentie.
    4. Identificeer en annoteren het hersenweefsel op basis van het hoge signaal (d.w.z. hyperintens) op DWI en een laag signaal (d.w.z. hypointense) op de ADC (Zie Figuur 5). ADC waarden in de infarct geleidelijk toenemen totdat ADC normaliseert gemiddeld 1 week na de beroerte30, maar in sommige gevallen, de ADC kan al (bijna) genormaliseerd na enkele dagen als er veel vasogenic oedeem.
      Opmerking: In DWI-beelden met lage b-waarden kunnen hersenlaesies met een intrinsiek hoog T2-signaal (zoals hyperintensiteiten in witte materie) ook hyperintens lijken. Dit fenomeen heet T2 Shine-through31. Echter, met toenemende b-waarden, wordt dit fenomeen minder relevant, omdat het signaal op het DWI-beeld meer diffusie-eigenschappen weergeeft in plaats van intrinsiek T2-signaal. Met moderne DWI-scan protocollen (meestal met b-waarde = 1000 of hoger) zijn de T2-glanseffecten beperkt tot32.
    5. Een hoog DWI-signaal niet verwarren in de buurt van interfaces tussen lucht en weefsel of bot, die een vaak waargenomen artefact zijn, voor een infarct. Zie Figuur 5.
    6. Sla de aantekening op als een binair nifti-bestand, waardoor het exact dezelfde naam heeft als de gesegmenteerde scan, met de extensie. laesie (op dezelfde manier als in stap 3.2.7).
  4. Infarct segmentatie op FLAIR
    1. Controleer eerst of de scan is uitgevoerd > 48 h na een beroerte symptoombegin. In de hyperacute fase is de infarct meestal niet zichtbaar op de FLAIR sequentie of zijn de exacte grenzen van de infarct onduidelijk31 (Zie Figuur 6).
    2. Open de FLAIR in ITK-SNAP op dezelfde manier als gedaan in stap 3.2.2.
    3. Open de T1 een afzonderlijke instantie van ITK-SNAP voor verwijzing, indien beschikbaar.
    4. Identificeer en segmenteer het hersenweefsel op basis van de volgende kenmerken.
      1. In de acute fase (eerste paar weken) is de infarct zichtbaar als een meer of minder homogene hyperintens laesie, met of zonder schijnbare zwelling en massa-effect (Figuur 5).
      2. In de chronische fase (maanden tot jaren) wordt de infarct cavitated, wat betekent dat het centrum hypo-of isointens wordt op FLAIR. Deze holte kan het meest nauwkeurig worden geïdentificeerd op de T1. In de meeste gevallen wordt het cavitated Center omgeven door een hyperintens rand op de FLAIR, die gliosis vertegenwoordigt. 33.
        Opmerking: Er is echter een aanzienlijke hoeveelheid variatie in de mate van cavitatie en gliose van chronische infarcten. Segmenteer zowel de holte als de hyperintens velg als infarcten (zie stap 3.2.5). Een FLAIR hyperintens laesie is niet altijd een infarct. In de acute fase kunnen kleine subcorticale infarcten gemakkelijk worden onderscheiden van Hyper intensiteiten van witte stof of andere chronische laesies zoals lacunes van vermoedelijke vasculaire oorsprong wanneer er een DWI beschikbaar is (Zie Figuur 5). In de chronische fase kan het moeilijker zijn. Zie paragraaf 3 in de discussie voor meer informatie over hoe deze laesie typen in de chronische fase te discrimineren.
    5. Sla de aantekening op als een binair nifti-bestand, waardoor het exact dezelfde naam heeft als de gesegmenteerde scan, met de extensie. laesie (op dezelfde manier als in stap 3.2.7).
Type scanTijdvenster na een beroerteInfarct eigenschappenReferentie scanValkuilen
Ct> 24 uurAcuut: hypodense--Fogging fase
Chronisch: hypodense holte met CSF en minder hypodense RIM-Hemorragische transformatie
Dwi< 7 dagenHyperintensADC: typisch intense-T2 shinethrough
-Hoog DWI-signaal in de buurt van interfaces tussen lucht en been/weefsel
Flair> 48 hAcuut: hyperintensAcuut: DWI/ADC, T1 (isointens of hypointense)-Witte stof hyperintensiteiten
Chronisch: intense of isointens (holte), hyperintens RIMChronisch: T1 (hypointense holte met CSF-kenmerken).- Lacunes

Tabel 1: samenvatting van criteria voor infarct segmentatie voor verschillende scantypes.

4. registratie in de standaard ruimte

  1. Download RegLSM van < www. metavcimap. org/features/software-tools >4. Gebruik deze tool om CT-scans en elke vorm van MRI-sequentie te verwerken. De inschrijvingsprocedure wordt geïllustreerd in Figuur 7.
    Opmerking: Optionele functies in RegLSM omvatten registratie bij een tussenliggende CT/MRI-sjabloon die meer lijkt op de scans van oudere patiënten met hersen atrofie22. Standaard worden de CT-en MRI-scan geregistreerd op de MNI-152-sjabloon34, maar dit kan worden vervangen door andere sjablonen als dit beter past bij de studie. In Figuur 7worden verschillende registratie schema's geïllustreerd. Andere open source-registratie tools kunnen ook voor deze stap worden gebruikt.
  2. Controle 1) als de nifti-bestanden niet zijn gecomprimeerd, 2) dat de bestandsnaam van de gesegmenteerde scan de term CT, FLAIR of DWI bevat, en 3) dat de bestandsnaam van de laesie-aantekening dezelfde term bevat met een toegevoegde ". laesie". Als deze eerste drie stappen worden gevolgd, worden de gegevens volledig voorbereid op registratie en hoeft niets te worden gewijzigd.
  3. Open MATLAB (versie 2015a of hoger), stel de huidige map in op Reglsm (deze map kan worden gedownload van 35 (versie 12 of hoger, gratis te downloaden op < https://www.fil.ion.ucl.ac.uk/SPM/>) door het typen AddPath {mapnaam SPM}. Typ vervolgens Reglsm om de GUI te openen.
  4. Selecteer testmodus in het vervolgkeuzemenu registratie om de registratie voor één aanvraag uit te voeren. Selecteer in het deelvenster testmodus de scan (CT, FLAIR of DWI), aantekening en eventueel de T1, met behulp van de knop afbeelding openen . Selecteer het registratie schema: CT, FLAIR met of zonder T1, DWI met of zonder T1.
  5. U ook de batchmodus selecteren om de scans van alle aanvragen in de geselecteerde map in de batchmodus te registreren.
  6. Zorg ervoor dat reglsm de resulterende registratieparameters en de geregistreerde scans (inclusief tussenliggende stappen) en de geregistreerde laesie-toewijzing in submappen die automatisch worden gegenereerd opslaat. Tijdens dit proces worden de geregistreerde scans en laesie kaarten aangepast aan de resolutie (isotropic 1 mm3 voxels) en de Angulatie van de MNI-152 template.

5. registratie resultaten bekijken

  1. Selecteer de optie resultaten controleren in de GUI van RegLSM en blader naar de hoofdmap met de registratie resultaten. De GUI selecteert automatisch de geregistreerde scan met de geregistreerde laesie-kaart en de MNI-152-sjabloon met de geregistreerde laesie-kaart in dwarse, sagittale en coronale oriëntaties (Zie Figuur 8).
  2. Scroll door de geregistreerde scan en gebruik de Crosshair om de uitlijning van de geregistreerde scan en de MNI-152 sjabloon te controleren. Besteed specifieke aandacht aan de uitlijning van herkenbare anatomische oriëntatie lijnen zoals de basale ganglia, ventrikels en schedel.
  3. Markeer alle mislukte registraties in een aparte kolom in het gegevensbestand (gemaakt in stap 1,2) voor de daaropvolgende handmatige correctie in sectie 6.
    Opmerking: Veelvoorkomende fouten in de registratie zijn onvolmaakte uitlijning als gevolg van het massa-effect veroorzaakt door de laesie in de acute fase, of ex vacuuem vergroting van ventrikels in de chronische fase. Zie Figuur 3 en Figuur 5 voor voorbeelden van een dergelijke afwijking. Een andere veelvoorkomende fout is een verkeerde uitlijning van het tentorium cerebelli, in welk geval een occipitale infarct kan overlappen met het cerebellum in de sjabloon. Verkeerde uitlijning van weefsels die niet zijn lesioned is geen probleem wanneer alleen de binaire laesie kaarten worden gebruikt in de daaropvolgende laesie-symptoom mapping analyses. In dergelijke gevallen moeten alleen de laesies perfect worden uitgelijnd.

6. registratie fouten handmatig corrigeren

  1. Voor de laesie-kaarten die moeten worden gecorrigeerd, opent u de sjabloon MNI-152 T1 in itk-snap en selecteert u in het menu segmentatie | Open segmentatie | geregistreerde laesie-kaart, die nu wordt overgelegd op de sjabloon.
  2. Open de geregistreerde hersenscan in een aparte instantie van ITK-SNAP ter referentie.
  3. Corrigeer de geregistreerde laesie-kaart in itk-snap voor elk type afwijking dat wordt vermeld in stap 5,3 met behulp van de borstel functie om voxels toe te voegen (Klik met de linkermuisknop) of verwijder voxels (Klik met de rechtermuisknop). Vergelijk zorgvuldig de geregistreerde scan en overlegde kaart van de laesie (zie stap 5,2) met de MNI-152 template en overlegde laesie kaart in ITK-SNAP (zie stap 6,1) om de regio's van verkeerde uitlijning te identificeren. Zie Figuur 3 en Figuur 5.
  4. Nadat u de laesie-kaart handmatig hebt gecorrigeerd in MNI-ruimte, voert u een laatste controle uit door de gesegmenteerde native scan van de patiënt te vergelijken met de gecorrigeerde laesie kaart in MNI-ruimte (d.w.z. de resultaten van stap 6,3). Zorg ervoor dat de gecorrigeerde laesie kaart in de MNI-ruimte nu nauwkeurig de infarct in de inheemse ruimte vertegenwoordigt. Besteed specifieke aandacht aan de herkenbare bezienswaardigheden zoals basale ganglia, ventrikels en schedel (vergelijkbaar met stap 5,2).
  5. Sla de gecorrigeerde laesie kaart op in MNI Space als een binaire nifti bestand in dezelfde map als de ongecorrigeerde laesie kaart in MNI-152 ruimte, waardoor het exact dezelfde naam als de ongecorrigeerde laesie kaart, met de uitbreiding van. gecorrigeerd.

7. gegevens voorbereiden voor laesie-symptoom toewijzing

  1. Wijzig de naam van alle laesie-kaarten. Standaard heeft reglsm de laesie-toewijzingen opgeslagen in een submap met de bestandsnaam ' results '. Neem de onderwerp-ID op in de bestandsnaam. In het geval van handmatige correctie moet u het gecorrigeerde bestand selecteren en de naam ervan wijzigen.
  2. Kopieer alle laesie-kaarten naar één map.
  3. Voer een Sanity-controle van de gegevens uit door verschillende laesie-kaarten willekeurig te selecteren en te inspecteren in itk-snap en vergelijk deze met de native scans om systematische fouten in gegevensverwerking uit te schakelen, zoals links-rechts spiegelen.
  4. Gebruik mricron < https://www.nitrc.org/projects/mricron > om een andere Sanity controle van de gegevens uit te voeren door het creëren van een laesie overlap afbeelding om te controleren of er geen laesies buiten de hersen sjabloon. Doe dit door het dropdown-menu tekenen te selecteren | Statistieken | overlappende afbeeldingen maken.
    Opmerking: De resulterende laesie-overlay-kaart kan worden geprojecteerd op het MNI-152-sjabloon en worden geïnspecteerd met bijvoorbeeld MRIcron of ITK-SNAP.
  5. De laesie-kaarten zijn nu klaar om te worden gebruikt voor voxel-gebaseerde laesie-symptoom toewijzing of voor berekening van infarct volumes binnen specifieke gebieden van belang met behulp van een Atlas die is geregistreerd op dezelfde standaard ruimte als de laesie kaarten (in dit geval, MNI-152 ruimte voor die veel atlassen zijn beschikbaar, slechts een paar van die worden geciteerd onder36,37,38).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Hier vindt u voorbeelden van herseninfarct segmentaties op CT (Figuur 3), DWI (Figuur 5) en FLAIR (Figuur 6) en daaropvolgende registratie voor de MNI-152-sjabloon. De registratie resultaten weergegeven in Figuur 3b en figuur 5c waren niet helemaal succesvol, omdat er verkeerde uitlijning was in de buurt van de voorste Hoorn van de ventrikel...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

LSM is een krachtig hulpmiddel om de functionele architectuur van het menselijk brein te bestuderen. Een cruciale stap in elke laesie-symptoom mapping studie is de voor verwerking van Imaging Data, segmentatie van de laesie en registratie naar een hersen sjabloon. Hier rapporteren we een gestandaardiseerde pijplijn voor laesie segmentatie en registratie voor het doel van laesie-symptoom mapping. Deze methode kan worden uitgevoerd met vrij beschikbare beeldverwerkings hulpmiddelen, kan worden gebruikt voor het verwerken v...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs maken geen belangenconflicten bekend.

Dankbetuigingen

Het werk van Dr. Biesbroek wordt ondersteund door een Young Talent Fellowship van het Brain Center Rudolf Magnus van het Universitair Medisch Centrum Utrecht. Dit werk en het meta VCI map consortium worden ondersteund door Vici Grant 918.16.616 van ZonMw, Nederland, organisatie voor gezondheidsonderzoek en-ontwikkeling, aan Geert Jan Biessels. De auteurs willen Dr. Tanja C.W. Nijboer bedanken voor het delen van scans die in een van de figuren werden gebruikt.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
dcm2niixN/AN/Agratis download https://github.com/rordenlab/dcm2niix
ITK-SNAPN/AN/Agratis download www.itksnap.org
MATLABMathWorksN/AVersie 2015a of hoger
MRIcronN/AN/Agratis download https://www.nitrc.org/projects/mricron
RegLSMN/AN/Agratis download www.metavcimap.org/support/software-tools
SPM12bN/AN/Agratis download https://www.fil.ion.ucl.ac.uk/spm/

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

BeeldregistratieBrain Template AlignmentCT MRI verwerkingITK SNAP softwareRegLSM registratieMNI152 templatehandmatige correctievoxelgewijze analyse
Hersen infarct segmentatie en registratie op MRI of CT voor laesie-symptoom mapping
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.