Artykuł metodologiczny

Segmentacja zawału mózgu i rejestracja w rezonansie magnetycznym lub tomografii komputerowej w celu mapowania objawów zmian

49.1K wyświetleń

⸱

DOI:

10.3791/59653

⸱

25 września 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

W tym artykule

Podsumowanie

Dostępny tutaj jest praktyczny samouczek dla ogólnodostępnego, ustandaryzowanego potoku przetwarzania obrazów w celu mapowania objawów zmian chorobowych. Dla każdego etapu przetwarzania dostępny jest przewodnik krok po kroku, od ręcznej segmentacji zawału w tomografii komputerowej/rezonansie magnetycznym po późniejszą rejestrację w standardowej przestrzeni, wraz z praktycznymi zaleceniami i ilustracjami z przykładowymi przypadkami.

Streszczenie

W mapowaniu objawów zmian chorobowych (LSM), funkcja mózgu jest wnioskowana poprzez powiązanie lokalizacji nabytych uszkodzeń mózgu z objawami behawioralnymi lub poznawczymi w grupie pacjentów. Dzięki niedawnym postępom w obrazowaniu mózgu i przetwarzaniu obrazów, LSM stał się popularnym narzędziem w neuronauce poznawczej. LSM może dostarczyć fundamentalnych informacji na temat funkcjonalnej architektury ludzkiego mózgu dla różnych funkcji poznawczych i niepoznawczych. Kluczowym krokiem w przeprowadzaniu badań LSM jest segmentacja zmian chorobowych na skanach mózgów dużej grupy pacjentów i rejestracja każdego skanu we wspólnej przestrzeni stereotaktycznej (zwanej również przestrzenią standardową lub standaryzowanym szablonem mózgu). Opisano tutaj ogólnodostępną, ustandaryzowaną metodę segmentacji i rejestracji zawału na potrzeby LSM, a także szczegółowy i praktyczny przewodnik oparty na przykładowych przypadkach. Dostępny jest obszerny samouczek dotyczący ręcznej segmentacji zawałów mózgu na skanach CT i sekwencjach DWI lub FLAIR MRI, w tym kryteria identyfikacji zawału i pułapki dla różnych typów skanów. Oprogramowanie rejestracyjne zapewnia wiele schematów rejestracji, które można wykorzystać do przetwarzania danych z tomografii komputerowej i rezonansu magnetycznego o niejednorodnych parametrach akwizycji. Dostępny jest samouczek dotyczący korzystania z tego oprogramowania rejestracyjnego oraz przeprowadzania wizualnych kontroli jakości i ręcznych poprawek (które są potrzebne w niektórych przypadkach). Takie podejście zapewnia naukowcom ramy dla całego procesu przetwarzania obrazu mózgu wymaganego do przeprowadzenia badania LSM, od gromadzenia danych po końcową kontrolę jakości wyników.

Wprowadzenie

Mapowanie uszkodzeń i objawów (LSM), zwane również mapowaniem uszkodzeń i zachowań, jest ważnym narzędziem badania architektury funkcjonalnej ludzkiego mózgu1. W badaniach nad uszkodzeniami funkcje mózgu są wnioskowane i lokalizowane poprzez badanie pacjentów z nabytymi uszkodzeniami mózgu. Pierwsze studia przypadków łączące objawy neurologiczne z konkretnymi lokalizacjami w mózgu, przeprowadzone w XIX wieku , dostarczyły już fundamentalnych informacji na temat anatomicznych korelatów języka i kilku innych procesów poznawczych2. Niemniej jednak korelaty neuroanatomiczne wielu aspektów poznania oraz innych funkcji mózgu pozostawały nieuchwytne. W ostatnich dekadach ulepszone metody obrazowania strukturalnego mózgu i postępy techniczne umożliwiły prowadzenie wielkoskalowych badań LSM in vivo z wysoką rozdzielczością przestrzenną (tj. na poziomie poszczególnych wokseli lub konkretnych korowych/podkorowych obszarów zainteresowania)1,2. Dzięki tym postępom metodologicznym LSM stało się coraz popularniejszą metodą w neuronauce poznawczej i nadal dostarcza nowych informacji na temat neuroanatomii poznania i objawów neurologicznych3. Kluczowym krokiem w każdym badaniu LSM jest dokładna segmentacja uszkodzeń i rejestracja do szablonu mózgu. Brakuje jednak kompleksowego samouczka dotyczącego wstępnego przetwarzania danych obrazowania mózgu na potrzeby LSM.

W niniejszym materiale przedstawiono kompletny samouczek dotyczący zstandaryzowanej metody segmentacji i rejestracji zmian chorobowych. Metoda ta dostarcza badaczom schematu postępowania w zakresie zstandaryzowanego przetwarzania obrazów mózgu oraz przeglądu potencjalnych błędów, których należy unikać. Przedstawiony schemat przetwarzania obrazów został opracowany w ramach międzynarodowej współpracy4 i jest częścią ram niedawno założonego konsorcjum Meta VCI map, którego celem jest przeprowadzanie wieloośrodkowych badań mapowania zależności między zmianami a objawami w zaburzeniach poznawczych pochodzenia naczyniowego <www.metavcimap.org>5. Metoda ta została zaprojektowana tak, aby przetwarzać skany CT i MRI pochodzące od wielu producentów i z heterogenicznych protokołów skanowania, co umożliwia łączone przetwarzanie zbiorów danych obrazowych z różnych źródeł. Wymagane oprogramowanie RegLSM oraz wszystkie inne programy niezbędne do realizacji tego protokołu są dostępne bezpłatnie z wyjątkiem programu MATLAB, który wymaga licencji. Niniejszy samouczek koncentruje się na segmentacji i rejestracji zawałów mózgu, jednak przedstawiony schemat przetwarzania obrazów może być stosowany również w przypadku innych zmian, takich jak hiperintensywności istoty białej6.

Przed rozpoczęciem badania LSM wymagane jest podstawowe zrozumienie ogólnych koncepcji oraz potencjalnych trudności. Dostępnych jest kilka szczegółowych wytycznych oraz praktyczny przewodnik1,3,6. Jednakże przeglądy te nie zawierają szczegółowego samouczka praktycznego dotyczącego etapów gromadzenia i konwertowania skanów mózgu do odpowiedniego formatu, segmentacji obszaru zawału mózgu oraz rejestracji skanów do szablonu mózgu. Niniejsza praca stanowi taki samouczek. Ogólne koncepcje LSM zostały przedstawione we wstępie wraz z odsyłaczami do dalszej literatury w tym temacie.

Ogólny cel badań nad mapowaniem zależności między uszkodzeniem a objawami

Z perspektywy neuropsychologii poznawczej urazy mózgu mogą służyć jako model stanu pozwalający lepiej zrozumieć neuronalne podstawy określonych procesów poznawczych oraz uzyskać pełniejszy obraz architektury poznawczej mózgu1. Jest to klasyczne podejście w neuropsychologii, które po raz pierwszy zostało zastosowane w badaniach pośmiertnych w XIX wieku przez pionierów takich jak Broca i Wernicke2. W erze funkcjonalnego obrazowania mózgu podejście oparte na analizie zmian ogniskowych pozostało kluczowym narzędziem w neuronauce, ponieważ dostarcza dowodów na to, że uszkodzenia w konkretnym obszarze mózgu zaburzają wykonywanie zadania, podczas gdy badania obrazowania funkcjonalnego wykazują obszary mózgu aktywowane podczas realizacji tego zadania. W związku z tym podejścia te dostarczają komplementarnych informacji1.

Z perspektywy neurologii klinicznej badania LSM mogą wyjaśnić związek między lokalizacją zmiany a funkcjonowaniem poznawczym u pacjentów z ostrymi zawałami objawowymi, hiperintensywnościami istoty białej, ubytkami lakunarnymi lub innymi typami zmian (np. guzami). Niedawne badania wykazały, że obecność takich zmian w strategicznych obszarach mózgu ma większe znaczenie w wyjaśnianiu sprawności poznawczej niż całkowite obciążenie zmianami 2,5,7,8. Podejście to ma potencjał do poprawy zrozumienia patofizjologii złożonych zaburzeń (w tym przykładzie naczyniowych zaburzeń poznawczych) i może stwarzać możliwości opracowania nowych narzędzi diagnostycznych i prognostycznych lub wspierania strategii leczenia2.

LSM znajduje zastosowanie również poza obszarem poznawczym. W rzeczywistości każdą zmienną można powiązać z lokalizacją uszkodzenia, w tym objawy kliniczne, biomarkery oraz wyniki funkcjonalne. Na przykład w niedawnym badaniu określono lokalizacje zawałów, które były predyktorami wyników funkcjonalnych po udarze niedokrwiennym10.

Mapowanie objawowe zmian oparte na wokselach w porównaniu do mapowania opartego na obszarach zainteresowania

Aby przeprowadzić mapowanie zależności między zmianami chorobowymi a objawami, zmiany muszą zostać wysegmentowane i zarejestrowane względem szablonu mózgu. Podczas procedury rejestracji mózg każdego pacjenta jest wyrównywany przestrzennie (tzn. normalizowany lub rejestrowany do wspólnego szablonu), aby skorygować różnice w wielkości, kształcie i orientacji mózgu, tak aby każdy woksel na mapie zmian reprezentował tę samą strukturę anatomiczną u wszystkich pacjentów7. W przestrzeni standardowej można przeprowadzić kilka rodzajów analiz, które zostały tutaj krótko podsumowane.

W celu wykazania różnic w rozmieszczeniu zmian u pacjentów z deficytami w porównaniu do pacjentów bez deficytów można przeprowadzić prostą analizę odejmowania zmian (lesion-subtraction analysis). Powstała mapa odejmowania wskazuje obszary, które są częściej uszkodzone u pacjentów z deficytami, a oszczędzone u pacjentów bez deficytów1. Chociaż analiza odejmowania zmian może dostarczyć pewnych informacji na temat korelatów określonej funkcji, nie stanowi ona dowodu statystycznego i obecnie jest stosowana głównie w przypadkach, gdy wielkość próby jest zbyt mała, aby zapewnić wystarczającą moc statystyczną dla mapowania objawów i zmian w oparciu o woksele (voxel-based lesion-symptom mapping).

W mapowaniu objawów w oparciu o voxele (voxel-based lesion-symptom mapping), związek między obecnością zmiany a sprawnością poznawczą jest określany na poziomie każdego pojedynczego voxela w mózgu (Rysunek 1). Główną zaletą tej metody jest wysoka rozdzielczość przestrzenna. Tradycyjnie analizy te były przeprowadzane w podejściu masowo-jednowymiarowym (mass-univariate approach), co wymaga korekty na wielokrotne testowanie i wprowadza błąd przestrzenny spowodowany korelacjami między voxelami, które nie są brane pod uwagę1,10,11. Niedawno opracowane podejścia, które uwzględniają korelacje między voxelami (zazwyczaj określane jako wielowymiarowe metody mapowania objawów, takie jak analiza bayesowska13, regresja wektorów nośnych4,14 lub inne algorytmy uczenia maszynowego15), wykazują obiecujące wyniki i wydają się poprawiać czułość i swoistość wyników analiz LSM przeprowadzanych voxel po voxelu w porównaniu z metodami tradycyjnymi. Dalsze ulepszanie i walidacja metod wielowymiarowych dla LSM na poziomie voxela jest procesem ciągłym. Wybór najlepszej metody dla konkretnego mapowania objawów zależy od wielu czynników, w tym od rozkładu zmian, zmiennej wynikowej oraz podstawowych założeń statystycznych danych metod.

W mapowaniu zależności między zmianami a objawami w oparciu o obszary zainteresowania (ROI), określa się związek między rozległością zmian w konkretnym regionie mózgu a sprawnością poznawczą (ilustrację przedstawiono na Rysunku 1 w pracy Biesbroek i wsp.2). Główną zaletą tej metody jest uwzględnienie skumulowanej rozległości zmian w obrębie struktury anatomicznej, co w niektórych przypadkach może być bardziej informacyjne niż zmiana w pojedynczym wokselu. Z drugiej strony, analizy oparte na ROI mają ograniczoną moc wykrywania wzorców występujących jedynie w podzbiorze wokseli w danym regionie16. Tradycyjnie mapowanie zależności między zmianami a objawami oparte na ROI wykonuje się przy użyciu regresji logistycznej lub liniowej. Ostatnio wprowadzono metody wielowymiarowe, które lepiej radzą sobie z koliniowością (np. bayesowską analizę sieciową17, regresję wektorów nośnych4,18 lub inne algorytmy uczenia maszynowego19), co może zwiększyć swoistość wyników badań nad mapowaniem zależności między zmianami a objawami.

Wybór pacjentów

W badaniach LSM pacjentów zazwyczaj dobiera się na podstawie konkretnego rodzaju zmiany (np. zawały mózgu lub hiperintensywności istoty białej) oraz odstępu czasu między diagnozą a oceną neuropsychologiczną (np. udar w fazie ostrej w porównaniu z fazą przewlekłą). Optymalny projekt badania zależy od postawionego pytania badawczego. Na przykład przy badaniu architektury funkcjonalnej ludzkiego mózgu najlepiej włączyć pacjentów po udarze w fazie ostrej, ponieważ na tym etapie nie nastąpiła jeszcze reorganizacja funkcjonalna, natomiast pacjentów po udarze w fazie przewlekłej należy włączyć podczas badania długofalowych skutków udaru w zakresie funkcji poznawczych. Szczegółowy opis kwestii i pułapek związanych z doborem pacjentów przedstawiono w innym opracowaniu7.

Preprocessing obrazów mózgu w celu mapowania zależności między uszkodzeniami a objawami

Dokładna segmentacja zmian i ich rejestracja do wspólnego szablonu mózgu są kluczowymi etapami w mapowaniu objawów w zależności od lokalizacji zmian (lesion-symptom mapping, LSM). Ręczna segmentacja zmian pozostaje złotym standardem dla wielu typów uszkodzeń, w tym dla zawałów7. Przedstawiono szczegółowy samouczek dotyczący kryteriów ręcznej segmentacji zawałów w badaniach CT, obrazowaniu ważonym dyfuzją (DWI) oraz w sekwencjach MRI z odwracaniem i tłumieniem sygnału z płynów (FLAIR), zarówno w fazie ostrej, jak i przewlekłej. Posegmentowane zawały (tj. binarne mapy zmian 3D) muszą zostać zarejestrowane przed przeprowadzeniem jakichkolwiek analiz międzyosobniczych. Niniejszy protokół wykorzystuje metodę rejestracji RegLSM, która została opracowana w środowisku wieloośrodkowym4. RegLSM stosuje liniowe i nieliniowe algorytmy rejestracji oparte na elastix20 zarówno dla CT, jak i MRI, z dodatkowym etapem przetwarzania CT, zaprojektowanym specjalnie w celu poprawy jakości rejestracji skanów CT21. Co więcej, RegLSM umożliwia stosowanie różnych docelowych szablonów mózgu oraz (opcjonalny) pośredni etap rejestracji do szablonu CT/MRI specyficznego dla wieku22. Możliwość przetwarzania zarówno skanów CT, jak i MRI oraz możliwość dostosowania pośrednich i docelowych szablonów mózgu sprawiają, że RegLSM jest wysoce odpowiednim narzędziem do przetwarzania obrazów w LSM. Cały proces przygotowania i segmentacji skanów CT/MRI, rejestracji do szablonu mózgu oraz korekt ręcznych (jeśli są wymagane) opisano w następnej sekcji.

figure-introduction-1
Rysunek 1: Schematyczna ilustracja koncepcji mapowania objawów w zależności od zmian ogniskowych w oparciu o woksele (voxel-based lesion-symptom mapping). Górna część przedstawia etapy wstępnego przetwarzania obrazów mózgu, składające się z segmentacji zmiany (w tym przypadku ostrego udaru niedokrwiennego), a następnie rejestracji do szablonu mózgu (w tym przypadku szablonu MNI-152). Poniżej przedstawiono fragment zarejestrowanej binarnej mapy zmian tego samego pacjenta w formie siatki 3D, gdzie każda kostka reprezentuje jeden woksel. Po połączeniu z mapami zmian 99 innych pacjentów generowana jest nakładkowa mapa zmian (lesion overlay map). Dla każdego woksela przeprowadzany jest test statystyczny w celu określenia związku między obecnością zmiany a wynikami funkcji poznawczych. Przedstawiony tutaj test chi-kwadrat jest jedynie przykładem; można zastosować dowolny test statystyczny. Zazwyczaj testuje się setki tysięcy wokseli w całym mózgu, a następnie przeprowadza się korekcję dla wielokrotnych porównań. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Ten protokół jest zgodny z wytycznymi naszej instytucji ds. etyki badań na ludziach.

1. Zbiór skanów i danych klinicznych

  1. Zbierz skany tomografii komputerowej lub rezonansu magnetycznego mózgu pacjentów z udarem niedokrwiennym. Większość skanerów zapisuje skany jako pliki DICOM (Digital Imaging and Communications in Medicine), które można skopiować na dysk twardy lub serwer.
    nuta: Można wykorzystać skany z każdego typu skanera, protokołu skanowania i natężenia pola MRI, o ile 1) spełnione są wymagania okna czasowego dla używanego typu skanowania (patrz Tabela 1) i 2) nie ma artefaktów, które utrudniają dokładne wyznaczenie zawału. Szczegółowy samouczek na temat wykrywania artefaktów w tomografii komputerowej i rezonansie magnetycznym znajduje się w innym miejscu23,24. Przykład często występujących artefaktów ruchu w tomografii komputerowej znajduje się w Rysunek 2, a przykłady skanów dobrej jakości znajdują się w przykładowych przypadkach w sekcji wyników. Zawały można segmentować na skanach o dowolnej grubości warstwy i dowolnej rozdzielczości obrazu w płaszczyźnie. Jednak cienkie plasterki i wysoka rozdzielczość w płaszczyźnie umożliwią dokładniejsze odwzorowanie zawału w szablonie mózgu.
  2. Zbierz zmienne kliniczne w pliku danych (np. Excel), tworząc osobne wiersze dla każdego przypadku i kolumny dla każdej zmiennej klinicznej. W przypadku segmentacji zawału należy uwzględnić co najmniej zmienne datę udaru i datę obrazowania lub zmienną wskazującą odstęp czasu między udarem a obrazowaniem.
  3. Upewnij się, że przestrzegane są wytyczne etyczne i przepisy dotyczące prywatności. Upewnij się, że dane są zanonimizowane lub zakodowane. Zwróć szczególną uwagę na usunięcie danych pacjenta, takich jak imię i nazwisko, adres i data urodzenia, które są przechowywane w plikach DICOM jako znaczniki. Tagi te można usunąć za pomocą dcm2niix (do pobrania za darmo pod adresem )25.

2. Konwersja obrazów DICOM do plików Nifti

  1. Aby przekonwertować obrazy DICOM na nieskompresowane pliki nifti za pomocą narzędzia dcm2niix, wpisz "[ścieżka folderu dcm2niix.exe]\dcm2niix %d_%p [ścieżka do folderu plików dicom]" w wierszu polecenia. Przykładem polecenia z wstawionymi ścieżkami folderów może być C:\users\matthijs\dcm2niix %d_%p C:\users\matthijs\dicom\. To polecenie uruchomi plik wykonywalny dcm2niix, przekonwertuje obrazy DICOM w wybranym folderze i zapisze pliki nifti w tym samym folderze.
    nuta: Dodanie %d_%p gwarantuje, że opis serii i nazwa protokołu zostaną wstawione do nazwy pliku. Dodatkowe funkcje, w tym opcje konwersji wsadowej, są dostępne w instrukcji dcm2niix pod adresem . Inne narzędzia open source mogą być również używane do konwersji obrazów DICOM na pliki nifti.
  2. Upewnij się, że nazwa typu skanowania (CT, FLAIR, DWI lub inne nazwy sekwencji) jest skopiowana do nazwy pliku podczas konwersji (ta opcja jest dostępna w dcm2niix).
  3. W przypadku skanów MRI wybierz sekwencje DWI lub FLAIR do segmentacji. Alternatywnie można zastosować dowolną inną sekwencję strukturalną, na której widoczny jest zawał. W Tabeli 1 przedstawiono odpowiednie okna czasowe po udarze, w których można zastosować CT, DWI lub FLAIR do segmentacji zawału.
  4. Uporządkuj pliki nifti w wygodnej strukturze folderów z podfolderem dla każdego przypadku (patrz podręcznik RegLSM i Rysunek Uzupełniający 1). Instrukcję tę można pobrać ze strony .
    nuta: Ta struktura folderów jest wymagana dla oprogramowania rejestracyjnego RegLSM (patrz sekcja 4). Aktualizacja RegLSM, która czyni go kompatybilnym z BIDS (brain imaging data structure26, patrz ), jest obecnie opracowywana i wkrótce zostanie wydana.

3. Segmentacja zawału

  1. Uwagi ogólne dotyczące wszystkich typów skanowania
    1. Upewnij się, że osoba, która przeprowadza i ocenia segmentację i rejestrację, jest ślepa na zmienną wynikową (zwykle miarę poznawczą), aby uniknąć stronniczości.
    2. Należy pamiętać, że zawały są zwykle segmentowane na przekrojach poprzecznych, ale segmentację można przeprowadzić w dowolnej orientacji plasterka.
    3. Zapewnij idealne warunki oglądania podczas segmentacji zawału, korzystając z wyświetlacza o wysokiej rozdzielczości i optymalnego oświetlenia otoczenia, aby zapewnić komfortowe warunki. Ręcznie dostosuj kontrast obrazu podczas segmentacji, aby zapewnić optymalny kontrast między zdrową tkanką mózgową. Bądź konsekwentny w stosowaniu podobnych ustawień dla różnych obiektów.
  2. Segmentacja zawału w tomografii komputerowej
    1. Najpierw sprawdź, czy skan został wykonany co najmniej 24 godziny po wystąpieniu objawów udaru. W ciągu 24 godzin ostry zawał nie jest widoczny lub jest widoczny tylko częściowo w tomografii komputerowej, a skan nie może być wykorzystany do segmentacji7. Zobacz Rysunek 3 dla ilustracji.
    2. Otwórz natywną tomografię komputerową za pomocą oprogramowania ITK-SNAP (bezpłatne pobieranie dostępne pod adresem )27. W ITK-SNAP kliknij Plik | otwórz główny obraz z menu rozwijanego. Kliknij przycisk Przeglądaj i wybierz plik, aby otworzyć skanowanie. Jeśli domyślne ustawienie kontrastu zapewnia słaby kontrast między zdrową tkanką mózgową a zmianą, dostosuj ustawienia kontrastu. Aby to zrobić, kliknij Narzędzia | Kontrast obrazu | Regulacja kontrastu.
      nuta: Można również użyć dowolnego oprogramowania typu open source.
    3. Jeśli to możliwe, otwórz tomografię komputerową, która została wykonana w ciągu 24 godzin od wystąpienia objawów udaru w oddzielnym przypadku jako odniesienie w celu odróżnienia ostrego zawału od starych zmian niedokrwiennych, takich jak lakuny, zawały (pod)korowe lub nadmierne nasilenie istoty białej.
    4. Zidentyfikuj zawał na podstawie następujących cech. Zawały mają niski sygnał (tj. hipodense) w porównaniu z normalną tkanką mózgową.
      1. W ostrej fazie (pierwsze tygodnie) duże zawały mogą powodować efekt masy skutkujący przemieszczeniem otaczających tkanek, uciskiem komór, przesunięciem linii środkowej i zatarciem bruzd. Może dojść do transformacji krwotocznej, która jest widoczna jako obszary o wysokim sygnale (tj. hiperdeny) w obrębie zawału.
      2. W stadium przewlekłym (od miesięcy do lat) zawał będzie składał się z centrum kawitacji hipodenowej (o podobnej gęstości jak płyn mózgowo-rdzeniowy) i mniej hipodense brzegu, który reprezentuje uszkodzoną tkankę mózgową. Zarówno kawitowany środek, jak i krawędź hypodens muszą być podzielone na segmenty jako zawał. W przypadku dużego zawału może dojść do powiększenia ex vacuo sąsiednich bruzd lub komór.
        nuta: Przemieszczenie tkanek spowodowane efektem masy lub powiększeniem struktur ex vacuo nie powinno być korygowane podczas segmentacji (tj. segmentacji musi być tylko pełny zakres zawału). Korekcja pod kątem przemieszczenia tkanek odbywa się podczas rejestracji i kolejnych kroków.
    5. Podziel tkankę mózgową na segmenty za pomocą trybu pędzla z głównego paska narzędzi (kliknij lewym przyciskiem myszy, aby narysować, kliknij prawym przyciskiem myszy, aby wymazać). Alternatywnie, użyj trybu wielokąta, aby umieścić punkty kontrolne na granicach zmiany (punkty te są automatycznie połączone liniami) lub przytrzymaj lewy przycisk myszy podczas przesuwania myszy nad granicami zmiany. Po połączeniu wszystkich punktów kontrolnych kliknij przycisk Akceptuj, aby wypełnić wyznaczony obszar.
    6. Unikaj fazy zamgławiania, która odnosi się do fazy, w której zawał staje się izodense w CT (co współwystępuje z infiltracją tkanki zawału przez fagocyty). Zwykle występuje to 14-21 dni po wystąpieniu udaru, ale w rzadkich przypadkach może wystąpić nawet wcześniej28. W tym okresie zawał może stać się niewidoczny lub jego granice stają się mniej wyraźne, co sprawia, że ten etap nie nadaje się do segmentacji zawału. Po fazie zamglenia zmiana ponownie staje się hipodense, gdy dochodzi do kawitacji i glejaku. Zobacz Rysunek 4 dla dwóch przykładów.
    7. Po zakończeniu segmentacji zapisz go jako binarny plik nifti w tym samym folderze co skan, klikając segmentacja | zapisz obraz segmentacji z menu rozwijanego, a następnie zapisz segmentację, nadając jej dokładnie taką samą nazwę jak skan segmentowany, z rozszerzeniem .lesion (np. jeśli skan został zapisany jako "ID001. CT.nii", zapisz segmentację jako "ID001. CT.lesion.nii").
  3. Segmentacja zawału na DWI
    1. Najpierw sprawdź, czy DWI zostało wykonane w ciągu 7 dni od wystąpienia udaru. Zawały są widoczne na DWI w ciągu kilku godzin po wystąpieniu udaru, a ich widoczność na DWI stopniowo zmniejsza się po około 7 dniach (więcej szczegółów w akapicie 2 w dyskusji).
    2. Otwórz DWI w ITK-SNAP (w taki sam sposób, jak w kroku 3.2.2).
      nuta: Sekwencja DWI generuje co najmniej dwa obrazy dla większości protokołów skanowania, jeden z wartością b = 0, który jest standardowym obrazem ważonym T2, i jeden z wyższą wartością b, który jest skanem, który rejestruje rzeczywiste właściwości dyfuzyjne tkanki. Im wyższa wartość b, tym silniejsze efekty dyfuzji. Do wykrywania udaru niedokrwiennego często stosuje się wartość b około 1000 s/mm2, ponieważ w większości przypadków zapewnia to dobry stosunek kontrastu do szumu29. Obraz o wysokiej wartości b służy do segmentacji zawału.
    3. Otwórz sekwencję pozornego współczynnika dyfuzji (ADC) w osobnej instancji ITK-SNAP w celach informacyjnych.
    4. Zidentyfikuj i opisz tkankę mózgową po zawale na podstawie wysokiego sygnału (tj. hiperintensywnego) na DWI i niskiego sygnału (tj. hipointensywnego) na ADC (patrz Rysunek 5). Wartości ADC w zawale stopniowo wzrastają, aż ADC unormuje się średnio 1 tydzień po udarze30, ale w niektórych przypadkach ADC może być już (prawie) znormalizowane po kilku dniach, jeśli występuje duży obrzęk naczyniopochodny.
      nuta: Na obrazach DWI o niskich wartościach b, zmiany w mózgu z nieodłącznie wysokim sygnałem T2 (takie jak hiperintensywność istoty białej) mogą również wydawać się hiperintensywne. Zjawisko to nazywa się T2 shine-through31. Jednak wraz ze wzrostem wartości b zjawisko to staje się mniej istotne, ponieważ sygnał na obrazie DWI silniej odzwierciedla właściwości dyfuzyjne niż wewnętrzny sygnał T2. W przypadku nowoczesnych protokołów skanowania DWI (zwykle z wartością b=1000 lub wyższą), efekty prześwitywania T2 są ograniczone32.
    5. Nie należy mylić sygnału o wysokim DWI w pobliżu granicy faz między powietrzem a tkanką lub kośćmi, które są powszechnie obserwowanym artefaktem, z zawałem. Zobacz Rysunek 5.
    6. Zapisz adnotację jako binarny plik nifti, nadając mu dokładnie taką samą nazwę jak skan segmentowany, z rozszerzeniem .lesion (w taki sam sposób, jak w kroku 3.2.7).
  4. Segmentacja zawału w FLAIR
    1. Najpierw sprawdź, czy skan został wykonany >48 godzin po wystąpieniu objawów udaru. W stadium nadostrej zawał zwykle nie jest widoczny w sekwencji FLAIR lub dokładne granice zawału są niejasne31 (patrz Rysunek 6).
    2. Otwórz FLAIR w ITK-SNAP w taki sam sposób, jak w kroku 3.2.2.
    3. Otwórz T1, oddzielną instancję ITK-SNAP w celach informacyjnych, jeśli jest dostępna.
    4. Zidentyfikuj i podziel tkankę mózgową na segmenty na podstawie następujących cech.
      1. W ostrej fazie (pierwsze kilka tygodni) zawał jest widoczny jako mniej lub bardziej jednorodna, hiperintensywna zmiana, z widocznym obrzękiem i efektem masy lub bez (Ryc. 5).
      2. W stadium przewlekłym (miesiące do lat) zawał jest kawitatowany, co oznacza, że centrum staje się hipo- lub izointensywne na FLAIR. Tę wnękę można najdokładniej zidentyfikować na T1. W większości przypadków kawitowane centrum jest otoczone hiperintensywną obwódką na FLAIR, reprezentującą glejozę. 33.
        nuta: Istnieje jednak znaczne zróżnicowanie stopnia kawitacji i glejozy w przewlekłych zawałach. Podzielić zarówno jamę, jak i nadmierną krawędź na zawały (patrz krok 3.2.5). Hiperintensywna zmiana FLAIR nie zawsze jest zawałem. W ostrym stadium małe zawały podkorowe można łatwo odróżnić od hiperintensywności istoty białej lub innych przewlekłych zmian, takich jak luki o przypuszczalnym pochodzeniu naczyniowym, gdy dostępne jest DWI (patrz Ryc. 5). W fazie przewlekłej może to być trudniejsze. Więcej informacji na temat tego, jak rozróżniać te typy zmian w stadium przewlekłym, znajduje się w paragrafie 3 dyskusji.
    5. Zapisz adnotację jako binarny plik nifti, nadając mu dokładnie taką samą nazwę jak skan segmentowany, z rozszerzeniem .lesion (w taki sam sposób, jak w kroku 3.2.7).
Typ skanowaniaOkno czasowe po udarzeWłaściwości zawałuSkanowanie referencyjnePułapek
CT>24 hOstra: hipodense-- Faza zamgławiania
Przewlekłe: hipodensja jama z płynem mózgowo-rdzeniowym i mniej hipodense rim- Transformacja krwotoczna
DWI <7 dniHiperintensywnyADC: typowo hipointensywny- Połysk T2
- Wysoki sygnał DWI w pobliżu granicy faz między powietrzem a kośćmi/tkankami
FLAIR >48 hOstra: nadmierna intensywnaOstre: DWI/ADC, T1 (izointensywne lub hipointensywne)- Nadmierne natężenie istoty białej
Przewlekłe: hipointensywne lub izointensywne (jama), hiperintensywna obręczPrzewlekłe: T1 (hipointensywna jama o charakterystyce płynu mózgowo-rdzeniowego). - Lacunes

Tabela 1: Podsumowanie kryteriów segmentacji zawału dla różnych typów skanowania.

4. Rejestracja w Przestrzeni Standardowej

  1. Pobierz RegLSM z 4. Użyj tego narzędzia do przetwarzania skanów CT i wszelkiego rodzaju sekwencji MRI. Procedura rejestracji jest zilustrowana w Rysunek 7.
    nuta: Opcjonalne funkcje w RegLSM obejmują rejestrację do pośredniego szablonu CT/MRI, który bardziej przypomina skany starszych pacjentów z zanikiem mózgu22. Domyślnie tomografia komputerowa i rezonans magnetyczny są rejestrowane w szablonie MNI-152 template34, ale można go zastąpić innymi szablonami, jeśli lepiej pasuje to do badania. Różne schematy rejestracji są zilustrowane w Rysunek 7. Na tym etapie można również użyć innych narzędzi do rejestracji typu open source.
  2. Sprawdź: 1) czy pliki nifti nie są skompresowane, 2) czy nazwa pliku skanu segmentowego zawiera termin CT, FLAIR lub DWI, oraz 3) czy nazwa pliku adnotacji o zmianie zawiera ten sam termin z dołączonym ".lesion". Jeśli zostaną wykonane te trzy pierwsze kroki, dane są w pełni przygotowane do rejestracji i nie trzeba ich zmieniać.
  3. Otwórz MATLAB (wersja 2015a lub nowsza), ustaw bieżący folder na RegLSM (ten folder można pobrać z 35 (wersja 12 lub nowsza, do pobrania bezpłatnie pod adresem ), wpisując addpath {nazwa folderu SPM}. Następnie wpisz RegLSM, aby otworzyć GUI.
  4. Wybierz tryb testowy z menu rozwijanego rejestracji, aby przeprowadzić rejestrację dla pojedynczego przypadku. W panelu trybu testowego wybierz skan (CT, FLAIR lub DWI), adnotację i opcjonalnie T1 za pomocą przycisku Otwórz obraz. Wybierz schemat rejestracji: CT, FLAIR z lub bez T1, DWI z lub bez T1.
  5. Alternatywnie wybierz tryb wsadowy, aby zarejestrować skany wszystkich spraw w wybranym folderze w trybie wsadowym.
  6. Upewnij się, że RegLSM zapisuje wynikowe parametry rejestracji i zarejestrowane skany (w tym kroki pośrednie) oraz zarejestrowaną mapę zmian w podfolderach, które są generowane automatycznie. Podczas tego procesu zarejestrowane skany i mapy zmian chorobowych są ponownie próbkowane w celu dopasowania do rozdzielczości (izotropowe 1 mm3 woksele) i kąta nachylenia matrycy MNI-152.

5. Przejrzyj wyniki rejestracji

  1. Wybierz opcję sprawdź wyniki w graficznym interfejsie użytkownika RegLSM i przejdź do głównego folderu z wynikami rejestracji. Graficzny interfejs użytkownika automatycznie wybierze zarejestrowany skan z zarejestrowaną mapą zmian oraz szablon MNI-152 z zarejestrowaną mapą zmian w orientacji poprzecznej, strzałkowej i czołowej (patrz Rysunek 8).
  2. Przewiń zarejestrowany skan i użyj krzyżyka, aby sprawdzić wyrównanie zarejestrowanego skanu i szablonu MNI-152. Zwróć szczególną uwagę na wyrównanie rozpoznawalnych anatomicznych punktów orientacyjnych, takich jak zwoje podstawy, komory i czaszka.
  3. Zaznacz wszystkie nieudane rejestracje w osobnej kolumnie w pliku danych (dokonane w kroku 1.2) w celu późniejszej ręcznej korekty w sekcji 6.
    nuta: Częstymi błędami w rejestracji są niedoskonałe wyrównanie spowodowane efektem masy spowodowanym zmianą w fazie ostrej lub powiększenie komór ex vacuo w stadium przewlekłym. Zobacz Rysunek 3 i Rysunek 5, aby zobaczyć przykłady takiej niewspółosiowości. Innym częstym błędem jest niewspółosiowość ścięgna móżdżkowego, w którym to przypadku zawał potyliczny może pokrywać się z móżdżkiem w szablonie. Niewspółosiowość tkanek, które nie są uszkodzone, nie stanowi problemu, gdy w kolejnych analizach mapowania zmian chorobowych stosuje się tylko binarne mapy zmian. W takich przypadkach tylko zmiany muszą być idealnie wyrównane.

6. Ręczne poprawianie błędów rejestracji

  1. W przypadku map zmian chorobowych, które wymagają korekty, otwórz szablon MNI-152 T1 w ITK-SNAP i wybierz z menu segmentacji | Otwarta segmentacja | Mapa zarejestrowanych zmian chorobowych, która jest teraz nałożona na szablon.
  2. Otwórz zarejestrowany skan mózgu w osobnej instancji ITK-SNAP w celach informacyjnych.
  3. Skoryguj zarejestrowaną mapę zmian w ITK-SNAP dla każdego rodzaju niewspółosiowości, o której mowa w kroku 5.3, używając funkcji pędzla, aby dodać woksele (lewy przycisk myszy) lub usunąć woksele (prawy przycisk myszy). Dokładnie porównaj zarejestrowany skan i nałożoną mapę zmian (patrz krok 5.2) z szablonem MNI-152 i nałożoną mapą zmian w ITK-SNAP (patrz krok 6.1), aby zidentyfikować obszary niewspółosiowości. Zobacz Rysunek 3 i Rysunek 5.
  4. Po ręcznym skorygowaniu mapy zmian w przestrzeni MNI należy przeprowadzić ostateczną kontrolę, porównując segmentowany skan natywny pacjenta z skorygowaną mapą zmian w przestrzeni MNI (tj. wyniki kroku 6.3). Upewnij się, że skorygowana mapa zmian w przestrzeni MNI teraz dokładnie odzwierciedla zawał w przestrzeni natywnej. Zwróć szczególną uwagę na rozpoznawalne punkty orientacyjne, takie jak zwoje podstawy, komory i czaszka (podobnie jak w kroku 5.2).
  5. Zapisz poprawioną mapę zmian w przestrzeni MNI jako binarny plik nifti w tym samym folderze, co nieskorygowana mapa zmian w przestrzeni MNI-152, nadając jej dokładnie taką samą nazwę jak nieskorygowana mapa zmian, z rozszerzeniem .corrected.

7. Przygotowanie danych do mapowania objawów zmian chorobowych

  1. Zmień nazwy wszystkich map zmian. Domyślnie RegLSM zapisywał mapy zmian w podfolderze o nazwie pliku "wyniki". Dołącz identyfikator tematu w nazwie pliku. W przypadku ręcznej korekty należy pamiętać o wybraniu i zmianie nazwy poprawionego pliku.
  2. Skopiuj wszystkie mapy zmian chorobowych do jednego folderu.
  3. Przeprowadź kontrolę poprawności danych, losowo wybierając i sprawdzając kilka map zmian w ITK-SNAP i porównuj je z natywnymi skanami, aby wykluczyć systematyczne błędy w przetwarzaniu danych, takie jak przerzucanie w lewo i w prawo.
  4. Użyj MRIcron, aby przeprowadzić kolejną kontrolę poprawności danych, tworząc obraz nakładania się zmian, aby sprawdzić, czy żadne zmiany nie znajdują się poza szablonem mózgu. W tym celu należy wybrać menu rozwijane rysowania | statystyki | Create Overlap images.
    nuta: Uzyskana w ten sposób mapa nakładki zmian chorobowych może być rzutowana na szablon MNI-152 i sprawdzana za pomocą np. MRIcron lub ITK-SNAP.
  5. Mapy zmian chorobowych są teraz gotowe do wykorzystania do mapowania objawów zmian chorobowych na podstawie wokseli lub do obliczania objętości zawału w określonych regionach zainteresowania przy użyciu atlasu, który jest zarejestrowany w tej samej standardowej przestrzeni, co mapy zmian (w tym przypadku przestrzeń MNI-152, dla której dostępnych jest wiele atlasów, z których tylko kilka jest cytowanych poniżej36, 37,38).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Przedstawiono tutaj przykładowe przypadki segmentacji zawałów mózgu na obrazach CT (Rycina 3), DWI (Rycina 5) i FLAIR (Rycina 6) oraz ich późniejszą rejestrację do szablonu MNI-152. Wyniki rejestracji pokazane na Rycina 3B i Rycina 5C nie były całkowicie pomyślne, ponieważ wystąpiło przesunięcie w pobliżu rogu czołowego komory. Mapy zmian z ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

LSM jest potężnym narzędziem do badania funkcjonalnej architektury ludzkiego mózgu. Kluczowym krokiem w każdym badaniu mapowania objawów zmian jest wstępne przetwarzanie danych obrazowych, segmentacja zmiany i rejestracja w szablonie mózgu. W tym miejscu przedstawiamy ustandaryzowany proces segmentacji i rejestracji zmian w celu mapowania objawów zmian chorobowych. Metoda ta może być wykonywana za pomocą ogólnodostępnych narzędzi do przetwarzania obrazu, może być wykorzystywana do przetwarzania zarówno tomografii kompute...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie ujawniają konfliktu interesów.

Podziękowania

Praca doktora Biesbroeka jest wspierana przez Stypendium dla Młodych Talentów z Centrum Mózgu Rudolfa Magnusa z Uniwersyteckiego Centrum Medycznego w Utrechcie. Prace te oraz konsorcjum Meta VCI Map są wspierane przez Vici Grant 918.16.616 z ZonMw z Holandii, Organizacji Badań i Rozwoju w Dziedzinie Zdrowia, dla Geerta Jana Biesselsa. Autorzy pragną podziękować dr Tanji C.W. Nijboer za udostępnienie skanów, które zostały wykorzystane w jednej z rysunków.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
dcm2niixN/AN/Ado pobrania za darmo https://github.com/rordenlab/dcm2niix
ITK-SNAPN/A N/A do pobrania za darmo www.itksnap.org
MRIcronN/Ado pobrania za darmo https://www.nitrc.org/projects/mricron
MATLABMathWorksN/AWersja 2015a lub nowsza
RegLSMN/AN/A N/Abezpłatne pobieranie
www.metavcimap.org/support/software-tools SPM12bN/AN/Ado pobrania za darmo https://www.fil.ion.ucl.ac.uk/spm/
MATLAB MathWorks N/A Wersja 2015a lub nowsza N/A RegLSM N/A N/A do pobrania za darmo MRIcron N/A N/A do pobrania za darmo

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Rejestracja obraz wdopasowanie do szablonu m zguprzetwarzanie obraz w CT i MRIoprogramowanie ITK SNAPrejestracja RegLSMszablon MNI152korekta manualnaanaliza wokselowa

Powiązane artykuły