Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom Mapping

Published: September 25, 2019 doi: 10.3791/59653
Automatic Translation
1, 2, 1, 3, 4, Meta VCI Map Consortium, 1
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

Summary

Hier ist ein praktisches Tutorial für eine offene, standardisierte Bildverarbeitungspipeline zum Zwecke der Läsion-Symptom-Mapping. Für jeden Verarbeitungsschritt wird eine schrittweise Vorgehensweise angeboten, von der manuellen Infarktsegmentierung auf CT/MRT über die anschließende Registrierung bis hin zum Standardraum sowie praktische Empfehlungen und Illustrationen mit beispielhaften Fällen.

Abstract

Bei der Läsions-Symptome-Mapping (LSM), Gehirnfunktion wird durch die Beziehung der Position der erworbenen Gehirnläsionen zu Verhaltens- oder kognitiven Symptomen in einer Gruppe von Patienten abgeleitet. Mit den jüngsten Fortschritten in der Bildgebung und Bildverarbeitung im Gehirn ist LSM zu einem beliebten Werkzeug in der kognitiven Neurowissenschaft geworden. LSM kann grundlegende Einblicke in die funktionelle Architektur des menschlichen Gehirns für eine Vielzahl von kognitiven und nicht-kognitiven Funktionen bieten. Ein entscheidender Schritt bei der Durchführung von LSM-Studien ist die Segmentierung von Läsionen auf Gehirnscans einer großen Gruppe von Patienten und die Registrierung jedes Scans in einen gemeinsamen stereotaxic-Raum (auch Als Standardraum oder standardisierte Gehirnvorlage bezeichnet). Hier wird eine offene, standardisierte Methode zur Infarktsegmentierung und Registrierung für LSM beschrieben, sowie eine detaillierte und praktische Exemplarie auf Basis beispielhafter Fälle. Ein umfassendes Tutorial zur manuellen Segmentierung von Hirninfarkten auf CT-Scans und DWI- oder FLAIR-MRT-Sequenzen wird bereitgestellt, einschließlich Kriterien für die Infarktidentifikation und Fallstricke für verschiedene Scantypen. Die Registrierungssoftware bietet mehrere Registrierungsschemata, die für die Verarbeitung von CT- und MRT-Daten mit heterogenen Erfassungsparametern verwendet werden können. Ein Tutorial über die Verwendung dieser Registrierungssoftware und die Durchführung visueller Qualitätsprüfungen und manueller Korrekturen (die in einigen Fällen erforderlich sind) wird bereitgestellt. Dieser Ansatz bietet Forschern einen Rahmen für den gesamten Prozess der Gehirnbildverarbeitung, der für die Durchführung einer LSM-Studie erforderlich ist, von der Sammlung der Daten bis hin zur abschließenden Qualitätsprüfung der Ergebnisse.

Introduction

Die Lesion-Symptom-Mapping (LSM), auch Läsion-Behavior Mapping genannt, ist ein wichtiges Werkzeug, um die funktionelle Architektur des menschlichen Gehirns zu untersuchen1. In Läsionsstudien wird die Gehirnfunktion durch die Untersuchung von Patienten mit erworbenen Hirnläsionen abgeleitet und lokalisiert. Die ersten Fallstudien, die neurologische Symptome mit bestimmten Hirnstandorten im 19. Jahrhundert verknüpften, lieferten bereits grundlegende Einblicke in die anatomischen Korrelationen der Sprache und mehrere andere kognitive Prozesse2. Dennoch blieben die neuroanatomischen Korrelate vieler Aspekte der Kognition und anderer Gehirnfunktionen schwer fassbar. In den letzten Jahrzehnten haben verbesserte strukturelle Bildgebungsmethoden und technische Fortschritte groß angelegte in vivo LSM-Studien mit hoher räumlicher Auflösung ermöglicht (d. h. auf der Ebene einzelner Voxel oder spezifischer kortikaler/subkortikaler Interessengebiete)1 ,2. Mit diesen methodischen Fortschritten, LSM hat sich zu einer immer beliebter Methode in der kognitiven Neurowissenschaften und weiterhin neue Einblicke in die Neuroanatomie der Kognition und neurologische Symptomebieten 3. Ein entscheidender Schritt in jeder LSM-Studie ist die genaue Segmentierung von Läsionen und die Registrierung in einer Gehirnvorlage. Es fehlt jedoch ein umfassendes Tutorial zur Vorverarbeitung von Bildgebungsdaten für lsM.

Hier ist ein komplettes Tutorial für eine standardisierte Läsionssegmentierung und Registrierungsmethode vorgesehen. Diese Methode bietet Forschern eine Pipeline für die standardisierte Bildverarbeitung des Gehirns und einen Überblick über mögliche Fallstricke, die vermieden werden müssen. Die vorgestellte Bildverarbeitungspipeline wurde im Rahmen internationaler Kooperationenentwickelt 4 und ist Teil des Rahmens des kürzlich gegründeten Meta VCI-Kartenkonsortiums, dessen Zweck die Durchführung multizentrischer Läsions-Symptome-Mapping-Studien in vaskuläre kognitive Beeinträchtigung 5. Diese Methode wurde entwickelt, um sowohl CT- als auch MRT-Scans von mehreren Anbietern und heterogene Scanprotokolle zu verarbeiten, um eine kombinierte Verarbeitung von Imaging-Datasets aus verschiedenen Quellen zu ermöglichen. Die erforderliche RegLSM-Software und alle anderen Für dieses Protokoll benötigten Software sind frei verfügbar, mit Ausnahme von MATLAB, das eine Lizenz erfordert. Dieses Tutorial konzentriert sich auf die Segmentierung und Registrierung von Hirninfarkten, aber diese Bildverarbeitungspipeline kann auch für andere Läsionen verwendet werden, wie z. B. Hyperintensitäten der weißen Materie6.

Vor der Initiierung einer LSM-Studie ist ein grundlegendes Verständnis der allgemeinen Konzepte und Fallstricke erforderlich. Mehrere detaillierte Richtlinien und ein Anhalterführer sind verfügbar1,3,6. Diese Bewertungen bieten jedoch kein detailliertes praktisches Tutorial für die praktischen Schritte beim Sammeln und Konvertieren von Gehirnscans in ein richtiges Format, segmentieren den Hirninfarkt und registrieren die Scans in einer Gehirnvorlage. Das vorliegende Papier bietet ein solches Tutorial. Allgemeine Konzepte von LSM sind in der Einleitung mit Referenzen für die weitere Lektüre zu diesem Thema vorgesehen.

Allgemeines Ziel von Läsion-Symptomen-Mapping-Studien

Aus der Perspektive der kognitiven Neuropsychologie kann Eine Hirnverletzung als Modellbedingung verwendet werden, um die neuronalen Grundlagen bestimmter kognitiver Prozesse besser zu verstehen und ein vollständigeres Bild der kognitiven Architektur des Gehirns zu erhalten1 . Dies ist ein klassischer Ansatz in der Neuropsychologie, der erstmals in post-mortem Studien im neunzehnten Jahrhundert von Pionieren wie Broca und Wernicke2angewendet wurde. Im Zeit der funktionellen Gehirnbildgebung ist der Läsionsansatz ein entscheidendes Werkzeug in der Neurowissenschaft geblieben, weil er den Beweis dafür liefert, dass Läsionen in einer bestimmten Hirnregion die Aufgabenleistung stören, während funktionelle bildgebende Studien Hirnregionen zeigen, die während der Aufgabenleistung aktiviert werden. Diese Ansätze liefern daher ergänzende Informationen1.

Aus der Perspektive der klinischen Neurologie können LSM-Studien den Zusammenhang zwischen läsionsort und kognitiver Funktion bei Patienten mit akuten symptomatischen Infarkten, Hyperintensitäten der weißen Materie, Lücken oder anderen Läsionstypen (z. B. Tumoren (z. B. Tumoren ). Jüngste Studien haben gezeigt, dass solche Läsionen in strategischen Hirnregionen bei der Erklärung der kognitiven Leistungsfähigkeit relevanter sind als die globale Läsionsbelastung2,5,7,8. Dieser Ansatz hat das Potenzial, das Verständnis der Pathophysiologie komplexer Störungen (in diesem Beispiel der vaskulären kognitiven Beeinträchtigung) zu verbessern und kann Möglichkeiten für die Entwicklung neuer diagnostischer und prognostischer Instrumente oder die Unterstützung der Behandlung bieten. Strategien2.

LSM hat auch Anwendungen außerhalb des Bereichs der Kognition. Tatsächlich kann jede Variable mit dem Läsionsort in Verbindung gebracht werden, einschließlich klinischer Symptome, Biomarker und funktionellem Ergebnis. Zum Beispiel, eine aktuelle Studie ermittelt Infarkt-Standorte, die Vorhersage des funktionellen Ergebnisses nach ischämischen Schlaganfall10waren.

Voxel-basierte sandbasierte sandbasierte Läsions-Symptome-Mapping

Um eine Läsions-Symptome-Zuordnung durchzuführen, müssen Läsionen segmentiert und in einer Gehirnvorlage registriert werden. Während des Registrierungsvorgangs wird das Gehirn jedes Patienten räumlich ausgerichtet (d. h. normalisiert oder in einer gemeinsamen Vorlage registriert), um Unterschiede in Derhirngröße, -form und -ausrichtung so zu korrigieren, dass jeder Voxel in der Läsionskarte die gleiche anatomische Struktur für alle Patienten7. Im Standardraum können verschiedene Arten von Analysen durchgeführt werden, die hier kurz zusammengefasst werden.

Eine grobe Läsionssubtraktionsanalyse kann durchgeführt werden, um den Unterschied in der Läsionsverteilung bei Patienten mit Defiziten im Vergleich zu Patienten ohne Defizite zu zeigen. Die resultierende Subtraktionskarte zeigt Regionen, die häufiger bei Patienten mit Defiziten geschädigt und bei Patienten ohne Defizite geschont werden1. Obwohl eine Läsionssubtraktionsanalyse einige Einblicke in Korrelen einer bestimmten Funktion liefern kann, liefert sie keinen statistischen Beweis und wird jetzt hauptsächlich verwendet, wenn die Stichprobengröße zu niedrig ist, um genügend statistische Leistung für voxelbasierte Läsionssymptome bereitzustellen. Zuordnung.

Bei der voxelbasierten Läsions-Symptomenkarzierung wird ein Zusammenhang zwischen dem Vorhandensein einer Läsion und der kognitiven Leistungsfähigkeit auf der Ebene jedes einzelnen Voxels im Gehirn bestimmt (Abbildung 1). Der Hauptvorteil dieser Methode ist die hohe räumliche Auflösung. Traditionell wurden diese Analysen in einem massenunivariaten Ansatz durchgeführt, der eine Korrektur für mehrfache Tests rechtfertigt und eine räumliche Verzerrung einführt, die durch intervoxel-Korrelationen verursacht wird, die nicht berücksichtigt werden1,10 , 11. Kürzlich entwickelte Ansätze, die Intervoxel-Korrelationen berücksichtigen (in der Regel als multivariate Läsion-Symptom-Mapping-Methoden bezeichnet, wie Bayesian-Analyse13, Unterstützung der Vektorregression4, 14, oder andere maschinelle Lernalgorithmen15) zeigen vielversprechende Ergebnisse und scheinen die Empfindlichkeit und Spezifität von Erkenntnissen aus voxel-weisen LSM-Analysen im Vergleich zu herkömmlichen Methoden zu verbessern. Die weitere Verbesserung und Validierung multivariater Methoden für voxel-weiseLSM ist ein kontinuierlicher Prozess. Die beste Methodenwahl für die spezifische Läsions-Symptome-Mapping hängt von vielen Faktoren, einschließlich der Verteilung von Läsionen, Ergebnisvariable, und zugrunde liegenden statistischen Annahmen der Methoden.

In der Region von Interesse (ROI) wird ein Zusammenhang zwischen der Läsionslast innerhalb einer bestimmten Hirnregion und der kognitiven Leistungsfähigkeit bestimmt (siehe Abbildung 1 in Biesbroek et al.2 für eine Abbildung). Der Hauptvorteil dieser Methode besteht darin, dass sie die kumulative Läsionslast innerhalb einer anatomischen Struktur berücksichtigt, die in einigen Fällen informativer sein kann als eine Läsion in einem einzelnen Voxel. Auf der anderen Seite haben ROI-basierte Analysen nur begrenzte Leistung für die Erkennung von Mustern, die nur in einer Teilmenge von Voxeln in der Region16vorhanden sind. Traditionell wird die ROI-basierte Lesion-Symptom-Mapping mittels logistischer oder linearer Regression durchgeführt. Kürzlich wurden multivariate Methoden eingeführt, die sich besser mit Kollinearität befassen (z. B. Bayesian Network Analysis17, Support Vector Regression4,18, oder andere Machine Learning-Algorithmen19), die die Spezifität der Befunde aus Läsions-Symptomen-Mapping-Studien zu verbessern.

Patientenauswahl

In LSM-Studien werden die Patienten in der Regel auf der Grundlage eines bestimmten Läsionstyps (z. B. Hirninfarkte oder Hyperintensitäten weißer Materie) und des Zeitintervalls zwischen Diagnose und neuropsychologischer Bewertung (z. B. akuter vs. chronischer Schlaganfall) ausgewählt. Das optimale Studiendesign hängt von der Forschungsfrage ab. Zum Beispiel werden bei der Untersuchung der funktionellen Architektur des menschlichen Gehirns akute Schlaganfallpatienten idealerweise einbezogen, da die funktionelle Reorganisation in diesem Stadium noch nicht stattgefunden hat, während chronische Schlaganfallpatienten bei der Untersuchung der Langzeitwirkungen eines Schlaganfalls auf die Kognition. Eine detaillierte Beschreibung der Überlegungen und Fallstricke bei der Patientenauswahl finden Sie an anderer Stelle7.

Gehirnbild-Vorverarbeitung zum Zweck der Läsion-Symptom-Mapping

Genaue Läsionssegmentierung und Registrierung zu einer gemeinsamen Gehirnvorlage sind entscheidende Schritte bei der Lsion-Symptom-Mapping. Die manuelle Segmentierung von Läsionen bleibt der Goldstandard für viele Läsionsarten, einschließlich Infarkte7. Zur Verfügung gestellt wird ein detailliertes Tutorial zu Kriterien für die manuelle Infarktsegmentierung bei CT-Scans, diffusionsgewichtete Bildgebung (DWI) und fluid-attenuated Inversion Recovery (FLAIR) MRT-Sequenzen sowohl in akuten als auch in chronischen Stadien. Die segmentierten Infarte (d. h. die 3D-Binärläsionskarten) müssen registriert werden, bevor fachübergreifende Analysen durchgeführt werden. Dieses Protokoll verwendet die Registrierungsmethode RegLSM, die in einer multicenter-Einstellung4entwickelt wurde. RegLSM wendet lineare und nichtlineare Registrierungsalgorithmen auf Basis von elastix20 sowohl für CT als auch für MRT an, mit einem zusätzlichen CT-Verarbeitungsschritt, der speziell entwickelt wurde, um die Registrierungsqualität von CT-Scans zu verbessern21. Darüber hinaus ermöglicht RegLSM die Verwendung verschiedener Ziel-Gehirnvorlagen und eines (optionalen) Zwischenregistrierungsschritts zu einer altersspezifischen CT/MRT-Vorlage22. Die Möglichkeit, sowohl CT- als auch MRT-Scans zu verarbeiten und seine Anpassbarkeit in Bezug auf Zwischen- und Ziel-Gehirnvorlagen macht RegLSM zu einem sehr geeigneten Bildverarbeitungstool für LSM. Der gesamte Prozess der Vorbereitung und Segmentierung von CT/MRT-Scans, der Registrierung in einer Gehirnvorlage und manueller Korrekturen (falls erforderlich) wird im nächsten Abschnitt beschrieben.

Figure 1
Abbildung 1: Schematische Darstellung des Konzepts der voxelbasierten Läsions-Symptom-Mapping. Der obere Teil zeigt die Vorverarbeitungsschritte des Gehirnbildes, bestehend aus der Segmentierung der Läsion (in diesem Fall ein akuter Infarkt), gefolgt von der Registrierung in einer Gehirnvorlage (in diesem Fall die Vorlage MNI-152). Unten wird ein Teil der registrierten binären Läsionskarte desselben Patienten als 3D-Raster dargestellt, wobei jeder Würfel einen Voxel darstellt. Zusammen mit den Läsionskarten von 99 anderen Patienten wird eine Läsions-Overlay-Karte erzeugt. Für jeden Voxel wird ein statistischer Test durchgeführt, um den Zusammenhang zwischen Läsionsstatus und kognitiver Leistung zu bestimmen. Der hier gezeigte Chi-Quadrat-Test ist nur ein Beispiel, jeder statistische Test könnte verwendet werden. In der Regel werden Hunderttausende von Voxeln im gesamten Gehirn getestet, gefolgt von einer Korrektur für mehrere Vergleiche. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Dieses Protokoll folgt den Richtlinien unserer Institutionen Human Research Ethikkommission.

1. Sammlung von Scans und klinischen Daten

  1. Sammeln Sie Ct- oder MRT-Scans von Patienten mit ischämischem Schlaganfall. Die meisten Scanner speichern die Scans als DICOM-Dateien (Digital Imaging and Communications in Medicine), die auf eine Festplatte oder einen Server kopiert werden können.
    HINWEIS: Scans von jedem Scannertyp, Scanprotokoll und MRT-Feldstärke können verwendet werden, solange 1) die Zeitfensteranforderungen für den verwendeten Scantyp erfüllt sind (siehe Tabelle 1) und 2), es gibt keine Artefakte, die eine genaue Infarktabgrenzung behindern. Ein detailliertes Tutorial zur Artefakterkennung auf CT und MRT ist an anderer Stelle23,24. Ein Beispiel für häufig vorkommende Bewegungsartefakte auf CT finden Sie in Abbildung 2, und Beispiele für Scans von guter Qualität werden in den Beispielfällen im Ergebnisabschnitt bereitgestellt. Infarte können bei Scans mit jeder Slice-Dicke und jeder Bildauflösung in der Ebene segmentiert werden. Dünne Scheiben und eine hohe Auflösung in der Ebene ermöglichen jedoch eine genauere Darstellung des Infarkts zur Gehirnvorlage.
  2. Sammeln Sie die klinischen Variablen in einer Datendatei (z. B. Excel), indem Sie für jeden Fall und jede Spalte für jede klinische Variable separate Zeilen erstellen. Für die Infarktsegmentierung mindestens die Variablen Datum des Schlaganfalls und Datum der Bildgebung oder eine Variable, die das Zeitintervall zwischen Schlaganfall und Bildgebung angibt.
  3. Stellen Sie sicher, dass ethische Richtlinien und Vorschriften in Bezug auf den Datenschutz eingehalten werden. Stellen Sie sicher, dass die Daten anonymisiert oder codiert sind. Achten Sie insbesondere auf die Entfernung von Patientendaten wie Name, Adresse und Geburtsdatum, die in den DICOM-Dateien als Tags gespeichert sind. Diese Tags können mit dcm2niix gelöscht werden (kostenloser Download unter )25.

2. Konvertierung von DICOM-Bildern in Nifti-Dateien

  1. Um die DICOM-Bilder mithilfe des Werkzeugs dcm2niix in unkomprimierte nifti-Dateien zu konvertieren, geben Sie in der Eingabeaufforderung "[Ordnerpfad von dcm2niix.exe]'dcm2niix %d_%p [Ordnerpfad der dicom-Dateien]" ein. Ein Beispiel für den Befehl mit den eingefügten Ordnerpfaden könnte C:-Benutzer-Matthijs-Dcm2niix %d_%p C:-Benutzer-Matthijs-Dicom-Datei sein. Mit diesem Befehl wird die ausführbare Datei dcm2niix ausgeführt, die DICOM-Images im ausgewählten Ordner konvertiert und die nifti-Dateien im selben Ordner gespeichert.
    HINWEIS: Der Zusatz %d_%p stellt sicher, dass die Serienbeschreibung und der Protokollname in den Dateinamen eingefügt werden. Weitere Funktionen, einschließlich Optionen für die Batch-Konvertierung, finden Sie im dcm2niix-Handbuch unter . Andere Open-Source-Tools können auch für die Konvertierung von DICOM-Bildern in nifti-Dateien verwendet werden.
  2. Stellen Sie sicher, dass der Name des Scantyps (CT, FLAIR, DWI oder andere Sequenznamen) während der Konvertierung in den Dateinamen kopiert wird (diese Option ist in dcm2niix verfügbar).
  3. Wählen Sie für MRT-Scans DWI- oder FLAIR-Sequenzen für die Segmentierung aus. Alternativ kann auch jede andere Struktursequenz verwendet werden, auf der der Infarkt sichtbar ist. Siehe Tabelle 1 für geeignete Zeitfenster nach einem Schlaganfall, in denen CT, DWI oder FLAIR für die Infarktsegmentierung verwendet werden können.
  4. Organisieren Sie die nifti-Dateien in einer praktischen Ordnerstruktur mit einem Unterordner für jeden Fall (siehe Handbuch von RegLSM und Ergänzende Abbildung 1). Dieses Handbuch kann von heruntergeladen werden.
    HINWEIS: Diese Ordnerstruktur ist eine Voraussetzung für die Registrierungssoftware RegLSM (siehe Abschnitt 4). Ein Update von RegLSM, das es BIDS (Gehirn-Imaging-Datenstruktur26, siehe ) kompatibel macht, wird derzeit entwickelt und wird bald veröffentlicht.

3. Infarkt-Segmentierung

  1. Allgemeine Bemerkungen für alle Scantypen
    1. Stellen Sie sicher, dass die Person, die Segmentierung und Registrierung durchführt und auswertet, für die Ergebnisvariable (in der Regel eine kognitive Maßnahme) geblendet wird, um Verzerrungen zu vermeiden.
    2. Beachten Sie, dass Infarte in der Regel auf transversalen Slices segmentiert werden, aber die Segmentierung kann in jeder Slice-Ausrichtung durchgeführt werden.
    3. Sorgen Sie für ideale Sichtbedingungen bei der Infarktsegmentierung, indem Sie ein hochauflösendes Monitordisplay und optimales Umgebungslicht verwenden, um eine komfortable Einstellung zu gewährleisten. Passen Sie den Bildkontrast während der Segmentierung manuell an, um einen optimalen Kontrast zwischen gesundem Hirngewebe zu gewährleisten. Seien Sie konsistent bei der Anwendung ähnlicher Einstellungen über Themen hinweg.
  2. Infarktsegmentierung auf CT
    1. Überprüfen Sie zunächst, ob der Scan mindestens 24 h nach Demonstonat des Schlaganfallsymptoms durchgeführt wurde. Innerhalb von 24 h ist der akute Infarkt nicht oder nur teilweise auf CT sichtbar und der Scan kann nicht für die Segmentierung7verwendet werden. Siehe Abbildung 3 für eine Abbildung.
    2. Öffnen Sie den nativen CT mit der ITK-SNAP-Software (kostenloser Download unter )27. Klicken Sie in ITK-SNAP im Dropdown-Menü auf Datei | Öffnen Sie das Hauptbild. Klicken Sie auf Durchsuchen und wählen Sie die Datei aus, um den Scan zu öffnen. Wenn die Standardkontrasteinstellung einen schlechten Kontrast zwischen gesundem Hirngewebe und der Läsion bietet, passen Sie die Kontrasteinstellungen an. Klicken Sie dazu auf Extras | Bildkontrast | Kontrastanpassung.
      HINWEIS: Jede Open-Source-Software kann auch verwendet werden.
    3. Wenn verfügbar, öffnen Sie eine CT, die innerhalb von 24 h nach Demonstonat des Schlaganfallsymptoms in einer separaten Instanz als Referenz zur Unterscheidung des akuten Infarkts von alten ischämischen Läsionen wie Lacunen, (sub)kortikalen Infarkten oder Hyperintensitäten der weißen Materie durchgeführt wurde.
    4. Identifizieren Sie den Infarkt anhand der folgenden Merkmale. Infarkte haben ein niedriges Signal (d.h. Hypodense) im Vergleich zu normalem Hirngewebe.
      1. Im akuten Stadium (erste Wochen) können große Infarkte Massenwirkung verursachen, die zu Einer Verschiebung des umgebenden Gewebes, Kompression von Ventrikeln, Mittellinienverschiebung und Auslöschung von Sulci führt. Es kann eine hämorrhagische Transformation geben, die als Regionen mit hohem Signal (d.h. Hyperden) innerhalb des Infarkts sichtbar ist.
      2. Im chronischen Stadium (Monate bis Jahre) besteht der Infarkt aus einem hypodens cavitated Center (mit einer ähnlichen Dichte wie die Zerebrospinalflüssigkeit) und einem weniger hypodichten Rand, der geschädigtes Hirngewebe darstellt. Sowohl der kavitierte Mittel- als auch der Hypodenrand müssen als Infarkt segmentiert werden. Im Falle eines großen Infarkts kann es zu einer Ex-Vakuumvergrößerung der angrenzenden Sulci oder Ventrikel kommen.
        HINWEIS: Die Gewebeverschiebung durch Massenwirkung oder Ex-Vakuumvergrößerung der Strukturen sollte während der Segmentierung nicht korrigiert werden (d. h. es muss nur das volle Ausmaß des Infarkts segmentiert werden). Die Korrektur der Gewebeverschiebung erfolgt während der Registrierung und der nachfolgenden Schritte.
    5. Segmentieren Sie das infarktierte Hirngewebe mit dem Pinselmodus von der Hauptsymbolleiste (Linksklick zum Zeichnen, Rechtsklick zum Löschen). Alternativ können Sie den Polygonmodus verwenden, um Ankerpunkte an den Rändern der Läsion zu platzieren (diese Punkte werden automatisch mit Linien verbunden) oder halten Sie die linke Maustaste gedrückt, während Sie die Maus über die Ränder der Läsion bewegen. Sobald alle Ankerpunkte verbunden sind, klicken Sie auf Akzeptieren, um den abgegrenzten Bereich zu füllen.
    6. Vermeiden Sie die Nebelphase, die sich auf die Phase bezieht, in der der Infarkt auf CT isodense wird (was bei Infiltration des Infarktgewebes mit Phagozyten koauftritt). Dies tritt in der Regel 14-21 Tage nach Schlaganfall-Beginn auf, kann aber in seltenen Fällen sogar früher auftreten28. Während dieser Zeit kann der Infarkt unsichtbar werden oder seine Grenzen werden weniger klar, so dass diese Stufe für die Infarktsegmentierung ungeeignet ist. Nach der Nebelphase wird die Läsion wieder hypodense, wenn Kavitation und Gliose auftreten. Siehe Abbildung 4 für zwei Beispiele.
    7. Speichern Sie die Segmentierung nach Abschluss der Segmentierung als binäre Nifti-Datei im selben Ordner wie der Scan, indem Sie auf Segmentierung klicken | Segmentierungsbild aus dem Dropdown-Menü speichern, und speichern Sie dann die Segmentierung, indem Sie ihr den genaugleichen Namen wie der segmentierte Scan mit erweiterung von .ision (z. B. wenn der Scan als "ID001" gespeichert wurde. CT.nii", speichern Sie die Segmentierung als "ID001. CT.lesion.nii").
  3. Infarktsegmentierung auf DWI
    1. Überprüfen Sie zunächst, ob das DWI innerhalb von 7 Tagen nach Schlaganfallbeginn durchgeführt wurde. Infarte sind auf DWI innerhalb weniger Stunden nach Schlaganfallbeginn sichtbar und ihre Sichtbarkeit auf DWI nimmt nach etwa 7 Tagen allmählich ab (siehe Abschnitt 2 in der Diskussion für weitere Details).
    2. Öffnen Sie das DWI in ITK-SNAP (wie in Schritt 3.2.2).
      HINWEIS: Eine DWI-Sequenz erzeugt mindestens zwei Bilder für die meisten Scanprotokolle, eines mit einem b-Wert = 0, einem Standard-T2-gewichteten Bild, und eines mit einem höheren b-Wert, d. h. dem Scan, der die tatsächlichen Diffusionseigenschaften des Gewebes erfasst. Je höher der b-Wert, desto stärker die Diffusionseffekte. Für die ischämische Huberkennung wird häufig ein b-Wert um 1000 s/mm2 verwendet, da dies in den meisten Fällen ein gutes Kontrast-Rausch-Verhältnis von29bietet. Das Bild mit einem hohen B-Wert wird für die Infarktsegmentierung verwendet.
    3. Öffnen Sie die Sequenz des scheinbaren Diffusionskoeffizienten (ADC) in einer separaten Instanz von ITK-SNAP als Referenz.
    4. Identifizieren und kommentieren Sie das infarktierte Hirngewebe auf der Grundlage des hohen Signals (d. h. hyperintensiv) auf DWI und des niedrigen Signals (d. h. hypointense) auf dem ADC (siehe Abbildung 5). Die ADC-Werte im Infarkt nehmen allmählich zu, bis sich ADC durchschnittlich 1 Woche nach dem Schlaganfall30normalisiert, aber in einigen Fällen kann der ADC bereits nach mehreren Tagen (fast) normalisiert werden, wenn es viel vasogene Ödeme gibt.
      HINWEIS: In DWI-Bildern mit niedrigen B-Werten können Hirnläsionen mit einem intrinsischen hohen T2-Signal (z. B. Hyperintensitäten weißer Materie) auch hyperintensiv erscheinen. Dieses Phänomen wird T2 Shine-through31genannt. Mit steigenden b-Werten wird dieses Phänomen jedoch weniger relevant, da das Signal auf dem DWI-Bild stärker Diffusionseigenschaften anstelle eines intrinsischen T2-Signals widerspiegelt. Bei modernen DWI-Scanprotokollen (in der Regel mit b-wert=1000 oder höher) sind die T2-Glanzeffekte begrenzt32.
    5. Verwechseln Sie kein hohes DWI-Signal in der Nähe von Schnittstellen zwischen Luft und Gewebe oder Knochen, die ein häufig beobachtetes Artefakt sind, für einen Infarkt. Siehe Abbildung 5.
    6. Speichern Sie die Anmerkung als binäre nifti-Datei, so dass sie genau den gleichen Namen wie der segmentierte Scan mit der Erweiterung von .ision (in der gleichen Weise wie in Schritt 3.2.7) hat.
  4. Infarktsegmentierung auf FLAIR
    1. Überprüfen Sie zunächst, ob der Scan >48 h nach dem Auftreten des Schlaganfallsymptoms durchgeführt wurde. Im hyperakuten Stadium ist der Infarkt in der Folge des FLAIR in der Regel nicht sichtbar oder die genauen Grenzen des Infarkts sind unklar31 (siehe Abbildung 6).
    2. Öffnen Sie das FLAIR in ITK-SNAP auf die gleiche Weise wie in Schritt 3.2.2.
    3. Öffnen Sie die T1 eine separate Instanz von ITK-SNAP als Referenz, sofern verfügbar.
    4. Identifizieren und segmentieren Sie das infarktierte Hirngewebe anhand der folgenden Merkmale.
      1. Im akuten Stadium (erste Wochen) ist der Infarkt als mehr oder weniger homogene hyperintensive Läsion mit oder ohne scheinbare Schwellung und Massenwirkung sichtbar (Abbildung 5).
      2. Im chronischen Stadium (Monate bis Jahre) wird der Infarkt kavitiert, was bedeutet, dass das Zentrum auf FLAIR hypo- oder isointense wird. Dieser Hohlraum kann am genauesten auf dem T1 identifiziert werden. In den meisten Fällen ist das kavitierte Zentrum von einem hyperintensiven Rand auf dem FLAIR umgeben, der Gliose darstellt. 33.
        HINWEIS: Allerdings gibt es eine beträchtliche Menge an Variationen im Kavitationsgrad und der Gliose chronischer Infarkte. Segmentieren Sie sowohl den Hohlraum als auch den hyperintensiven Rand als Infarkte (siehe Schritt 3.2.5). Eine FLAIR hyperintensive Läsion ist nicht immer ein Infarkt. Im akuten Stadium können kleine subkortikale Infarkte leicht von Hyperintensitäten weißer Materie oder anderen chronischen Läsionen wie Lücken vermuteter vaskulärer Herkunft unterschieden werden, wenn ein DWI verfügbar ist (siehe Abbildung 5). Im chronischen Stadium kann es schwieriger sein. Weitere Informationen dazu, wie diese Läsionsarten im chronischen Stadium diskriminiert werden können, finden Sie in Absatz 3 der Diskussion.
    5. Speichern Sie die Anmerkung als binäre nifti-Datei, so dass sie genau den gleichen Namen wie der segmentierte Scan mit der Erweiterung von .ision (in der gleichen Weise wie in Schritt 3.2.7) hat.
Scan-Typ Zeitfenster nach Strich Infarkteigenschaften Referenzscan Fallstricke
Ct >24 h Akut: Hypodense - - Nebelphase
Chronisch: Hypodense Hohlraum mit CSF und weniger hypodense Rand - Hämorrhagische Transformation
Dwi <7 Tage Hyperintensiv ADC: typisch hypointense - T2 Glanz durch
- Hohes DWI-Signal in der Nähe von Schnittstellen zwischen Luft und Knochen/Gewebe
gespür >48 h Akut: hyperintensiv Akut: DWI/ADC, T1 (isointense oder hypointense) - Hyperintensitäten der weißen Materie
Chronisch: hypointense oder isointense (Kavität), hyperintensive Felge Chronisch: T1 (hypointense Hohlraum mit CSF-Eigenschaften). - Lacunes

Tabelle 1: Zusammenfassung der Kriterien für die Infarktsegmentierung für verschiedene Scantypen.

4. Registrierung im Standard Space

  1. Laden Sie RegLSM von 4herunter. Verwenden Sie dieses Tool, um CT-Scans und jede Art von MRT-Sequenz zu verarbeiten. Das Registrierungsverfahren ist in Abbildung 7dargestellt.
    HINWEIS: Zu den optionalen Funktionen in RegLSM gehört die Registrierung zu einer CT/MRT-Zwischenvorlage, die den Scans älterer Patienten mit Hirnatrophie eher ähnelt22. Standardmäßig werden der CT- und MRT-Scan in der MNI-152-Vorlage34registriert, dies kann jedoch durch andere Vorlagen ersetzt werden, wenn dies der Studie besser entspricht. In Abbildung 7sind verschiedene Registrierungssysteme dargestellt. Für diesen Schritt können auch andere Open-Source-Registrierungstools verwendet werden.
  2. Überprüfen Sie 1) wenn die nifti-Dateien nicht komprimiert sind, 2) dass der Dateiname des segmentierten Scans den Begriff CT, FLAIR oder DWI enthält, und 3), dass der Dateiname der Läsionsanmerkung denselben Begriff mit einem angehängten ".läsion" enthält. Wenn diese ersten drei Schritte befolgt werden, sind die Daten vollständig für die Registrierung vorbereitet und es muss nichts geändert werden.
  3. Öffnen Sie MATLAB (Version 2015a oder höher), legen Sie den aktuellen Ordner auf RegLSM fest (dieser Ordner kann von 35 heruntergeladen werden (Version 12 oder höher, kostenloser Download unter ) durch Eingabe von addpath SPM. Geben Sie als Nächstes RegLSM ein, um die GUI zu öffnen.
  4. Wählen Sie den Testmodus im Dropdownmenü für die Registrierung aus, um die Registrierung für einen einzelnen Fall durchzuführen. Wählen Sie im Testmodusbedienfeld die Scan-Anmerkung (CT, FLAIR oder DWI), die Anmerkung und optional das T1 mithilfe der Schaltfläche "Öffnen des Bildes" aus. Wählen Sie das Registrierungsschema: CT, FLAIR mit oder ohne T1, DWI mit oder ohne T1.
  5. Alternativ können Sie den Batchmodus auswählen, um die Scans aller Fälle im ausgewählten Ordner im Batchmodus zu registrieren.
  6. Stellen Sie sicher, dass RegLSM die resultierenden Registrierungsparameter und die registrierten Scans (einschließlich Zwischenschritte) und die registrierte Läsionszuordnung in Unterordnern speichert, die automatisch generiert werden. Dabei werden die registrierten Scans und Läsionskarten neu gesampelt, um der Auflösung (isotrop1 mm3 Voxel) und der Winkelung der Vorlage MNI-152 zu entsprechen.

5. Überprüfung der Registrierungsergebnisse

  1. Wählen Sie die Option Überprüfen Ergebnisse in der RegLSM GUI und navigieren Sie zum Hauptordner mit den Registrierungsergebnissen. Die GUI wählt automatisch den registrierten Scan mit der registrierten Läsionskarte und die Vorlage MNI-152 mit der registrierten Läsionskarte in Quer-, Sagittal- und Koronalausrichtung aus (siehe Abbildung 8).
  2. Blättern Sie durch den registrierten Scan und verwenden Sie das Fadenkreuz, um die Ausrichtung des registrierten Scans und der MNI-152-Vorlage zu überprüfen. Achten Sie insbesondere auf die Ausrichtung erkennbarer anatomischer Landmarken wie Basalganglien, Ventrikel und Schädel.
  3. Markieren Sie alle fehlgeschlagenen Registrierungen in einer separaten Spalte in der Datendatei (in Schritt 1.2) für die nachfolgende manuelle Korrektur in Abschnitt 6.
    HINWEIS: Häufige Fehler bei der Registrierung sind eine unvollkommene Ausrichtung aufgrund der Massenwirkung, die durch die Läsion im akuten Stadium verursacht wird, oder ex vacuo Vergrößerung der Ventrikel im chronischen Stadium. Beispiele für eine solche Fehlausrichtung finden Sie in Abbildung 3 und Abbildung 5. Ein weiterer häufiger Fehler ist eine Fehlausrichtung des Tentoriums cerebelli, in diesem Fall kann sich ein okzipitaler Infarkt mit dem Kleinhirn in der Schablone überlappen. Eine Fehlausrichtung von Geweben, die nicht läsioniert sind, ist kein Problem, wenn nur die binären Läsionskarten in den nachfolgenden Läsions-Symptom-Mapping-Analysen verwendet werden. In solchen Fällen müssen nur die Läsionen perfekt aufeinander abgestimmt sein.

6. Korrigieren Sie manuell Registrierungsfehler

  1. Öffnen Sie für die Zufallskarten, die korrigiert werden müssen, die Vorlage MNI-152 T1 in ITK-SNAP, und wählen Sie aus dem Segmentierungsmenü | offene Segmentierung | registrierte Läsionskarte, die nun auf der Vorlage überlagert wird.
  2. Öffnen Sie den registrierten Brain-Scan in einer separaten Instanz von ITK-SNAP als Referenz.
  3. Korrigieren Sie die registrierte Läsionskarte in ITK-SNAP für jede Art von Fehlausrichtung, die in Schritt 5.3 erwähnt wird, indem Sie die Pinselfunktion verwenden, um Voxel hinzuzufügen (Linksklick) oder Voxel zu entfernen (Rechtsklick). Vergleichen Sie die registrierte Scan- und überlagerte Läsionskarte (siehe Schritt 5.2) sorgfältig mit der Vorlage MNI-152 und der überlagerten Läsionskarte in ITK-SNAP (siehe Schritt 6.1), um die Regionen der Fehlausrichtung zu identifizieren. Siehe Abbildung 3 und Abbildung 5.
  4. Nachdem Sie die Läsionskarte im MNI-Raum manuell korrigiert haben, führen Sie eine abschließende Prüfung durch, indem Sie den segmentierten nativen Scan des Patienten mit der korrigierten Läsionskarte im MNI-Raum (d. h. den Ergebnissen von Schritt 6.3) vergleichen. Stellen Sie sicher, dass die korrigierte Läsionskarte im MNI-Raum jetzt den Infarkt im nativen Raum genau darstellt. Achten Sie genau auf die erkennbaren Sehenswürdigkeiten wie Basalganglien, Ventrikel und Schädel (ähnlich Schritt 5.2).
  5. Speichern Sie die korrigierte Läsionskarte im MNI-Raum als binäre Nifti-Datei im selben Ordner wie die unkorrigierte Läsionskarte im MNI-152-Raum, sodass sie genau denselben Namen wie die unkorrigierte Läsionskarte mit der Erweiterung .corrected hat.

7. Vorbereiten von Daten für die Lesion-Symptom-Mapping

  1. Benennen Sie alle Läsionskarten um. Standardmäßig hat RegLSM die Läsionszuordnungen in einem Unterordner mit dem Dateinamen "results" gespeichert. Fügen Sie die Betreff-ID in den Dateinamen ein. Achten Sie bei der manuellen Korrektur darauf, die korrigierte Datei auszuwählen und umzubenennen.
  2. Kopieren Sie alle Läsionszuordnungen in einen einzigen Ordner.
  3. Führen Sie eine Sanity-Prüfung der Daten durch zufällige Auswahl und Inspektion mehrerer Läsionskarten in ITK-SNAP durch und vergleichen Sie diese mit den nativen Scans, um systematische Fehler in der Datenverarbeitung wie Links-Rechts-Kippen auszuschließen.
  4. Verwenden Sie MRIcron , um eine weitere Überprüfung der Integrität der Daten durchzuführen, indem Sie ein Lesionsüberlappungsbild erstellen, um zu überprüfen, ob sich keine Läsionen außerhalb der Gehirnvorlage befinden. Wählen Sie dazu das Dropdown-Menü draw | Statistiken | überlappende Bilder erstellen.
    HINWEIS: Die resultierende Läsions-Overlay-Karte kann auf die MNI-152-Vorlage projiziert und z.B. mit MRIcron oder ITK-SNAP geprüft werden.
  5. Die Läsionskarten können nun für die voxelbasierte Läsions-Symptome-Mapping oder für die Berechnung von Infarkt-Volumen innerhalb bestimmter Interessengebiete mit Hilfe eines Atlas verwendet werden, der auf dem gleichen Standardraum wie die Läsionskarten registriert ist (in diesem Fall MNI-152 Platz für viele Atlanten zur Verfügung stehen, von denen nur wenige unter36,37,38) zitiert werden.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Beispiele für Hirninfarktsegmentierungen auf CT -Abbildung 3), DWI (Abbildung 5) und FLAIR ( Abbildung6) Bilder, und anschließende Registrierung in der MNI-152-Vorlage werden hier zur Verfügung gestellt. Die in Abbildung 3B und Abbildung 5C dargestellten Registrierungsergebnisse waren nicht ganz erfolgreich, da es in der Nähe des Fronthorns des Ventrikels zu fehlgeleitet enden konnte. Die registrierten Läsionskarten dieser erfolglosen Registrierungen wurden manuell korrigiert, deren Ergebnisse in den Zahlen dargestellt sind. Nach dieser manuellen Korrektur sind die Läsionskarten jedes dieser drei Exemplaren eine genaue Darstellung der Infarkte im nativen Raum, und die Läsionskarten sind bereit, für die nachfolgende Läsions-Symptome-Mapping verwendet werden. Abbildung 6C zeigt ein Beispiel für ein angemessenes Erfassungsergebnis, das keine manuelle Korrektur erfordert.

Diese Zahlen weisen auch auf mehrere mögliche Fallstricke bei der Segmentierung von Hirninfarkten auf jeder dieser Scan-Modalitäten hin. Abbildung 2 zeigt ein Beispiel für Bewegungsartefakte auf einem CT-Scan, in diesem Fall sollte der Patient von LSM-Studien ausgeschlossen werden. Abbildung 4 zeigt ein Beispiel für das Beschlagen eines CT-Scans, das in der Regel 14-21 Tage nach dem Schlaganfall auftritt, was zu einer Unterschätzung der Infarktgröße führt. CT-Scans, die in diesem Zeitintervall gemacht werden, sollten daher nicht für die Läsions-Symptom-Mapping verwendet werden. Abbildung 7 zeigt die Ergebnisse von drei typischen Gehirnbildregistrierungsschemata, die mit der RegLSM-Software generiert wurden. Abbildung 8 zeigt die Ergebnisse der Registrierung eines DWI-Bildes in der MNI-152 T1-Vorlage im RegLSM-Registrierungsergebnis-Viewer.

Diese Ergebnisse veranschaulichen den gesamten Prozess der Infarktsegmentierung auf CT und MRT, die Registrierung in den Standardbereich, nachfolgende Qualitätsprüfungen und ggf. die manuelle Korrektur der Erfassungsergebnisse. Die resultierenden Läsionskarten können in voxel-basierten oder interessenbasierten Läsions-Symptomen verwendet werden.

Figure 2
Abbildung 2 : Beispiel für Bewegungsartefakte auf einem CT-Scan, die im Bild als Schattierung, Strebe und Unschärfe dargestellt werden. Zwei verschiedene Slices eines einzelnen CT-Scans werden angezeigt. Einige Beispiele für Streifen und Schattierungen im Bild werden durch Pfeile angezeigt. In diesem Fall ist ein Infarkt mit einer hämorrhagischen Komponente in der rechten Kleinhirnhälfte deutlich sichtbar, aber eine genaue Abgrenzung der vorderen und medialen Grenze der Läsion ist aufgrund dieser Artefakte schwierig. Dieser Scan sollte daher nicht für LSM verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 3
Abbildung 3 : Segmentierung und Registrierung eines Infarkts auf einem CT-Scan. (A) CT scannt an drei Zeitpunkten für einen einzelnen Patienten. Der CT <24 h kann nicht für die Segmentierung verwendet werden, da der Infarkt noch nicht sichtbar ist, obwohl die CT-Perfusionskarten Ischämie in einem großen rechten Frontalbereich zeigen. Legenden zu CT-Perfusionskarten: zerebraler Blutfluss (CBF in mL/100 g/min) im Bereich von 0 (dunkelblau) bis 200 (rot) und mittlere Transitzeit (MTT in s) von 0 (rot) bis dunkelblau (20). Der CT-Scan am 6. Tag zeigt eine Schwellung des infarktierten Hirngewebes, mit leichter Mittellinienverschiebung und hämorrhagischer Transformation, die als Region mit höherer Dichte im Infarkt sichtbar ist. Der CT-Scan nach 4 Monaten zeigt Hirngewebeverlust mit Ex-Vakuumvergrößerung von Ventrikeln und sulci in der Nähe. Die Registrierung muss die daraus resultierende Verschiebung benachbarter Strukturen kompensieren. (B) Das Ergebnis der Eintragung in die Vorlage MNI-152. Der Registrierungsalgorithmus kompensierte die Mittellinienverschiebung und -kompression des linken Ventrikels nicht ausreichend, was eine manuelle Korrektur erforderte (rechts dargestellt). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4 : Beispiele für den Nebeleffekt auf die CT-Bildgebung. Scans an drei verschiedenen Zeitpunkten werden für zwei verschiedene Patienten angezeigt, um zu veranschaulichen, warum ein CT-Scan in der Nebelphase (d. h. 14-21 Tage nach dem Schlaganfall) vermieden werden sollte. (A) Für Patient 1 zeigt der CT-Scan, der 24 h nach Schlaganfall beginn durchgeführt wurde, einen gut abgegrenzten Infarkt im linken Frontallappen. 20 Tage nach Schlaganfallbeginn ist der Infarkt nicht gut abgegrenzt, und die Verwendung dieses Scans zur Segmentierung würde zur Unterschätzung der Infarktgröße führen. Die nachfolgende MRT (3 Jahre danach) zeigt, dass der CT-Scan nach 24 h eine genaue Darstellung der Infarktgröße war, während der CT-Scan an Tag 20 nicht war. (B) Für Patient 2 zeigt der CT-Scan innerhalb von 24 h subtile frühe Anzeichen von Ischämie mit Verlust der grau-weißen Materiedifferenzierung und diffusen Schwellungen in den rechten zeitlichen und insularen Regionen. Der CT-Scan an Tag 4 zeigt einen gut abgegrenzten Infarkt. Beim CT-Scan an Tag 18 ist ein großer Teil der hypodenseinfarkten Region zu Isodense geworden, was zu einer Untersegmentierung des Infarkts führen würde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 5
Abbildung 5 : Segmentierung und Registrierung eines Infarkts in einer MRT-DWI-Sequenz. MRT-Scan durchgeführt 12 h nach Schlaganfall-Beginn. (A) die akute ischämische Läsion ist hyperintensiv auf der DWI-Sequenz (b-Wert = 1000) und hypointense auf dem ADC, was auf eine eingeschränkte Diffusion aufgrund zytotoxischer Ödeme hindeutet. Der Infarkt ist auf dem DWI-Bild segmentiert. Es sollte beachtet werden, dass es eine subtile Erhöhung des Signals auf dem FLAIR gibt, aber dies ist nicht klar genug, um eine Läsionssegmentierung zu diesem Zeitpunkt zu ermöglichen. (B) Die gepunktete Ellipse zeigt Artefakte in der Nähe von Knochen-Luft-Konfigurationen auf dem DWI (oberes Bild) und ADC (unteres Bild). (C) Vergleich der registrierten DWI-Sequenz (linkes Bild; gleicher Scan wie in den Panels A und Bgezeigt) und des entsprechenden registrierten Infarkts mit der Vorlage MNI-152 (mittleres Bild). Beachten Sie den leichten Fehler am Kopf des rechten Caudate-Kerns, bei dem die Ventrikel nicht perfekt ausgerichtet sind. Dies erforderte eine manuelle Korrektur der Segmentierung im Standardraum (rechts). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 6
Abbildung 6 : Segmentierung und Registrierung eines Infarkts in einer MRT-FLAIR-Sequenz. MRT-Scans wurden zu zwei verschiedenen Zeitpunkten nach einem Schlaganfall für einen einzelnen Patienten durchgeführt. (A) Bei den MRT-Scans am 3. Tag kann der akute Lacunarinfarkt (mit weißen Pfeilen) zuverlässig von chronischen hyperintensiven Läsionen, wie z.B. Hyperintensitäten der weißen Materie (angezeigt mit gestrichelten Kreisen), unterschieden werden, da nur akute Infarkte Diffusionsbeschränkung für das DWI zeigen. Es sollte beachtet werden, dass zu diesem Zeitpunkt das DWI auch für die Segmentierung verwendet werden kann. (B) Nach 7 Monaten ist das DWI nicht mehr nützlich, um den Infarkt von Hyperintensitäten der weißen Materie zu unterscheiden. Stattdessen sollte der T1 verwendet werden, um den Infarkt basierend auf dem Vorhandensein einer zerebrospinalen Flüssigkeitgefüllten Höhle zu identifizieren, die ein niedriges Signal auf T1 (und hohes Signal auf ADC) hat. In diesem chronischen Stadium sollten sowohl die Kavität als auch das umgebende hyperintensive Signal auf FLAIR als Infarkt segmentiert werden. (C) Dies zeigt die Ergebnisse der Registrierung des FLAIR am 3. Tag, die angemessen ist und keine manuelle Korrektur erfordert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 7
Abbildung 7 : Überblick über häufig verwendete Registrierungssysteme, die in RegLSM implementiert wurden. Die Verwendung von Zwischenvorlagen, die eine bessere Übereinstimmung mit dem Patienten als die Zielvorlage bieten, ist optional. Dies ist besonders wichtig, wenn ein CT-Scan in einer MRT-Vorlage registriert wird (siehe Patient 1). Bei der Segmentierung auf FLAIR oder DWI kann der segmentierte Scan entweder in einem nativen T1-Bild (siehe Patient 2) mitregistriert oder direkt in der T1-Vorlage registriert werden (Patient 3). Es stehen auch andere Alternativen zur Verfügung, wie in den entsprechenden Abschnitten der Diskussion erläutert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 8
Abbildung 8 : Registrierungsergebnis-Viewer in RegLSM implementiert. Die linken drei Panels zeigen die Vorlage MNI-152 in drei Ebenen (transversal, sagittal, koronal), und die rechten drei Panels zeigen ein registriertes DWI-Bild in drei Ebenen. Das Fadenkreuz hilft, um zu überprüfen, ob anatomische Strukturen genau ausgerichtet sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Abbildung 1:Typische Ordnerstruktur während einer Bildverarbeitung für LSM. Der erste Unterordner für Subjekt ID002 enthält drei native Scans im nifti-Format (FLAIR, T1 und T2, im roten Feld) und die Segmentierung der FLAIR-Sequenz (in blauem Feld). Die drei Unterordner werden während des Registrierungsprozesses von RegLSM erstellt. Der Unterordner to_MNI enthält den registrierten segmentierten Scan (in diesem Fall das FLAIR, im grünen Feld). Der nachfolgende Unterordner enthält die registrierte Läsionskarte im Standardraum (lila Box). Bemerkenswert ist, dass RegLSM im kommenden Update BIDS-kompatibel gemacht wird. Bitte klicken Sie hier, um diese Abbildung herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

LSM ist ein leistungsfähiges Werkzeug, um die funktionale Architektur des menschlichen Gehirns zu studieren. Ein entscheidender Schritt in jeder Läsion-Symptom-Mapping-Studie ist die Vorverarbeitung von bildgebenden Daten, die Segmentierung der Läsion und die Registrierung in eine Gehirnschablone. Hier berichten wir über eine standardisierte Pipeline zur Läsionssegmentierung und Registrierung zum Zwecke der Läsions-Symptome-Mapping. Diese Methode kann mit frei verfügbaren Bildverarbeitungswerkzeugen durchgeführt werden, kann sowohl CT- als auch strukturelle MRT-Scans verarbeiten und deckt den gesamten Prozess der Aufbereitung der Bilddaten für Läsions-Symptom-Mapping-Analysen ab.

Der erste wichtige Schritt bei der Verarbeitung von Hirnbilddaten für die Lsion-Symptom-Mapping ist die Läsionssegmentierung. Dieses Protokoll enthält ein detailliertes Tutorial mit Kriterien für die Infarktabgrenzung, mehreren Beispielen und Fallstricken, um eine genaue und reproduzierbare Segmentierung zu ermöglichen. Wie im Protokoll erwähnt und in Tabelle 1zusammengefasst, verfügt jeder Scantyp über ein bestimmtes Zeitfenster, in dem er für die Infarktsegmentierung verwendet werden kann. Infarte sind auf DWI innerhalb weniger Stunden nach Schlaganfallbeginn als hyperintensiv auf DWI und hypointense auf ADC sichtbar (was eine eingeschränkte Wasserdiffusion aufgrund von zytotoxischen Ödemen widerspiegelt), während andere MRT-Sequenzen, einschließlich FLAIR, (und CT-Scans) nicht empfindlich genug sind. Um Infarkte innerhalb von 48 h39zuverlässig zu erkennen. Nach der ersten Woche wird das ADC-Bild isointense und schließlich hyperintensiv, da vasogeneÖdeme 30entwickeln, während das DWI in der Regel für mehrere Wochen hyperintensiv bleibt31,39,40. Es wird daher empfohlen, DWI nur innerhalb von 7 Tagen zu verwenden und die FLAIR-Sequenz nach 7 Tagen zu verwenden.

Wie in Schritt 3.4 erwähnt, ist eine FLAIR hyperintensive Läsion nicht immer ein Infarkt. Hyperintensitäten der weißen Materie und andere chronische Läsionen können einem subkortikalen Infarkt in einer FLAIR-Sequenz ähneln. Im akuten Stadium können kleine subkortikale Infarkte leicht von Hyperintensitäten der weißen Materie oder anderen chronischen Läsionen wie Lücken vermuteter vaskulärer Herkunft unterschieden werden, wenn ein DWI verfügbar ist, wie im Protokoll erwähnt (siehe Abbildung 5). Im chronischen Stadium muss die T1-Sequenz genau überprüft werden, um nach kleinen Hohlräumen (von mindestens 3 mm) innerhalb einer Läsion zu suchen, was darauf hindeutet, dass die Läsion keine Hyperintensität der weißen Materie ist (siehe Abbildung 6). Hohlräume von <3 mm, insbesondere bei einer Länge, innerhalb einer FLAIR hyperintensiven Läsion sind eher ein perivaskulärer Raum als ein Infarkt und sind nicht als Infarkte zu segmentieren33. Wenn eine chronische kaitierte Läsion den Kriterien für eine Lücke entspricht (d. h., der Hohlraum ist 3-15 mm)33, kann es immer noch schwierig sein, sicherzustellen, dass dies tatsächlich der symptomatische Infarkt ist, da Lücken bei Personen ohne überprüfe neurologische Symptome auftreten können, und einige Personen haben mehrere Lücken41. Es hilft, den klinischen Schlaganfall-Phänotyp in diesen Fällen zu kennen, um sicherzustellen, dass der Infarkt in einer Struktur befindet, die zu den anfänglichen Schlaganfallsymptomen passt. Wenn Zweifel bestehen, ob eine Lücke mit den Schlaganfallsymptomen übereinstimmt, ist es am besten, den Patienten auszuschließen.

Es gibt mehrere Überlegungen zur genauen Identifizierung von Infarkten, die berücksichtigt werden müssen. Der erste betrifft die Zuverlässigkeit der Scans bei der Erkennung von Hirninfarkten. Bei kleineren ischämischen Schlaganfallpatienten mit kleinen Infarkten ist die endgültige Infarktgröße bei der Nachbeobachtung FLAIR oft kleiner als die anfängliche DWI-Läsion42. Bei großen (kortikalen) Infarkten gibt es erhebliche Hinweise darauf, dass die DWI-Läsion im hyperakuten Stadium (<24 h) den Infarktkern (d. h. irreversible Schäden darstellt) genau darstellt, selbst wenn die DWI-Bildgebung vor der Reperfusionstherapie durchgeführt wird. 43 , 44. In einigen Fällen ist die innerhalb von 24 h festgestellte DWI-Läsion jedoch eine Unterdarstellung der endgültigen Infarktgröße, da die Penumbra (hypoperfused, aber potenziell heilbares Hirngewebe) nicht als DWI-Läsion sichtbar ist, aber sie kann sich noch weiter bilden. Teil des Letzten Infarkts43 (insbesondere wenn eine Reperfusionstherapie bei Patienten mit großen Arterienokklusionen nicht durchgeführt wird).

Ein weiteres Problem bei der Verwendung von DWI innerhalb von 24 h ist, dass DWI-Läsionen bis zu einem gewissen Grad dynamisch sind und nach der Reperfusionstherapie eine Umkehr zeigen können. Nachuntersuchungen zeigten jedoch, dass diese Umkehr vorübergehend war und dass die anfängliche DWI-Läsion den Infarktkern genau darstellte. Dies deutet jedoch darauf hin, dass DWI, das mehrere Stunden nach der Reperfusionstherapie durchgeführt wurde, zu einer weiteren Unterschätzung der endgültigen Infarktgröße43führen könnte. Diese mögliche Unterschätzung der endgültigen Infarktgröße ist eine wichtige Einschränkung der Verwendung von DWI, das innerhalb von 24 h nach Schlaganfallbeginn in Läsions-Symptomen durchgeführt wird. Es sollte jedoch beachtet werden, dass es Einschränkungen bei der Verwendung anderer Scanprotokolle gibt. Zuallererst können Scans jeder Modalität, die >24 h nach dem Schlaganfall durchgeführt werden, eine Massenwirkung aufgrund der Schwellung des Infarkts im akuten Stadium und ex vacuo Vergrößerung der Ventrikel, Sulkalverbreiterung und Verschiebung der umgebenden Strukturen in der chronischen Stufe7. Diese Verschiebung sollte durch den Registrierungsalgorithmus korrigiert werden und bei Bedarf sollte eine manuelle Korrektur von einem Sachverständigen durchgeführt werden. Dennoch können beide Bedingungen die Genauigkeit der Übersetzung der infarktierten Region in den Standardraum beeinflussen, selbst wenn strenge Qualitätsprüfungen durchgeführt werden.

Bemerkenswert ist, dass DWI im hyperakuten Stadium nicht unter dieser Einschränkung leidet, da es keine signifikante Massenwirkung innerhalb von 24 h gibt. Angesichts dieser typspezifischen Einschränkungen des Scanners sollte bei der Erstellung einer Läsions-Symptom-Mapping-Studie unter Verwendung eines einzelnen Scantyps zu einem standardisierten Zeitpunkt die Erstellung eines homogenen Datensatzes berücksichtigt werden. Dies führt jedoch zu einer systematischen Verzerrung bei der Patientenintegration, da Schlaganfallpatienten, die sich in den meisten Kliniken einer MRT unterziehen, anders sind (d. h. oft kleinere Infarte und weniger, isoliertere Symptome haben) im Vergleich zu Patienten, die sich einer CT unterziehen. Daher wird der systematische Ausschluss von Patienten mit einer spezifischen bildgebenden Modalität die Variabilität in der Läsionsverteilung begrenzen, was sich wiederum negativ auf die Gültigkeit der Läsions-Symptome auswirkt45.

Schließlich ist eine Einschränkung aller strukturellen bildgebenden Modalitäten, dass sie nicht das Vorhandensein einer verminderten Perfusion um den Infarkt erfassen, obwohl abnormale Perfusion in Hirnregionen, die normal auf strukturellen Bildgebung erscheinen, das Gehirn stören kann Funktion7,46. Zusammenfassend können CT und mehrere strukturelle MRT-Sequenzen verwendet werden, um Infarkte zum Zwecke der Läsions-Symptome-Mapping zu segmentieren, solange die richtigen Zeitfenster und Kriterien für die Läsionserkennung eingehalten und die Registrierungsergebnisse sorgfältig geprüft werden. Die Berücksichtigung typspezifischer und zeitfensterspezifischer Einschränkungen ist bei der Gestaltung und Interpretation von Läsions-Symptomen-Mapping-Studien von entscheidender Bedeutung.

Ein wichtiges Thema bei jeder Läsionssegmentierungsmethode ist die Bewertung ihrer Reproduzierbarkeit. Angemessene Sanatomie und Kenntnisse der Gehirnanatomie sind entscheidend, um Läsionen von normalen anatomischen Strukturen und anatomischen Varianten zu unterscheiden. Außerdem wird die Bewertung der Inter- und Intra-Observer-Reproduzierbarkeit vor der Durchführung von Infarktsegmentierungen zum Zwecke der Läsions-Symptome-Mapping empfohlen. Wir haben bereits eine hohe Inter-Beobachter-Vereinbarung für das manuelle Infarktsegmentierungsprotokoll auf CT-Scans sowohl im akuten [mean Dice Similarity Coefficient (DSC) 0.77; SD 0,11] und chronisch (DSC 0,76; SD 0,16) Stufen sowie eine hohe Intra-Beobachter-Vereinbarung (DSC 0,90, SD 0,05 im akuten Stadium; DSC 0,89, SD 0,06 im chronischen Stadium)16. Die Inter-Beobachter-Vereinbarung über die Infarktsegmentierung auf DWI und FLAIR ist ebenfalls als hoch47bekannt.

Die Hauptbeschränkung der hier beschriebenen Methode besteht darin, dass manuelle Segmentierung, Qualitätsprüfungen und manuelle Korrekturen zeitaufwändig sind. Vollautomatische Infarktsegmentierungstools, die sowohl CT- als auch MRT-Scans mit unterschiedlichen Scanprotokollen zuverlässig verarbeiten können, fehlen7,47. Automatisierte Infarktsegmentierungswerkzeuge, die für bestimmte Scanprotokolle optimiert sind, liefern vielversprechende Ergebnisse (z. B. für DWI, bei dem der Kontrast zwischen infarktem und normalem Hirngewebe sehr hoch ist48), und weitere Verbesserungen sind wahrscheinlich in naher Zukunft. Halbautomatische Methoden können die Zeit für die Segmentierung von Infarkten reduzieren, erfordern aber auch einen Experten, um eine genaue Läsionsklassifizierung zu gewährleisten47. Diese Qualitätskontrolle ist von entscheidender Bedeutung, da selbst einige fehlgeschlagene Infarktsegmentierungen die Gültigkeit der Läsions-Symptome signifikant reduzieren können. Somit bleibt die manuelle Infarktsegmentierung der Goldstandard7.

Der zweite wichtige Schritt bei der Verarbeitung von Hirnbilddaten für die Lsion-Symptom-Mapping ist die Registrierung der Läsionskarten zu einer Gehirnvorlage. RegLSM bietet mehrere validierte Registrierungsschemata. Bei CT-Scans wird der Histogrammausgleich durchgeführt, um den Weichgewebekontrast21zu verbessern, und ein Zwischenregistrierungsschritt zu einer CT-Vorlage22 wird durchgeführt, um die Registrierungsqualität zu optimieren. Bei MRT-Scans wird der Scan, auf dem die Segmentierung durchgeführt wurde, mit linearer Registrierung in die entsprechende T1-Sequenz registriert, sofern verfügbar. Anschließend wird das native T1 in einer altersspezifischen T1-Vorlage22 oder direkt in der Ziel-T1-Vorlage34 mit linearer und nichtlinearer Registrierung20registriert. Die Zwischenvorlagen CT und T1 wurden mithilfe einer linearen und nichtlinearen Registrierung, die manuell optimiert und überprüft wurde, an der Ziel-T1-Vorlage ausgerichtet. Wenn die Zwischenvorlage verwendet wird, wird diese vorberechnete Transformation als letzter Transformationsschritt angehängt.

Wenn kein T1 verfügbar ist, kann der Scan, auf dem die Segmentierung durchgeführt wurde (in der Regel ein FLAIR oder DWI), direkt in der Ziel-T1-Vorlage mit einer linearen und nichtlinearen Registrierung20registriert werden. Für DWI-Bilder wird eine Hirngewebemaske mit einheitlicher Segmentierung erstellt, wie in SPM35implementiert, um die lineare Registrierung zu steuern, nach der eine nichtlineare Registrierung das Verfahren abschließt. Die Registrierungsschemata in RegLSM sind hochgradig anpassbar, und die häufig verwendete MNI-152 T1-Vorlage und Zwischenvorlage kann durch jede Vorlage ersetzt werden, die eine bessere Übereinstimmung mit dem segmentierten Scan bieten kann. Eine interessante Möglichkeit wäre die Entwicklung von FLAIR- und DWI-Gehirnvorlagen, die eine bessere Übereinstimmung mit einzelnen Schlaganfallpatienten bieten. Eine Einschränkung der beschriebenen Registrierungsmethode besteht darin, dass die Registrierung in einigen Fällen fehlschlägt, was bedeutet, dass für alle Patienten eine sichtliche Überprüfung der Registrierungsergebnisse erforderlich ist, gefolgt von einer manuellen Korrektur in einigen Fällen. Die Anzahl der Fälle, die eine manuelle Korrektur erfordern, variiert je nach Strichuntertyp. Nach unserer bisherigen Erfahrung sind manuelle Korrekturen bei bis zu einem Drittel der großen Hirninfarkte49,50,51, aber nur 13% der Patienten mit kleinen Laktorinfarkten4erforderlich. Die Mehrheit der fehlgeschlagenen Registrierungen wird durch anatomische Verzerrungen aufgrund der Läsion (wie bereits erwähnt) verursacht, was besonders wahrscheinlich bei großen Infarkten mit schwerer Schwellung oder Ex-Vakuumvergrößerung der umgebenden Strukturen auftreten kann. Die manuelle Korrektur dieser Fehlausrichtungen ist zeitaufwändig, aber entscheidend, bevor Läsions-Symptom-Mapping-Analysen durchgeführt werden. Die Anzahl der Fälle, die eine manuelle Korrektur erfordern, ist niedriger, wenn man Hyperintensitäten weißer Materie untersucht, im Vergleich zu Infarkten, wahrscheinlich weil diese Läsionen keine signifikante anatomische Verzerrung verursachen. In unserer jüngsten Lsion-Symptom-Mapping-Studie bei Patienten mit Hyperintensitäten weißer Materie waren nur 3% von unzureichender Qualität, um ohne manuelle Korrektur fortzufahren6.

Standardmäßig wendet RegLSM keine Form der Läsionsmaskierung oder läsionsfüllung an, obwohl die anpassbare Natur von RegLSM es Benutzern ermöglicht, es zu aktivieren. Die Verwendung der gegenseitigen Informationsmetrik52 im Registrierungsverfahren vermeidet die meisten Probleme, die zuvor mit dem Vorhandensein einer Läsion aufgeworfen wurden, die die Registrierungsqualität beeinträchtigt. Gegenseitige Informationen eignen sich gut für multimodale Registrierungen (z. B. FLAIR bis T1) und sind weniger durch pathologie als andere Metriken oder Kostenfunktionen betroffen. Auch für die intramodale Registrierung (z. B. das Thema T1 der Vorlage T1) sollte die gegenseitige Information verwendet werden, um mit dem Vorhandensein von Pathologie fertig zu werden. Läsionen haben einen eigenen Cluster im gemeinsamen Histogramm, der optimiert werden kann, ohne die Registrierungsqualität zu beeinträchtigen. In einigen Fällen kann die Läsionsmaskierung sogar die Registrierungsqualität beeinträchtigen, da nicht genügend Bildinformationen für die Registrierung übrig bleiben, wenn das Läsionsvolumen groß ist.

Als allgemeiner Kommentar zur verwendeten Software, einschließlich der Konvertierung von DICOM in das nifti-Format, der Scan-Visualisierung und der Anmerkung, sollte beachtet werden, dass viele Open-Access-Tools vorhanden sind. Wir haben keinen systematischen Überblick über alle verfügbaren Tools zur Verfügung gestellt, da dies über den Rahmen dieses Artikels hinausging. Außerdem entwickeln viele Institutionen ihre eigenen Bildvisualisierungs- und Anmerkungswerkzeuge. Hier haben wir uns für ein umfassendes Framework entschieden, das den gesamten Prozess der CT/MRI-Vorverarbeitung, Segmentierung und Registrierung zum Zwecke der Läsion-Symptome-Mapping mit mehreren häufig verwendeten Open-Access-Tools abdeckt. Bei Verwendung dieser Methode können die vorgeschlagenen Bildkonvertierungs-, Visualisierungs- oder Anmerkungstools durch andere verfügbare Tools oder durch maßgeschneiderte Tools ersetzt werden, wenn dies besser zu den Daten passt oder als bequemer angesehen wird. Darüber hinaus kann die Bildverarbeitungspipeline durch die Implementierung verfügbarer (halb-)automatisierter Infarkt-Segmentwerkzeuge weiter angepasst werden, wenn dies dem Studiendesign einer bestimmten Läsions-Symptome-Mapping-Studie entspricht. Dieses Papier konzentriert sich auf die Verarbeitung von Scans von Patienten mit ischämischem Schlaganfall, aber das Framework kann auch für die Verarbeitung anderer Läsionsarten (z. B. Weißstoff-Hyperintensitäten oder -lücken) verwendet werden, indem das Läsionssegmentierungsverfahren ersetzt wird (Abschnitt 3 der Protokoll) mit einem anderen geeigneten Segmentierungsverfahren.

Ein wichtiges Thema bei der Pession-Symptome-Mapping ist, wie man mit ko-auftretenden Pathologien umgeht. Zum Beispiel, wenn eine Studie bei Patienten mit akutem ischämischen Schlaganfall durchgeführt wird, kann es eine erhebliche Menge an ko-auftretenden Weißen Materie-Hyperintensitäten oder sogar früheren Infarkten geben. Bei der Untersuchung von Hyperintensitäten weißer Materie können einige Patienten auch (stille oder klinisch unverflästige) Hirninfarkte haben. Ko-auftretende Pathologien auf der Bildgebung des Gehirns können einen unabhängigen Beitrag zur kognitiven Beeinträchtigung haben und sollten idealerweise berücksichtigt werden. Eine einfache Möglichkeit, mit diesem Problem umzugehen, besteht darin, Patienten mit auftretenden Pathologien auszuschließen [z. B. Patienten mit (großen) Hirninfarkten auszuschließen, wenn sie sich auf Hyperintensitäten weißer Materie konzentrieren], aber dies hat den Nachteil, die Verallgemeinerbarkeit der Befunde für Patienten mit einer einzigen Art von Pathologie.

Ein alternativer Ansatz, der häufig verwendet wird, ist die Regression der Auswirkungen von mitauftretenden Pathologien (z. B. Anpassung an das Hyperintensitätsvolumen weißer Materie oder das Vorhandensein von Hirninfarkten) auf die Ergebnisvariable vor oder während der Läsions-Symptom-Mapping analyse. Eine Einschränkung dieses Ansatzes besteht jedoch darin, dass der Ort dieser mitauftretenden Pathologien nicht berücksichtigt wird, obwohl dies bekanntermaßen für Infarte und Hyperintensitäten der weißen Materie2relevant ist und wahrscheinlich für andere Läsionstypen. Aus theoretischen Gründen ist es daher am besten, eine integrierte Läsions-Symptom-Mapping-Analyse durchzuführen, bei der die VLSM-Ergebnisse für die Position von mitleidenden Pathologien auf Voxel-Ebene korrigiert werden. In einer aktuellen Studie wurde eine multivariate Unterstützungsvektorregressionsmethode verwendet, um eine integrierte voxel-weise Läsions-Symptome-Mapping auf mehreren Läsionstypen durchzuführen und identifizierte Hirnregionen, in denen weiße Materie Hyperintensitäten mit kognitiven Rückgang nach Schlaganfall, unabhängig von akuter Infarktposition53. Diese Studie zeigt, wie eine integrierte voxel-weise Analyse mehrerer Läsionstypen neue Erkenntnisse über die komplexe Wechselwirkung zwischen verschiedenen Läsionstypen bei der Entwicklung kognitiver Beeinträchtigung enden kann53.

Zusammenfassend lässt sich sagen, dass die hier bereitgestellte Bildverarbeitungspipeline als standardisierte Methode der Hirnläsionssegmentierung und -registrierung zum Zwecke der Läsions-Symptome-Mapping dient. Die Stärken dieser Methode sind die (1) Zuverlässigkeit der Segmentierungs- und Registrierungsmethode, die auf Kosten strenger Qualitätsprüfungen geht, und in einigen Fällen Korrekturen durch einen geschulten Fachmann, (2) Anpassbarkeit der Registrierungspipeline, in der die Registrierungsschema und Vorlagen können an die Daten optimal angepasst werden, und (3) die Möglichkeit, hochheterogene Hirnbilddaten, einschließlich CT- und struktureller MRT-Sequenzen, zu verarbeiten. Zukünftige Herausforderungen sind die Entwicklung robuster, automatisierter Lsionssegmentierungstools für CT und MRT, weitere Verbesserungen der Registrierungsmethoden und die Entwicklung von Hirnvorlagen, die eine bessere Übereinstimmung mit einzelnen Schlaganfallpatienten bieten, DWI- und FLAIR-Vorlagen. Diese Verbesserungen können die Reproduzierbarkeit der Läsionssegmentierung weiter erhöhen und den Zeitaufwand für visuelle Prüfungen und manuelle Korrekturen verringern.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren geben keine Interessenkonflikte preis.

Acknowledgments

Unterstützt wird die Arbeit von Dr. Biesbroek durch ein Young Talent Fellowship des Brain Center Rudolf Magnus vom Universitätsklinikum Utrecht. Diese Arbeit und das Meta VCI Map Konsortium werden von Vici Grant 918.16.616 von ZonMw, Niederlande, Organisation für Gesundheitsforschung und -entwicklung, an Geert Jan Biessels unterstützt. Die Autoren danken Dr. Tanja C.W. Nijboer für die gemeinsame Nutzung von Scans, die in einer der Figuren verwendet wurden.

Materials

Name Company Catalog Number Comments
dcm2niix N/A N/A free download https://github.com/rordenlab/dcm2niix
ITK-SNAP N/A N/A free download www.itksnap.org
MATLAB MathWorks N/A Version 2015a or higher
MRIcron N/A N/A free download https://www.nitrc.org/projects/mricron
RegLSM N/A N/A free download www.metavcimap.org/support/software-tools
SPM12b N/A N/A free download https://www.fil.ion.ucl.ac.uk/spm/

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Verhalten Problem 151 Läsions-Symptom-Mapping Läsion-Verhaltens-Mapping Infarkt Schlaganfall Segmentierung Registrierung Bildregistrierung räumliche Normalisierung vaskuläre kognitive Beeinträchtigung
Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom Mapping
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Biesbroek, J. M., Kuijf, H. J.,… More

Biesbroek, J. M., Kuijf, H. J., Weaver, N. A., Zhao, L., Duering, M., , Biessels, G. J. Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping. J. Vis. Exp. (151), e59653, doi:10.3791/59653 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter