Waiting
Login processing...

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

Behavior

Hjerneinfarkt segmentering og registrering på MRI eller CT for læsion-symptom kortlægning

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

Forudsat her er en praktisk tutorial for en åben adgang, standardiseret billedbehandling pipeline med henblik på lesion-symptom mapping. En trin-for-trin gennemgang er fastsat for hvert behandlingstrin, fra manuel infarkt segmentering på CT/MRI til efterfølgende registrering til standard plads, sammen med praktiske anbefalinger og illustrationer med eksemplariske tilfælde.

Abstract

I lesion-symptom mapping (LSM), hjernefunktion udledes ved at knytte placeringen af erhvervede hjernelæsioner til adfærdsmæssige eller kognitive symptomer i en gruppe af patienter. Med de seneste fremskridt i hjernen Imaging og billedbehandling, LSM er blevet et populært værktøj i kognitiv neurovidenskab. LSM kan give grundlæggende indsigt i den funktionelle arkitektur af den menneskelige hjerne for en række kognitive og ikke-kognitive funktioner. Et afgørende skridt i udførelsen LSM undersøgelser er segmentering af læsioner på hjerner scanninger af en stor gruppe af patienter og registrering af hver scanning til en fælles stereotaxisk rum (også kaldet standard rum eller en standardiseret hjerne skabelon). Beskrevet her er en åben adgang, standardiseret metode til infarkt segmentering og registrering med henblik på LSM, samt en detaljeret og hands-on gennemgang baseret på eksemplariske sager. En omfattende vejledning til manuel segmentering af hjerne infarkter på CT-scanninger og DWI eller FLAIR MRI-sekvenser leveres, herunder kriterier for infarkt identifikation og faldgruber for forskellige scanningstyper. Registrerings softwaren indeholder flere registrerings skemaer, der kan bruges til behandling af CT-og MRI-data med heterogene anskaffelses parametre. En tutorial om at bruge denne registrering software og udføre visuelle kvalitetskontrol og manuelle korrektioner (som er nødvendige i nogle tilfælde) er forudsat. Denne tilgang giver forskerne en ramme for hele processen med hjernens billedbehandling kræves for at udføre en LSM-undersøgelse, fra indsamling af data til den endelige kvalitetskontrol af resultaterne.

Introduction

Lesion-symptom mapping (LSM), også kaldet læsion-adfærd Mapping, er et vigtigt redskab til at studere den funktionelle arkitektur af den menneskelige hjerne1. I læsions studier udledes hjernens funktion og lokaliseres ved at studere patienter med erhvervede hjernelæsioner. De første casestudier, der forbinder neurologiske symptomer til specifikke hjerne steder udført i det nittende århundrede, gav allerede grundlæggende indsigt i de anatomiske korrelater af sprog og flere andre kognitive processer2. Endnu, de neuroanatomiske korrelater af mange aspekter af kognition og andre hjernefunktioner forblev flygtig. I de seneste årtier har forbedrede strukturelle hjerne billedbehandlings metoder og tekniske fremskridt gjort det muligt for store in vivo LSM-studier med høj geografisk opløsning (dvs. på niveau med individuelle voxels eller specifikke kortikale/subkortikale områder af interesse)1 ,2. Med disse metodologiske fremskridt, LSM er blevet en stadig mere populær metode i kognitiv neurovidenskab og fortsætter med at tilbyde ny indsigt i Neuro anatomi af kognition og neurologiske symptomer3. Et afgørende skridt i enhver LSM undersøgelse er den nøjagtige segmentering af læsioner og registrering til en hjerne skabelon. Men, en omfattende tutorial for forbehandling af hjernen imaging data til formålet med LSM mangler.

Forudsat her er en komplet tutorial for en standardiseret læsion segmentering og registrering metode. Denne metode giver forskerne en pipeline for standardiseret hjerne billedbehandling og et overblik over potentielle faldgruber, der skal undgås. Den præsenterede billedbehandling pipeline blev udviklet gennem internationale samarbejder4 og er en del af rammerne af den nyligt grundlagt meta VCI map konsortium, hvis formål er at udføre multicenter læsion-symptom mapping undersøgelser i vaskulær kognitiv svækkelse < www. metavcimap. org >5. Denne metode er designet til at behandle både CT-og MRI-scanninger fra flere leverandører og heterogene scannings protokoller for at tillade kombineret behandling af billedbehandlings datasæt fra forskellige kilder. Den krævede RegLSM-software og al anden software, der er nødvendig for denne protokol, er frit tilgængelig med undtagelse af MATLAB, som kræver en licens. Denne tutorial fokuserer på segmentering og registrering af hjernen infarkter, men denne billedbehandling rørledning kan også bruges til andre læsioner, såsom hvide stof hyperintensiteter6.

Forud for initiering af en LSM-undersøgelse er der behov for en grundlæggende forståelse af de generelle begreber og faldgruber. Flere detaljerede retningslinjer og en hitchhiker's guide er tilgængelige1,3,6. Men disse anmeldelser giver ikke en detaljeret hands-on tutorial for de praktiske skridt, der er involveret i indsamling og konvertering hjernescanninger til et ordentligt format, segmentere hjernen infarkt, og registrering af scanninger til en hjerne skabelon. Det foreliggende papir giver sådan en tutorial. Generelle begreber af LSM er fastsat i indledningen med referencer til yderligere læsning om emnet.

Generelle mål for læsion-symptom kortlægnings undersøgelser

Fra perspektivet af kognitiv Neuropsykologi, hjerneskade kan bruges som en model betingelse for bedre at forstå neuronal funda-urer af visse kognitive processer og for at få et mere komplet billede af den kognitive arkitektur af hjernen1 . Dette er en klassisk tilgang i Neuro psykologi, der blev først anvendt i post mortem undersøgelser i det nittende århundrede af pionerer som Broca og Wernicke2. I en tid med funktionel hjernescanning, er læsion tilgang forblevet et afgørende redskab i neurovidenskab, fordi det giver bevis for, at læsioner i en bestemt hjerneregion forstyrrer opgavens ydeevne, mens funktionelle Imaging undersøgelser viser hjernen regioner, der er aktiveret under opgavens ydeevne. Som sådan giver disse tilgange supplerende oplysninger1.

Set i forhold til klinisk neurologi kan LSM-undersøgelser afklare forholdet mellem læsions placering og kognitiv funktion hos patienter med akutte symptomatiske infarkter, hyperintensiteter af hvidt stof, lacunes eller andre læsions typer (f. eks. tumorer ). Nylige undersøgelser har vist, at sådanne læsioner i strategiske hjerneregioner er mere relevante i at forklare kognitive præstationer end global læsion byrde2,5,7,8. Denne tilgang har potentialet til at forbedre forståelsen af patofysiologien af komplekse lidelser (i dette eksempel, vaskulær kognitiv svækkelse) og kan give mulighed for at udvikle nye diagnostiske og prognostiske værktøjer eller støttebehandling strategier2.

LSM har også applikationer ud over området kognition. Faktisk kan enhver variabel være relateret til læsions placering, herunder kliniske symptomer, biomarkører, og funktionelle udfald. For eksempel, en nylig undersøgelse fastsatte infarkt steder, der var prædiktiv for funktionelle resultat efter iskæmisk slagtilfælde10.

Voxel-baseret versus region af interessebaseret læsion-symptom kortlægning

For at udføre lesion-symptom kortlægning skal læsioner segmenteret og registreres i en hjerne skabelon. Under registreringsproceduren er hver patients hjerne geografisk justeret (dvs. normaliseret eller registreret til en fælles skabelon) for at korrigere for forskelle i hjernens størrelse, form og retning, således at hver voxel i læsions kortet repræsenterer den samme anatomiske struktur for alle patienter7. I standard rummet kan der udføres flere typer analyser, som kort opsummeres her.

En rå læsion-subtraktions analyse kan udføres for at vise forskellen i læsions fordeling hos patienter med underskud sammenlignet med patienter uden underskud. Det resulterende subtraktions kort viser områder, der oftere beskadiges hos patienter med underskud og Skånes hos patienter uden underskud1. Selv om en læsion-subtraktion analyse kan give nogle indblik i korrelater af en bestemt funktion, det giver ingen statistisk bevis og er nu mest brugt, når prøven størrelse er for lav til at give nok statistisk effekt for voxel-baserede læsion-symptom Kortlægning.

I voxel-baserede læsion-symptom kortlægning, en forening mellem tilstedeværelsen af en læsion og kognitiv ydeevne bestemmes på niveau med hver enkelt voxel i hjernen (figur 1). Den største fordel ved denne metode er den høje rumlige opløsning. Traditionelt set er disse analyser blevet udført i en masse-univariat tilgang, som berettiger korrektion for flere test og indfører en rumlig bias forårsaget af Inter-voxel korrelationer, der ikke er taget i betragtning1,10 , 11. nyligt udviklede tilgange, der tager Inter-voxel korrelationer i betragtning (normalt omtales som multivariat lesion-symptom mapping metoder, såsom Bayesian analyse13, støtte vektor regression4, 14, eller andre maskinlæringsalgoritmer15) viser lovende resultater og synes at forbedre følsomheden og specificiteten af resultater fra voxel-Wise LSM analyser i forhold til traditionelle metoder. Yderligere forbedring og validering af multivariat metoder til voxel-Wise LSM er en løbende proces. Den bedste Metodevalg for specifikke læsion-symptom mapping afhænger af mange faktorer, herunder fordelingen af læsioner, resultat variabel, og underliggende statistiske antagelser af metoderne.

I den interesseregion (ROI)-baseret læsions-symptom kortlægning bestemmes en forening mellem læsions byrden inden for en specifik hjerneregion og kognitiv præstation (Se figur 1 i Biesbroek et al.2 for en illustration). Den største fordel ved denne metode er, at den betragter den kumulative læsions byrde inden for en anatomisk struktur, som i nogle tilfælde kan være mere informativ end en læsion i en enkelt voxel. På den anden side har ROI-baserede analyser begrænset magt til at detektere mønstre, der kun er til stede i en delmængde af voxels i regionen16. Traditionelt, ROI-baserede læsion-symptom mapping udføres ved hjælp af logistisk eller lineær regression. For nylig er multivariat metoder, der beskæftiger sig bedre med kollinearitet blevet introduceret (f. eks Bayesian netværk analyse17, støtte vektor regression4,18, eller andre maskinlæringsalgoritmer19), som kan forbedre specificiteten af resultaterne fra læsion-symptom mapping undersøgelser.

Udvælgelse af patienter

I LSM-undersøgelser udvælges patienterne sædvanligvis på grundlag af en specifik læsions type (f. eks. hjerne infarkter eller hyperintensiteter for hvide stof) og tidsintervallet mellem diagnose og Neuropsykologisk vurdering (f. eks. akut vs. kronisk slagtilfælde). Det optimale studiedesign afhænger af forskningsspørgsmålet. For eksempel, når man studerer den funktionelle arkitektur af den menneskelige hjerne, akut slagtilfælde patienter er ideelt inkluderet, fordi funktionel reorganisering endnu ikke har fundet sted i denne fase, hvorimod kronisk slagtilfælde patienter bør medtages, når man studerer langsigtede virkninger af slagtilfælde på kognition. En detaljeret beskrivelse af overvejelser og faldgruber i patientudvælgelsen findes andetsteds7.

Brain image forbehandling med henblik på læsion-symptom mapping

Præcis læsion segmentering og registrering til en fælles hjerne skabelon er afgørende skridt i læsion-symptom mapping. Manuel segmentering af læsioner er fortsat guldstandarden for mange læsions typer, herunder infarkter7. Forudsat er en detaljeret tutorial om kriterier for manuel infarkt segmentering på CT-scanninger, Diffusion vægtet Imaging (DWI), og Fluid-svækket inversion Recovery (FLAIR) MRI-sekvenser i både akutte og kroniske stadier. De segmenterede infarkter (dvs. de binære 3D-læsions kort) skal registreres, før der udføres analyser på tværs af emner. Denne protokol bruger registrerings metoden RegLSM, som blev udviklet i en multicenter indstilling4. RegLSM anvender lineære og ikke-lineære registrerings algoritmer baseret på Elastix20 til både CT og MRI, med et ekstra CT-behandlingstrin specielt designet til at forbedre registrerings kvaliteten af CT-scanninger21. Endvidere, RegLSM giver mulighed for at bruge forskellige mål hjernen skabeloner og en (valgfri) mellemliggende registrering trin til en aldersspecifik CT/MRI skabelon22. Muligheden for at behandle både CT og MRI scanninger og dens customizability vedrørende mellemliggende og målrette hjernen skabeloner gør RegLSM en meget passende billedbehandling værktøj til LSM. Hele processen med at forberede og segmentere CT/MRI scanninger, registrering til en hjerne skabelon, og manuelle korrektioner (hvis det er nødvendigt) er beskrevet i næste afsnit.

Figure 1
Figur 1: skematisk illustration af konceptet med voxel-baseret læsion-symptom kortlægning. Den øvre del viser hjerne billedet forbehandling trin består af segmentering læsion (en akut infarkt i dette tilfælde) efterfulgt af registrering til en hjerne skabelon (MNI-152 skabelon i dette tilfælde). Nedenfor vises en del af det registrerede binære læsions kort over den samme patient som et 3D-gitter, hvor hver kube repræsenterer en voxel. Taget sammen med læsions kortene på 99 andre patienter genereres et læsions-overlay-kort. For hver voxel udføres en statistisk test for at bestemme tilknytningen mellem læsions status og kognitiv præstation. Den Chi-kvadrerede test, der er vist her, er blot et eksempel, enhver statistisk test kan anvendes. Typisk, hundredtusinder af voxels testes i hele hjernen, efterfulgt af en korrektion for flere sammenligninger. Venligst klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Denne protokol følger retningslinjerne fra vores institutioner Human Research etiske komité.

1. indsamling af scanninger og kliniske data

  1. Indsamle hjerne CT eller MRI scanninger af patienter med iskæmisk slagtilfælde. De fleste scannere gemmer scanninger som DICOM-filer (Digital Imaging and Communications in Medicine), der kan kopieres til en harddisk eller server.
    Bemærk: Scanninger fra hver scannertype, scannings protokol og MRI-feltstyrke kan anvendes, så længe 1) tids vindues kravene for den anvendte scanningstype er opfyldt (Se tabel 1) og 2) der er ingen artefakter, der hæmmer nøjagtig infarkt afgrænsning. En detaljeret tutorial om artefakt afsløring på CT og MRI er givet andetsteds23,24. Et eksempel på almindeligt forekommende bevægelses artefakter på CT er angivet i figur 2, og eksempler på scanninger af god kvalitet er tilvejebragt i eksemplerne i afsnittet resultater. Infarkter kan segmenteret på scanninger med enhver skive tykkelse og enhver in-plane billedopløsning. Men tynde skiver og høj in-plane opløsning vil muliggøre en mere præcis gengivelse af infarkt til hjernen skabelon.
  2. Indsaml de kliniske variabler i en datafil (f. eks. Excel) ved at lave separate rækker for hver enkelt sag og hver enkelt kolonne for hver klinisk variabel. For infarkt segmentering, Medtag mindst variablerne dato for slagtilfælde og dato for Imaging eller en variabel, der angiver tidsintervallet mellem slagtilfælde og billeddannelse.
  3. Sikre, at etiske retningslinjer og regler vedrørende privatlivets fred følges. Sørg for, at dataene enten er anonymiserede eller kodede. Vær særlig opmærksom på fjernelsen af patientdata såsom navn, adresse og fødselsdato, der er lagret i DICOM-filerne som Tags. Disse Tags kan ryddes ved hjælp af dcm2niix (gratis download tilgængelig på < https:/github.com/rordenlab/dcm2niix >)25.

2. konvertering af DICOM-billeder til Nifti-filer

  1. Hvis du vil konvertere DICOM-billederne til ukomprimerede Nifti-filer ved hjælp af værktøjet dcm2niix, skal du skrive "[folder Path of dcm2niix. exe] \dcm2niix% D_% p [mappesti til DICOM-filer]" i kommandoprompten. Et eksempel på kommandoen med de mapper, der er indsat, kan være C:\brugere\matthijs\dcm2niix% D_% p C:\users\matthijs\dicom\. Indeværende befale vil opstille den dcm2niix startbar, omforme den DICOM afbildninger i den udsøgt omslag og opspare den Nifti filer i den samme omslag.
    Bemærk: Tilføjelsen% D_% p sikrer, at serie beskrivelsen og protokolnavnet indsættes i filnavnet. Yderligere funktioner, herunder muligheder for batch konvertering, findes i dcm2niix manualen på < https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii: MainPage >. Andre open source-værktøjer kan bruges til konvertering af DICOM-billeder til Nifti-filer, samt.
  2. Kontroller, at navnet på Scanningstypen (CT, FLAIR, DWI eller andre sekvens navne) kopieres til filnavnet under konverteringen (denne indstilling er tilgængelig i dcm2niix).
  3. For MRI-scanninger skal du vælge DWI-eller FLAIR-sekvenser til segmentering. Alternativt kan enhver anden strukturel sekvens, som infarktet er synlig på, anvendes. Se tabel 1 for passende tidsvinduer efter slagtilfælde, hvor CT, DWI eller flair kan anvendes til infarkt segmentering.
  4. Organiser Nifti filer i en bekvem mappestruktur med en undermappe for hver sag (Se manualen for RegLSM og supplerende figur 1). Denne manual kan downloades fra < www. metavcimap. org/support/software-værktøjer >.
    Bemærk: Denne mappestruktur er et krav til registrerings softwaren RegLSM (Se afsnit 4). En opdatering af RegLSM, gør det bud (brain imaging datastruktur26, se < http://bids.Neuroimaging.io >) kompatibel, er i øjeblikket under udvikling og vil snart blive frigivet.

3. infarkt segmentering

  1. Generelle bemærkninger, som gælder for alle scanningstyper
    1. Sørg for, at den person, der udfører og evaluerer segmentering og registrering, er blændet til resultat variablen (normalt et kognitiv mål) for at undgå bias.
    2. Bemærk, at infarkter normalt segmenteret på tværgående udsnit, men segmentering kan udføres i enhver skive retning.
    3. Sørg for optimale visningsforhold under infarkt segmentering ved hjælp af en skærm med høj opløsning og optimalt omgivende lys, der giver en behagelig indstilling. Juster billedets kontrast manuelt under segmentering for at give optimal kontrast mellem sundt hjernevæv. Konsekvent i at anvende lignende indstillinger på tværs af emner.
  2. Infarkt segmentering på CT
    1. Først kontrollere, om scanningen blev udført mindst 24 h efter slagtilfælde symptomdebut. Inden for 24 timer er det akutte infarkt ikke eller kun delvist synligt på CT, og scanningen kan ikke anvendes til segmentering7. Se figur 3 for en illustration.
    2. Åbn Native CT ved hjælp af ITK-SNAP software (gratis download tilgængelig på < www. itksnap. org >)27. Klik på Filer | Åbn hoved billede i rullemenuen i ITK-snap. Klik på Gennemse , og vælg filen for at åbne scanningen. Hvis standardindstillingen for kontrast giver dårlig kontrast mellem sundt hjernevæv og læsionen, kan du justere kontrast indstillingerne. Det gør du ved at klikke på funktioner | billedkontrast | justering af kontrast.
      Bemærk: Enhver open source-software kan også bruges.
    3. Hvis det er muligt, åbne et CT, der blev udført inden for 24 h efter slagtilfælde symptomdebut i et separat tilfælde som referencen til at skelne den akutte infarkt fra gamle iskæmiske læsioner såsom lacunes, (sub) kortikale infarkter, eller hvide stof hyperintensiteter.
    4. Identificere infarkt baseret på følgende egenskaber. Infarkter har et lavt signal (dvs. hypodense) sammenlignet med normalt hjernevæv.
      1. I den akutte fase (første uger), kan store infarkter forårsage masse effekt resulterer i forskydning af omgivende væv, kompression af ventrikler, midtlinje Skift og udslette sulci. Der kan være hæmoragisk transformation, som er synlig som regioner med højt signal (dvs. hyperdens) inden for infarkt.
      2. I den kroniske fase (måneder til år), vil infarkt bestå af en hypodens cavitated Center (med en lignende tæthed som cerebrospinalvæsken) og en mindre hypodense fælg, som repræsenterer beskadigede hjernevæv. Både cavitated Center og hypodens RIM skal segmenteres som infarkt. I tilfælde af store infarkt, kan der være ex vakuo forstørrelse af tilstødende sulci eller ventrikler.
        Bemærk: Vævs forskydning som følge af masse virkning eller ex vakuum udvidelse af strukturerne bør ikke korrigeres for under segmentering (dvs. kun det fulde omfang af infarktet skal segmenteret). Korrektion for vævs forskydning finder sted under registreringen og efterfølgende trin.
    5. Segment den hjerte hjernevæv ved hjælp af pensel tilstand fra hovedværktøjslinjen (venstre klik for at tegne, højreklik for at slette). Alternativt kan du bruge polygon tilstand til at placere ankerpunkter ved kanterne af læsionen (disse punkter er automatisk forbundet med linjer) eller holde venstre museknap, mens du flytter musen over kanterne af læsionen. Når alle ankerpunkter er tilsluttet, skal du klikke på Accepter for at udfylde det afgrænsede område.
    6. Undgå dug fase, som refererer til den fase, hvor infarkt bliver isodense på CT (som co-opstår med infiltration af det infarcterede væv med phagocytter). Dette sker typisk 14-21 dage efter slagtilfælde debut, men i sjældne tilfælde kan forekomme endnu tidligere28. I denne periode kan infarktet blive usynlig eller dets grænser bliver mindre klare, hvilket gør dette stadie uegnet til infarkt segmentering. Efter tåger fasen bliver læsionen hypodense igen, når kavitation og gliose opstår. Se figur 4 for to eksempler.
    7. Når du har afsluttet segmenteringen, skal du gemme den som en binær Nifti-fil i samme mappe som scanningen ved at klikke på segmentering | Gem segmenterings billede i rullemenuen, og Gem derefter segmentering ved at give det nøjagtig samme navn som den segmenterede scanning med udvidelse af. læsion (f. eks. hvis scanningen blev gemt som "ID001. CT. NII ", Gem segmentering som" ID001. CT. lesion. NII ").
  3. Infarkt segmentering på DWI
    1. Først kontrollere, om DWI blev udført inden for 7 dage af slagtilfælde debut. Infarkter er synlige på DWI inden for flere timer efter slagtilfælde debut og deres synlighed på DWI gradvist falder efter ca 7 dage (se punkt 2 i diskussionen for flere detaljer).
    2. Åbn DWI i ITK-SNAP (på samme måde som udført i trin 3.2.2).
      Bemærk: En DWI-sekvens genererer mindst to billeder til de fleste scannings protokoller, en med en b-værdi = 0, som er et standard T2-vægtet billede, og et med en højere b-værdi, som er den scanning, der fanger de faktiske spredningsegenskaber af vævet. Jo højere b-værdien er, jo stærkere er diffusions effekterne. For iskæmisk slagtilfælde er en b-værdi omkring 1000 s/mm2 ofte brugt, da dette giver et godt kontrast-til-støj-forhold i de fleste tilfælde29. Billedet med en høj b-værdi bruges til infarkt segmentering.
    3. Åbn den tilsyneladende diffusions koefficient (ADC) sekvens i en separat instans af ITK-SNAP til reference.
    4. Identificer og antegn det infarcerede hjernevæv baseret på det høje signal (dvs. hyperintens) på DWI og lavt signal (dvs. hypointense) på ADC (Se figur 5). ADC værdier i infarkt gradvist stige indtil ADC normaliserer i gennemsnit 1 uge efter slagtilfælde30, men i nogle tilfælde, ADC kan allerede være (næsten) normaliseret efter flere dage, hvis der er meget vasogent ødem.
      Bemærk: I DWI-billeder med lave b-værdier kan hjernelæsioner med et indbygget højt T2-signal (f. eks. hyperintensiteter af hvidt stof) også forekomme hyperintense. Dette fænomen kaldes T2 Shine-through31. Men med stigende b-værdier, dette fænomen bliver mindre relevant, som signalet på DWI billede mere stærkt afspejler diffusion egenskaber i stedet for iboende T2 signal. Med moderne DWI Scan protokoller (normalt med b-værdi = 1000 eller højere), T2 glans-through effekter er begrænset32.
    5. Må ikke forveksle et højt DWI signal nær grænseflader mellem luft og enten væv eller knogler, som er en almindeligt observeret artefakt, for en infarkt. Se figur 5.
    6. Gem anmærkningen som en binær Nifti-fil, der giver den nøjagtig samme navn som den segmenterede scanning, med forlængelsen af. læsion (på samme måde som udført i trin 3.2.7).
  4. Infarkt segmentering på FLAIR
    1. Først, kontrollere, om scanningen blev udført > 48 h efter slagtilfælde symptomdebut. I den hyperakutte fase er infarktet normalt ikke synligt på FLAIR sekvensen, eller de nøjagtige grænser for infarktet er uklare31 (Se figur 6).
    2. Åbn FLAIR i ITK-SNAP på samme måde som gjort i trin 3.2.2.
    3. Åbn T1 en separat forekomst af ITK-SNAP til reference, hvis den er tilgængelig.
    4. Identificere og segmentere det infarcterede hjernevæv baseret på følgende egenskaber.
      1. I den akutte fase (første par uger), er infarktet synlig som en mere eller mindre homogen hyperintens læsion, med eller uden tilsyneladende hævelse og Mass Effect (figur 5).
      2. I den kroniske fase (måneder til år), infarkt er cavitated, hvilket betyder, at centrum bliver hypo-eller isointens på FLAIR. Dette hulrum kan identificeres mest præcist på T1. I de fleste tilfælde er det cavitated Center omgivet af en hyperintens rand på FLAIR, der repræsenterer gliose. 33.
        Bemærk: Men, der er en betydelig mængde variation i graden af kavitation og gliose af kroniske infarkter. Segmentér både hulrummet og den hyperintense rand som infarkter (Se trin 3.2.5). En FLAIR hyperintens læsion er ikke altid en infarkt. I den akutte fase kan små subkortikale infarkter let skelnes fra hvide stof hyperintensiteter eller andre kroniske læsioner såsom lacunes af formodet vaskulær oprindelse, når der er en DWI tilgængelig (Se figur 5). I den kroniske fase, det kan være vanskeligere. Se punkt 3 i diskussionen for mere information om, hvordan man diskriminerer disse læsions typer i kronisk fase.
    5. Gem anmærkningen som en binær Nifti-fil, der giver den nøjagtig samme navn som den segmenterede scanning, med forlængelsen af. læsion (på samme måde som udført i trin 3.2.7).
Scanningstype Tidsvindue efter strøg Infarkt egenskaber Reference scanning Faldgruber
Ct > 24 h Akut: hypodense - -Tåger fase
Kronisk: hypodense hulrum med CSF og mindre hypodense fælg -Hæmoragisk transformation
Dwi < 7 dage Hyperintense ADC: typisk hypointense -T2 shinethrough
-Højt DWI-signal nær grænseflader mellem luft og knogle/væv
Flair > 48 h Akut: hyperintens Akut: DWI/ADC, T1 (isointens eller hypointense) -Hyperintensiteter for hvidt stof
Kronisk: hypointense eller isointens (hulrum), hyperintens fælg Kronisk: T1 (hypointense hulrum med CSF-egenskaber). -Lacunes

Tabel 1: oversigt over kriterier for infarkt segmentering for forskellige scanningstyper.

4. tilmelding til standard plads

  1. Hent RegLSM fra < www. metavcimap. org/funktioner/software-værktøjer >4. Brug dette værktøj til at behandle CT-scanninger og enhver form for MRI-sekvens. Registreringsproceduren er illustreret i figur 7.
    Bemærk: Valgfrie funktioner i RegLSM omfatter registrering til en mellemliggende CT/MRI-skabelon, der mere ligner scanninger af ældre patienter med hjerneatrofi22. Som standard er CT-og MRI-scanningen registreret i MNI-152-skabelonen34, men dette kan erstattes af andre skabeloner, hvis dette passer bedre til studiet. Forskellige registreringsordninger er illustreret i figur 7. Andre open source-registreringsværktøjer kan også bruges til dette trin.
  2. Kontrol 1) Hvis Nifti filer ikke er komprimeret, 2), at filnavnet på den segmenterede scanning indeholder udtrykket CT, FLAIR, eller DWI, og 3), at filnavnet på læsions anmærkningen indeholder den samme term med en vedhæftet ". læsion". Hvis disse tre første trin følges, er dataene fuldt forberedt til registrering, og intet skal ændres.
  3. Open MATLAB (version 2015a eller højere), indstille den aktuelle mappe til Reglsm (denne mappe kan downloades fra 35 (version 12 eller højere, gratis download på < https://www.fil.ion.UCL.ac.uk/Spm/>) ved at skrive addpath {folder navn på SPM}. Skriv derefter Reglsm for at åbne GUI.
  4. Vælg testtilstand i rullemenuen registrering for at udføre registreringen for en enkelt sag. I panelet testtilstand skal du vælge scanningen (CT, FLAIR eller DWI), anmærkning og eventuelt T1 ved hjælp af knappen Åbn billede . Vælg registreringsskema: CT, flair med eller uden T1, DWI med eller uden T1.
  5. Alternativt kan du vælge batch mode for at registrere scanninger af alle sager i den valgte mappe i batch-tilstand.
  6. Sørg for, at reglsm gemmer de resulterende registreringsparametre og de registrerede scanninger (herunder mellemliggende trin) og det registrerede læsion-kort i undermapper, der genereres automatisk. Under denne proces resamples de registrerede scanninger og læsions kort for at matche opløsningen (isotropic 1 mm3 voxels) og vinkling af MNI-152-skabelonen.

5. gennemgå registrerings resultater

  1. Vælg indstillingen Kontroller resultater i RegLSM GUI og gå til hovedmappen med registrerings resultaterne. GUI vælger automatisk den registrerede scanning med det registrerede læsion-kort og MNI-152-skabelonen med det registrerede læsions kort i tværgående, sagittal og koronale retninger (Se figur 8).
  2. Rul gennem den registrerede scanning, og brug crosshair til at kontrollere justeringen af den registrerede scanning og MNI-152-skabelonen. Vær særlig opmærksom på tilpasningen af genkendelige anatomiske landemærker som de basale ganglier, ventrikler og kraniet.
  3. Markér alle mislykkede registreringer i en separat kolonne i datafilen (foretaget i trin 1,2) for den efterfølgende manuelle korrektion i afsnit 6.
    Bemærk: Almindeligt forekommende fejl i registreringen er ufuldstændig tilpasning på grund af den masse effekt, der forårsages af læsionen i den akutte fase, eller ex vakuo udvidelse af ventrikler i kronisk fase. Se figur 3 og figur 5 for eksempler på en sådan forskydning. En anden almindelig fejl er en forskydning af tentorium cerebelli, i hvilket tilfælde en occipital infarkt kan overlappe med cerebellum i skabelonen. Forkert justering af væv, der ikke er skam er ikke et problem, når kun de binære læsions kort bruges i den efterfølgende læsion-symptom mapping analyser. I sådanne tilfælde er det kun læsionerne, der skal justeres perfekt.

6. manuel korrekt registrering fejl

  1. For de læsions kort, der kræver korrektion, skal du åbne MNI-152 T1-skabelonen i ITK-SNAP og vælge fra segmenterings menuen | Åbn segmentering | registreret læsions kort, som nu er overlagt på skabelonen.
  2. Åbn den registrerede hjernescanning i en separat forekomst af ITK-SNAP til reference.
  3. Ret det registrerede læsion-kort i ITK-snap for enhver type forskydning, der er nævnt i trin 5,3 ved hjælp af pensel funktionen til at tilføje voxels (venstre klik) eller fjern voxels (højreklik). Sammenlign omhyggeligt den registrerede scanning og overlagt læsion kort (Se trin 5,2) med MNI-152 skabelon og overlejret læsion kort i ITK-snap (Se trin 6,1) for at identificere de regioner af forskydning. Se figur 3 og figur 5.
  4. Efter manuel korrigering af læsion map i MNI Space, Udfør en afsluttende kontrol ved at sammenligne den segmenterede indfødte scanning af patienten med det korrigerede læsions kort i MNI Space (dvs. resultaterne af trin 6,3). Sørg for, at det korrigerede læsions kort i MNI Space nu præcist repræsenterer infarktet i native Space. Vær særlig opmærksom på de genkendelige landemærker som basal Ganglia, ventrikler og kranium (svarende til trin 5,2).
  5. Gem det korrigerede læsion-kort i MNI Space som en binær Nifti-fil i samme mappe som det ukorrigerede læsion-kort i MNI-152-rummet, hvilket giver det nøjagtig samme navn som det ukorrigerede læsion-kort, med udvidelsen af. korrigeret.

7. klargøring af data til Lesion-symptom kortlægning

  1. Omdøb alle læsions kortene. RegLSM gemte som standard læsions kortene i en undermappe med filnavnet "resultater". Medtag emne-id'et i filnavnet. I tilfælde af manuel rettelse skal du sørge for at vælge og omdøbe den rettede fil.
  2. Kopier alle læsions kortene til en enkelt mappe.
  3. Udfør en sanitets kontrol af dataene ved tilfældigt at vælge og inspicere flere læsions kort i ITK-SNAP og Sammenlign disse med de indfødte scanninger for at udelukke systematiske fejl i databehandling såsom venstre-højre flipping.
  4. Brug MRIcron < https://www.nitrc.org/projects/mricron > til at udføre en anden sanitets kontrol af dataene ved at oprette et læsions overlap billede for at kontrollere, om ingen læsioner er placeret uden for hjerne skabelonen. Gør dette ved at vælge rullemenuen Tegning | statistik | Opret overlap billeder.
    Bemærk: Den resulterende læsion overlay kort kan projiceres på MNI-152 skabelon og inspiceret ved hjælp af, for eksempel, mricron eller ITK-snap.
  5. Læsions kortene er nu klar til at blive brugt til voxel-baseret læsion-symptom kortlægning eller til beregning af infarkt volumener inden for specifikke områder af interesse ved hjælp af et Atlas, der er registreret til samme standard plads som læsions kortene (i dette tilfælde MNI-152 plads til der findes mange atlaser, hvoraf nogle er nævnt nedenfor36,37,38).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Eksempler på hjerneinfarkt segmenteringer på CT (figur 3), DWI (figur 5) og flair (figur 6) billeder og efterfølgende registrering til MNI-152-skabelonen findes her. De i figur 3B og figur 5c viste registrerings resultater var ikke helt vellykkede, da der var uoverensstemmelse i nærheden af ventrikel Lens frontal horn. De registrerede læsions kort over disse mislykkede registreringer blev korrigeret manuelt, og resultaterne heraf fremgår af tallene. Efter denne manuelle korrektion er læsions kortene for hver af disse tre eksempel eksempler en nøjagtig gengivelse af infarkter i native Space, og læsions kortene er klar til at blive brugt til efterfølgende læsion-symptom kortlægning. Figur 6c viser et eksempel på et passende registrerings resultat, der ikke kræver manuel korrektion.

Disse tal også fremhæve flere potentielle faldgruber i hjernen infarkt segmentering på hver af disse scanningsmetoder. Figur 2 viser et eksempel på bevægelses artefakter på en CT-scanning, i hvilket tilfælde patienten bør udelukkes fra LSM-undersøgelser. Figur 4 viser et eksempel på dug på en CT-scanning, som typisk opstår 14-21 dage efter slagtilfælde, hvilket fører til en undervurdering af infarkt størrelse. CT-scanninger foretaget i dette tidsinterval bør derfor ikke anvendes til lesion-symptom kortlægning. Figur 7 viser resultaterne af tre typiske hjernen billedregistrering ordninger genereret ved hjælp af RegLSM software. Figur 8 viser resultaterne af registreringen af et DWI-billede til MNI-152 T1-skabelonen i registrerings resultat fremviseren for RegLSM.

Disse resultater illustrerer hele processen med infarkt segmentering på CT og MRI, registrering til standard plads, efterfølgende kvalitetskontrol, og når det er nødvendigt, manuel korrektion af registrerings resultaterne. De resulterende læsion kort er klar til at blive brugt i voxel-baserede eller region af interesse-baserede læsion-symptom mapping.

Figure 2
Figur 2 : Eksempel på bevægelses artefakter på en CT-scanning, der præsenterer som skygger, striber og sløring i billedet. Der vises to forskellige skiver af en enkelt CT-scanning. Nogle eksempler på striber og skygger i billedet er angivet med pile. I dette tilfælde, en infarkt med en hæmoragisk komponent i højre cerebellare halvkugle er klart synlige, men en præcis afgrænsning af læsions forreste og mediale grænse er vanskelig på grund af disse artefakter. Denne scanning bør derfor ikke bruges til LSM. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3 : Segmentering og registrering af et infarkt på en CT-scanning. (A) CT-scanninger på tre tidspunkter for en enkelt patient. CT < 24 h kan ikke bruges til segmentering, fordi infarktet endnu ikke er synligt, selv om CT-perfusion kort viser iskæmi i en stor højre frontal region. Legender til CT-perfusion kort: cerebral blodgennemstrømning (CBF i mL/100 g/min) spænder 0 (mørkeblå) til 200 (rød) og gennemsnitlig transittid (MTT i s), som spænder fra 0 (rød) til mørkeblå (20). CT-scanningen på dag 6 viser hævelse af det infarcterede hjernevæv, med let midterforskydning og hæmoragisk transformation synlig som en region med højere densitet inden for infarktet. CT-scanningen efter 4 måneder viser hjernevæv tab med ex vakuo udvidelse af ventrikler og nærliggende sulci. Registreringen skal kompensere for den resulterende forskydning af tilstødende strukturer. B) resultatet af registreringen i MNI-152-skabelonen. Registrerings algoritmen kompenserede utilstrækkeligt for mellemlinje skiftet og komprimering af venstre ventrikel, hvilket krævede manuel korrektion (vist til højre). Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4 : Eksempler på den tågede effekt på CT-billeddannelse. Scanninger på tre forskellige tidspunkter vises for to forskellige patienter for at illustrere, hvorfor en CT-scanning foretaget i tåger fasen (dvs. 14-21 dage efter slagtilfælde) bør undgås. (A) for patient 1, CT-scanning udført 24 h efter slagtilfælde debut viser en velafgrænset infarkt i venstre frontal lap. 20 dage efter slagtilfælde debut, infarkt er ikke godt afgrænset, og ved hjælp af denne scanning for segmentering ville resultere i undervurdering af infarkt størrelse. Den opfølgende MRI (3 år efter) viser, at CT-scanningen efter 24 timer var en nøjagtig gengivelse af infarkt størrelsen, hvorimod CT-scanningen på dag 20 ikke var. B) for patient 2 viser CT-scanningen inden for 24 timer subtile tidlige tegn på iskæmi med tab af gråhvid stof differentiering og diffus hævelse i de rigtige tidsmæssige og øområder. CT-scanningen på dag 4 viser et godt demarkeret infarkt. På CT-scanningen på dag 18 er en stor del af det hypotætte infarkt område blevet isotæt, hvilket ville resultere i underopdeling af infarktet. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5 : Segmentering og registrering af en infarkt på en MRI DWI sekvens. MRI-scanning udført 12 timer efter slagtilfælde debut. A) den akutte iskæmiske læsion er hyperintens på DWI-sekvensen (b-værdi = 1000) og hypointense på ADC, hvilket indikerer begrænset diffusion på grund af cytotoksisk ødem. Infarktet er segmenteret på DWI-billedet. Det skal bemærkes, at der er en subtil stigning i signalet på FLAIR, men det er ikke tilstrækkeligt klart til at tillade læsion segmentering på dette tidspunkt. (B) den stiplede ellipse viser artefakter i nærheden af knogle-luft konfigurationer på DWI (øverste billede) og ADC (lavere billede). (C) sammenligning af den registrerede DWI-sekvens (venstre billede; samme scanning som vist i panel A og B) og det tilsvarende registrerede infarkt med MNI-152-skabelonen (mellem billede). Bemærk den lille fejl i spidsen af den højre hale kerne, hvor ventriklerne ikke er perfekt afstemt. Dette krævede en manuel korrektion af segmentering i standard rummet (vist til højre). Venligst klik her for at se en større version af dette tal.

Figure 6
Figur 6 : Segmentering og registrering af en infarkt på en Mr-flair sekvens. MRI-scanninger blev udført på to forskellige tidspunkter efter slagtilfælde for en enkelt patient. (A) i MRI-scanninger på dag 3 kan den akutte lacunar infarkt (indikeret med hvide pile) pålideligt skelnes fra kroniske hyperintense læsioner, såsom hvide stof hyperintensiteter (indikeret med stiplede cirkler), fordi kun akutte infarkter Vis diffusions begrænsning på DWI. Det skal bemærkes, at på dette tidspunkt, DWI kan også bruges til segmentering. (B) på 7 måneder, DWI er ikke længere nyttigt til at skelne infarkt fra hvide stof hyperintensiteter. I stedet skal T1 bruges til at identificere infarkt baseret på tilstedeværelsen af en cerebrospinalvæske fyldt hulrum, der har et lavt signal på T1 (og højt signal på ADC). På dette kroniske stadie bør både hulrummet og det omgivende hyperintense signal om FLAIR segmentere som en infarkt. (C) Dette viser resultaterne af registreringen af flair på dag 3, som er tilstrækkelig og kræver ingen manuel korrektion. Venligst klik her for at se en større version af dette tal.

Figure 7
Figur 7 : Oversigt over hyppigt anvendte registrerings skemaer implementeret i RegLSM. Brugen af mellemliggende skabeloner, der giver en bedre match med patienten end målskabelonen, er valgfri. Dette er særlig vigtigt, når en CT-scanning er registreret i en MRI-skabelon (Se patient 1). Ved segmentering på FLAIR eller DWI kan den segmenterede scanning enten være co-registreret til et oprindeligt T1-billede (Se patient 2), hvis det er tilgængeligt eller direkte registreret i T1-skabelonen (Patient 3). Der findes også andre alternativer, som forklaret i de relevante afsnit af diskussionen. Venligst klik her for at se en større version af dette tal.

Figure 8
Figur 8 : Registrering resultat Viewer implementeret i RegLSM. De venstre tre paneler viser MNI-152-skabelonen i tre planer (tværgående, sagittal, koronal), og de højre tre paneler viser et registreret DWI-billede i tre planer. Crosshair hjælper kan bruges til at kontrollere, om anatomiske strukturer er nøjagtigt justeret. Venligst klik her for at se en større version af dette tal.

Supplerende figur 1: typisk mappestruktur under en billedbehandling for LSM. Den første undermappe til emne ID002 indeholder tre indfødte scanninger i Nifti format (FLAIR, T1 og T2, i rød boks) og segmentering af FLAIR sekvens (i blå boks). De tre undermapper oprettes under registreringsprocessen af RegLSM. Under mappen to_MNI indeholder den registrerede segmenterede scanning (i dette tilfælde FLAIR, i grøn boks). Den efterfølgende undermappe indeholder det registrerede læsions kort i standard rummet (lilla boks). Bemærk, at RegLSM vil blive gjort bud-kompatible i den kommende opdatering. Venligst klik her for at downloade dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

LSM er et kraftfuldt værktøj til at studere den funktionelle arkitektur af den menneskelige hjerne. Et afgørende skridt i enhver læsion-symptom mapping undersøgelse er forbehandling af billeddannelse data, segmentering af læsion og registrering til en hjerne skabelon. Her rapporterer vi en standardiseret pipeline for læsion segmentering og registrering med henblik på læsion-symptom mapping. Denne metode kan udføres med frit tilgængelige billedbehandling værktøjer, kan bruges til at behandle både CT og strukturelle MRI scanninger, og dækker hele processen med at forberede billeddata for læsion-symptom mapping analyser.

Det første store skridt i behandlingen af hjernen imaging data for læsion-symptom mapping er læsion segmentering. Denne protokol indeholder en detaljeret vejledning, herunder kriterier for infarkt afgrænsning, flere eksempler og faldgruber for at lette nøjagtig og reproducerbar segmentering. Som nævnt i protokollen og opsummeret i tabel 1har hver scanningstype et bestemt tidsvindue, hvor den kan bruges til infarkt segmentering. Infarkter er synlige på DWI inden for flere timer efter slagtilfælde debut som hyperintens på DWI og hypointense på ADC (afspejler begrænset vand diffusion på grund af cytotoksisk ødem), mens andre MRI-sekvenser, herunder FLAIR, (og CT-scanninger) ikke er følsomme nok til pålideligt at detektere infarkter inden for 48 h39. Efter den første uge, ADC billedet bliver isointens og til sidst hyperintens som vasogent ødem udvikler30, mens DWI normalt forbliver hyperintens i flere uger mere31,39,40. Det tilrådes derfor kun at anvende DWI inden for 7 dage og at anvende FLAIR sekvensen efter 7 dage.

Som bemærket i trin 3,4, en FLAIR hyperintens læsion er ikke altid en infarkt. Hvide stof hyperintensiteter og andre kroniske læsioner kan ligne en subkortikal infarkt på en FLAIR sekvens. I den akutte fase, små subkortikale infarkter kan let skelnes fra hvide stof hyperintensiteter eller andre kroniske læsioner såsom lacunes af formodet vaskulær oprindelse, når der er en DWI til rådighed, som nævnt i protokollen (Se figur 5). I kronisk fase skal T1-sekvensen nøje gennemgås for at se efter små hulrum (på mindst 3 mm) i en læsion, hvilket indikerer, at læsionen ikke er en hvid substans hyperintensitet (Se figur 6). Hulrum af < 3 mm, især når aflange i form, inden for en flair hyperintens læsion er mere tilbøjelige til at være en perivaskulær rum end en infarkt og er ikke at blive segmenteret som infarkter33. Hvis en kronisk kaviteret læsion passer til kriterierne for en lacune (dvs. hulrummet er 3-15 mm)33, det kan stadig være udfordrende at sikre, at dette er i virkeligheden symptomatisk infarkt, fordi lacunes kan forekomme hos individer uden åben for neurologiske symptomer, og nogle individer har flere lacunes41. Det hjælper at kende den kliniske slag fænotype i disse tilfælde for at sikre, at infarkt er placeret i en struktur, der passer til de indledende slagtilfælde symptomer. Når der er tvivl om, hvorvidt en lacune svarer til de slagtilfælde symptomer, er det bedst at udelukke patienten.

Der er flere overvejelser vedrørende nøjagtig infarkt identifikation, der skal tages i betragtning. Det første vedrører pålideligheden af scanningerne til påvisning af hjerne infarkter. I mindre iskæmisk slagtilfælde patienter med små infarkter, endelige infarkt størrelse på follow-up FLAIR er ofte mindre end den oprindelige DWI læsion42. I store (kortikale) infarkter, der er betydelige beviser for, at DWI læsion i den hyperakutte fase (< 24 h) præcist repræsenterer infarkt kerne (dvs., repræsenterer uoprettelig skade), selv når DWI Imaging udføres før reperfusion terapi 43 , 44. men i nogle tilfælde, DWI læsion set inden 24 h er en underrepræsentation af den endelige infarkt størrelse, fordi Penumbra (hypopersmeltet, men potentielt reddes hjernevæv) ikke er synlig som en DWI læsion, men det kan stadig fremskridt til at danne del af det endelige infarkt43 (især hvis der ikke udføres reperfusion hos patienter med store arterie okklusioner).

Et andet problem med at bruge DWI inden 24 h er, at DWI læsioner er til en vis grad dynamisk og kan vise tilbageførsel efter reperfusion terapi. Opfølgende scanninger viste imidlertid, at denne vending var forbigående, og at den oprindelige DWI-læsion nøjagtigt repræsenterer infarkt kernen. Dette indikerer dog, at DWI optrådte flere timer efter, at reperfusion kunne resultere i yderligere undervurdering af den endelige infarkt størrelse43. Denne potentielle undervurdering af den endelige infarkt størrelse er en vigtig begrænsning af at bruge DWI udført inden for 24 timer efter slagtilfælde debut i læsion-symptom mapping undersøgelser. Det skal dog bemærkes, at der er begrænsninger for at bruge andre scannings protokoller samt. Først og fremmest, scanninger af enhver modalitet, der udføres > 24 h efter slagtilfælde kan vise Mass Effect på grund af hævelse af infarkt i den akutte fase, og ex vakuo udvidelse af ventrikler, mønsteret udvidelse, og forskydning af omgivende strukturer i den kroniske etape7. Denne forskydning bør korrigeres med registrerings algoritmen, og om nødvendigt skal en manuel korrektion udføres af en sagkyndig anmelder. Alligevel kan begge forhold påvirke nøjagtigheden af oversættelsen af den infarcede region til standard rummet, selv når der udføres strenge kvalitetskontroller.

Af note, DWI i den hyperakutte fase ikke lider af denne begrænsning, da der ikke er nogen signifikant masse effekt inden for 24 h. I lyset af disse scannertype specifikke begrænsninger bør der tages hensyn til opnåelse af et homogent datasæt, når der udformes en læsions-symptom kortlægnings undersøgelse, ved hjælp af en enkelt scanningstype på et standardiseret tidspunkt. Dette vil dog indføre en systematisk skævhed i patient inklusion, som i de fleste klinikker, slagtilfælde patienter, der gennemgår MRI er forskellige (dvs. ofte har mindre infarkter og mindre, mere isolerede symptomer) sammenlignet med patienter, der gennemgår CT. Som sådan, systematisk udelukke patienter med en specifik billeddannelse modalitet vil begrænse variabiliteten i læsion fordeling, som igen har en negativ indvirkning på gyldigheden af læsion-symptom mapping resultater45.

Endelig er en begrænsning af alle strukturelle billedbehandlings metoder, at de ikke registrerer tilstedeværelsen af nedsat perfusion omkring infarktet, selv om unormal perfusion i hjerneområder, der synes normal på strukturel billeddannelse, kan forstyrre hjernen funktion7,46. I Resumé, CT og flere strukturelle MRI-sekvenser kan bruges til at segmentere infarkter med henblik på læsion-symptom Mapping, så længe den korrekte tid vinduer og kriterier for læsions detektering følges, og registrerings resultaterne er omhyggeligt kontrolleret. Under hensyntagen til scannertype-specifikke og tidsvindue-specifikke begrænsninger er afgørende, når designe og fortolke læsion-symptom mapping undersøgelser.

Et vigtigt spørgsmål i enhver læsions segmenterings metode er at evaluere dens reproducerbarhed. Tilstrækkelig træning og viden om hjernens anatomi er afgørende for at skelne læsioner fra normale anatomiske strukturer og anatomiske varianter. Det anbefales også at evaluere Inter-og intra-Observer-reproducerbarhed før udførelse af infarkt-segmentering med henblik på at foretage læsion-symptom kortlægning. Vi har tidligere demonstreret høj interobservatør aftale for den manuelle infarkt segmenterings protokol om CT-scanninger i både den akutte [gennemsnitlige Dice ligheds koefficient (DSC) 0,77; SD 0,11] og kronisk (DSC 0,76; SD 0,16) etaper, samt høj intra-observatør aftale (DSC 0,90, SD 0,05 i akut fase; DSC 0,89, SD 0,06 i kronisk fase)16. Den interobserver ende aftale om infarkt segmentering på DWI og FLAIR er også kendt for at være høj47.

Den vigtigste begrænsning af den beskrevne metode er, at manuel segmentering, kvalitetskontrol og manuelle rettelser er tidskrævende. Fuldt automatiseret infarkt segmentering værktøjer, der kan behandle både CT og MRI scanninger med varierende scanning protokoller på en pålidelig måde mangler7,47. Automatiserede infarkt segmenterings værktøjer, der er optimeret til specifikke scannings protokoller, giver lovende resultater (f. eks. for DWI, hvor kontrasten mellem det nedlagte og normale hjernevæv er meget høj48), og der vil sandsynligvis blive foretaget yderligere forbedringer i den nærmeste fremtid. Semi-automatiserede metoder kan reducere den tid, der er nødvendig for segmentering af infarkter, men kræver også en ekspert for at sikre nøjagtig læsions klassifikation47. Denne kvalitetskontrol er afgørende, fordi selv et par mislykkede infarkt segmenteringer kan betydeligt reducere gyldigheden af læsion-symptom mapping resultater. Således, manuel infarkt segmentering forbliver guld standard7.

Det andet store skridt i behandlingen af hjernen imaging data for læsion-symptom mapping er registreringen af læsion Maps til en hjerne skabelon. RegLSM indeholder flere validerede registrerings skemaer. For CT-scanninger udføres histogram udligning for at forbedre bløddels kontrasten21, og et mellemliggende registreringstrin til en CT-skabelon22 udføres for at optimere registrerings kvaliteten. Ved MRI-scanninger registreres den scanning, som segmenteringen blev udført på, i den tilsvarende T1-sekvens, hvis den er tilgængelig, ved hjælp af lineær registrering. Efterfølgende er den indfødte T1 registreret til en mellemliggende aldersspecifik T1 skabelon22 eller direkte til målet T1 skabelon34 ved hjælp af lineær og ikke-lineær registrering20. De mellemliggende skabeloner, både CT og T1, er blevet justeret med målet T1 skabelon ved hjælp af en lineær og ikke-lineær registrering, der blev manuelt optimeret og verificeret. Når den mellemliggende skabelon bruges, tilføjes denne præ-beregnede transformation som det sidste Transformations trin.

Når der ikke er nogen T1 tilgængelig, kan den scanning, som segmenteringen blev udført på (normalt en FLAIR eller DWI), registreres direkte til mål T1-skabelonen ved hjælp af en lineær og ikke-lineær registrering20. For DWI-billeder oprettes en hjernevævs maske ved hjælp af Unified segmentering som implementeret i SPM35for at vejlede den lineære registrering, hvorefter en ikke-lineær registrering afslutter proceduren. Registreringen ordninger i RegLSM er meget tilpasselig, og den almindeligt anvendte MNI-152 T1 skabelon og mellemliggende skabelon kan erstattes af enhver skabelon, der kan give en bedre match med segmenteret scanning. En interessant mulighed ville være udviklingen af FLAIR og DWI hjerne skabeloner, der giver en bedre match med individuelle slagtilfælde patienter. En begrænsning af den beskrevne registreringsmetode er, at registreringen mislykkes i nogle tilfælde, hvilket betyder, at der kræves en visuel inspektion af registrerings resultaterne for alle patienter, efterfulgt af en manuel korrektion i nogle tilfælde. Antallet af sager, der kræver manuel korrektion, varierer afhængigt af streg under typen. I vores tidligere erfaringer er der behov for manuelle korrektioner i op til en tredjedel af de store hjerne infarkter49,50,51 , men kun 13% af patienterne med små lacunar infarkter4. De fleste mislykkede registreringer er forårsaget af anatomiske fordrejninger som følge af læsionen (som diskuteret tidligere), hvilket er særlig sandsynligt at ske i tilfælde af store infarkter med enten svær hævelse eller ex vakuum udvidelse af omgivende strukturer. Den manuelle korrektion af disse fejljusteringer er tidskrævende, men afgørende, før der udføres lesion-symptom kortlægnings analyser. Antallet af tilfælde, der kræver manuel korrektion er lavere, når man studerer hvide substans hyperintensiteter sammenlignet med infarkter, sandsynligvis fordi disse læsioner ikke forårsager signifikant anatomisk forvrængning. I vores nylige læsion-symptom kortlægnings studie hos patienter med hyperintensiteter med hvidt stof var kun 3% af utilstrækkelig kvalitet til at fortsætte uden manuel korrektion6.

Som standard, RegLSM ikke anvende nogen form for læsion maskering eller læsion påfyldning, selv om den tilpasselig karakter af RegLSM giver brugerne mulighed for at aktivere det. Brugen af gensidig information52 i registreringsproceduren undgår de fleste af de problemer, der tidligere blev rejst med tilstedeværelsen af en læsion, der påvirkede registrerings kvaliteten. Gensidig information er velegnet til multimodale registreringer (f. eks. FLAIR til T1) og påvirkes mindre af tilstedeværelsen af patologi end andre målinger eller omkostnings funktioner. Selv med hensyn til intra-modal registrering (f. eks. T1 til skabelonen T1), bør der anvendes gensidige oplysninger til at håndtere tilstedeværelsen af patologi. Læsioner vil have deres egen klynge i det fælles histogram, der kan optimeres uden at påvirke registrerings kvaliteten. I nogle tilfælde kan læsions maskering endda forringe registrerings kvaliteten, da der stadig er utilstrækkelige billedoplysninger til at styre registreringen, når læsions volumenet er stort.

Som en generel kommentar om den anvendte software, herunder konvertering fra DICOM til Nifti format, Scan visualisering, og annotation, skal det bemærkes, at mange åbne-Access værktøjer findes. Vi har ikke give et systematisk overblik over alle de tilgængelige værktøjer, fordi dette var uden for rammerne af denne artikel. Mange institutioner udvikler også deres egne billed visualiserings-og annoteringsværktøjer. Her valgte vi at give en omfattende ramme, der dækker hele processen med CT/MRI forbehandling, segmentering, og registrering med henblik på lesion-symptom mapping ved hjælp af flere almindeligt anvendte Open-Access værktøjer. Når du bruger denne metode, kan de foreslåede billed konverterings-, visualiserings-eller annoteringsværktøjer erstattes af andre tilgængelige værktøjer eller af specialfremstillede værktøjer, hvis dette passer bedre til dataene eller anses for at være mere bekvemt. Også, kan billedet behandling pipeline yderligere tilpasses ved at gennemføre tilgængelige (semi-) automatiseret infarkt segmenteret værktøj, hvis dette passer til studiet design af en bestemt læsion-symptom mapping undersøgelse. Dette papir fokuserer på behandling af scanninger af patienter med iskæmisk slagtilfælde, men rammen kan også anvendes til behandling af andre læsions typer (f. eks. hyperintensiteter af hvidt stof eller lacunes) ved at erstatte læsions segmenterings proceduren (afsnit 3 i protokol) med en anden hensigtsmæssig segmenterings procedure.

Et vigtigt spørgsmål i lesion-symptom mapping er, hvordan man håndterer Co-forekommende patologier. For eksempel, når du udfører en undersøgelse hos patienter med akut iskæmisk slagtilfælde, der kan være en betydelig mængde af co-forekommende hvide stof hyperintensiteter eller endda tidligere infarkter. Når man studerer hvide stof hyperintensiteter, nogle patienter kan også have (tavse eller klinisk overt) hjerne infarkter. Co-forekommende patologier på hjernen Imaging kan have et selvstændigt bidrag til kognitiv svækkelse og bør ideelt set tages i betragtning. En enkel måde at håndtere dette problem på er at udelukke patienter med samtidig forekommende patologier [f. eks. udelukke patienter med (store) hjerne infarkter, når de fokuserer på hvide stof hyperintensiteter], men dette har den ulempe at begrænse generaliserbarhed af resultaterne til patienter med en enkelt type patologi.

En alternativ tilgang, der ofte anvendes, er at genvinde virkningerne af co-forekommende patologier (f. eks justere for hvidt stof hyperintensitets volumen eller tilstedeværelsen af hjerne infarkter) på udfaldet variabel før eller under læsion-symptom mapping Analyse. En begrænsning af denne fremgangsmåde er imidlertid, at placeringen af disse Co-forekommende patologier ikke tages i betragtning, selv om dette er kendt for at være relevant for infarkter og hvide stof hyperintensiteter2, og sandsynligvis for andre læsions typer. Derfor er den bedste metode af teoretiske grunde at udføre en integreret læsions-symptom kortlægnings analyse, hvor VLSM-resultaterne korrigeres for placeringen af co-forekommende patologier på voxel-niveau. I en nylig undersøgelse, en multivariat støtte vektor regression-baseret metode blev brugt til at udføre integreret voxel-Wise læsion-symptom mapping på flere læsion typer og identificerede hjerneregioner, hvor hvide stof hyperintensiteter er forbundet med kognitive fald efter slagtilfælde, uafhængigt af akut infarkt placering53. Denne undersøgelse viser, hvordan en integreret voxel-klog analyse af flere læsions typer kan give ny indsigt i den komplekse interaktion mellem forskellige læsions typer i udviklingen af kognitiv svækkelse og demens53.

Sammenfattende, den billedbehandling rørledning forudsat her tjener som en standardiseret metode til hjerne læsion segmentering og registrering med henblik på læsion-symptom mapping. Styrken ved denne metode er den (1) pålidelighed af segmentering og registrering metode, som kommer på bekostning af streng kvalitetskontrol, og i nogle tilfælde korrektioner af en uddannet rater, (2) customizability af registreringen pipeline, hvor den registreringsskema og skabeloner kan justeres, så de passer til dataene på den bedst mulige måde, og (3) mulighed for at behandle meget heterogene hjerne billedbehandlings data, herunder CT og strukturelle MRI-sekvenser. Fremtidige udfordringer omfatter udvikling af robuste, automatiserede læsion segmenterings værktøjer til CT og MRI, yderligere forbedringer af registreringsmetoderne og udvikling af hjerne skabeloner, der giver et bedre match med individuelle slagtilfælde patienter, herunder DWI og FLAIR skabeloner. Disse forbedringer kan yderligere øge reproducerbarhed af læsions segmentering og reducere den tid, du bruger på at udføre visuelle kontroller og manuelle rettelser.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne afslører ingen interessekonflikter.

Acknowledgments

Dr. Biesbrogs arbejde understøttes af et ungt talent stipendium fra Brain Center Rudolf Magnus fra University Medical Center Utrecht. Dette arbejde og meta VCI map konsortiet understøttes af Vici Grant 918.16.616 fra ZonMw, Holland, organisationen for sundhedsforskning og udvikling, til Geert Jan Biessels. Forfatterne vil gerne takke Dr. Tanja C.W. Nijboer for at dele scanninger, der blev brugt i en af figurerne.

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

Opførsel læsion-symptom Mapping læsion-adfærd Mapping infarkt slagtilfælde segmentering registrering billedregistrering rumlig normalisering vaskulær kognitiv svækkelse
Hjerneinfarkt segmentering og registrering på MRI eller CT for læsion-symptom kortlægning
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