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 infarkt segmentering og registrering på MRI eller CT for lesjon-symptom kartlegging

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

Forutsatt her er en praktisk tutorial for en åpen-tilgang, standardisert bildebehandling rørledning i den hensikt å lesjon-symptom kartlegging. En trinnvis gjennomgang gis for hvert behandlingstrinn, fra manuell infarkt segmentering på CT/MRI til påfølgende registrering til standard plass, sammen med praktiske anbefalinger og illustrasjoner med eksemplarisk tilfeller.

Abstract

I lesjon-symptom kartlegging (LSM), er hjernens funksjon utledes av om plasseringen av ervervet hjerne lesjoner til atferdsmessige eller kognitive symptomer i en gruppe pasienter. Med nylige fremskritt i hjernen Imaging og bildebehandling, LSM har blitt et populært verktøy i kognitiv nevrovitenskap. LSM kan gi grunnleggende innsikt i den funksjonelle arkitekturen i den menneskelige hjerne for en rekke kognitive og ikke-kognitive funksjoner. Et avgjørende skritt i å utføre LSM studier er segmentering av lesjoner på hjernen skanninger av en stor gruppe av pasienter og registrering av hver skanning til en felles stereotaxic plass (også kalt standard plass eller en standardisert hjerne mal). Beskrevet her er en åpen tilgang, standardisert metode for infarkt segmentering og registrering for formålet med LSM, samt en detaljert og hands-on Walkthrough basert på eksemplarisk tilfeller. En omfattende tutorial for manuell segmentering av hjernen infarkter på CT-skanninger og DWI eller FLAIR MRI sekvenser er gitt, inkludert kriterier for infarkt identifisering og fallgruver for ulike skannetyper. Registreringen programvare gir flere registrering ordninger som kan brukes til behandling av CT-og MRI-data med heterogene oppkjøpet parametere. En tutorial på å bruke denne registreringsprogramvare og utføre visuelle kvalitetskontroller og manuelle rettelser (som er nødvendig i noen tilfeller) er gitt. Denne tilnærmingen gir forskere med et rammeverk for hele prosessen med hjernen bildebehandling som kreves for å utføre en LSM studie, fra innsamling av data til endelige kvalitetskontroller av resultatene.

Introduction

Lesjon-symptom kartlegging (LSM), også kalt lesjon-atferd kartlegging, er et viktig verktøy for å studere den funksjonelle arkitekturen i den menneskelige hjerne1. I lesjon studier, er hjernens funksjon utledes og lokalisert ved å studere pasienter med ervervet hjerne lesjoner. Det første tilfellet studier knytte nevrologiske symptomer til bestemte hjernen steder utført i det nittende århundre allerede gitt grunnleggende innsikt i anatomiske samsvarer med språk og flere andre kognitive prosesser2. Likevel, nevroanatomi relaterer til mange aspekter av kognisjon og andre hjernefunksjoner forble unnvikende. I de siste ti årene har forbedrede strukturelle hjernens bildebehandlings metoder og tekniske fremskritt aktivert stor skala in vivo LSM studier med høy romlig oppløsning (dvs. på nivå med individuelle voxels eller spesifikke kortikale/subkortikal områder av interesse)1 ,2. Med disse metodisk fremskritt, LSM har blitt en stadig mer populær metode i kognitiv nevrovitenskap og fortsetter å tilby ny innsikt i nevroanatomi av kognisjon og nevrologiske symptomer3. Et avgjørende skritt i enhver LSM studie er nøyaktig segmentering av lesjoner og registrering til en hjerne mal. Men en omfattende tutorial for forbehandling av hjernen Imaging data for det formål LSM mangler.

Forutsatt her er en komplett tutorial for en standardisert lesjon segmentering og registrering metoden. Denne metoden gir forskere med en rørledning for standardisert hjernen bildebehandling og en oversikt over potensielle fallgruver som må unngås. Den presenterte bildebehandling rørledningen ble utviklet gjennom internasjonalt samarbeid4 og er en del av rammen av den nylig GRUNNLA meta VCI kart konsortium, hvis formål er å utføre multisenter lesjon-symptom kartlegging studier i vaskulær kognitiv svekkelse < www. metavcimap. org >5. Denne metoden er utviklet for å behandle både CT-og Mr-skanninger fra flere leverandører og heterogene skanne protokoller for å tillate kombinert behandling av bildedata sett fra ulike kilder. Det krevde RegLSM programvare og alle annet programvare behøvde for denne protokollen er fritt anvendelig bortsett fra for MATLAB, hvilke behøver en med lisens. Denne opplæringen fokuserer på segmentering og registrering av hjernen infarkter, men dette bildet prosessering rørledningen kan også brukes til andre lesjoner, for eksempel hvit materie hyperintensities6.

Før en LSM-studie igangsettes, kreves det en grunnleggende forståelse av de generelle begrepene og fallgruvene. Flere detaljerte retningslinjer og en haiker ' s guide er tilgjengelig1,3,6. Men disse vurderinger ikke gir en detaljert hands-on tutorial for de praktiske trinnene involvert i innsamling og konvertering av hjernen skanner til et riktig format, segmentere hjernen infarkt, og registrere skanninger til en hjerne mal. Den foreliggende papiret gir en slik veiledning. Generelle begreper av LSM er gitt i innledningen med referanser for videre lesning om emnet.

Generelt mål for kartlegging av lesjon-symptom

Fra perspektivet av kognitiv nevropsykologi, kan hjerneskade brukes som en modell betingelse for å bedre forstå neuronal grunnlaget av visse kognitive prosesser og å få et mer komplett bilde av den kognitive arkitekturen i hjernen1 . Dette er en klassisk tilnærming i nevropsykologi som først ble anvendt i etter obduksjon studier i det nittende århundre av pionerene som Broca og Wernickes2. I tid med funksjonell hjernen Imaging, har lesjon tilnærming forble et viktig redskap i nevrovitenskap fordi det gir bevis på at lesjoner i en bestemt hjerne regionen forstyrre oppgaven ytelse, mens funksjonell Imaging studier demonstrere hjernen regioner som er aktiveres under aktivitets ytelsen. Som sådan gir disse tilnærmingene utfyllende informasjon1.

Fra perspektivet til klinisk nevrologi, LSM studier kan avklare forholdet mellom lesjon plassering og kognitiv funksjon hos pasienter med akutt symptomatisk infarkter, hvit materie hyperintensities, lacunes, eller andre lesjon typer (f. eks, svulster ). Nyere studier har vist at slike lesjoner i strategiske hjernens regioner er mer relevant i å forklare kognitiv ytelse enn global lesjon byrde2,5,7,8. Denne tilnærmingen har potensial til å bedre forståelsen av patofysiologi av komplekse lidelser (i dette eksempelet vaskulær kognitiv svekkelse) og kan gi muligheter for å utvikle nye diagnostiske og Prognostisk verktøy eller støtte behandling strategier2.

LSM har også søknader utenfor feltet av kognisjon. Faktisk kan enhver variabel være relatert til lesjon plassering, inkludert kliniske symptomer, biomarkører, og funksjonelle utfall. For eksempel, en fersk studie bestemmes infarkt steder som var prediktiv av funksjonelle utfall etter iskemiske hjerneslag10.

Voxel-basert versus region av interessebasert lesjon-symptom kartlegging

Lesjoner må være segmentert og registrert i en hjerne mal for å kunne utføre en tilordning av lesjon-Symptom. Under registreringsprosedyren, er hver pasientens hjerne romlig justert (dvs. normalisert eller registrert i en felles mal) for å korrigere for forskjeller i hjernens størrelse, form og orientering, slik at hver Voxel i lesjon kartet representerer de samme anatomiske struktur for alle pasienter7. I standard rom, flere typer analyser kan utføres, som er kort oppsummert her.

En grov lesjon-subtraksjon analyse kan utføres for å vise forskjellen i lesjon fordeling hos pasienter med underskudd sammenlignet med pasienter uten underskudd. Den resulterende subtraksjon kartet viser regioner som er oftere skadet hos pasienter med underskudd og spart hos pasienter uten underskudd1. Selv om en lesjon-subtraksjon analyse kan gi noen innsikt i relaterer til en bestemt funksjon, gir det ingen statistisk bevis og er nå mest brukt når utvalgsstørrelsen er for lav til å gi nok statistisk kraft for Voxel-basert lesjon-symptom Kartlegging.

I Voxel-baserte lesjoner-symptom kartlegging, en assosiasjon mellom tilstedeværelsen av en lesjon og kognitiv ytelse bestemmes på nivået av hver enkelt Voxel i hjernen (figur 1). Den største fordelen med denne metoden er høy romlig oppløsning. Tradisjonelt har disse analysene blitt utført i en masse-univariate tilnærming, som garanterer korreksjon for flere tester og introduserer en romlig skjevhet forårsaket av Inter-Voxel sammenhenger som ikke er tatt hensyn til1,10 , 11. nylig utviklet tilnærminger som tar Inter-Voxel sammenhenger i betraktning (vanligvis referert til som multivariabel lesjon-symptom kartlegging metoder, for eksempel Bayesisk analyse13, støtte vektor regresjon4, 14, eller annen maskin lærings algoritmer15) viser lovende resultater og ser ut til å forbedre følsomheten og spesifisitet av funnene fra VOXEL-kloke LSM-analyser sammenlignet med tradisjonelle metoder. Ytterligere forbedring og validering av multivariabel metoder for Voxel-klok LSM er en kontinuerlig prosess. Den beste metoden valget for bestemte lesjon-symptom kartlegging avhenger av mange faktorer, inkludert fordelingen av lesjoner, utfallet variabel, og underliggende statistiske forutsetninger av metodene.

I den interesseområde (ROI)-baserte fordeling av lesjon-Symptom, bestemmes en tilknytning mellom belastningen for lesjon i en bestemt hjerne region og kognitiv ytelse (se figur 1 i Biesbroek et al.2 for en illustrasjon). Den største fordelen med denne metoden er at den vurderer den kumulative lesjon byrden innenfor en anatomisk struktur, som i noen tilfeller kan være mer informativ enn en lesjon i en enkelt Voxel. På den annen side, ROI-baserte analyser har begrenset makt for å oppdage mønstre som er bare til stede i en undergruppe av voxels i regionen16. Vanligvis utføres AVKASTNINGS BAS ert symptom kartlegging ved hjelp av logistikk eller lineær regresjon. Nylig har multivariabel metoder som omhandler bedre med kolinearitet blitt innført (f. eks Bayesisk nettverk analyse17, støtte Vector regresjon4,18, eller annen maskinlæring algoritmer19), som kan forbedre spesifisitet av funn fra lesjon-symptom kartlegging studier.

Valg av pasient

I LSM-studier velges vanligvis pasienter basert på en bestemt lesjon type (for eksempel hjerne infarkter eller hvit materie hyperintensities) og tidsintervallet mellom diagnose og nevropsykologiske vurdering (f.eks. akutt kontra kronisk slag). Den optimale studien design avhenger av forskningen spørsmålet. For eksempel, når du studerer den funksjonelle arkitekturen i den menneskelige hjerne, er akutt hjerneslag pasienter ideelt inkludert fordi funksjonell omorganisering ennå ikke har skjedd i dette stadiet, mens kroniske slagpasienter bør inkluderes når du studerer langsiktige virkningene av hjerneslag på kognisjon. En detaljert beskrivelse av betraktninger og fallgruver i pasientens utvalg er gitt andre steder7.

Behandling av hjerne bilde med henblikk på lesjon-symptom kartlegging

Nøyaktig lesjon segmentering og registrering til en felles hjerne malen er avgjørende skritt i lesjon-symptom kartlegging. Manuell segmentering av lesjoner forblir gullstandarden for mange lesjon typer, inkludert infarkter7. Forutsatt er en detaljert veiledning om kriterier for manuell infarkt segmentering på CT-skanninger, diffusjon vektet Imaging (DWI), og væske-dempes inversjon utvinning (FLAIR) MRI sekvenser i både akutte og kroniske stadier. Den segmentert infarkter (dvs. 3D binære lesjon kart) må registreres før noen på tvers av analyser er utført. Denne protokollen bruker registreringsmetoden RegLSM, som ble utviklet i en multisenter innstilling4. RegLSM gjelder lineære og ikke-lineære registrering algoritmer basert på elastix20 for både CT og MRI, med en ekstra CT behandlingstrinn spesielt utviklet for å forbedre registrering kvaliteten på CT skanner21. Videre tillater RegLSM for å bruke ulike mål hjernen maler og en (valgfritt) mellomliggende registrering trinn til en alder-spesifikk CT/MRI mal22. Muligheten for å behandle både CT-og Mr-skanninger og dens customizability om mellomliggende og målrettede hjerne maler gjør RegLSM til et svært egnet bildebehandlingsverktøy for LSM. Hele prosessen med å utarbeide og segmentere CT/MRI-skanninger, registrering til en hjerne mal, og manuelle korrigeringer (hvis nødvendig) er beskrevet i neste avsnitt.

Figure 1
Figur 1: skjematisk illustrasjon av begrepet Voxel-basert lesjon-symptom kartlegging. Den øvre delen viser hjernen bildet pre-prosessering trinn bestående av segmentere lesjon (en akutt infarkt i dette tilfellet) etterfulgt av registrering til en hjerne mal (den MNI-152 mal i dette tilfellet). Nedenfor vises en del av det registrerte binære lesjon-kartet for samme pasient som et 3D-rutenett, der hver kube representerer en Voxel. Tas sammen med lesjon kart over 99 andre pasienter, genereres det et Overleggskart for lesjon. For hver Voxel utføres en statistisk test for å fastslå tilknytningen mellom status for lesjon og kognitiv ytelse. Den Chi-kvadrerte testen som vises her er bare et eksempel, en statistisk test kan brukes. Vanligvis testes hundretusenvis av voxels gjennom hele hjernen, etterfulgt av en korreksjon for flere sammenligninger. Vennligst klikk her for å se en større versjon av dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Denne protokollen følger retningslinjene for våre institusjoner menneskelig forskning etikk komiteen.

1. innsamling av skanninger og kliniske data

  1. Samle hjernen CT eller MRI skanninger av pasienter med iskemiske hjerneslag. De fleste skannere lagrer skanninger som DICOM-filer (Digital Imaging and Communications in Medicine) som kan kopieres til en harddisk eller server.
    Merk: Skanninger fra hver skannertype, skannings protokoll og MRI-feltstyrke kan brukes, så lenge 1) tidsvinduet kravene for den brukte skanningstypen er oppfylt (se tabell 1) og 2) det er ingen artefakter som hemmer nøyaktig infarkt avgrensning. En detaljert tutorial på gjenstand deteksjon på CT og Mr er gitt andre steder23,24. Et eksempel på vanlig forekommende bevegelse artefakter på CT er gitt i figur 2, og eksempler på skanninger av god kvalitet er gitt i forbilde i resultatene delen. Infarkter kan segmentert opp på avsøker med alle skive tykkheten og alle inne-plan image resolution. Tynne skiver og høy in-plane oppløsning vil imidlertid muliggjøre en mer nøyaktig fremstilling av infarkt til hjerne malen.
  2. Samle de kliniske variablene i en datafil (for eksempel Excel) ved å lage separate rader for hvert enkelt tilfelle og hver kolonne for hver klinisk variabel. For infarkt segmentering, inkludere minst variablene dato for hjerneslag og dato for Imaging eller en variabel som indikerer tidsintervallet mellom hjerneslag og bildebehandling.
  3. Sørg for at etiske retningslinjer og forskrifter om personvern følges. Kontroller at dataene er enten anonymisert eller kodet. Vær spesielt oppmerksom på fjerning av pasientdata som navn, adresse og fødselsdato som er lagret i DICOM-filer som tagger. Disse kodene kan tømmes ved hjelp dcm2niix (gratis nedlasting tilgjengelig på < https://GitHub.com/rordenlab/dcm2niix >)25.

2. konvertering av DICOM-bilder til Nifti files

  1. Hvis du vil konvertere DICOM-bilder til ukomprimerte nifti filer ved hjelp av dcm2niix-verktøyet, skriver du inn "[mappebanen til dcm2niix. exe] \dcm2niix% d_% p [mappebanen til DICOM-filer]" i ledeteksten. Et eksempel på kommandoen med mappebanene som er satt inn, kan være C:\users\matthijs\dcm2niix% d_% p C:\users\matthijs\dicom\. Denne kommandere ville løpe det dcm2niix startbar, konvertere det DICOM profilen inne det valgt brosjyre og bevare det nifti fil-størrelse inne det likt brosjyre.
    Merk: Tillegget% d_% p sikrer at serie beskrivelsen og protokollnavnet settes inn i filnavnet. Du finner flere funksjoner, inkludert alternativer for satsvis konvertering, i dcm2niix-manualen på < https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii: MainPage >. Andre åpen kildekode-verktøy kan brukes til konvertering av DICOM-bilder til nifti filer, også.
  2. Kontroller at navnet på skanningstypen (CT, FLAIR, DWI eller andre sekvensnavn) kopieres til filnavnet under konverteringen (dette alternativet er tilgjengelig i dcm2niix).
  3. For Mr-skanninger velger du DWI eller FLAIR sekvenser for segmentering. Alternativt kan du bruke en hvilken som helst annen strukturell sekvens som infarkt er synlig på. Se tabell 1 for passende tid Vinduer etter slag der CT, DWI, eller FLAIR kan brukes for infarkt segmentering.
  4. Organiser de nifti filene i en praktisk mappestruktur med en undermappe for hvert tilfelle (se manualen for RegLSM og supplerende figur 1). Denne håndboken kan lastes ned fra < www. metavcimap. org/support/software-verktøy >.
    Merk: Denne mappestrukturen er et krav for registreringsprogram varen RegLSM (se avsnitt 4). En oppdatering av RegLSM, noe som gjør det bud (hjernen Imaging datastruktur26, se < http://BIDS.neuroimaging.io >) kompatibel, er nå under utvikling og vil snart bli utgitt.

3. infarkt segmentering

  1. Generelle bemerkninger som gjelder for alle skannetyper
    1. Kontroller at personen som utfører og evaluerer segmentering og registrering er blindet til utfallet variabelen (vanligvis et kognitiv mål) for å unngå bias.
    2. Legg merke til at infarkter vanligvis er segmentert på tverrgående skiver, men segmentering kan utføres i alle sektorer orientering.
    3. Sørg for ideelle visningsforhold under infarkt segmentering ved å bruke en skjerm med høy oppløsning og optimalt omgivelseslys for å gi en komfortabel innstilling. Juster bildekontrasten manuelt under segmentering for å gi optimal kontrast mellom sunt hjernevev. Vær konsekvent når du bruker lignende innstillinger på tvers av emner.
  2. Infarkt segmentering på CT
    1. Først sjekke om skanningen ble utført minst 24 timer etter slag symptomdebut. Innen 24 h, den akutte infarkt er ikke eller bare delvis synlig på CT og skanningen kan ikke brukes til segmentering7. Se Figur 3 for en illustrasjon.
    2. Åpne native CT bruker ITK-SNAP programvare (gratis nedlasting tilgjengelig på < www. itksnap. org >)27. I ITK-SNAP klikker du på fil | åpne hoved bilde fra rullegardinmenyen. Klikk Bla gjennom , og velg filen for å åpne skanningen. Hvis standardinnstillingen for kontrast gir dårlig kontrast mellom et sunt hjernevev og en lesjon, justerer du kontrastinnstillingene. Hvis du vil gjøre dette, klikker du verktøy | bilde kontrast | kontrast justering.
      Merk: Alle åpen kildeprogramvare kanne likeledes bli brukt.
    3. Hvis tilgjengelig, åpne en CT som ble utført innen 24 h etter slag symptomdebut i en egen forekomst som referanse for å skille de akutte infarkt fra gamle iskemiske lesjoner som lacunes, (sub) kortikale infarkter, eller hvit materie hyperintensities.
    4. Identifiser infarkt basert på følgende egenskaper. Infarkter har et lavt signal (dvs. hypodense) sammenlignet med vanlig hjernevev.
      1. I den akutte fasen (første ukene), kan store infarkter forårsake masse effekt som resulterer i forskyvning av omliggende vev, kompresjon av ventriklene, midtlinjen Skift og utslettelse av sulci. Det kan være hemoragisk transformasjon som er synlig som regioner med høyt signal (dvs. hyperdens) innenfor infarkt.
      2. I den kroniske fasen (måneder til år), vil infarkt bestå av en hypodens cavitated Senter (med en lignende tetthet som spinalvæsken) og en mindre hypodense rim som representerer skadet hjernevev. Både cavitated senter og hypodens rim må være segmentert som infarkt. I tilfelle av store infarkt, kan det være ex vacuo utvidelse av tilstøtende sulci eller ventriklene.
        Merk: Vev forskyvning på grunn av masse effekt eller ex vacuo utvidelse av strukturer bør ikke rettes for under segmentering (dvs. bare den fulle omfanget av infarkt må segmentert). Korreksjon for vev forskyvning finner sted under registrering og påfølgende trinn.
    5. Segmentere infarcted hjernevev ved hjelp av pensel modus fra hovedverktøylinjen (venstre-klikk for å tegne, høyreklikk for å slette). Du kan også bruke polygon-modus til å plassere ankerpunkter på kantene av lesjon (disse punktene kobles automatisk sammen med linjer), eller Hold venstre museknapp nede mens du beveger musen over kantene på lesjon. Når alle ankerpunktene er tilkoblet, klikker du på godta for å fylle det avgrensede området.
    6. Unngå tåkete fase, som refererer til den fasen der infarkt blir isodense på CT (som co-skjer med infiltrasjon av infarcted vev med phagocytes). Dette skjer vanligvis 14-21 dager etter utbruddet av slag, men i sjeldne tilfeller kan forekomme enda tidligere28. I løpet av denne perioden, kan infarkt bli usynlige eller dens grenser blir mindre klart, noe som gjør dette stadiet uegnet for infarkt segmentering. Etter tåkete fase, blir lesjon hypodense igjen når kavitasjon og gliosis forekomme. Se Figur 4 for to eksempler.
    7. Etter endt segmentering, lagre det som en binær nifti fil i samme mappe som skanningen ved å klikke Segmentering | lagre segmentering bilde fra rullegardinmenyen, og deretter lagre segmentering ved å gi den nøyaktig samme navn som segmentert skanning, med av filtypen. lesjon (for eksempel hvis skanningen ble lagret som "ID001. CT. NII ", lagre segmentering som" ID001. CT. lesjon. NII ").
  3. Infarkt segmentering på DWI
    1. Først sjekke om DWI ble utført innen 7 dager etter slag utbruddet. Infarkter er synlige på DWI innen flere timer etter slag debut og deres synlighet på DWI avtar gradvis etter ca 7 dager (se avsnitt 2 i diskusjonen for mer informasjon).
    2. Åpne DWI i ITK-SNAP (på samme måte som gjort i trinn 3.2.2).
      Merk: En DWI sekvens genererer minst to bilder for de fleste skanne protokoller, en med en b-verdi = 0, som er en standard T2-vektet bilde, og en med en høyere b-verdi, som er skanningen som fanger den faktiske diffusjon egenskapene til vevet. Jo høyere b-verdi, jo sterkere diffusjon effekter. For hjerneinfarkt deteksjon, en b-verdi rundt 1000 s/mm2 er ofte brukt, da dette gir en god kontrast-til-støy-forhold i de fleste tilfeller29. Bildet med en høy b-verdi brukes for infarkt segmentering.
    3. Åpne den tilsynelatende Diffusion koeffisienten (ADC) sekvensen i en egen forekomst av ITK-SNAP for referanse.
    4. Identifiser og Kommenter det infarcted hjernevevet basert på det høye signalet (dvs. hyperintense) på DWI og lavt signal (dvs. hypointense) på ADC (se figur 5). ADC verdier i infarkt gradvis øke til ADC normaliserer gjennomsnittlig 1 uke etter slaget30, men i noen tilfeller kan ADC allerede være (nesten) normalisert etter flere dager hvis det er mye vasogenic ødem.
      Merk: I DWI bilder med lav b-verdier, hjerne lesjoner med en iboende høy T2 signal (for eksempel hvit materie hyperintensities) kan også vises hyperintense. Dette fenomenet kalles T2 glans-gjennom31. Men med økende b-verdier, blir dette fenomenet mindre relevant, som signalet på DWI bildet sterkere reflekterer diffusjon egenskaper i stedet for indre T2 signal. Med moderne DWI skanne protokoller (vanligvis med b-verdi = 1000 eller høyere), den T2 glans-through effekter er begrenset32.
    5. Ikke forveksle en høy DWI signal nær grensesnitt mellom luft og enten vev eller bein, som er en vanlig observert gjenstand, for en infarkt. Se figur 5.
    6. Lagre merknaden som en binær nifti-fil, og gi den nøyaktig samme navn som segmentert skanningen, med filtypen. lesjon (på samme måte som gjort i trinn 3.2.7).
  4. Infarkt segmentering på FLAIR
    1. Først, sjekk om skanningen ble utført > 48 h etter slag symptomdebut. I det hyperacute stadiet er infarkt vanligvis ikke synlig på FLAIR-sekvensen eller de nøyaktige grensene til infarkt er uklare31 (se figur 6).
    2. Åpne FLAIR i ITK-SNAP på samme måte som gjort i trinn 3.2.2.
    3. Åpne T1 en egen forekomst av ITK-SNAP for referanse, hvis tilgjengelig.
    4. Identifiser og segmentere infarcted hjernevev basert på følgende egenskaper.
      1. I den akutte fasen (første ukene), er infarkt synlig som en mer eller mindre homogen hyperintense lesjon, med eller uten tilsynelatende hevelse og masse effekt (figur 5).
      2. I den kroniske fasen (måneder til år), er infarkt cavitated, noe som betyr at senteret blir allergi-eller isointense på FLAIR. Dette hulrom kan være mest nøyaktig identifisert på T1. I de fleste tilfeller er cavitated sentrum omgitt av en hyperintense kant på FLAIR, som representerer gliosis. i 33.
        Merk: Det er imidlertid en betydelig mengde variasjon i graden av kavitasjon og gliosis av kronisk infarkter. Segment både hulrom og hyperintense rim som infarkter (se trinn 3.2.5). En FLAIR hyperintense lesjon er ikke alltid en infarkt. I det akutte stadiet, kan små subkortikal infarkter lett skilles fra hvit materie hyperintensities eller andre kroniske lesjoner som lacunes av antatt vaskulær opprinnelse når det er en DWI tilgjengelig (se figur 5). I den kroniske stadiet, kan det være vanskeligere. Se avsnitt 3 i diskusjonen for mer informasjon om hvordan du diskriminerer disse lesjon typene i den kroniske fasen.
    5. Lagre merknaden som en binær nifti-fil, og gi den nøyaktig samme navn som segmentert skanningen, med filtypen. lesjon (på samme måte som gjort i trinn 3.2.7).
Skann type Tidsvindu etter strøk Infarkt eiendommer Referanse skanning Fallgruver
Ct > 24 timer Akutt: hypodense - -Tåkete fase
Kronisk: hypodense hulrom med CSF og mindre hypodense rim -Hemoragisk transformasjon
Dwi < 7 dager Hyperintense ADC: vanligvis hypointense -T2 shinethrough
-Høy DWI signal nær grensesnitt mellom luft og bein/vev
Flair > 48 timer Akutt: hyperintense Akutt: DWI/ADC, T1 (isointense eller hypointense) -Hvit materie hyperintensities
Kronisk: hypointense eller isointense (hulrom), hyperintense rim Kronisk: T1 (hypointense hulrom med CSF egenskaper). - Lacunes

Tabell 1: Sammendrag av kriterier for infarkt segmentering for ulike skannetyper.

4. registrering til standard Space

  1. Last ned RegLSM fra < www. metavcimap. org/features/software-verktøy >4. Bruk dette verktøyet til å behandle CT-skanninger og alle typer MRI-sekvenser. Registreringsprosedyren er illustrert i figur 7.
    Merk: Valgfrie funksjoner i RegLSM inkluderer registrering til en mellomliggende CT/MRI mal som nærmere ligner skanninger av eldre pasienter med hjernen atrofi22. Som standard er CT-og Mr-skanningen registrert i MNI-152-malen34, men dette kan erstattes av andre maler Hvis dette passer bedre for studien. Ulike registrerings ordninger er illustrert i figur 7. Annet åpen kilde registrering verktøy kanne likeledes bli brukt for denne steg.
  2. Kontroll 1) hvis de nifti filene ikke er komprimert, 2) at filnavnet til segmentert skanningen inneholder termen CT, FLAIR, eller DWI, og 3) at filnavnet på leksjonen for lesjon inneholder samme term med en tilføyd ". lesjon". Hvis disse tre første trinnene er fulgt, er dataene fullt forberedt for registrering og ingenting må endres.
  3. Åpne MATLAB (versjon 2015a eller høyere), angi gjeldende mappe til RegLSM (denne mappen kan lastes ned fra 35 (versjon 12 eller høyere, gratis nedlasting på < https://www.fil.ion.ucl.ac.uk/spm/>) ved å skrive addpath {mappenavnet på SPM}. Deretter skriver du inn RegLSM for å åpne GUI.
  4. Velg testmodus i rullegardinmenyen for registrering for å utføre registreringen for en enkelt sak. I testmodus panelet, Velg skanningen (CT, FLAIR, eller DWI), merknad, og eventuelt T1, ved hjelp av Åpne bilde -knappen. Velg registreringsskjemaet: CT, FLAIR med eller uten T1, DWI med eller uten T1.
  5. Alternativt, velge bakst måte å register det avsøker av alle sakene inne det valgt brosjyre inne bakst måte.
  6. Kontroller at RegLSM lagrer de resulterende registrerings parameterne og de registrerte søkene (inkludert mellomliggende trinn) og det registrerte datakartet i undermapper som genereres automatisk. Under denne prosessen er de registrerte skanner-og lesjon kartene omsamplet til å samsvare med oppløsningen (isotropic 1 mm3 voxels) og ANGULATION i MNI-152-malen.

5. anmelde registrering resultater

  1. Velge opsjonen Sjekk resultater inne det RegLSM GUI og kikke å det hovedavdeling brosjyre med det registrering resultater. Det GUI ville automatisk velge det registrert avsøke med det registrert leksjonen kart, og det MNI-152 mal med det registrert leksjonen kart inne tverrgående, sagittal, og koronale orientering (se skikkelsen 8).
  2. Bla gjennom den registrerte skanningen og bruke trådkorset til å kontrollere justeringen av den registrerte skanningen og MNI-152 mal. Vær spesielt oppmerksom på justeringen av gjenkjennelige anatomiske landemerker som basal Ganglia, ventriklene, og skallen.
  3. Merk alle mislykkede registreringer i en egen kolonne i datafilen (gjort i trinn 1,2) for den etterfølgende manuelle korrigeringen i avsnitt 6.
    Merk: Vanlige feil i registreringen er ufullkommen justering på grunn av massen effekten forårsaket av lesjon i den akutte scenen, eller ex vacuo utvidelse av ventriklene i den kroniske scenen. Se Figur 3 og figur 5 for eksempler på slike avvik. En annen vanlig feil er en forskyvning av tentorium cerebelli, og da kan en occipital infarkt overlappe med lillehjernen i malen. Forskyvning av vev som ikke er lesioned er ikke et problem når bare de binære lesjon kartene brukes i de etterfølgende kartlegging av lesjon-symptom analyse. I slike tilfeller, bare lesjoner må være perfekt justert.

6. rette opp registreringsfeil manuelt

  1. For lesjon-kart som trenger korreksjon, åpne MNI-152 T1-malen i ITK-SNAP og velg fra Segmentering menyen | Åpne segmentering | registrert lesjon kart, som nå er overlappet i malen.
  2. Åpne den registrerte hjernen skanningen i en egen forekomst av ITK-SNAP for referanse.
  3. Korrekt det registrert leksjonen kart inne ITK-SNAPPER for alle type av forskyvning det er omtalte i takt 5,3 benytter penselen funksjonen å sammenlegge voxels (igjen falle i staver) eller fjerne voxels (rett falle i staver). Nøye sammenligne registrert skanning og kledde lesjon kartet (se trinn 5,2) med MNI-152 mal og kledde lesjon kart i ITK-SNAP (se trinn 6,1) for å identifisere regionene av forskyvning. Se Figur 3 og figur 5.
  4. Etter manuelt korrigere lesjon kart i MNI plass, utføre en siste sjekk ved å sammenligne segmentert native skanning av pasienten med korrigert lesjon kartet i MNI plass (dvs. resultatene av trinn 6,3). Kontroller at det korrigerte kartet for lesjon i MNI plass nå representerer infarkt i opprinnelig område. Vær spesielt oppmerksom på gjenkjennelige landemerker som basal Ganglia, ventriklene og hodeskalle (ligner på trinn 5,2).
  5. Bevare det korrigerte leksjonen kart inne MNI mellomrom som binær nifti arkiv inne det likt brosjyre idet det uncorrected leksjonen kart inne MNI-152 mellomrom, ga den det pressepenger av likt navnet idet det uncorrected leksjonen kart, med det forlengelsen av. korrigerte.

7. klargjøre data for lesjon-symptom kartlegging

  1. Gi nytt navn til alle de lesjon kartene. Av retten, RegLSM bevart det leksjonen kart inne en undermappe med det arkiv navnet "resultater". Ta med emne-IDen i filnavnet. Når det gjelder manuell korrigering, må du huske å velge og gi nytt navn til den korrigerte filen.
  2. Avskrift alle lesjon kart i en enkelt brosjyre.
  3. Utfør en mental helsesjekk av dataene ved tilfeldig å velge og inspisere flere lesjon kart i ITK-SNAP og sammenligne disse med de innfødte skanninger å utelukke systematiske feil i databehandling som venstre-høyre blar.
  4. Bruk MRIcron < https://www.nitrc.org/projects/mricron > til å utføre en annen mental kontroll av dataene ved å opprette en lesjon overlapping bilde for å sjekke om ingen lesjoner er plassert utenfor hjernen malen. Gjør dette ved å velge tegne dropdown menyen | statistikk | opprette overlappende bilder.
    Merk: Resulterende lesjon Overleggskart kan projiseres på MNI-152-malen og inspiseres ved hjelp av for eksempel MRIcron eller ITK-SNAP.
  5. Den lesjon kartene er nå klar til å brukes til Voxel-baserte lesjon-symptom kartlegging eller beregning av infarkt volumer innenfor bestemte regioner av interesse ved hjelp av en Atlas som er registrert i samme standard rom som lesjon kartene (i dette tilfellet MNI-152 plass for som mange Atlas er tilgjengelige, bare noen få av disse er sitert under36,37,38).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Forbilde tilfeller av hjernen infarkt Segmentations på CT (Figur 3), DWI (figur 5), og FLAIR (figur 6) bilder, og påfølgende registrering til MNI-152 malen er gitt her. Registrerings resultatene vist i figur 3b og figur 5c var ikke helt vellykket, da det var forskyvning nær frontal horn i ventrikkel. Den registrerte lesjon kart av disse mislykkede registreringer ble manuelt korrigert, resultatene av disse er vist i tallene. Etter denne manuelle korrigeringen er lesjon-kartene for hver av disse tre eksemplene i dette eksemplet en nøyaktig representasjon av infarkter i opprinnelig rom, og de er klar til å brukes til å tilordne etterfølgende Søk etter lesjon-Symptom. Figur 6C viser et eksempel på et tilstrekkelig registrerings resultat som ikke krever manuell korrigering.

Disse tallene også fremheve flere potensielle fallgruver i hjernen infarkt segmentering på hver av disse skanne modaliteter. Figur 2 viser et eksempel på bevegelses artefakter på et CT-søk, og i så fall skal pasienten ekskluderes fra LSM-studier. Figur 4 viser et eksempel på tåkete på en CT-skanning, som vanligvis oppstår 14-21 dager etter hjerneslag, som fører til en undervurdering av infarkt størrelse. CT-skanninger gjort i dette tidsintervallet bør derfor ikke brukes for tilordning av lesjon Symptom. Figur 7 viser resultatene av tre typiske hjernen bilde registrering ordninger generert ved hjelp av RegLSM programvare. Figur 8 viser resultatene av registreringen av et DWI bilde til MNI-152 T1-malen i RegLSM registrering resultatet seer.

Disse resultatene illustrerer hele prosessen med infarkt segmentering på CT og MRI, registrering til standard plass, påfølgende kvalitetskontroller, og når det er nødvendig, manuell korrigering av registrerings resultatene. De resulterende lesjon kartene er klare til å brukes i Voxel-eller område av interessebasert tilordning av lesjon-Symptom.

Figure 2
Figur 2 : Eksempel på bevegelses artefakter på en CT-skanning, som viser som skyggelegging, striper og uskarphet i bildet. To forskjellige skiver av ett CT-søk vises. Noen eksempler på streker og skygger i bildet indikeres av piler. I dette tilfellet er en infarkt med en hemoragisk komponent i høyre lillehjernen halvkule klart synlig, men en presis avgrensning av lesjon ' s fremre og midtre grensen er vanskelig på grunn av disse gjenstandene. Denne skanningen bør derfor ikke brukes til LSM. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3 : Segmentering og registrering av en infarkt på en CT-skanning. (A) CT skanner ved tre tidspunkter for en enkelt pasient. CT-< 24 h kan ikke brukes til segmentering fordi infarkt er ennå ikke synlig selv om CT---------/-kart viser iskemi i en stor rett frontal regionen. Legender til CT----/--/-kart: cerebral blodstrøm (CBF i mL/100 g/min) som spenner 0 (mørk blå) til 200 (rød) og gjennomsnittlig transitt tid (MTT in s) varierer fra 0 (rød) til mørk blå (20). CT-skanningen på dag 6 viser hevelse i infarcted hjernevev, med lett midtlinjen forskyvning og hemoragisk transformasjon synlig som en region med høyere tetthet i infarkt. CT skann etter 4 måneder viser hjernevev tap med ex vacuo utvidelse av ventriklene og nærliggende sulci. Registreringen vil måtte kompensere for den resulterende forskyvning av tilstøtende strukturer. (B) resultatet av registreringen til MNI-152-malen. Registreringen algoritmen utilstrekkelig kompensasjon for midtlinjen Skift og komprimering av venstre ventrikkel, som krevde en manuell korreksjon (vist til høyre). Vennligst klikk her for å se en større versjon av dette tallet.

Figure 4
Figur 4 : Eksempler på tåkete effekt på CT Imaging. Skanner på tre forskjellige tidspunkter vises for to forskjellige pasienter for å illustrere hvorfor en CT-skanning gjort i tåkete fase (dvs. 14-21 dager etter slag) bør unngås. (A) for pasient 1, CT-skanning utført 24 h etter utbruddet viser en godt avgrenset infarkt i venstre frontal flik. 20 dager etter slag debut, er infarkt ikke godt avgrenset, og ved hjelp av denne skanningen for segmentering vil resultere i undervurdering av infarkt størrelse. Oppfølgings-MRI-en (3 år etter) viser at CT-skanningen etter 24 timer var en nøyaktig representasjon av infarkt størrelse, mens CT-skanningen på dag 20 ikke var det. (B) for pasient 2, CT Skann innen 24 h viser subtile tidlige tegn på iskemi med tap av grå-hvit materie differensiering og diffus hevelse i riktig timelige og Insular regioner. CT-skanningen på dag 4 viser et godt avgrenset infarkt. På CT-skanningen på dag 18, en stor del av hypodense infarcted regionen har blitt isodense, noe som vil resultere i undersegmentation av infarkt. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5 : Segmentering og registrering av en infarkt på en MRI DWI sekvens. Mr-skanning utførte 12 timer etter utbruddet av slag. (A) akutt iskemiske lesjon er HYPERINTENSE på DWI sekvensen (b-verdi = 1000) og HYPOINTENSE på ADC, indikerer begrenset diffusjon på grunn av cytotoksisk ødem. Infarkt er segmentert på DWI bildet. Det bør bemerkes at det er en subtil økning i signal på FLAIR, men dette er ikke tilstrekkelig klart å tillate for lesjon segmentering på dette timepoint. (B) den stiplede ellipsen viser artefakter i nærheten av bein luft KONFIGURASJONER på DWI (øvre bilde) og ADC (lavere bilde). (C) sammenligning av den registrerte DWI sekvensen (venstre bilde; samme skanning som vist i paneler A og B) og den tilsvarende registrerte infarkt med MNI-152 mal (midtre bilde). Legg merke til den svake feilen i spissen for den høyre nucleus caudatus kjernen, der ventriklene ikke er perfekt justert. Dette krevde en manuell korreksjon av segmentering i standard plass (vist til høyre). Vennligst klikk her for å se en større versjon av dette tallet.

Figure 6
Figur 6 : Segmentering og registrering av en infarkt på en MRI FLAIR sekvens. Mr-skanninger ble utført ved to forskjellige tidspunkter etter slag for en enkelt pasient. (A) Mr-skanninger på dag 3 den akutte lacunar infarkt (indikert med hvite piler) kan være pålitelig skilles fra kroniske hyperintense lesjoner, slik som hvit materie hyperintensities (indikert med stiplede sirkler), fordi bare akutt infarkter Vis diffusjon begrensning på DWI. Det bør bemerkes at på dette timepoint, kan DWI også brukes til segmentering. (B) ved 7 måneder, er DWI ikke lenger nyttig for å skille infarkt fra hvit materie hyperintensities. I stedet bør T1 brukes til å identifisere infarkt basert på tilstedeværelsen av en spinalvæske fylt hulrom som har et lavt signal på T1 (og høyt signal på ADC). På dette kroniske stadiet, bør både hulrom og omkringliggende hyperintense signal på FLAIR bli segmentert som en infarkt. (C) Dette viser resultatene av registreringen av FLAIR på dag 3, som er tilstrekkelig og krever ingen manuell korreksjon. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 7
Figur 7 : Oversikt over ofte brukte registreringsskjemaer som er implementert i RegLSM. Bruk av mellomliggende maler som gir en bedre match med pasienten enn mål malen er valgfri. Dette er av særlig betydning når et CT-søk er registrert i en MRI-mal (se pasient 1). Når segmentere på FLAIR eller DWI, kan segmentert skanningen enten være co-registrert til en innfødt T1 bilde (se pasient 2), hvis tilgjengelig eller direkte registrert i T1-malen (pasient 3). Andre alternativer er også tilgjengelig, som forklart i de relevante delene av diskusjonen. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 8
Figur 8 : Registrering resultat seer implementert i RegLSM. Den venstre trepanelene viser MNI-152 mal i tre plan (tverrgående, sagittal, koronale), og de rette trepanelene viser en registrert DWI bilde i tre plan. Trådkorset hjelper kan brukes til å verifisere om anatomiske strukturer er nøyaktig justert. Vennligst klikk her for å se en større versjon av dette tallet.

Supplerende figur 1: vanlig mappestruktur under en bildebehandling for LSM. Den første under mappen for emnet ID002 inneholder tre innfødte skanninger i nifti format (FLAIR, T1 og T2, i rød boks) og segmentering av FLAIR sekvensen (i blå boks). De tre undermappene opprettes under registreringsprosessen av RegLSM. Under mappen to_MNI inneholder registrert segmentert skanning (i dette tilfellet FLAIR, i grønn boks). Den etterfølgende under mappen inneholder det registrerte skade kartet i standard plass (lilla boks). Av notatet, vil RegLSM bli gjort bud-kompatible i den kommende oppdateringen. Vennligst klikk her for å laste ned dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

LSM er et kraftig verktøy for å studere den funksjonelle arkitekturen i den menneskelige hjerne. Et avgjørende skritt i enhver lesjon-symptom kartlegging studien er forbehandling av Imaging data, segmentering av lesjon og registrering til en hjerne mal. Her rapporterer vi en standardisert rørledning for å segmentering av lesjon og registrering for formålet med tilordning av lesjon-Symptom. Denne metoden kan utføres med fritt tilgjengelige bildebehandlingsverktøy, kan brukes til å behandle både CT og strukturelle MRI-skanninger, og dekker hele prosessen med å forberede bildedata for kartlegging av lesjon-symptom analyse.

Den første store skritt i behandlingen av hjernen Imaging data for lesjon-symptom kartlegging er lesjon segmentering. Denne protokollen gir en detaljert veiledning, inkludert kriterier for infarkt avgrensning, flere eksempler og fallgruver for å lette nøyaktig og reproduserbar segmentering. Som nevnt i protokollen og oppsummert i tabell 1, har hver skanningstype et bestemt tidsvindu der den kan brukes til infarkt segmentering. Infarkter er synlige på DWI innen flere timer etter slag debut som hyperintense på DWI og hypointense på ADC (som reflekterer begrenset vann diffusjon på grunn av cytotoksisk ødem), mens andre MRI-sekvenser, inkludert FLAIR, (og CT-skanninger) ikke er følsomme nok for pålitelig påvisning av infarkter innen 48 h39. Etter den første uken, ADC bildet blir isointense og til slutt hyperintense som vasogenic ødem utvikler30, mens DWI vanligvis forblir hyperintense i flere uker31,39,40. Det er derfor anbefalt å bruke DWI bare innen 7 dager og å bruke FLAIR sekvensen etter 7 dager.

Som nevnt i trinn 3,4, en FLAIR hyperintense lesjon er ikke alltid en infarkt. Hvit materie hyperintensities og andre kroniske lesjoner kan ligne en subkortikal infarkt på en FLAIR sekvens. I den akutte fasen, kan små subkortikal infarkter lett skilles fra hvit materie hyperintensities eller andre kroniske lesjoner som lacunes av antatt vaskulær opprinnelse når det er en DWI tilgjengelig, som nevnt i protokollen (se figur 5). I det kroniske stadiet må T1-sekvensen gjennomgås nøye for å se etter små hulrom (av minst 3 mm) i en lesjon, noe som indikerer at lesjon ikke er en hvit materie-hyperintensity (se figur 6). Hulrom i < 3 mm, spesielt når langstrakt i form, innenfor en FLAIR hyperintense lesjon er mer sannsynlig å være en inflammasjon plass enn en infarkt og er ikke å bli segmentert som infarkter33. Hvis en kronisk cavitated lesjon passer kriteriene for en lacune (dvs. hulrommet er 3-15 mm)33, det kan likevel være utfordrende å sikre at dette er faktisk den symptomatisk infarkt, fordi lacunes kan forekomme hos individer uten åpenbare nevrologiske symptomer, og noen individer har flere lacunes41. Det hjelper å kjenne den kliniske hjerneslag fenotype i disse tilfellene for å sikre at infarkt er plassert i en struktur som passer de første takts symptomene. Når det er tvil om en lacune samsvarer med hjerneslag symptomer, er det best å utelukke pasienten.

Det er flere betraktninger om nøyaktig infarkt identifikasjon som må tas i betraktning. Den første gjelder påliteligheten av skanninger i å oppdage hjernen infarkter. I mindre iskemiske hjerneslag pasienter med små infarkter, endelige infarkt størrelse på oppfølging FLAIR er ofte mindre enn den første DWI lesjon42. I store (kortikale) infarkter, det er betydelige bevis for at DWI lesjon i hyperacute scenen (< 24 h) nøyaktig representerer infarkt kjernen (dvs. representerer irreversible skader), selv når DWI Imaging utføres før reperfusion terapi 43 for alle , 44. men i noen tilfeller er det DWI lesjon sett innen 24 h er en underrepresentation av den endelige infarkt størrelse, fordi Penumbra (hypoperfused men potensielt salvageable hjernevev) er ikke synlig som en DWI lesjon, men det kan fortsatt fremgang å danne del av den endelige infarkt43 (spesielt hvis reperfusion behandling ikke utføres hos pasienter med stor arterie occlusions).

Et annet problem med å bruke DWI innen 24 h er at DWI lesjoner er til en viss grad dynamisk og kan vise reversering etter reperfusion terapi. Men oppfølging skanninger viste at dette reversering var forbigående og at den første DWI lesjon gjorde nøyaktig representere infarkt kjernen. Men dette tyder på at DWI utført flere timer etter reperfusion behandling kan resultere i ytterligere undervurdering av den endelige infarkt størrelse43. Denne potensielle undervurdering av den endelige infarkt størrelse er en viktig begrensning av å bruke DWI utført innen 24 h etter slag debut i lesjon-symptom kartlegging studier. Imidlertid, den burde være bemerket det der er begrensninger å benytter annet avsøke protokoller likeledes. Først av alt, skanninger av eventuelle modalitet som er utført > 24 h etter slaget kan vise masse effekt på grunn av hevelse i infarkt i den akutte scenen, og ex vacuo utvidelse av ventriklene, sulcus utvidelse, og forskyvning av omkringliggende strukturer i den kroniske trinn7. Denne forskyvningen bør rettes av algoritmen for registrering og, om nødvendig, en manuell korrigering skal utføres av en ekspert korrekturleser. Likevel, begge forholdene kan påvirke nøyaktigheten av oversettelsen av infarcted regionen til standard plass, selv når strenge kvalitetskontroller utføres.

Av notatet, DWI i hyperacute scenen ikke lider av denne begrensningen, siden det ikke er signifikant masse effekt innen 24 h. I lys av disse type spesifikke begrensninger, bør det tas hensyn til å skaffe et ensartet datasett når du utformer en kartleggings undersøkelse for lesjon-symptom ved hjelp av en enkelt skanningstype på et standardisert timepoint. Dette vil imidlertid innføre en systematisk skjevhet i pasient inkludering, som i de fleste klinikker, hjerneslag pasienter som gjennomgår MRI er forskjellige (dvs. ofte har mindre infarkter og mindre, mer isolerte symptomer) sammenlignet med pasienter som gjennomgår CT. Som sådan, systematisk ekskludere pasienter med en bestemt Imaging modalitet vil begrense variasjonen i lesjon fordeling, som igjen har en negativ innvirkning på gyldigheten av lesjon-symptom kartlegging resultater45.

Endelig er en begrensning av alle strukturelle bildebehandlings metoder at de ikke fanger opp tilstedeværelsen av redusert infarkt, selv om unormal bruk i hjerneregioner som virker normal på strukturell bildebehandling, kan forstyrre hjernen funksjon7,46. I sammendraget, CT og flere strukturelle MRI-sekvenser kan brukes til å segmentere infarkter for formålet med lesjon-symptom kartlegging, så lenge riktig tid Vinduer og kriterier for oppdagelse av lesjon er fulgt, og registreringen resultatene er nøye kontrollert. Tar i betraktning skannertype-spesifikke og tid vindu-spesifikke begrensninger er avgjørende ved utforming og tolking av lesjon-symptom kartlegging studier.

Et viktig problem i enhver lesjon segmentering metoden evaluerer sin reproduserbarhet. Tilstrekkelig opplæring og kunnskap om hjernens anatomi er avgjørende for å skille lesjoner fra normale anatomiske strukturer og anatomiske varianter. I tillegg anbefales evaluering av reproduserbarhet for Inter-og intra-observatør før utføring av infarkt Segmentations i den hensikt å kartlegge lesjon-Symptom. Vi har tidligere demonstrert høy Inter-observatør avtale for manuell infarkt segmentering protokollen på CT skanninger i både akutt [mener Dice likhets koeffisient (DSC) 0,77; SD 0,11] og kronisk (DSC 0,76; SD 0,16) stadier, så vel som høy intra-observatør avtale (DSC 0,90, SD 0,05 i akutt Stadium; DSC 0,89, SD 0,06 i kronisk fase)16. Inter-observatør avtale for infarkt segmentering på DWI og FLAIR er også kjent for å være høy47.

Den viktigste begrensningen av metoden som er beskrevet her er at manuell segmentering, kvalitetskontroller og manuelle korrigeringer er tidkrevende. Helautomatisk infarkt segmentering verktøy som kan behandle både CT og Mr skanner med varierende skanning protokoller på en pålitelig måte mangler7,47. Automatisert infarkt segmentering verktøy som er optimalisert for spesifikke skanning protokoller gir lovende resultater (f. eks, for DWI der kontrasten mellom infarcted og normal hjernevev er svært høy48), og ytterligere forbedringer vil trolig bli gjort i nær framtid. Semi-automatiserte metoder kan redusere tiden som er nødvendig for å segmentere infarkter, men også krever en ekspert for å sikre nøyaktig lesjon klassifisering47. Denne kvalitetskontrollen er avgjørende, fordi selv noen mislykkede infarkt Segmentations kan redusere gyldigheten av resultatene av tilordningen av lesjon-symptom betraktelig. Således, manuell infarkt segmentering forblir gull standard7.

Det andre store skritt i behandlingen av hjernen Imaging data for lesjon-symptom kartlegging er registrering av lesjon kartene til en hjerne mal. RegLSM gir flere validerte registrerings ordninger. For CT-skanninger, er histogram equalizer utført for å forbedre bløtvev kontrast21, og en mellomliggende registrering trinn til en CT mal22 er utført for å optimalisere registreringen kvalitet. For Mr-skanninger, skanningen som segmentering ble utført er co-registrert i tilsvarende T1-sekvensen, hvis tilgjengelig, ved hjelp av lineær registrering. Deretter er den opprinnelige T1 registrert til en mellomliggende alders spesifikk T1-mal22 eller direkte til målet T1 mal34 ved hjelp av lineær og ikke-lineær registrering20. De mellomliggende malene, både CT og T1, er justert med målet T1-malen ved hjelp av en lineær og ikke-lineær registrering som ble manuelt optimalisert og verifisert. Når den mellomliggende malen brukes, tilføyes denne forhåndsberegnede transformasjonen som det siste transformerings trinnet.

Når ingen T1 er tilgjengelig, skanningen som segmentering ble utført (vanligvis en FLAIR eller DWI) kan registreres direkte til målet T1 malen ved hjelp av en lineær og ikke-lineær registrering20. For DWI bilder, en hjernevev maske er opprettet ved hjelp av enhetlig segmentering som implementert i SPM35, for å veilede den lineære registreringen etter som en ikke-lineær registrering fullfører prosedyren. Registreringen ordninger i RegLSM er svært passelig, og den ofte brukte MNI-152 T1 mal og mellomliggende mal kan erstattes av en mal som kan gi en bedre match med segmentert skanning. En interessant mulighet ville være utviklingen av FLAIR og DWI hjernen maler som gir en bedre match med individuelle slagpasienter. En begrensning av den beskrevne registreringsmetoden er at registreringen mislykkes i noen tilfeller, noe som betyr en visuell inspeksjon av registrerings resultatene er nødvendig for alle pasienter, etterfulgt av en manuell korreksjon i noen tilfeller. Antall saker som krever manuell korrigering, varierer med slag typen. I vår tidligere erfaring, manuelle korreksjoner er nødvendig i opptil en tredel av store hjernen infarkter49,50,51 men bare 13% av pasientene med små lacunar infarkter4. Flertallet av mislykkede registreringer er forårsaket av anatomiske skjevheter på grunn av lesjon (som omtalt tidligere), som er spesielt sannsynlig å skje i tilfeller av store infarkter med enten alvorlig hevelse eller ex vacuo utvidelse av omkringliggende strukturer. Manuell korrigering av disse avvik er tidkrevende, men avgjørende før du utfører tilordnings analyser for lesjon. Antall saker som krever manuell korreksjon er lavere når man studerer hvit materie hyperintensities sammenlignet med infarkter, sannsynligvis fordi disse lesjoner ikke forårsaker betydelig anatomisk forvrengning. I våre siste lesjon-symptom kartlegging studie hos pasienter med hvit materie hyperintensities, var bare 3% av utilstrekkelig kvalitet for å fortsette uten manuell korreksjon6.

Av retten, RegLSM er ikke søke alle blankett av leksjonen maskering heller ikke leksjonen fylling, til tross for det passelig art av RegLSM innrømmer brukernes å sette i stand den. Bruk av gjensidig informasjon beregning52 i registreringsprosessen unngår de fleste av problemene som tidligere ble tatt opp med tilstedeværelsen av en lesjon som påvirker registrerings kvaliteten. Gjensidig informasjon er velegnet for multi-modal registreringer (for eksempel FLAIR til T1) og er mindre påvirket av tilstedeværelsen av patologi enn andre beregninger eller kostnads funksjoner. Selv for intra-modal registrering (f. eks, emnet T1 til malen T1), bør gjensidig informasjon brukes til å takle tilstedeværelsen av patologi. Lesjoner vil ha sin egen klynge i det felles histogram som kan optimaliseres uten å påvirke registrerings kvaliteten. Inne noe sakene, leksjonen maskering kanne aften svekke noteringen kvalitet, siden mangelfull image beskjed restene å guide noteringen når det leksjonen kvantum er stor.

Som en generell kommentar om programvaren som brukes, inkludert konvertering fra DICOM til nifti format, skanne visualisering, og merknader, bør det bemerkes at mange åpen tilgang verktøy finnes. Vi ga ikke en systematisk oversikt over alle tilgjengelige verktøy, fordi dette var utenfor omfanget av denne artikkelen. Også mange institusjoner utvikle sine egne bilde visualisering og merknadsverktøy. Her valgte vi å gi en omfattende rammeverk som dekker hele prosessen med CT/Mr forbehandling, segmentering og registrering for det formål å lesjon-symptom kartlegging ved hjelp av flere brukte åpen tilgang verktøy. Når du bruker denne metoden, kan den foreslåtte bilde konvertering, visualisering eller merknadsverktøy bli erstattet av andre tilgjengelige verktøy eller skreddersydde verktøy, hvis dette bedre passer dataene eller anses mer praktisk. Også bildebehandling rørledningen kan ytterligere tilpasses ved å implementere tilgjengelig (semi-) automatiserte infarkt segmentert verktøy, hvis dette passer studien utformingen av en bestemt lesjon-symptom kartlegging studie. Dette papiret fokuserer på behandling skanninger av pasienter med iskemiske hjerneslag, men rammeverket kan brukes til behandling av andre lesjon typer også (f. eks, hvit materie hyperintensities eller lacunes) ved å erstatte lesjon segmentering prosedyren (del 3 av protokoll) med en annen hensiktsmessig segmentering prosedyre.

En viktig sak i lesjon-symptom kartlegging er hvordan man skal håndtere co-forekommende patologi. For eksempel, når du utfører en studie hos pasienter med akutt iskemiske hjerneslag, kan det være en betydelig mengde co-forekommende hvit materie hyperintensities eller til og med tidligere infarkter. Når man studerer hvit materie hyperintensities, kan noen pasienter også ha (stille eller klinisk åpenbar) hjerne infarkter. Co-forekommende patologi på hjernen Imaging kan ha et uavhengig bidrag til kognitiv svekkelse og bør ideelt sett tas i betraktning. En grei måte å håndtere dette problemet er å ekskludere pasienter med co-forekommende patologi [f. eks, utelukke pasienter med (stor) hjernen infarkter når du fokuserer på hvit materie hyperintensities], men dette har ulempen med å begrense generalizability av funnene til pasienter med en enkelt type patologi.

En alternativ tilnærming som ofte brukes er regressing ut virkningene av co-forekommende patologi (for eksempel justere for hvit materie hyperintensity volum eller tilstedeværelsen av hjernen infarkter) på utfallet variabelen før eller under lesjon-symptom kartlegging Analyse. Men en begrensning av denne tilnærmingen er at plasseringen av disse co-forekommende patologi ikke er tatt hensyn til, selv om dette er kjent for å være relevant for infarkter og hvit materie hyperintensities2, og sannsynligvis for andre lesjon typer. På teoretisk grunnlag er derfor den beste tilnærmingen å utføre en integrert tilordnings analyse for lesjon, der VLSM-resultatene korrigeres for plasseringen av patologi på Voxel nivå. I en fersk studie, en multivariabel støtte vektor regresjon-basert metode ble brukt til å utføre integrert Voxel-klok lesjon-symptom kartlegging på flere lesjon typer og identifiserte hjernen regioner der hvit materie hyperintensities er forbundet med kognitive nedgang etter slag, uavhengig av akutt infarkt plassering53. Denne studien viser hvordan en integrert Voxel-klok analyse av flere lesjon typer kan gi ny innsikt i den komplekse samspillet mellom ulike lesjon typer i utviklingen av kognitiv svekkelse og demens53.

Oppsummert, den bildebehandling rørledningen gitt her fungerer som en standardisert metode for hjernen lesjon segmentering og registrering i den hensikt å lesjon-symptom kartlegging. Styrkene til denne metoden er (1) påliteligheten til segmentering og registrering metoden, som kommer på bekostning av strenge kvalitetskontroller, og i noen tilfeller rettelser av en utdannet rater, (2) customizability av registreringen rørledningen der registreringsskjema og maler kan justeres til å passe dataene på best mulig måte, og (3) mulighet til å behandle svært heterogene hjernen Imaging data, inkludert CT og strukturelle MRI-sekvenser. Fremtidige utfordringer inkluderer utvikling av robust, automatisk lesjon segmentering verktøy for CT og MRI, ytterligere forbedringer av registreringsmetoder, og utvikling av hjernen maler som gir en bedre match med individuelle slagpasienter, inkludert DWI og FLAIR maler. Disse forbedringene kan ytterligere øke reproduserbarheten til segmentering av lesjon og redusere tiden som brukes på å utføre visuelle kontroller og manuelle rettelser.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne avslører ingen interessekonflikter.

Acknowledgments

Arbeidet til Dr. Biesbroek er støttet av en Young talent Fellowship fra Brain Center Rudolf Magnus av University Medical Center Utrecht. Dette arbeidet og meta VCI Map konsortium er støttet av Vici Grant 918.16.616 fra ZonMw, Nederland, organisasjonen for helse forskning og utvikling, til Geert Jan Biessels. Forfatterne vil gjerne takke Dr. Tanja C.W. Nijboer for deling av skanninger som ble brukt i en av tallene.

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

Atferd lesjon-symptom kartlegging lesjon-atferd kartlegging infarkt hjerneslag segmentering registrering bilde registrering romlig normalisering vaskulær kognitiv svekkelse
Brain infarkt segmentering og registrering på MRI eller CT for lesjon-symptom kartlegging
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