Waiting
Login processing...

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

Behavior

Segmentación y registro de infarto cerebralentes en RMN o TC para mapeo de síntomas de lesiones

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

Aquí se proporciona un tutorial práctico para una canalización de procesamiento de imágenes estandarizada y de acceso abierto con el fin de asignar síntomas de lesiones. Se proporciona un tutorial paso a paso para cada paso de procesamiento, desde la segmentación de infartomanual manual en CT/MRI hasta el registro posterior y el espacio estándar, junto con recomendaciones prácticas e ilustraciones con casos ejemplares.

Abstract

En el mapeo de síntomas de lesiones (LSM), la función cerebral se deduce relacionando la ubicación de las lesiones cerebrales adquiridas con los síntomas conductuales o cognitivos en un grupo de pacientes. Con los avances recientes en imágenes cerebrales y procesamiento de imágenes, LSM se ha convertido en una herramienta popular en neurociencia cognitiva. LSM puede proporcionar información fundamental sobre la arquitectura funcional del cerebro humano para una variedad de funciones cognitivas y no cognitivas. Un paso crucial en la realización de estudios LSM es la segmentación de lesiones en los escáneres cerebrales de un gran grupo de pacientes y el registro de cada exploración a un espacio estereotaxio común (también llamado espacio estándar o una plantilla de cerebro estandarizada). Aquí se describe un método estandarizado y de acceso abierto para la segmentación y el registro de infartos con el propósito de LSM, así como un tutorial detallado y práctico basado en casos ejemplares. Se proporciona un tutorial completo para la segmentación manual de infartos cerebrales en tomografías computarizadas y secuencias de resonancia magnética DWI o FLAIR, incluidos los criterios para la identificación de infartos y los escollos para diferentes tipos de exploración. El software de registro proporciona múltiples esquemas de registro que se pueden utilizar para el procesamiento de datos CT y RMN con parámetros de adquisición heterogéneos. Se proporciona un tutorial sobre el uso de este software de registro y la realización de comprobaciones de calidad visual y correcciones manuales (que se necesitan en algunos casos). Este enfoque proporciona a los investigadores un marco para todo el proceso de procesamiento de imágenes cerebrales necesario para realizar un estudio De LSM, desde la recopilación de los datos hasta los controles de calidad final de los resultados.

Introduction

El mapeo de síntomas de lesiones (LSM), también llamado mapeo de lesiones-comportamiento, es una herramienta importante para estudiar la arquitectura funcional del cerebro humano1. En los estudios de lesiones, la función cerebral se infiere y localiza mediante el estudio de pacientes con lesiones cerebrales adquiridas. Los primeros estudios de caso que vinculan los síntomas neurológicos con lugares cerebrales específicos realizados en el siglo XIX ya proporcionaron información fundamental sobre los correlatos anatómicos del lenguaje y varios otros procesos cognitivos2. Sin embargo, los correlatos neuroanatómicos de muchos aspectos de la cognición y otras funciones cerebrales permanecieron esquivas. En las últimas décadas, los métodos mejorados de imágenes cerebrales estructurales y los avances técnicos han permitido estudios de LSM in vivo a gran escala con alta resolución espacial (es decir, a nivel de vóxeles individuales o regiones de interés cortical/subcortical específicas)1 ,2. Con estos avances metodológicos, LSM se ha convertido en un método cada vez más popular en la neurociencia cognitiva y continúa ofreciendo nuevos conocimientos sobre la neuroanatomía de la cognición y los síntomas neurológicos3. Un paso crucial en cualquier estudio de LSM es la segmentación precisa de lesiones y el registro a una plantilla de cerebro. Sin embargo, falta un tutorial completo para el preprocesamiento de datos de imágenes cerebrales con el propósito de LSM.

Aquí se proporciona un tutorial completo para un método estandarizado de segmentación y registro de lesiones. Este método proporciona a los investigadores una canalización para el procesamiento estandarizado de imágenes cerebrales y una visión general de los posibles escollos que deben evitarse. La cartera de procesamiento de imágenes presentada se desarrolló a través de colaboraciones internacionales4 y forma parte del marco del recientemente fundado consorcio de mapas Meta VCI, cuyo propósito es realizar estudios de mapeo de síntomas de lesiones multicéntricos en deterioro cognitivo vascular 5. Este método se ha diseñado para procesar exploraciones por TC y RMN de múltiples proveedores y protocolos de exploración heterogéneos para permitir el procesamiento combinado de conjuntos de datos de imágenes de diferentes fuentes. El software RegLSM requerido y el resto del software necesario para este protocolo están disponibles libremente, excepto MATLAB, que requiere una licencia. Este tutorial se centra en la segmentación y el registro de infartos cerebrales, pero esta canalización de procesamiento de imágenes también se puede utilizar para otras lesiones, como las hiperintensidades de materia blanca6.

Antes de iniciar un estudio LSM, se requiere una comprensión básica de los conceptos generales y los escollos. Varias pautas detalladas y una guía de autoestopista están disponibles1,3,6. Sin embargo, estos comentarios no proporcionan un tutorial práctico detallado para los pasos prácticos involucrados en la recopilación y conversión de escáneres cerebrales a un formato adecuado, segmentar el cerebro infarto, y el registro de los escaneos a una plantilla de cerebro. El presente documento proporciona un tutorial de este tipo. Los conceptos generales de LSM se proporcionan en la introducción con referencias para una lectura posterior sobre el tema.

Objetivo general de los estudios de mapeo de lesiones y síntomas

Desde la perspectiva de la neuropsicología cognitiva, la lesión cerebral se puede utilizar como condición modelo para entender mejor los fundamentos neuronales de ciertos procesos cognitivos y para obtener una imagen más completa de la arquitectura cognitiva del cerebro1 . Este es un enfoque clásico en neuropsicología que fue aplicado por primera vez en estudios post-mortem en el siglo XIX por pioneros como Broca y Wernicke2. En la era de las imágenes cerebrales funcionales, el enfoque de la lesión ha seguido siendo una herramienta crucial en la neurociencia porque proporciona pruebas de que las lesiones en una región cerebral específica interrumpen el rendimiento de la tarea, mientras que los estudios de imágenes funcionales demuestran que las regiones cerebrales que son activado durante el rendimiento de la tarea. Como tal, estos enfoques proporcionan información complementaria1.

Desde la perspectiva de la neurología clínica, los estudios LSM pueden aclarar la relación entre la ubicación de la lesión y el funcionamiento cognitivo en pacientes con infartos sintomáticos agudos, hiperintensidades de materia blanca, lacunes u otros tipos de lesiones (por ejemplo, tumores ). Estudios recientes han demostrado que tales lesiones en regiones cerebrales estratégicas son más relevantes para explicar el rendimiento cognitivo que la carga global de lesiones2,5,7,8. Este enfoque tiene el potencial de mejorar la comprensión de la fisiopatología de trastornos complejos (en este ejemplo, deterioro cognitivo vascular) y puede proporcionar oportunidades para desarrollar nuevas herramientas diagnósticas y de pronóstico o apoyar el tratamiento estrategias2.

LSM también tiene aplicaciones más allá del campo de la cognición. De hecho, cualquier variable puede estar relacionada con la ubicación de la lesión, incluidos los síntomas clínicos, los biomarcadores y el resultado funcional. Por ejemplo, un estudio reciente determinó ubicaciones infartos que eran predictivas del resultado funcional después del accidente cerebrovascular isquémico10.

Basado en Voxel frente a región de mapeo de síntomas de lesiones basados en intereses

Para realizar mapeos de síntomas de lesiones, las lesiones deben segmentarse y registrarse en una plantilla cerebral. Durante el procedimiento de registro, el cerebro de cada paciente está alineado espacialmente (es decir, normalizado o registrado en una plantilla común) para corregir las diferencias en el tamaño, la forma y la orientación del cerebro de modo que cada voxel en el mapa de la lesión represente la misma anatómica estructura para todos los pacientes7. En el espacio estándar, se pueden realizar varios tipos de análisis, que se resumen brevemente aquí.

Se puede realizar un análisis de la lesión-sustracción bruta para mostrar la diferencia en la distribución de lesiones en pacientes con déficits en comparación con pacientes sin déficits. El mapa de resta resultante muestra regiones que se dañan con mayor frecuencia en pacientes con déficits y se ahorran en pacientes sindéficits 1. Aunque un análisis de lesión-sustracción puede proporcionar algunos conocimientos sobre los correlatos de una función específica, no proporciona ninguna prueba estadística y ahora se utiliza principalmente cuando el tamaño de la muestra es demasiado bajo para proporcionar suficiente potencia estadística para los síntomas de lesiones basadas en vóxeles Asignación.

En el mapeo de síntomas de lesiones basado en vóxeles, se determina una asociación entre la presencia de una lesión y el rendimiento cognitivo a nivel de cada voxel individual en el cerebro(Figura 1). La principal ventaja de este método es la alta resolución espacial. Tradicionalmente, estos análisis se han realizado en un enfoque univariado de masa, que justifica la corrección para múltiples pruebas e introduce un sesgo espacial causado por correlaciones entre vóxeles que no se tienen en cuenta1,10 , 11. Enfoques desarrollados recientemente que tienen en cuenta las correlaciones entre los vóxeles (generalmente denominados métodos de mapeo de lesiones multivariadas,como el análisis bayesiano13, apoyan la regresión vectorial4, 14, u otros algoritmos de aprendizaje automático15) muestran resultados prometedores y parecen mejorar la sensibilidad y especificidad de los hallazgos de los análisis LSM en forma de voxel en comparación con los métodos tradicionales. Una mayor mejora y validación de métodos multivariados para LSM por voxel es un proceso continuo. La mejor elección de método para el mapeo específico de síntomas de lesiones depende de muchos factores, incluyendo la distribución de lesiones, variable de resultado y suposiciones estadísticas subyacentes de los métodos.

En la región de interés (ROI) se determina una asociación entre la carga de lesiones dentro de una región cerebral específica y el rendimiento cognitivo (ver Figura 1 en Biesbroek et al.2 para obtener una ilustración). La principal ventaja de este método es que considera la carga acumulativa de lesiones dentro de una estructura anatómica, que en algunos casos puede ser más informativa que una lesión en un solo voxel. Por otro lado, los análisis basados en ROI tienen una potencia limitada para detectar patrones que sólo están presentes en un subconjunto de vóxeles de la región16. Tradicionalmente, la asignación de síntomas de lesiones basada en ROI se realiza mediante regresión logística o lineal. Recientemente, se han introducido métodos multivariantes que se ocupan mejor de la colinealidad (por ejemplo, análisis de red bayesiana17, admiten regresión vectorial4,18u otros algoritmos de aprendizaje automático19), que pueden mejorar la especificidad de los hallazgos de los estudios de mapeo de síntomas de lesiones.

Selección de pacientes

En los estudios de LSM, los pacientes suelen seleccionarse en función de un tipo de lesión específico (por ejemplo, infartos cerebrales o hiperintensidades de la materia blanca) y el intervalo de tiempo entre el diagnóstico y la evaluación neuropsicológica (por ejemplo, accidente cerebrovascular agudo frente a crónico). El diseño óptimo del estudio depende de la pregunta de investigación. Por ejemplo, al estudiar la arquitectura funcional del cerebro humano, los pacientes con accidente cerebrovascular agudo se incluyen idealmente porque la reorganización funcional aún no se ha producido en esta etapa, mientras que los pacientes con accidente cerebrovascular crónico deben incluirse al estudiar el efectos a largo plazo del accidente cerebrovascular en la cognición. Se proporciona una descripción detallada de las consideraciones y escollos en la selección del paciente en otros lugares7.

Preprocesamiento de imágenes cerebrales con el propósito de mapear síntomas de lesiones

La segmentación precisa de lesiones y el registro en una plantilla cerebral común son pasos cruciales en el mapeo de síntomas de lesiones. La segmentación manual de lesiones sigue siendo el estándar de oro para muchos tipos de lesiones, incluidos los infartos7. Proporciona un tutorial detallado sobre los criterios para la segmentación de infartos manuales en tomografías computarizadas, imágenes ponderadas por difusión (DWI) y secuencias de RMN de recuperación por inversión atenuada por fluidos (FLAIR) en etapas agudas y crónicas. Los infartos segmentados (es decir, los mapas de lesiones binarias 3D) deben registrarse antes de realizar cualquier análisis a través del sujeto. Este protocolo utiliza el método de registro RegLSM, que se desarrolló en una configuración multicentro4. RegLSM aplica algoritmos de registro lineales y no lineales basados en elasix20 tanto para CT como para RMN, con un paso adicional de procesamiento de TC diseñado específicamente para mejorar la calidad de registro de las exploraciones por TC21. Además, RegLSM permite utilizar diferentes plantillas de cerebro objetivo y un paso de registro intermedio (opcional) a una plantilla de TC/MRI específica de la edad22. La posibilidad de procesar tanto los análisis de TC como de la RMN y su personalización con respecto a las plantillas de cerebro intermedias y objetivo hace de RegLSM una herramienta de procesamiento de imágenes muy adecuada para LSM. Todo el proceso de preparación y segmentación de tomografías computarizadas/RMN, registro en una plantilla de cerebro y correcciones manuales (si es necesario) se describen en la siguiente sección.

Figure 1
Figura 1: Ilustración esquemática del concepto de mapeo de síntomas de lesiones basado en vóxeles. La parte superior muestra los pasos de preprocesamiento de la imagen cerebral que consisten en segmentar la lesión (un infarto agudo en este caso) seguido de registro a una plantilla de cerebro (la plantilla MNI-152 en este caso). A continuación, una parte del mapa de lesiones binarias registrado del mismo paciente se muestra como una cuadrícula 3D, donde cada cubo representa un voxel. Junto con los mapas de lesiones de otros 99 pacientes, se genera un mapa de superposición de lesiones. Para cada voxel, se realiza una prueba estadística para determinar la asociación entre el estado de la lesión y el rendimiento cognitivo. La prueba chi-cuadrada que se muestra aquí es sólo un ejemplo, cualquier prueba estadística podría ser utilizada. Típicamente, cientos de miles de vóxeles se prueban en todo el cerebro, seguido de una corrección para múltiples comparaciones. Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Este protocolo sigue las directrices del comité de ética de investigación humana de nuestras instituciones.

1. Recopilación de escaneos y datos clínicos

  1. Recopile tomografías computarizadas cerebrales o resonancias magnéticas de pacientes con accidente cerebrovascular isquémico. La mayoría de los escáneres guardan los escaneos como archivos DICOM (Digital Imaging and Communications in Medicine) que se pueden copiar en un disco duro o servidor.
    NOTA: Se pueden utilizar exploraciones de cada tipo de escáner, protocolo de escaneado y intensidad de campo de RMN, siempre que 1) se cumplan los requisitos de ventana de tiempo para el tipo de exploración utilizado (consulte la Tabla 1) y 2) no hay artefactos que obstaculicen la delineación infarto precisa. Un tutorial detallado sobre la detección de artefactos en CT y RMN se proporciona en otros lugares23,24. En la Figura 2se proporciona un ejemplo de artefactos de movimiento que se producen con frecuencia en CT y se proporcionan ejemplos de exploraciones de buena calidad en los casos ejemplares de la sección de resultados. Los infartos se pueden segmentar en escaneos con cualquier grosor de corte y cualquier resolución de imagen en plano. Sin embargo, las rebanadas finas y la alta resolución en el plano permitirán una representación más precisa del infarto a la plantilla del cerebro.
  2. Recopile las variables clínicas en un archivo de datos (por ejemplo, Excel) haciendo filas separadas para cada caso y columnas para cada variable clínica. Para la segmentación infarto, incluya al menos la fecha de las variables del accidente cerebrovascular y la fecha de la toma de imágenes o una variable que indique el intervalo de tiempo entre el accidente cerebrovascular y la toma de imágenes.
  3. Asegúrese de que se sigan las pautas éticas y las regulaciones relativas a la privacidad. Asegúrese de que los datos estén anónimos o codificados. Preste atención específica a la eliminación de los datos del paciente, como el nombre, la dirección y la fecha de nacimiento que se almacenan en los archivos DICOM como etiquetas. Estas etiquetas se pueden borrar con dcm2niix (descarga gratuita disponible en )25.

2. Conversión de imágenes DICOM a archivos Nifti

  1. Para convertir las imágenes DICOM en archivos nifti sin comprimir con la herramienta dcm2niix, escriba "[ruta de carpeta de dcm2niix.exe]-dcm2niix %d_%p [ruta de carpeta de los archivos dicom]" en el símbolo del sistema. Un ejemplo del comando con las rutas de acceso de carpetas insertadas podría ser C:-usuarios-matthijs-dcm2niix %d_%p C:-usuarios-matthijs-dicom. Este comando ejecutará el ejecutable dcm2niix, convertirá las imágenes DICOM en la carpeta seleccionada y guardará los archivos nifti en la misma carpeta.
    NOTA: La adición %d_%p garantiza que la descripción de la serie y el nombre del protocolo se insertan en el nombre de archivo. Las características adicionales, incluidas las opciones para la conversión por lotes, se proporcionan en el manual de dcm2niix en . Otras herramientas de código abierto se pueden utilizar para la conversión de imágenes DICOM a archivos nifti, así.
  2. Asegúrese de que el nombre del tipo de análisis (CT, FLAIR, DWI u otros nombres de secuencia) se copie en el nombre de archivo durante la conversión (esta opción está disponible en dcm2niix).
  3. Para los análisis por RMN, seleccione secuencias DWI o FLAIR para la segmentación. Alternativamente, cualquier otra secuencia estructural en la que el infarto sea visible se puede utilizar. Consulte la Tabla 1 para ver las ventanas de tiempo adecuadas después del trazo en las que se pueden utilizar CT, DWI o FLAIR para la segmentación de infartos.
  4. Organice los archivos nifti en una cómoda estructura de carpetas con una subcarpeta para cada caso (consulte el manual de RegLSM y la figura suplementaria 1). Este manual se puede descargar desde .
    NOTA: Esta estructura de carpetas es un requisito para el software de registro RegLSM (ver sección 4). Actualmente se está desarrollando una actualización de RegLSM, por lo que es compatible con BIDS (estructura de datos de imágenes cerebrales26, véase ), que se está desarrollando y pronto se publicará.

3. Segmentación infarto

  1. Observaciones generales que se aplican a todos los tipos de escaneo
    1. Asegúrese de que la persona que realiza y evalúa la segmentación y el registro está cegado a la variable de resultado (generalmente una medida cognitiva) para evitar el sesgo.
    2. Tenga en cuenta que los infartos suelen segmentarse en sectores transversales, pero la segmentación se puede realizar en cualquier orientación de sector.
    3. Garantice las condiciones de visualización ideales durante la segmentación por infarto mediante el uso de una pantalla de monitor de alta resolución y una luz ambiental óptima para proporcionar un ajuste cómodo. Ajuste manualmente el contraste de la imagen durante la segmentación para proporcionar un contraste óptimo entre el tejido cerebral sano. Sea coherente en la aplicación de ajustes similares en todos los temas.
  2. Segmentación infarto en TC
    1. En primer lugar, compruebe si la exploración se realizó al menos 24 horas después de la aparición del síntoma del accidente cerebrovascular. Dentro de 24 h, el infarto agudo no es o sólo parcialmente visible en CT y la exploración no se puede utilizar para la segmentación7. Vea la figura 3 para obtener una ilustración.
    2. Abra el CT nativo utilizando el software ITK-SNAP (descarga gratuita disponible en )27. En ITK-SNAP, haga clic en Archivo , abra la imagen principal en el menú desplegable. Haga clic en Examinar y seleccione el archivo para abrir el análisis. Si la configuración de contraste predeterminada proporciona un contraste deficiente entre el tejido cerebral sano y la lesión, ajuste la configuración de contraste. Para ello, haga clic en Herramientas > Contraste de imagen > Ajustede contraste .
      NOTA: También se puede utilizar cualquier software de código abierto.
    3. Si está disponible, abra una tomografía computarizada que se realizó dentro de las 24 horas después del inicio de los síntomas del accidente cerebrovascular en un caso separado como referencia para distinguir el infarto agudo de lesiones isquémicas antiguas como las lacunes, (sub)infartos corticales o hiperintensidades de materia blanca.
    4. Identifique el infarto en función de las siguientes características. Los infartos tienen una señal baja (es decir, hipodensa) en comparación con el tejido cerebral normal.
      1. En la etapa aguda (primeras semanas), los infartos grandes pueden causar efectos de masa que resultan en el desplazamiento de los tejidos circundantes, compresión de ventrículos, cambio de línea media y obliteración de sulci. Puede haber una transformación hemorrágica que es visible como regiones con señal alta (es decir, hiperdens) dentro del infarto.
      2. En la etapa crónica (meses a años), el infarto consistirá en un centro cavitado hipoden (con una densidad similar a la del líquido cefalorraquídeo) y un borde menos hipodenso que representa el tejido cerebral dañado. Tanto el centro cavitado como la llanta de los hipodens deben segmentarse como infartos. En caso de infarto grande, puede haber un agrandamiento ex vacuo de sulci o ventrículos adyacentes.
        NOTA: El desplazamiento de los tejidos debido al efecto de masa o al agrandamiento ex vacuo de las estructuras no debe corregirse durante la segmentación (es decir, sólo debe segmentarse toda la extensión del infarto). La corrección del desplazamiento tisular tiene lugar durante el registro y los pasos posteriores.
    5. Segmente el tejido cerebral infarto usando el modo pincel de la barra de herramientas principal (haga clic izquierdo para dibujar, haga clic con el botón derecho para borrar). Alternativamente, utilice el modo poligonal para colocar puntos de ancla en los bordes de la lesión (estos puntos se conectan automáticamente con líneas) o mantenga pulsado el botón izquierdo del ratón mientras mueve el ratón sobre los bordes de la lesión. Una vez que todos los puntos de anclaje estén conectados, haga clic en Aceptar para rellenar el área delineada.
    6. Evitar la fase de niebla, que se refiere a la fase en la que el infarto se vuelve isodense en TC (que co-ocurre con la infiltración del tejido infarto con fagocitos). Esto ocurre típicamente 14-21 días después del inicio del accidente cerebrovascular, pero en raras ocasiones puede ocurrir incluso28. Durante este período, el infarto puede volverse invisible o sus límites se vuelven menos claros, por lo que esta etapa no es adecuada para la segmentación de infartos. Después de la fase de niebla, la lesión se vuelve hipodensa de nuevo cuando se produce cavitación y gliosis. Vea la figura 4 para dos ejemplos.
    7. Después de terminar la segmentación, guárdelo como un archivo nifti binario en la misma carpeta que el escaneo haciendo clic en segmentación - guardar la imagen de segmentación desde el menú desplegable, luego guarde la segmentación dándole exactamente el mismo nombre que el escaneo segmentado, con la extensión de .lesion (por ejemplo, si la exploración se guardó como "ID001. CT.nii", guarde la segmentación como "ID001. CT.lesion.nii").
  3. Segmentación de infartos en DWI
    1. Primero compruebe si el DWI se realizó dentro de los 7 días posteriores al inicio del accidente cerebrovascular. Los infartos son visibles en DWI dentro de varias horas después de la aparición del accidente cerebrovascular y su visibilidad en DWI disminuye gradualmente después de aproximadamente 7 días (véase el párrafo 2 en la discusión para más detalles).
    2. Abra el DWI en ITK-SNAP (de la misma manera que se hace en el paso 3.2.2).
      NOTA: Una secuencia DWI genera al menos dos imágenes para la mayoría de los protocolos de escaneo, una con un valor b a 0, que es una imagen estándar ponderada en T2, y otra con un valor b más alto, que es el escaneo que captura las propiedades de difusión reales del tejido. Cuanto mayor sea el valor b, más fuertes serán los efectos de difusión. Para la detección de accidentes cerebrovasculares isquémicos, a menudo se utiliza un valor b alrededor de 1000 s/mm2, ya que esto proporciona una buena relación contraste-ruido en la mayoría de los casos29. La imagen con un valor b alto se utiliza para la segmentación de infartos.
    3. Abra la secuencia del coeficiente de difusión aparente (ADC) en una instancia separada de ITK-SNAP como referencia.
    4. Identificar y anotar el tejido cerebral infarto basado en la señal alta (es decir, hiperintensa) en DWI y la señal baja (es decir, hipointensidad) en el ADC (ver Figura 5). Los valores de ADC en el infarto aumentan gradualmente hasta que el ADC se normaliza en promedio 1 semana después del accidente cerebrovascular30,pero en algunos casos, el ADC ya puede estar (casi) normalizado después de varios días si hay mucho edema vasogénico.
      NOTA: En las imágenes DWI con valores B bajos, las lesiones cerebrales con una señal T2 alta intrínseca (como las hiperintensidades de materia blanca) también pueden aparecer hiperintensas. Este fenómeno se llama T2 shine-through31. Sin embargo, con el aumento de los valores b, este fenómeno se vuelve menos relevante, ya que la señal en la imagen DWI refleja más fuertemente las propiedades de difusión en lugar de la señal T2 intrínseca. Con los protocolos de escaneo DWI modernos (generalmente con b-value-1000 o superior), los efectos de brillo T2 son limitados32.
    5. No confunda una señal DWI alta cerca de las interfaces entre el aire y el tejido o el hueso, que son un artefacto comúnmente observado, para un infarto. Vea la figura 5.
    6. Guarde la anotación como un archivo nifti binario, dándole exactamente el mismo nombre que el escaneo segmentado, con la extensión de .lesion (de la misma manera que se hace en el paso 3.2.7).
  4. Segmentación de infartos en FLAIR
    1. En primer lugar, compruebe si la exploración se realizó >48 h después de la aparición del síntoma del accidente cerebrovascular. En la etapa hiperaguda, el infarto generalmente no es visible en la secuencia FLAIR o los límites exactos del infarto no están claros31 (véase la figura 6).
    2. Abra el FLAIR en ITK-SNAP de la misma manera que se hace en el paso 3.2.2.
    3. Abra el T1 una instancia independiente de ITK-SNAP como referencia, si está disponible.
    4. Identificar y segmentar el tejido cerebral infarto en función de las siguientes características.
      1. En la etapa aguda (primeras semanas), el infarto es visible como una lesión hiperintensa más o menos homogénea, con o sin hinchazón aparente y efecto de masa(Figura 5).
      2. En la etapa crónica (meses a años), el infarto está cavitado, lo que significa que el centro se vuelve hipo- o isointense en FLAIR. Esta cavidad se puede identificar con mayor precisión en el T1. En la mayoría de los casos, el centro cavitado está rodeado por un borde hiperintenso en el FLAIR, que representa la gliosis. 33.
        NOTA: Sin embargo, hay una cantidad considerable de variación en el grado de cavitación y gliosis de los infartos crónicos. Segmente tanto la cavidad como el borde hiperintenso como infartos (ver paso 3.2.5). Una lesión hiperintensa FLAIR no siempre es un infarto. En la etapa aguda, los pequeños infartos subcorticales pueden distinguirse fácilmente de las hiperintensidades de la materia blanca u otras lesiones crónicas, como las lacunes de origen vascular presunto cuando hay un DWI disponible (ver Figura 5). En la etapa crónica, puede ser más difícil. Véase el párrafo 3 de la discusión para obtener más información sobre cómo discriminar estos tipos de lesiones en la etapa crónica.
    5. Guarde la anotación como un archivo nifti binario, dándole exactamente el mismo nombre que el escaneo segmentado, con la extensión de .lesion (de la misma manera que se hace en el paso 3.2.7).
Tipo de escaneo Ventana de tiempo tras trazo Propiedades infarto Escaneo de referencia Trampas
Ct >24 h Agudo: hipodenso - - Fase de empañamiento
Crónico: cavidad hipodensa con lforo con lenf y borde menos hipodenso - Transformación hemorrágica
Dwi <7 días Hyperintense ADC: típicamente hipointensidad - T2 shinethrough
- Alta señal DWI cerca de interfaces entre el aire y el hueso/tejido
Estilo >48 h Agudo: hiperintenso Agudo: DWI/ADC, T1 (isointense o hipointense) - Hiperintensidades de materia blanca
Crónico: hipointense o isointense (cavidad), borde hiperintenso Crónico: T1 (cavidad hipointensa con características de LSN). - Lacunes

Tabla 1: Resumen de los criterios para la segmentación de infartos para diferentes tipos de análisis.

4. Registro en Standard Space

  1. Descargue RegLSM desde 4. Utilice esta herramienta para procesar tomografías computarizadas y cualquier tipo de secuencia de RMN. El procedimiento de registro se ilustra en la Figura 7.
    NOTA: Las características opcionales de RegLSM incluyen el registro en una plantilla intermedia de TC/RM que se asemeja más a las exploraciones de pacientes mayores con atrofia cerebral22. De forma predeterminada, la exploración por TC y RMN se registran en la plantilla34de la MNI-152, pero esto puede ser reemplazado por otras plantillas si esto se adapta mejor al estudio. En la Figura 7se ilustran diferentes esquemas de registro. Otras herramientas de registro de código abierto también se pueden utilizar para este paso.
  2. Comprobación 1) si los archivos nifti no están comprimidos, 2) que el nombre de archivo de la exploración segmentada contiene el término CT, FLAIR o DWI, y 3) que el nombre de archivo de la anotación de lesión contiene el mismo término con un appended ".lesion". Si se siguen estos tres primeros pasos, los datos están totalmente preparados para el registro y no es necesario cambiar nada.
  3. Abra MATLAB (versión 2015a o superior), establezca la carpeta actual en RegLSM (esta carpeta se puede descargar desde 35 (versión 12 o superior, descarga gratuita en ) escribiendo addpath .nombre de carpeta de la carpeta nombre de la carpeta de la carpeta nombre de la carpeta de la carpeta de nombre de carpeta de la carpeta de nombre de carpeta de la carpeta de nombre de carpeta de la carpeta de nombre de la carpeta de la carpeta de la carpeta de nombre de la carpeta de la carpeta de la carpeta de la carpeta de la carpeta SPM. A continuación, escriba RegLSM para abrir la GUI.
  4. Seleccione el modo de prueba en el menú desplegable de registro para realizar el registro para un solo caso. En el panel de modo de prueba, seleccione la anotación de escaneado (CT, FLAIR o DWI) y, opcionalmente, la T1, utilizando el botón de imagen abierta. Seleccione el esquema de registro: CT, FLAIR con o sin T1, DWI con o sin T1.
  5. Como alternativa, seleccione el modo por lotes para registrar los exámenes de todos los casos en la carpeta seleccionada en modo por lotes.
  6. Asegúrese de que RegLSM guarda los parámetros de registro resultantes y los exámenes registrados (incluidos los pasos intermedios) y el mapa de lesiones registrado en subcarpetas que se generan automáticamente. Durante este proceso, los escaneos registrados y los mapas de lesiones se remuestrean para que coincidan con la resolución (vóxeles isotrópicos de 1 mm3) y la angulación de la plantilla MNI-152.

5. Revisar los resultados del registro

  1. Seleccione los resultados de la comprobación de la opción en la GUI de RegLSM y vaya a la carpeta principal con los resultados del registro. La GUI seleccionará automáticamente la exploración registrada con el mapa de lesiones registrado, y la plantilla MNI-152 con el mapa de lesiones registrado en orientaciones transversales, sagitales y coronales (ver Figura 8).
  2. Desplácese por el escaneo registrado y utilice la cruz para comprobar la alineación del análisis registrado y la plantilla MNI-152. Preste atención específica a la alineación de puntos de referencia anatómicos reconocibles como los ganglios basales, los ventrículos y el cráneo.
  3. Marque todos los registros fallidos en una columna separada en el archivo de datos (realizado en el paso 1.2) para la corrección manual posterior en la sección 6.
    NOTA: Los errores comunes en el registro son alineación imperfecta debido al efecto de masa causado por la lesión en la etapa aguda, o agrandamiento ex vacuo de los ventrículos en la etapa crónica. Vea la figura 3 y la figura 5 para ver ejemplos de tal desalineación. Otro error común es una desalineación del tentorium cerebelli, en cuyo caso un infarto occipital puede superponerse con el cerebelo en la plantilla. La desalineación de los tejidos que no se lesionan no es un problema cuando sólo los mapas de lesiones binarias se utilizan en los análisis de mapeo de lesiones-síntomas subsiguientes. En tales casos, sólo las lesiones deben estar perfectamente alineadas.

6. Corregir manualmente los errores de registro

  1. Para los mapas de lesiones que necesitan corrección, abra la plantilla MNI-152 T1 en ITK-SNAP y seleccione en el menú de segmentación . segmentación abierta - mapa de lesiones registrado,que ahora está superpuesto en la plantilla.
  2. Abra el análisis cerebral registrado en una instancia independiente de ITK-SNAP como referencia.
  3. Corrija el mapa de lesiones registrado en ITK-SNAP para cualquier tipo de desalineación que se mencione en el paso 5.3 utilizando la función de pincel para agregar vóxeles (clic izquierdo) o eliminar vóxeles (clic derecho). Compare cuidadosamente la exploración registrada y el mapa de lesiones superpuesta (véase el paso 5.2) con la plantilla MNI-152 y el mapa de lesiones superpuestas en ITK-SNAP (véase el paso 6.1) para identificar las regiones de desalineación. Vea la figura 3 y la figura 5.
  4. Después de corregir manualmente el mapa de lesiones en el espacio MNI, realice una comprobación final comparando la exploración nativa segmentada del paciente con el mapa de lesiones corregido en el espacio MNI (es decir, los resultados del paso 6.3). Asegúrese de que el mapa de lesiones corregido en el espacio MNI representa ahora con precisión el infarto en el espacio nativo. Preste atención específica a los puntos de referencia reconocibles, como los ganglios basales, los ventrículos y el cráneo (similar al paso 5.2).
  5. Guarde el mapa de lesiones corregido en el espacio MNI como un archivo nifti binario en la misma carpeta que el mapa de lesión no corregido en el espacio MNI-152, dándole exactamente el mismo nombre que el mapa de lesión no corregido, con la extensión de .corrected.

7. Preparación de datos para la asignación de síntomas de lesión

  1. Cambie el nombre de todos los mapas de lesiones. De forma predeterminada, RegLSM guardó los mapas de lesiones en una subcarpeta con el nombre de archivo "results". Incluya el ID de asunto en el nombre de archivo. En caso de corrección manual, asegúrese de seleccionar y cambiar el nombre del archivo corregido.
  2. Copie todos los mapas de lesiones en una sola carpeta.
  3. Realice una comprobación de cordura de los datos seleccionando e inspeccionando aleatoriamente varios mapas de lesiones en ITK-SNAP y compárelos con los escaneos nativos para descartar errores sistemáticos en el procesamiento de datos, como volteo izquierda-derecha.
  4. Utilice MRIcron para realizar otra comprobación de cordura de los datos mediante la creación de una imagen superpuesta de lesiones para comprobar si no hay lesiones fuera de la plantilla cerebral. Para ello, seleccione el menú desplegable de dibujos . estadísticas: crear imágenes superpuestas.
    NOTA: El mapa de superposición de lesiones resultante se puede proyectar en la plantilla MNI-152 e inspeccionarse utilizando, por ejemplo, MRIcron o ITK-SNAP.
  5. Los mapas de lesiones ya están listos para ser utilizados para el mapeo de síntomas de lesiones basados en vóxeles o para el cálculo de volúmenes de infartos dentro de regiones específicas de interés utilizando un atlas que está registrado en el mismo espacio estándar que los mapas de lesiones (en este caso, el espacio MNI-152 para que muchos atlas están disponibles, sólo unos pocos de los cuales se citan a continuación36,37,38).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Aquí se proporcionan casos ejemplares de segmentaciones de infartocerebrales cerebrales en las imágenes CT(Figura 3),DWI(Figura 5)y FLAIR(Figura 6),y el registro posterior a la plantilla MNI-152. Los resultados de registro mostrados en la Figura 3B y la Figura 5C no tuvieron éxito del todo, ya que hubo desalineación cerca del cuerno frontal del ventrículo. Los mapas de lesiones registrados de estos registros infructuosos se corrigieron manualmente, cuyos resultados se muestran en las cifras. Después de esta corrección manual, los mapas de lesiones de cada uno de estos tres casos ejemplares son una representación precisa de los infartos en el espacio nativo, y los mapas de lesiones están listos para ser utilizados para el mapeo posterior de lesiones-síntomas. La Figura 6C muestra un ejemplo de un resultado de registro adecuado que no requiere ninguna corrección manual.

Estas cifras también destacan varios posibles escollos en la segmentación infarto cerebral en cada una de estas modalidades de exploración. La Figura 2 muestra un ejemplo de artefactos de movimiento en una tomografía computarizada, en cuyo caso el paciente debe ser excluido de los estudios LSM. La Figura 4 muestra un ejemplo de empañamiento en una tomografía computarizada, que normalmente ocurre 14-21 días después del accidente cerebrovascular, lo que lleva a una subestimación del tamaño del infarto. Por lo tanto, las tomografías computarizadas realizadas en este intervalo de tiempo no deben utilizarse para la cartografía de síntomas de lesiones. La Figura 7 muestra los resultados de tres esquemas típicos de registro de imágenes cerebrales generados utilizando el software RegLSM. El cuadro 8 muestra los resultados del registro de una imagen DWI a la plantilla MNI-152 T1 en el visor de resultados del registro RegLSM.

Estos resultados ilustran todo el proceso de segmentación de infartos en CT y RMN, registro en el espacio estándar, controles de calidad posteriores y, cuando sea necesario, la corrección manual de los resultados del registro. Los mapas de lesiones resultantes están listos para ser utilizados en el mapeo de síntomas de lesiones basados en vóxeles o en la región.

Figure 2
Figura 2 : Ejemplo de artefactos de movimiento en un tomografía computarizada, que se presentan como sombreado, rayado y desenfoque en la imagen. Se muestran dos rebanadas diferentes de una sola tomografía computarizada. Algunos ejemplos de rayas y sombras en la imagen se indican mediante flechas. En este caso, un infarto con un componente hemorrágico en el hemisferio cerebeloso derecho es claramente visible, pero una delineación precisa del borde anterior y medial de la lesión es difícil debido a estos artefactos. Por lo tanto, este análisis no debe utilizarse para LSM. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3 : Segmentación y registro de un infarto en una tomografía computarizada. (A) tomografía computarizada en tres puntos de tiempo para un solo paciente. El CT <24 h no se puede utilizar para la segmentación porque el infarto aún no es visible a pesar de que los mapas de perfusión por TC muestran isquemia en una región frontal derecha grande. Leyendas de los mapas de perfusión por TC: flujo sanguíneo cerebral (CBF en ml/100 g/min) que oscila entre 0 (azul oscuro) y 200 (rojo) y tiempo medio de tránsito (MTT en s) que van desde 0 (rojo) hasta azul oscuro (20). La tomografía computarizada del día 6 muestra hinchazón del tejido cerebral infarto, con un ligero cambio en la línea media y transformación hemorrágica visible como una región con mayor densidad dentro del infarto. La tomografía computarizada después de 4 meses muestra pérdida de tejido cerebral con agrandamiento ex vacuo de ventrículos y sulci cercanos. El registro deberá compensar el desplazamiento resultante de las estructuras adyacentes. (B) El resultado del registro en la plantilla MNI-152. El algoritmo de registro no compensó suficientemente el desplazamiento de la línea media y la compresión del ventrículo izquierdo, lo que requería una corrección manual (que se muestra a la derecha). Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4 : Ejemplos del efecto de niebla en las imágenes por TC. Se muestran exploraciones en tres momentos diferentes para que dos pacientes diferentes ilustren por qué se debe evitar una tomografía computarizada realizada en la fase de empañamiento (es decir, 14-21 días después del accidente cerebrovascular). (A) Para el paciente 1, la tomografía computarizada realizada 24 horas después de la aparición del accidente cerebrovascular muestra un infarto bien demarcado en el lóbulo frontal izquierdo. 20 días después del inicio del accidente cerebrovascular, el infarto no está bien delimitado, y el uso de este escaneo para la segmentación resultaría en la subestimación del tamaño del infarto. La RMN de seguimiento (3 años después) muestra que la tomografía computarizada después de 24 h fue una representación precisa del tamaño del infarto, mientras que la tomografía computarizada en el día 20 no lo fue. (B) Para el paciente 2, la tomografía computarizada en un plazo de 24 h muestra signos tempranos sutiles de isquemia con pérdida de diferenciación de materia gris-blanca e hinchazón difusa en las regiones temporales e insulares derechas. La tomografía computarizada del día 4 muestra un infarto bien demarcado. En la tomografía computarizada del día 18, una gran parte de la región infartada hipodensa se ha vuelto isodense, lo que resultaría en una subsegmentación del infarto. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5 : Segmentación y registro de un infarto en una secuencia DWI de RMN. La resonancia magnética se realizó 12 h después del inicio del accidente cerebrovascular. (A) la lesión isquémica aguda es hiperintensa en la secuencia de DWI (valor b 1000) e hipointensa en el ADC, lo que indica una difusión restringida debido al edema citotóxico. El infarto se segmenta en la imagen DWI. Cabe señalar que hay un aumento sutil en la señal en el FLAIR, pero esto es insuficientemente claro para permitir la segmentación de lesiones en este momento. (B) La elipse punteada muestra artefactos cerca de configuraciones de aire hueso en el DWI (imagen superior) y ADC (imagen inferior). (C) Comparación de la secuencia DWI registrada (imagen izquierda; mismo escaneo como se muestra en los paneles A y B) y el infarto registrado correspondiente con la plantilla MNI-152 (imagen media). Observe el ligero error en la cabeza del núcleo caudado derecho, donde los ventrículos no están perfectamente alineados. Esto requería una corrección manual de la segmentación en el espacio estándar (que se muestra a la derecha). Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6 : Segmentación y registro de un infarto en una secuencia DE RMT FLAIR. Las resonancias magnéticas se realizaron en dos momentos diferentes después de un accidente cerebrovascular para un solo paciente. (A) En las exploraciones por RMN del día 3, el infarto de lacunar agudo (indicado con flechas blancas) puede distinguirse de manera fiable de las lesiones crónicas de hiperintensidad, como las hiperintensidades de la materia blanca (indicadas con círculos discontinuos), porque sólo los infartos agudos mostrar la restricción de difusión en el DWI. Cabe señalar que en este momento, el DWI también se puede utilizar para la segmentación. (B) A los 7 meses, el DWI ya no es útil para distinguir el infarto de las hiperintensidades de materia blanca. En su lugar, el T1 se debe utilizar para identificar el infarto basado en la presencia de una cavidad llena de líquido cefalorraquídeo que tiene una señal baja en T1 (y señal alta en ADC). En esta etapa crónica, tanto la cavidad como la señal hiperintensa circundante en FLAIR deben segmentarse como un infarto. (C) Muestra los resultados del registro del FLAIR el día 3, que es adecuado y no requiere corrección manual. Haga clic aquí para ver una versión más grande de esta figura.

Figure 7
Figura 7 : Visión general de los esquemas de registro utilizados con frecuencia implementados en RegLSM. El uso de plantillas intermedias que proporcionan una mejor coincidencia con el paciente que la plantilla de destino es opcional. Esto es de particular importancia cuando se registra una tomografía computarizada en una plantilla de RMN (ver paciente 1). Al segmentar en FLAIR o DWI, el escaneo segmentado puede ser co-registrado a una imagen T1 nativa (ver paciente 2), si está disponible o directamente registrado en la plantilla T1 (paciente 3). También se ofrecen otras alternativas, como se explica en las secciones pertinentes del debate. Haga clic aquí para ver una versión más grande de esta figura.

Figure 8
Figura 8 : Visor de resultados de registro implementado en RegLSM. Los tres paneles izquierdos muestran la plantilla MNI-152 en tres planos (transversal, sagital, coronal), y los tres paneles derecho muestran una imagen DWI registrada en tres planos. Las ayudas al punto de mira se pueden utilizar para verificar si las estructuras anatómicas están alineadas con precisión. Haga clic aquí para ver una versión más grande de esta figura.

Figura suplementaria 1: Estructura de carpetas típica durante el procesamiento de una imagen para LSM. La primera subcarpeta para el asunto ID002 contiene tres exploraciones nativas en formato nifti (FLAIR, T1 y T2, en caja roja) y la segmentación de la secuencia FLAIR (en caja azul). RegLSM crea las tres subcarpetas durante el proceso de registro. La subcarpeta to_MNI contiene el análisis segmentado registrado (en este caso el FLAIR, en caja verde). La subcarpeta posterior contiene el mapa de lesiones registrado en el espacio estándar (caja púrpura). Cabe destacar que RegLSM se convertirá en compatible con BIDS en la próxima actualización. Haga clic aquí para descargar esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

LSM es una poderosa herramienta para estudiar la arquitectura funcional del cerebro humano. Un paso crucial en cualquier estudio de mapeo de lesiones-síntomas es el preprocesamiento de datos por imágenes, la segmentación de la lesión y el registro en una plantilla cerebral. Aquí, informamos de una tubería estandarizada para la segmentación y el registro de lesiones con el propósito de mapeo de síntomas de lesiones. Este método se puede realizar con herramientas de procesamiento de imágenes disponibles libremente, se puede utilizar para procesar tanto la tomografía computarizada como la resonancia magnética estructural, y cubre todo el proceso de preparación de los datos de imágenes para análisis de mapeo de síntomas de lesiones.

El primer paso importante en el procesamiento de datos de imágenes cerebrales para el mapeo de síntomas de lesiones es la segmentación de lesiones. Este protocolo proporciona un tutorial detallado que incluye criterios para la delineación de infartos, varios ejemplos y escollos para facilitar la segmentación precisa y reproducible. Como se menciona en el protocolo y se resume en la Tabla 1, cada tipo de exploración tiene una ventana de tiempo específica en la que se puede utilizar para la segmentación de infartos. Los infartos son visibles en DWI dentro de varias horas después del inicio del accidente cerebrovascular como hiperintenso en DWI e hipointenso en ADC (reflejando la difusión restringida del agua debido al edema citotóxico), mientras que otras secuencias de RMN, incluyendo FLAIR, (y tomografías computarizadas) no son lo suficientemente sensibles detectar infartos de forma fiable en un plazo de 48 h39. Después de la primera semana, la imagen de ADC se vuelve isointensa y eventualmente hiperintensa a medida que el edema vasogénico desarrolla30,mientras que el DWI generalmente permanece hiperintenso durante varias semanas más31,39,40. Por lo tanto, se recomienda utilizar DWI sólo dentro de 7 días y utilizar la secuencia FLAIR después de 7 días.

Como se señaló en el paso 3.4, una lesión de hiperintensidad FLAIR no siempre es un infarto. Las hiperintensidades de materia blanca y otras lesiones crónicas pueden parecerse a un infarto subcortical en una secuencia FLAIR. En la etapa aguda, los pequeños infartos subcorticales pueden distinguirse fácilmente de las hiperintensidades de la materia blanca u otras lesiones crónicas, como las lacunes de origen vascular presunto cuando hay un DWI disponible, como se menciona en el protocolo (véase la figura 5). En la etapa crónica, la secuencia T1 necesita ser revisada de cerca para buscar pequeñas cavidades (de al menos 3 mm) dentro de una lesión, lo que indica que la lesión no es una hiperintensidad de materia blanca (ver Figura 6). Las cavidades de <3 mm, especialmente cuando están alargadas en forma, dentro de una lesión hiperintensa FLAIR son más propensas a ser un espacio perivascular que un infarto y no deben segmentarse como infartos33. Si una lesión cavitada crónica se ajusta a los criterios para una lacuna (es decir, la cavidad es de 3-15 mm)33, todavía puede ser difícil asegurarse de que este es en realidad el infarto sintomático, porque las lacunes pueden ocurrir en individuos sin síntomas neurológicos, y algunos individuos tienen múltiples lacunes41. Ayuda a conocer el fenotipo de accidente cerebrovascular clínico en estos casos para asegurarse de que el infarto se encuentra en una estructura que se ajusta a los síntomas iniciales del accidente cerebrovascular. Cuando hay duda de si una lacuna se corresponde con los síntomas del accidente cerebrovascular, lo mejor es excluir al paciente.

Hay varias consideraciones con respecto a la identificación precisa de infartos que deben tenerse en cuenta. El primero se refiere a la fiabilidad de las exploraciones en la detección de infartos cerebrales. En pacientes con accidente cerebrovascular isquémico menor con infartos pequeños, el tamaño final del infarto en el seguimiento FLAIR es a menudo menor que la lesión inicial de DWI42. En los infartos grandes (corticales), hay pruebas considerables de que la lesión DWI en la etapa hiperaguda (<24 h) representa con precisión el núcleo del infarto (es decir, representa daños irreversibles), incluso cuando se realizan imágenes DWI antes de la terapia de reperfusión 43 , 44. Sin embargo, en algunos casos, la lesión DWI vista dentro de las 24 h es una subrepresentación del tamaño final del infarto, porque la penumbra (tejido cerebral hipopermeado pero potencialmente recuperable) no es visible como una lesión DWI, pero todavía puede progresar a formar parte del infarto final43 (especialmente si no se realiza el tratamiento de reperfusión en pacientes con oclusiones arteriales grandes).

Otro problema con el uso de DWI dentro de 24 h es que las lesiones de DWI son en cierta medida dinámicas y pueden mostrar reversión después de la terapia de reperfusión. Sin embargo, las exploraciones de seguimiento mostraron que esta reversión era transitoria y que la lesión inicial de DWI representaba con precisión el núcleo del infarto. Sin embargo, esto indica que DWI realizó varias horas después de la terapia de reperfusión podría resultar en una subestimación adicional del tamaño final del infarto43. Esta subestimación potencial del tamaño final del infarto es una limitación importante del uso de DWI realizado dentro de las 24 horas después del inicio del accidente cerebrovascular en estudios de mapeo de síntomas de lesiones. Sin embargo, debe tenerse en cuenta que hay limitaciones en el uso de otros protocolos de análisis también. En primer lugar, las exploraciones de cualquier modalidad que se realicen >24 h después del accidente cerebrovascular pueden mostrar efecto de masa debido a la hinchazón del infarto en la etapa aguda, y el agrandamiento ex vacuo de los ventrículos, el ensanchamiento sulcal y el desplazamiento de las estructuras circundantes en la etapa7. Este desplazamiento debe corregirse mediante el algoritmo de registro y, si es necesario, un revisor experto debe realizar una corrección manual. Aún así, ambas condiciones pueden afectar a la precisión de la traducción de la región infartada al espacio estándar, incluso cuando se realizan comprobaciones de calidad rigurosas.

Cabe destacar que DWI en la etapa hiperaguda no sufre de esta limitación, ya que no hay ningún efecto de masa significativo dentro de 24 h. A la luz de estas limitaciones específicas del tipo de escáner, se debe tener en cuenta la obtención de un conjunto de datos homogéneo al diseñar un estudio de mapeo de síntomas de lesión, utilizando un único tipo de exploración en un punto de tiempo estandarizado. Sin embargo, esto introducirá un sesgo sistemático en la inclusión de pacientes, ya que en la mayoría de las clínicas, los pacientes con accidente cerebrovascular que se someten a resonancia magnética son diferentes (es decir, a menudo tienen infartos más pequeños y menos síntomas aislados) en comparación con los pacientes que se someten a una tomografía computarizada. Como tal, la exclusión sistemática de los pacientes con una modalidad de imagen específica limitará la variabilidad en la distribución de lesiones, lo que a su vez tiene un impacto negativo en la validez de los resultados del mapeo de lesiones-síntomas45.

Por último, una limitación de todas las modalidades estructurales de imagen es que no capturan la presencia de perfusión disminuida alrededor del infarto, a pesar de que la perfusión anormal en regiones cerebrales que parecen normales en las imágenes estructurales puede interferir con el cerebro función7,46. En resumen, la TC y varias secuencias de RMN estructurales se pueden utilizar para segmentar los infartos con el fin de mapear síntomas de lesiones, siempre que se sigan los plazos adecuados y los criterios para la detección de lesiones, y los resultados del registro se revisen cuidadosamente. Teniendo en cuenta las limitaciones específicas del tipo de escáner y de la ventana de tiempo es crucial al diseñar e interpretar estudios de mapeo de síntomas de lesiones.

Un tema importante en cualquier método de segmentación de lesiones es evaluar su reproducibilidad. El entrenamiento adecuado y el conocimiento de la anatomía cerebral son cruciales para distinguir las lesiones de las estructuras anatómicas normales y las variantes anatómicas. Asimismo, se recomienda evaluar la reproducibilidad entre observadores e intraobservadores antes de realizar segmentaciones infartos con el fin de mapear síntomas de lesiones. Anteriormente hemos demostrado un alto acuerdo entre observadores para el protocolo de segmentación de infartos manual en las tomografías computarizadas en el coeficiente agudo [coeficiente medio de similitud de dados (DSC) 0,77; SD 0.11] y crónico (DSC 0.76; SD 0,16) etapas, así como un alto acuerdo intraobservador (DSC 0,90, SD 0,05 en fase aguda; DSC 0,89, SD 0,06 en estadio crónico)16. También se sabe que el acuerdo entre observadores para la segmentación de infartos en DWI y FLAIR es de47.

La principal limitación del método descrito aquí es que la segmentación manual, las comprobaciones de calidad y las correcciones manuales consumen mucho tiempo. Faltan herramientas de segmentación infarto totalmente automatizadas que pueden procesar tanto tomografías computarizadas como resonancias magnéticas con diferentes protocolos de exploración de manera confiable7,47. Las herramientas automatizadas de segmentación infarto que están optimizadas para protocolos de escaneo específicos proporcionan resultados prometedores (por ejemplo, para DWI donde el contraste entre el tejido cerebral infartado y normal es muy alto48),y es probable que se realicen mejoras adicionales en un futuro próximo. Los métodos semiautomáticos pueden reducir el tiempo necesario para segmentar los infartos, pero también requieren un experto para garantizar una clasificación precisa de lesiones47. Este control de calidad es crucial, porque incluso algunas segmentaciones infartos fallidas pueden reducir significativamente la validez de los resultados del mapeo de síntomas de lesiones. Por lo tanto, la segmentación infarto manual sigue siendo el estándar de oro7.

El segundo paso importante en el procesamiento de datos de imágenes cerebrales para el mapeo de síntomas de lesiones es el registro de los mapas de lesiones a una plantilla cerebral. RegLSM proporciona varios esquemas de registro validados. Para las exploraciones por TC, la ecualización del histograma se realiza para mejorar el contraste de tejido blando21y se realiza un paso de registro intermedio a una plantilla de TC22 para optimizar la calidad del registro. Para los análisis por RMN, el análisis en el que se realizó la segmentación se registra de forma automática en la secuencia T1 correspondiente, si está disponible, mediante el registro lineal. Posteriormente, el T1 nativo se registra en una plantilla T1 intermedia específica de la edad22 o directamente en la plantilla T134 de destino mediante el registro lineal y no lineal20. Las plantillas intermedias, tanto CT como T1, se han alineado con la plantilla T1 de destino mediante un registro lineal y no lineal que se optimizó y verificó manualmente. Cuando se utiliza la plantilla intermedia, esta transformación precalculada se anexa como el paso de transformación final.

Cuando no hay T1 disponible, el escaneo en el que se realizó la segmentación (normalmente un FLAIR o DWI) se puede registrar directamente en la plantilla T1 de destino utilizando un registro lineal y no lineal20. Para las imágenes DWI, se crea una máscara de tejido cerebral utilizando la segmentación unificada como se implementa en SPM35,para guiar el registro lineal después del cual un registro no lineal completa el procedimiento. Los esquemas de registro en RegLSM son altamente personalizables, y la plantilla MNI-152 T1 y la plantilla intermedia de uso común se pueden reemplazar por cualquier plantilla que pueda proporcionar una mejor coincidencia con el análisis segmentado. Una posibilidad interesante sería el desarrollo de plantillas de cerebro FLAIR y DWI que proporcionan una mejor combinación con pacientes con accidente cerebrovascular individual. Una limitación del método de registro descrito es que el registro falla en algunos casos, lo que significa que se requiere una inspección visual de los resultados del registro para todos los pacientes, seguida de una corrección manual en algunos casos. El número de casos que requieren una corrección manual varía con el subtipo de trazo. En nuestra experiencia previa, se necesitan correcciones manuales en hasta un tercio de los infartos cerebrales grandes49,50,51 pero sólo el 13% de los pacientes con pequeños infartos de lacunar4. La mayoría de los registros fallidos son causados por distorsiones anatómicas debidas a la lesión (como se discutió anteriormente), lo que es particularmente probable que ocurra en casos de grandes infartos con hinchazón grave o agrandamiento ex vacuo de las estructuras circundantes. La corrección manual de estas desalineaciones es lenta pero crucial antes de realizar análisis de mapeo de síntomas de lesiones. El número de casos que requieren corrección manual es menor cuando se estudian las hiperintensidades de la materia blanca en comparación con los infartos, probablemente porque estas lesiones no causan una distorsión anatómica significativa. En nuestro reciente estudio de mapeo de lesiones-síntomas en pacientes con hiperintensidades de materia blanca, sólo el 3% eran de calidad insuficiente para proceder sin corrección manual6.

Por defecto, RegLSM no aplica ninguna forma de enmascaramiento de lesiones ni relleno de lesiones, aunque la naturaleza personalizable de RegLSM permite a los usuarios habilitarlo. El uso de la métrica de información mutua52 en el procedimiento de registro evita la mayoría de las cuestiones planteadas anteriormente con la presencia de una lesión que afecta a la calidad del registro. La información mutua es adecuada para registros multimodales (por ejemplo, FLAIR a T1) y se ve menos afectada por la presencia de patología que otras métricas o funciones de costo. Incluso para el registro intramodal (por ejemplo, el tema T1 de la plantilla T1), la información mutua debe utilizarse para hacer frente a la presencia de patología. Las lesiones tendrán su propio clúster en el histograma conjunto que se puede optimizar sin afectar a la calidad del registro. En algunos casos, el enmascaramiento de lesiones puede incluso degradar la calidad del registro, ya que queda suficiente información de imagen para guiar el registro cuando el volumen de la lesión es grande.

Como comentario general con respecto al software utilizado, incluida la conversión de DICOM a formato nifti, visualización de escaneo y anotación, cabe señalar que existen muchas herramientas de acceso abierto. No proporcionamos una visión general sistemática de todas las herramientas disponibles, porque esto estaba fuera del alcance de este artículo. Además, muchas instituciones desarrollan sus propias herramientas de visualización y anotación de imágenes. Aquí, elegimos proporcionar un marco integral que cubra todo el proceso de preprocesamiento, segmentación y registro de TC/RMS con el propósito de mapear síntomas de lesiones utilizando varias herramientas de acceso abierto de uso común. Al utilizar este método, las herramientas de conversión, visualización o anotación de imágenes propuestas podrían sustituirse por otras herramientas disponibles o por herramientas personalizadas, si esto se adapta mejor a los datos o se considera más conveniente. Además, la canalización de procesamiento de imágenes se puede personalizar aún más mediante la implementación de herramientas segmentadas de infarto (semi)automáticas disponibles, si esto se ajusta al diseño del estudio de un estudio de mapeo de síntomas de lesiones en particular. Este artículo se centra en el procesamiento de exploraciones de pacientes con accidente cerebrovascular isquémico, pero el marco también se puede utilizar para procesar otros tipos de lesiones (por ejemplo, hiperintensidades o lacunas de materia blanca) reemplazando el procedimiento de segmentación de lesiones (sección 3 de la protocolo) con otro procedimiento de segmentación adecuado.

Un problema importante en el mapeo de síntomas de lesiones es cómo lidiar con patologías co-ocurrentes. Por ejemplo, cuando se realiza un estudio en pacientes con accidente cerebrovascular isquémico agudo, puede haber una cantidad sustancial de hiperintensidades de materia blanca co-ocurrente o incluso infartos anteriores. Al estudiar las hiperintensidades de la materia blanca, algunos pacientes también pueden tener infartos cerebrales (silenciosos o clínicamente avanzados). Las patologías co-ocurrentes en las imágenes cerebrales pueden tener una contribución independiente al deterioro cognitivo y lo ideal es tener en cuenta. Una manera directa de tratar este problema es excluir a los pacientes con patologías co-ocurrentes [por ejemplo, excluir a los pacientes con infartos cerebrales (grandes) cuando se centran en hiperintensidades de la materia blanca], pero esto tiene la desventaja de limitar la generalizabilidad de los hallazgos a pacientes con un solo tipo de patología.

Un enfoque alternativo que se utiliza a menudo es retroceder los efectos de las patologías co-ocurrentes (por ejemplo, ajustar para el volumen de hiperintensidad de la materia blanca o la presencia de infartos cerebrales) en la variable de resultado antes o durante el mapeo de síntomas de lesión (por ejemplo, ajustar para el volumen de hiperintensidad de la materia blanca o la presencia de infartos cerebrales) en la variable de resultado antes o durante el mapeo de síntomas de lesión Análisis. Sin embargo, una limitación de este enfoque es que la ubicación de estas patologías co-ocurrentes no se tiene en cuenta, a pesar de que se sabe que esto es relevante para los infartos y las hiperintensidades de la materia blanca2, y probablemente para otros tipos de lesiones. Por lo tanto, por razones teóricas, el mejor enfoque es realizar un análisis integrado de mapeo de síntomas de lesiones en el que se corrijan los resultados de VLSM para la ubicación de patologías co-ocurrentes a nivel de voxel. En un estudio reciente, se utilizó un método basado en regresión vectorial de apoyo multivariante para realizar mapeo integrado de síntomas de lesiones en forma de vóxela en múltiples tipos de lesiones e imágenes cerebrales identificadas donde las hiperintensidades de la materia blanca están asociadas con declive después del accidente cerebrovascular, independientemente de la ubicación del infarto agudo53. Este estudio muestra cómo un análisis integrado de varios tipos de lesiones en vóxelas puede proporcionar nuevos conocimientos sobre la compleja interacción entre los diferentes tipos de lesiones en el desarrollo de deterioro cognitivo y demencia53.

En resumen, la canalización de procesamiento de imágenes proporcionada aquí sirve como un método estandarizado de segmentación y registro de lesiones cerebrales con el propósito de mapeo de síntomas de lesiones. Los puntos fuertes de este método son la (1) fiabilidad del método de segmentación y registro, que viene a costa de rigurosos controles de calidad, y en algunos casos correcciones por parte de un tasador capacitado, (2) personalización de la tubería de registro en la que el esquema de registro y plantillas se pueden ajustar para ajustarse a los datos de la mejor manera posible, y (3) la posibilidad de procesar datos de imágenes cerebrales altamente heterogéneos, incluyendo secuencias de TC y RMN estructural. Los desafíos futuros incluyen el desarrollo de herramientas de segmentación de lesiones robustas y automatizadas para la TC y la RMN, mejoras adicionales de los métodos de registro y el desarrollo de plantillas cerebrales que proporcionen una mejor combinación con los pacientes con accidente cerebrovascular individual, Plantillas DWI y FLAIR. Estas mejoras pueden aumentar aún más la reproducibilidad de la segmentación de lesiones y reducir el tiempo dedicado a realizar comprobaciones visuales y correcciones manuales.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no revelan conflictos de intereses.

Acknowledgments

El trabajo del Dr. Biesbroek es apoyado por una Beca Young Talent del Brain Center Rudolf Magnus del Centro Médico Universitario de Utrecht. Este trabajo y el consorcio Meta VCI Map cuentan con el apoyo de Vici Grant 918.16.616 desde ZonMw, Países Bajos, Organización para la Investigación y el Desarrollo de la Salud, hasta Geert Jan Biessels. Los autores quieren agradecer a la Dra. Tanja C.W. Nijboer por compartir escaneos que se utilizaron en una de las figuras.

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

Comportamiento Número 151 mapeo de lesiones-síntomas mapeo de lesiones-comportamiento infarto accidente cerebrovascular segmentación registro registro de imagen normalización espacial deterioro cognitivo vascular
Segmentación y registro de infarto cerebralentes en RMN o TC para mapeo de síntomas de lesiones
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