Waiting
Login processing...

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

Behavior

Brain infarct segmentering och registrering på MRI eller CT för lesion-symptom Mapping

Published: September 25, 2019 doi: 10.3791/59653
Automatic Translation
1, 2, 1, 3, 4, Meta VCI Map Consortium, 1
1Department of Neurology and Neurosurgery, UMC Utrecht Brain Center, University Medical Center Utrecht, Utrecht University, 2Image Sciences Institute, University Medical Center Utrecht, 3BrainNow Research Institute, 4Institute for Stroke and Dementia Research, University Hospital, LMU Munich

Summary

Förutsatt att här är en praktisk handledning för en Open-Access, standardiserad bildbehandling pipeline för lesion-symptom kartläggning. En steg-för-steg genomgång ges för varje bearbetning steg, från manuell-infarct segmentering på CT/MRI till efterföljande registrering till standard utrymme, tillsammans med praktiska rekommendationer och illustrationer med exemplariska fall.

Abstract

I lesion-symptom Mapping (LSM), är hjärnans funktion härledas genom att förbinda platsen för förvärvade hjärnskador till beteendemässiga eller kognitiva symtom i en grupp av patienter. Med de senaste framstegen inom hjärnavbildning och bildbehandling har LSM blivit ett populärt verktyg i kognitiv neurovetenskap. LSM kan ge grundläggande insikter i den funktionella arkitekturen i den mänskliga hjärnan för en mängd kognitiva och icke-kognitiva funktioner. Ett avgörande steg i att utföra LSM studier är segmenteringen av lesioner på hjärnor skannar av en stor grupp av patienter och registrering av varje skanning till en gemensam stereotaxic utrymme (även kallad standard utrymme eller en standardiserad hjärna mall). Beskrivs här är en Open-Access, standardiserad metod för-infarct segmentering och registrering i syfte att LSM, samt en detaljerad och hands-on genomgång baserat på exemplariska fall. En omfattande handledning för manuell segmentering av hjärn infarkter på datortomografi och DWI eller FLAIR MRI-sekvenser tillhandahålls, inklusive kriterier för-infarct identifiering och fallgropar för olika skanningstyper. Registreringsprogram varan tillhandahåller flera registreringssystem som kan användas för behandling av CT-och MRI-data med heterogena förvärvs parametrar. En handledning om hur du använder denna registreringsprogramvara och utföra visuella kvalitetskontroller och manuella korrigeringar (som behövs i vissa fall) tillhandahålls. Detta tillvägagångssätt ger forskarna en ram för hela processen av hjärnan bildbehandling som krävs för att utföra en LSM-studie, från insamling av data till slutliga kvalitetskontroller av resultaten.

Introduction

Lesion-symptom Mapping (LSM), även kallad lesion-beteende Mapping, är ett viktigt verktyg för att studera den funktionella arkitekturen i den mänskliga hjärnan1. I lesionsstudier, hjärnans funktion är slutsatsen och lokaliserad genom att studera patienter med förvärvade hjärnskador. Det första fallet studier länka neurologiska symtom till specifika hjärn platser som utförs i 1800-talet redan gett grundläggande insikter i den anatomiska korrelat av språk och flera andra kognitiva processer2. Men den neuroanatomiska korrelat av många aspekter av kognition och andra hjärnfunktioner förblev svårfångade. Under de senaste decennierna, förbättrade strukturella hjärnavbildningsmetoder och tekniska framsteg har möjliggjort storskaliga in vivo LSM studier med hög rumslig upplösning (dvs., på nivån för enskilda voxels eller specifika kortikala/subkortikala regioner av intresse)1 ,2. Med dessa metodologiska framsteg har LSM blivit en alltmer populär metod inom kognitiv neurovetenskap och fortsätter att erbjuda nya insikter i kognitions neuroanatomi och neurologiska symtom3. Ett avgörande steg i någon LSM-studie är den exakta segmenteringen av lesioner och registrering till en hjärnmall. Men en omfattande handledning för förbehandling av hjärnavbildning data för LSM saknas.

Förutsatt att här är en komplett handledning för en standardiserad lesion segmentering och registreringsmetod. Denna metod ger forskarna en pipeline för standardiserad hjärn bildbehandling och en översikt över potentiella fallgropar som måste undvikas. Den presenterade bildbehandling pipeline utvecklades genom internationella samarbeten4 och är en del av ramen för den nyligen grundade meta VCI Map Consortium, vars syfte är att utföra multicenter lesion-symptom kartläggning studier i vaskulär kognitiv svikt < www. metavcimap. org >5. Den här metoden har utformats för att bearbeta både CT-och MRI-skanningar från flera leverantörer och heterogena skannings protokoll för att möjliggöra kombinerad bearbetning av avbildningsdata uppsättningar från olika källor. Den nödvändiga RegLSM programvara och all annan programvara som behövs för detta protokoll är fritt tillgänglig förutom MATLAB, som kräver en licens. Denna handledning fokuserar på segmentering och registrering av hjärn infarkter, men denna bildbehandling pipeline kan också användas för andra lesioner, såsom vit materia hyperintensities6.

Innan en LSM-studie inleds krävs en grundläggande förståelse för de allmänna begreppen och fallgroparna. Flera detaljerade riktlinjer och en Hitchhiker guide finns1,3,6. Emellertid, dessa recensioner ger inte en detaljerad praktisk handledning för de praktiska steg som deltar i att samla in och konvertera hjärnskanningar till ett korrekt format, segmentera hjärnan infarct, och registrera skanningar till en hjärna mall. Denna uppsats ger en sådan tutorial. Allmänna begrepp av LSM ges i inledningen med hänvisar till för mer ytterligare läsning på betvinga.

Allmänt syfte med lesion-symptom kartläggnings studier

Från perspektivet av kognitiv neuropsykologi, hjärnskada kan användas som en modell villkor för att bättre förstå neuronala underbyggnad av vissa kognitiva processer och för att få en mer komplett bild av den kognitiva arkitekturen i hjärnan1 . Detta är ett klassiskt förhållningssätt i neuropsykologi som först tillämpades i post-mortem studier i 1800-talet av pionjärer som Broca och Wernicke2. I en tid präglad av funktionell hjärnavbildning har lesion-metoden varit ett viktigt verktyg inom neurovetenskap eftersom det ger bevis på att lesioner i en specifik hjärnregion stör uppgifts prestandan, medan funktionella avbildnings studier visar hjärnregioner som är aktiveras under aktivitetens prestanda. Dessa metoder ger kompletterande information1.

Ur klinisk neurologi kan LSM-studier klargöra sambandet mellan lesionsplatsen och kognitiv funktion hos patienter med akuta symtomatiska infarkter, hyperintensiteter med vit materia, lacunes eller andra lesionstyper (t. ex. tumörer ). Nyligen genomförda studier har visat att sådana lesioner i strategiska hjärnregioner är mer relevanta för att förklara kognitiva prestanda än global lesion börda2,5,7,8. Detta tillvägagångssätt har potential att förbättra förståelsen för patofysiologin av komplexa sjukdomar (i detta exempel, vaskulär kognitiv svikt) och kan ge möjligheter att utveckla nya diagnostiska och prognostiska verktyg eller stödja behandling strategier2.

LSM har också applikationer bortom kognitions området. I själva verket, någon variabel kan relateras till lesion plats, inklusive kliniska symtom, biomarkörer, och funktionella resultat. Till exempel, en nyligen studie fastställt-infarct platser som var prediktiva för funktionella resultat efter ischemisk stroke10.

Voxel-baserat kontra område av intressera-baserat lesion-symptom kartläggning

Att utföra lesion-symptom kartläggning, lesioner måste segmenteras och registreras till en hjärnmall. Under registreringsförfarandet, varje patientens hjärna är rumsligt inriktade (dvs normaliserade eller registrerade till en gemensam mall) för att korrigera för skillnader i hjärnans storlek, form, och orientering så att varje Voxel i lesion kartan representerar samma anatomiska struktur för alla patienter7. I standard utrymme kan flera typer av analyser utföras, som kortfattat sammanfattas här.

En rå lesion-subtraktion analys kan utföras för att visa skillnaden i lesion fördelning hos patienter med underskott jämfört med patienter utan underskott. Den resulterande subtraktion kartan visar regioner som oftare skadas hos patienter med underskott och skonas hos patienter utan underskott1. Även om en lesion-subtraktion analys kan ge några insikter i korrelat av en viss funktion, det ger inga statistiska bevis och används nu mest när urvalet storleken är för låg för att ge tillräckligt statistisk effekt för Voxel-baserade lesion-symptom Mappning.

I Voxel-baserade lesion-symptom kartläggning, en association mellan närvaron av en lesion och kognitiva prestanda bestäms på nivån för varje enskild Voxel i hjärnan (figur 1). Den största fördelen med denna metod är den höga rumsliga upplösningen. Traditionellt har dessa analyser utförts i en massa-univariat metod, som motiverar korrigering för flera tester och introducerar en rumslig bias orsakad av Inter-Voxel korrelationer som inte beaktas1,10 , 11. nyligen utvecklade metoder som tar Inter-Voxel korrelationer beaktas (vanligtvis kallas multivariat lesion-symptom kartläggnings metoder, såsom Bayesian analys13, stöd Vector regression4, 14, eller andra maskininlärningsalgoritmer15) visar lovande resultat och verkar för att förbättra känsligheten och specificiteten av resultaten från Voxel-Wise lsm analyser jämfört med traditionella metoder. Ytterligare förbättring och validering av multivariat metoder för Voxel-Wise LSM är en pågående process. Den bästa metoden val för specifika lesion-symptom kartläggning beror på många faktorer, inklusive fördelningen av lesioner, utfall variabel, och underliggande statistiska antaganden av metoderna.

I den intresse region (ROI)-baserade lesion-symptom mappning, en association mellan lesion bördan inom en viss hjärnregion och kognitiva prestanda bestäms (se figur 1 i BIESBROEK et al.2 för en illustration). Den största fördelen med denna metod är att den anser den kumulativa lesion bördan inom en anatomisk struktur, som i vissa fall kan vara mer informativ än en lesion i en enda Voxel. Å andra sidan har ROI-baserade analyser begränsad effekt för att upptäcka mönster som endast finns i en delmängd av voxels i regionen16. Traditionellt, ROI-baserade lesion-symptom mappning utförs med hjälp av Logistic eller linjär regression. Nyligen, multivariat metoder som handlar bättre med Kolinjäritet har införts (t. ex. Bayesian nätverksanalys17, stöd Vector regression4,18, eller andra maskininlärningsalgoritmer19), som kan förbättra specificiteten av fynd från lesion-symtom kartläggning studier.

Val av patient

I LSM-studier väljs patienter vanligen utifrån en specifik lesionstyp (t. ex. hjärn infarkter eller hyperintensiteter med vit materia) och tidsintervallet mellan diagnos och neuropsykologisk bedömning (t. ex. akut kontra kronisk stroke). Den optimala studiedesignen beror på forskningsfrågan. Till exempel, när man studerar den funktionella arkitekturen i den mänskliga hjärnan, akut stroke patienter är idealiskt ingår eftersom funktionell omorganisation har ännu inte inträffat i detta skede, medan kronisk stroke patienter bör inkluderas när man studerar långsiktiga effekter av stroke på kognition. En detaljerad beskrivning av överväganden och fallgropar i valet av patient finns på andra ställen7.

Hjärnavbildning förbehandling för lesion-symptom mappning

Noggrann lesion segmentering och registrering till en gemensam hjärnmall är avgörande steg i lesion-symptom kartläggning. Manuell segmentering av lesioner är fortfarande den gyllene standarden för många lesion typer, inklusive infarcts7. Förutsatt är en detaljerad handledning om kriterier för manuell-infarct segmentering på datortomografi, diffusion vägd Imaging (DWI), och Fluid-försvagade inversion återhämtning (FLAIR) MRI sekvenser i både akuta och kroniska stadier. De segmenterade infarkterna (dvs. 3D-binära lesion kartor) måste registreras innan någon över-ämne analyser utförs. Detta protokoll använder registreringsmetoden RegLSM, som utvecklades i en multicenterinställning4. RegLSM tillämpar linjära och icke-linjära registreringsalgoritmer baserade på Elastix20 för både CT och MRI, med ytterligare ett CT-bearbetningsteg speciellt utformat för att förbättra registrerings kvaliteten för datortomografi21. Dessutom tillåter RegLSM att använda olika målhjärnmallar och ett (frivilligt) mellanliggande registrerings steg till en Åldersspecifik CT/MRI-mall22. Möjligheten att behandla både CT och MRI-skanningar och dess customizability om mellanliggande och mål hjärnan mallar gör RegLSM en mycket lämplig bildbehandling verktyg för LSM. Hela processen med att förbereda och segmentera CT/MRI-skanningar, registrering till en hjärnmall och manuella korrigeringar (vid behov) beskrivs i nästa avsnitt.

Figure 1
Figur 1: Schematisk illustration av begreppet Voxel-baserad lesion-symptom mappning. Den övre delen visar hjärnan bild Pre-processing steg som består av segmentera lesionen (en akut-infarct i detta fall) följt av registrering till en hjärna mall (den MNI-152 mall i detta fall). Nedan visas en del av den registrerade binära lesionkartan för samma patient som ett 3D-rutnät, där varje kub representerar en Voxel. Tillsammans med lesion kartor över 99 andra patienter, en lesion overlay karta genereras. För varje Voxel utförs ett statistiskt test för att fastställa sambandet mellan lesionsstatus och kognitiva prestanda. Chi-kvadraten testet visas här är bara ett exempel, kan alla statistiska test användas. Typiskt, hundratusentals voxels testas i hela hjärnan, följt av en korrigering för flera jämförelser. Vänligen klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Detta protokoll följer riktlinjerna från våra institutioner mänskliga forskningsetiska kommittén.

1. insamling av skanningar och kliniska data

  1. Samla hjärnan CT eller MRI-skanningar av patienter med ischemisk stroke. De flesta skannrar Spara skanningar som DICOM (Digital Imaging och kommunikation i medicin) filer som kan kopieras till en hårddisk eller server.
    Anmärkning: Skanningar från alla skanner typer, skannings protokoll och MRI-fältstyrka kan användas, så länge som 1) tids fönstrets krav för den använda skanningstypen uppfylls (se tabell 1) och 2) det finns inga artefakter som hämmar korrekt-infarct avgränsning. En detaljerad handledning om artefakt detektering på CT och MRI finns på andra ställen23,24. Ett exempel på vanligt förekommande rörelse artefakter på CT finns i figur 2, och exempel på skanningar av god kvalitet ges i exemplen i resultat avsnittet. Infarkter kan segmenteras på skanningar med alla segment tjocklek och alla in-plane bildupplösning. Men tunna skivor och hög in-plane upplösning kommer att möjliggöra en mer exakt representation av-infarct till hjärnan mallen.
  2. Samla in de kliniska variablerna i en datafil (t. ex. Excel) genom att göra separata rader för varje fall och kolumner för varje klinisk variabel. För-infarct segmentering, inkludera minst variablerna datum för stroke och datum för avbildning eller en variabel som anger tidsintervall mellan stroke och Imaging.
  3. Se till att etiska riktlinjer och förordningar om integritet följs. Se till att uppgifterna är antingen anonymiserade eller kodade. Ägna särskild uppmärksamhet åt avlägsnande av patientdata såsom namn, adress och födelsedatum som lagras i DICOM filer som taggar. Dessa taggar kan rensas med hjälp av dcm2niix (gratis nedladdning finns på < https://-github.com/rordenlab/dcm2niix >)25.

2. omvandling av DICOM bilder till nifti filer

  1. Om du vill konvertera DICOM-avbildningarna till okomprimerade nifti-filer med verktyget dcm2niix skriver du "[mappsökväg för dcm2niix. exe] \dcm2niix% D_% p [mappsökväg för DICOM-filer]" i Kommandotolken. Ett exempel på kommandot med mapparna sökvägar som infogas kan vara C:\users\matthijs\dcm2niix% D_% p C:\users\matthijs\dicom\. Detta kommando kommer att köra dcm2niix körbara, konvertera DICOM bilder i den valda mappen och spara nifti filer i samma mapp.
    Anmärkning: Tillägget% D_% p säkerställer att serie beskrivningen och protokollnamnet infogas i filnamnet. Ytterligare funktioner inklusive alternativ för batchkonvertering finns i dcm2niix manualen på < https://www.nitrc.org/plugins/mwiki/index.php/dcm2nii: MainPage >. Andra open source-verktyg kan användas för omvandling av DICOM bilder till nifti filer, samt.
  2. Kontrollera att namnet på skanningstypen (CT, FLAIR, DWI eller andra sekvensnamn) kopieras till filnamnet under konverteringen (det här alternativet är tillgängligt i dcm2niix).
  3. För MRI-skanningar väljer du DWI eller FLAIR-sekvenser för segmentering. Alternativt kan någon annan strukturell sekvens på vilken infarkten är synlig användas. Se tabell 1 för lämpliga tidsfönster efter stroke där CT, DWI, eller Flair kan användas för-infarct segmentering.
  4. Organisera nifti filer i en bekväm mappstruktur med en undermapp för varje fall (se manualen för RegLSM och kompletterande figur 1). Denna manual kan laddas ner från < www. metavcimap. org/support/Software-Tools >.
    Anmärkning: Den här mappstrukturen är ett krav för registreringsprogram varan RegLSM (se avsnitt 4). En uppdatering av RegLSM, gör det bud (Brain Imaging datastruktur26, se < http://BIDS.neuroimaging.io >) kompatibel, för närvarande utvecklas och kommer snart att släppas.

3. infarct segmentering

  1. Allmänna anmärkningar som gäller för alla skanningstyper
    1. Se till att den person som utför och utvärderar segmentering och registrering är förblindad till resultatvariabeln (vanligtvis en kognitiv åtgärd) för att undvika bias.
    2. Observera att infarkter vanligtvis segmenteras på tvärgående segment, men segmentering kan utföras i alla segment orientering.
    3. Säkerställ idealiska visningsförhållanden under-infarct segmentering med hjälp av en högupplöst bildskärm och optimalt omgivningsljus för att ge en bekväm inställning. Justera bildens kontrast manuellt under segmenteringen för att ge optimal kontrast mellan frisk hjärnvävnad. Konsekvent tillämpa liknande inställningar för olika ämnen.
  2. Infarct segmentering på CT
    1. Kontrollera först om skanningen utfördes minst 24 h efter stroke symtomdebut. Inom 24 timmar är den akuta infarkten inte eller bara delvis synlig på CT och skanningen kan inte användas för segmentering7. Se figur 3 för en illustration.
    2. Öppna Native CT med ITK-SNAP programvara (gratis nedladdning finns på < www. itksnap. org >)27. I ITK-SNAP, klicka fil | öppna huvudbild från rullgardinsmenyn. Klicka på Bläddra och välj filen för att öppna skanningen. Om standardinställningen kontrast inställning ger dålig kontrast mellan frisk hjärnvävnad och lesionen, Justera kontrasten inställningar. Det gör du genom att klicka på verktyg | bildkontrast | kontrast justering.
      Anmärkning: Alla program med öppen källkod kan också användas.
    3. Om tillgängligt, öppna en CT som utfördes inom 24 h efter stroke symptom debut i en separat instans som referens för att skilja den akuta infarkten från gamla ischemiska lesioner såsom lacunes, (sub) kortikala infarkter, eller vit materia hyperintensities.
    4. Identifiera infarkten baserat på följande egenskaper. Infarkter har en låg signal (dvs., hypotät) jämfört med normal hjärnvävnad.
      1. I det akuta stadiet (första veckorna), stora infarkter kan orsaka Mass Effect resulterar i förskjutning av omgivande vävnader, komprimering av ventriklar, mittlinjen Skift och utplånande av sulci. Det kan finnas hemorragisk omvandling som är synlig som regioner med kicken signalerar (dvs. hyperdens) inom infarkten.
      2. I det kroniska stadiet (månader till år), kommer-infarct bestå av en hyperdens kaviterat Center (med en liknande densitet som cerebrospinalvätskan) och en mindre hypotät fälg som representerar skadad hjärnvävnad. Både den kaviterat centrera och hyperdens kant måste segmenteras som infarct. I händelse av stor infarct, kan det finnas ex vakuum utvidgningen av angränsande sulci eller ventriklar.
        Anmärkning: Vävnad förskjutning på grund av Mass Effect eller ex vakuum utvidgningen av strukturer bör inte korrigeras för under segmentering (dvs., endast den fulla omfattningen av infarkten måste segmenteras). Korrigering för vävnads förskjutning sker under registreringen och efterföljande steg.
    5. Segmentera den hjärt hjärnvävnaden med pensel läget från huvudverktygsfältet (vänsterklicka för att rita, högerklicka för att radera). Alternativt kan du använda polygonläget för att placera ankarpunkter vid gränserna för lesionen (dessa punkter ansluts automatiskt med linjer) eller håll vänster musknapp medan du flyttar musen över gränserna för lesionen. När alla fästpunkter är anslutna klickar du på acceptera för att fylla det avgränsade området.
    6. Undvik att FOGGA fasen, som hänvisar till den fas i vilken infarkten blir isotät på CT (som co-inträffar med infiltration av den hjärt vävnaden med fagocyter). Detta inträffar vanligtvis 14-21 dagar efter stroke debut, men i sällsynta fall kan inträffa även tidigare28. Under denna period kan infarkten bli osynlig eller dess gränser blir mindre tydliga, vilket gör detta skede olämplig för-infarct segmentering. Efter den dimmig fasen blir lesionen hypodense igen när kavitation och glios uppträder. Se figur 4 för två exempel.
    7. Efter avslutad segmentering, spara den som en binär nifti fil i samma mapp som skanningen genom att klicka segmentering | Spara segmenteringsavbild från rullgardinsmenyn och spara segmenteringen genom att ge den exakt samma namn som den segmenterade skanningen, med förlängningen av. lesion (t. ex. om skanningen sparades som "ID001. CT. nii ", spara segmenteringen som" ID001. CT. lesion. nii ").
  3. Infarct segmentering på DWI
    1. Kontrollera först om DWI utfördes inom 7 dagar efter stroke debut. Infarkter är synliga på DWI inom flera timmar efter stroke debut och deras synlighet på DWI gradvis minskar efter cirka 7 dagar (se punkt 2 i diskussionen för mer information).
    2. Öppna DWI i ITK-SNAP (på samma sätt som gjort i steg 3.2.2).
      Anmärkning: En DWI-sekvens genererar minst två avbildningar för de flesta skannings protokoll, en med ett b-värde = 0, som är en standard T2-vägd bild, och en med ett högre b-värde, vilket är den skanning som fångar de faktiska diffusions egenskaperna hos vävnaden. Ju högre b-värde, desto starkare diffusions effekter. För ischemisk stroke upptäckt, ett b-värde runt 1000 s/mm2 används ofta, eftersom detta ger en bra kontrast till brus förhållande i de flesta fall29. Bilden med ett högt b-värde används för-infarct-segmentering.
    3. Öppna ADC-sekvensen (skenbar diffusion skoefficient) i en separat förekomst av ITK-SNAP som referens.
    4. Identifiera och kommentera den hjärt hjärnvävnaden baserat på den höga signalen (dvs. hyperintensiv) på DWI och låg signal (dvs. hypointense) på ADC (se figur 5). ADC-värden i infarkten ökar gradvis tills ADC normaliserar i genomsnitt 1 vecka efter stroke30, men i vissa fall kan ADC redan vara (nästan) normaliserade efter flera dagar om det finns mycket vasogent ödem.
      Anmärkning: I DWI bilder med låg b-värden, hjärnskador med en inneboende hög T2-signal (såsom vit materia hyperintensities) kan också visas hyperintense. Detta fenomen kallas T2 Shine-through31. Men med ökande b-värden, detta fenomen blir mindre relevant, som signalen på DWI bilden reflekterar starkare diffusion egenskaper i stället för inneboende T2 signal. Med moderna DWI Scan protokoll (vanligtvis med b-värde = 1000 eller högre), T2 Shine-through effekter är begränsade32.
    5. Missta inte en hög DWI signal nära gränssnitt mellan luft och antingen vävnad eller ben, som är en vanligt förekommande artefakt, för en infarct. Se figur 5.
    6. Spara anteckningen som en binär nifti-fil, vilket ger den exakt samma namn som den segmenterade skanningen, med en förlängning av. lesion (på samma sätt som i steg 3.2.7).
  4. Infarct segmentering på FLAIR
    1. Kontrollera först om skanningen utfördes > 48 h efter stroke symtomdebut. I det hyperakuta arrangera, är-infarct vanligt inte synligt på Flair ordnar, eller avkrävagränserna av infarkten är oklara31 (se figurera 6).
    2. Öppna känslan i ITK-SNAP på samma sätt som gjort i steg 3.2.2.
    3. Öppna T1 en separat instans av ITK-SNAP för referens, om tillgängligt.
    4. Identifiera och segmentera den hjärt hjärnvävnaden baserat på följande egenskaper.
      1. I det akuta skedet (första veckorna), är infarkten synlig som en mer eller mindre homogen hyperintensiv lesion, med eller utan skenbar svullnad och Mass Effect (figur 5).
      2. I det kroniska stadiet (månader till år), är infarkten cavitated, menande centrera blir hypo-eller isointense på flärd. Denna hålighet kan mest exakt identifieras på T1. I de flesta fall är den kaviterat Center omgiven av en hyperintensiva fälg på Flair, som representerar gliosis. 33.
        Anmärkning: Emellertid, det finns en avsevärd mängd variation i graden av kavitation och glios av kroniska infarkter. Segmentera både kaviteten och den hyperintensiva fälgen som infarkter (se steg 3.2.5). En flärd hyperintensiva lesion är inte alltid en infarct. I det akuta skedet kan små subkortikala infarkter lätt särskiljas från vita materiens hyperintensiteter eller andra kroniska lesioner såsom lacunes av förmodat vaskulärt ursprung när det finns en DWI tillgänglig (se figur 5). I det kroniska stadiet kan det vara svårare. Se punkt 3 i diskussionen för mer information om hur man diskriminerar dessa lesionstyper i det kroniska stadiet.
    5. Spara anteckningen som en binär nifti-fil, vilket ger den exakt samma namn som den segmenterade skanningen, med en förlängning av. lesion (på samma sätt som i steg 3.2.7).
Skanningstyp Tidsfönster efter stroke Infarct-egenskaper Referens skanning Fallgropar
Ct > 24 h Akut: hypotät - -Fogging fas
Kronisk: hypotät hålighet med CSF och mindre hypotät fälg -Hemorragisk omvandling
Dwi < 7 dagar Hyperintensiva ADC: typiskt placebo -T2 shinethrough
-Hög DWI signal nära gränssnitt mellan luft och ben/vävnad
Flair > 48 h Akut: hyperintensiv Akut: DWI/ADC, T1 (isointense eller hypointense) -Vit materia hyperintensities
Kronisk: placebo eller isointense (hålighet), hyperintensiv fälg Kronisk: T1 (hypointense hålighet med CSF egenskaper). -Lacunes

Tabell 1: Sammanfattning av kriterier för-infarct-segmentering för olika skanningstyper.

4. registrering till standard utrymme

  1. Hämta RegLSM från < www. metavcimap. org/funktioner/Software-Tools >4. Använd detta verktyg för att bearbeta datortomografi och någon form av MRI-sekvens. Registreringsförfarandet illustreras i figur 7.
    Anmärkning: Valfria funktioner i RegLSM inkluderar registrering till en mellanliggande CT/MRI-mall som närmare liknar skanningar av äldre patienter med hjärnatrofi22. Som standard är CT och MRI Scan registrerade i MNI-152 mall34, men detta kan ersättas med andra mallar om detta bättre passar studien. Olika registreringssystem illustreras i figur 7. Andra Registreringsverktyg för öppen källkod kan också användas för det här steget.
  2. Kontroll 1) om nifti-filerna inte är komprimerade, 2) att filnamnet på den segmenterade genomsökningen innehåller termen CT, FLAIR eller DWI, och 3) att filnamnet på lesion anteckningen innehåller samma term med en bifogad ". lesion". Om dessa tre första steg följs, är uppgifterna helt förberedda för registrering och ingenting behöver ändras.
  3. Öppna MATLAB (version 2015a eller högre), ange den aktuella mappen till Reglsm (den här mappen kan laddas ner från 35 (version 12 eller högre, gratis nedladdning på < https://www.fil.Ion.UCL.AC.uk/SPM/>) genom att skriva addpath {mappnamn för SPM}. Därefter skriver du Reglsm för att öppna GUI.
  4. Välj testläge i den nedrullningsbara menyn registrering för att utföra registreringen för ett enda ärende. I panelen test läge väljer du skanningen (CT, FLAIR eller DWI), anteckning och eventuellt T1 med knappen Öppna bild . Välj registrerings schema: CT, Flair med eller utan T1, DWI med eller utan T1.
  5. Du kan också välja batchläge för att registrera skanningar av alla ärenden i den valda mappen i batchläge.
  6. Se till att RegLSM sparar de resulterande registrerings parametrarna och de registrerade skanningarna (inklusive mellanliggande steg) och den registrerade lesion-mappningen i undermappar som genereras automatiskt. Under denna process samplas de registrerade skanningar och lesionskartor om för att matcha upplösningen (isotropiskt 1 mm3 voxels) och ankling av mallen MNI-152.

5. granska registreringsresultat

  1. Välj alternativet Kontrollera resultat i den REGLSM GUI och bläddra till huvudmappen med registrerings resultaten. GUI kommer automatiskt att välja den registrerade skanningen med den registrerade lesion kartan, och MNI-152 mall med den registrerade lesion kartan i tvärgående, sagittal, och koronala riktlinjer (se figur 8).
  2. Bläddra igenom den registrerade skanningen och Använd hårkorset för att kontrollera anpassningen av den registrerade skanningen och MNI-152 mallen. Ägna särskild uppmärksamhet åt anpassningen av igenkännbara anatomiska landmärken såsom basala ganglierna, ventriklarna, och skalle.
  3. Markera alla misslyckade registreringar i en separat kolumn i datafilen (som gjordes i steg 1,2) för den efterföljande manuella korrigeringen i avsnitt 6.
    Anmärkning: Vanliga fel i registreringen är ofullkomliga anpassning på grund av den Mass effekt som orsakas av lesionen i det akuta stadiet, eller ex vakuum utvidgningen av ventriklar i det kroniska stadiet. Se figur 3 och figur 5 för exempel på sådan feljustering. Ett annat vanligt fel är en feljustering av tentorium cerebelli, i vilket fall en occipital-infarct kan överlappa med lillhjärnan i mallen. Feljustering av vävnader som inte är bort är inte ett problem när endast binära lesion kartor används i efterföljande lesion-symptom kartläggning analyser. I sådana fall behöver endast lesioner vara perfekt inriktade.

6. korrigera registreringsfel manuellt

  1. För lesion kartor som behöver korrigering, öppna MNI-152 T1 mall i ITK-SNAP och välj från segmentering menyn | öppen segmentering | registrerad lesionskarta, som nu är överlagd på mallen.
  2. Öppna registrerade Brain Scan i en separat instans av ITK-SNAP för referens.
  3. Korrigera den registrerade lesion kartan i ITK-SNAP för någon typ av förskjutning som nämns i steg 5,3 med hjälp av pensel funktionen för att lägga till voxels (vänsterklick) eller ta bort voxels (högerklicka). Jämför noggrant den registrerade skannings-och överlagd lesionkartan (se steg 5,2) med mallen MNI-152 och den överlagda lesionkartan i ITK-SNAP (se steg 6,1) för att identifiera regioner med fel inriktning. Se figur 3 och figur 5.
  4. Efter manuellt korrigera lesion karta i MNI utrymme, utföra en slutlig kontroll genom att jämföra segmenterade infödda genomsökning av patienten med den korrigerade lesion kartan i MNI rymden (dvs. resultaten av steg 6,3). Se till att den korrigerade lesionkartan i MNI rymden nu exakt representerar infarkten i det ursprungliga utrymmet. Ägna särskild uppmärksamhet åt de igenkännbara landmärken såsom basala ganglier, ventriklar, och skalle (liknande steg 5,2).
  5. Spara den korrigerade lesionkartan i MNI rymden som en binär nifti-fil i samma mapp som den okorrigerade lesionkartan i MNI-152 utrymme, vilket ger den exakt samma namn som den okorrigerade lesion kartan, med förlängningen av. korrigeras.

7. förbereda data för lesion-symptom mappning

  1. Byt namn på alla lesionskartor. Som standard har RegLSM sparat lesionskartorna i en undermapp med filnamnet "Results". Inkludera ämnes-ID i filnamnet. När det gäller Manuell korrigering, se till att välja och byta namn på den korrigerade filen.
  2. Kopiera alla lesion kartor till en enda mapp.
  3. Utför en Sanity kontroll av data genom att slumpmässigt välja och inspektera flera lesion kartor i ITK-SNAP och jämföra dessa med de infödda skanningar att utesluta systematiska fel i databehandling såsom vänster-höger vändning.
  4. Använd MRIcron < https://www.nitrc.org/projects/mricron > att utföra en annan Sanity kontroll av data genom att skapa en lesion överlappning bild för att kontrollera om inga lesioner finns utanför hjärnan mallen. Gör detta genom att välja rullgardinsmenyn Rita | statistik | skapa överlappnings bilder.
    Anmärkning: Den resulterande lesion overlay kartan kan projiceras på MNI-152 mall och inspekteras med till exempel MRIcron eller ITK-SNAP.
  5. Den lesion kartor är nu redo att användas för Voxel-baserade lesion-symptom kartläggning eller för beräkning av-infarct volymer inom specifika regioner av intresse med hjälp av en Atlas som är registrerad på samma standard utrymme som lesion kartor (i detta fall, MNI-152 utrymme för som många atlaser finns tillgängliga, endast ett fåtal hänvisas till nedan36,37,38).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Föredöme fall av hjärn-infarct segmentering på CT (figur 3), DWI (figur 5), och Flair (figur 6) bilder, och efterföljande registrering till MNI-152 mallen finns här. Registrerings resultaten som visas i figur 3B och figur 5c var inte helt framgångsrika, eftersom det var feljustering nära den främre horn i ventrikeln. De registrerade lesionskartorna över dessa misslyckade registreringar korrigerades manuellt, vars resultat visas i siffrorna. Efter denna manuella korrigering, den lesion kartor över vart och ett av dessa tre exempel fall är en korrekt representation av infarkter i infödda rymden, och lesion kartorna är redo att användas för efterföljande lesion-symptom kartläggning. Figur 6C visar ett exempel på ett adekvat registreringsresultat som inte kräver någon Manuell korrigering.

Dessa siffror belyser också flera potentiella fallgropar i Brain-infarct segmentering på var och en av dessa skannings metoder. Figur 2 visar ett exempel på rörelse artefakter på en datortomografi, i vilket fall patienten bör uteslutas från lsm studier. Figur 4 visar ett exempel på imma på en datortomografi, som vanligtvis sker 14-21 dagar efter stroke, vilket leder till en underskattning av-infarct storlek. DATORTOMOGRAFI som görs i detta tidsintervall bör därför inte användas för lesion-symptom mappning. Figur 7 visar resultaten av tre typiska hjärnan bild registreringssystem som genereras med hjälp av reglsm programvaran. Figur 8 visar resultatet av registreringen av en DWI-avbildning till mallen MNI-152 T1 i registreringsresultat visaren reglsm.

Dessa resultat illustrerar hela processen för-infarct segmentering på CT och MRI, registrering till standard utrymme, efterföljande kvalitetskontroller, och vid behov, Manuell korrigering av registreringen resultat. De resulterande lesion kartorna är redo att användas i Voxel-baserade eller region av intresse-baserade lesion-symptom mappning.

Figure 2
Figur 2 : Exempel på rörelse artefakter på en datortomografi som presenterar som skuggning, ränder och oskärpa i bilden. Två olika skivor av en enda datortomografi visas. Några exempel på streck och nyanser i bilden indikeras med pilar. I detta fall, en-infarct med en hemorragisk komponent i den högra lillhjärnan halvklotet är klart synlig, men en exakt avgränsning av lesionen främre och mediala gränsen är svårt på grund av dessa artefakter. Denna genomsökning bör därför inte användas för LSM. Vänligen klicka här för att se en större version av denna siffra.

Figure 3
Figur 3 : Segmentering och registrering av en-infarct på en datortomografi. (A) datortomografi vid tre tidpunkter för en enda patient. CT < 24 h kan inte användas för segmentering eftersom infarkten är ännu inte synlig även om CT-perfusion kartor visar ischa i en stor höger frontal region. Legender till CT-perfusion kartor: cerebralt blodflöde (CBF i mL/100 g/min) som spänner 0 (mörkblå) till 200 (röd) och medel transittid (MTT i s) som sträcker sig från 0 (röd) till Mörkblå (20). Datortomografi på dag 6 visar svullnad av den hjärt hjärnvävnaden, med liten mittlinjen Skift och hemorragisk omvandling synlig som en region med högre densitet inom infarkten. Datortomografi efter 4 månader visar hjärnvävnad förlust med ex vakuum utvidgningen av ventriklar och närliggande sulci. Registreringen kommer att behöva kompensera för den resulterande förskjutningen av angränsande strukturer. (B) resultatet av registreringen till MNI-152 mallen. Registreringsalgoritmen kompenseras otillräckligt för mittlinjen Skift och komprimering av vänster kammare, som krävde en manuell korrigering (visas till höger). Vänligen klicka här för att se en större version av denna siffra.

Figure 4
Figur 4 : Exempel på den dimmig effekt på CT-avbildning. Skanningar vid tre olika tidpunkter visas för två olika patienter för att illustrera varför en datortomografi som gjorts i dim fasen (dvs. 14-21 dagar efter stroke) bör undvikas. (A) för patient 1, datortomografi utförd 24 h efter stroke debut visar en väl avgränsat-infarct i vänster frontalloben. 20 dagar efter stroke debut, är-infarct inte väl avgränsade, och med hjälp av denna sökning för segmentering skulle resultera i underskattning av-infarct storlek. Uppföljningen MRI (3 år efter) visar att datortomografi efter 24 h var en korrekt representation av-infarct storlek, medan datortomografi på dag 20 var inte. (B) för patient 2, datortomografi inom 24 h visar subtila tidiga tecken på ischemi med förlust av grå-vit materia differentiering och diffus svullnad i rätt temporala och öregioner. Datortomografi på dag 4 visar en väl avgränsat infarct. På datortomografi på dag 18, en stor del av den hypotäta hjärt regionen har blivit isodense, vilket skulle resultera i undersegmentering av infarkten. Vänligen klicka här för att se en större version av denna siffra.

Figure 5
Figur 5 : Segmentering och registrering av en infarkt på en MRI-DWI-sekvens. Mr-skanning utförd 12 h efter stroke debut. (A) den akuta ischemiska lesionen är hyperintensiv på DWI-sekvensen (b-Value = 1000) och placebo på ADC, vilket indikerar begränsad diffusion på grund av cytotoxiskt ödem. Infarkten segmenteras på DWI-bilden. Det bör noteras att det finns en subtil ökning av signalen på FLAIR, men detta är otillräckligt klart för att möjliggöra lesion segmentering vid denna tidpunkt. (B) den prickig ellipsen visar artefakter nära Bone-Air konfigurationer på DWI (övre bilden) och ADC (lägre bild). (C) jämförelse av den registrerade DWI-sekvensen (vänster bild, samma skanning som visas i panelerna A och B) och motsvarande registrerade infarkt med mallen MNI-152 (Mittenbilden). Notera det lilla felet i spetsen för den högra caudatuskärnan, där ventriklarna inte är perfekt inriktade. Detta krävde en manuell korrigering av segmenteringen i standard utrymme (visas till höger). Vänligen klicka här för att se en större version av denna siffra.

Figure 6
Figur 6 : Segmentering och registrering av en-infarct på en MRI-Flair sekvens. MRI-skanningar utfördes vid två olika tidpunkter efter stroke för en enda patient. (A) vid MRI-skanningar på dag 3 kan den akuta lakunär-infarkten (indikeras med vita pilar) på ett tillförlitligt sätt särskiljas från kroniska hyperintensiva lesioner, såsom hyperintensiteter med vita partiklar (indikerade med streckade cirklar), eftersom endast akuta infarkter Visa diffusions begränsning på DWI. Det bör noteras att vid denna tidpunkt, DWI kan också användas för segmentering. (B) vid 7 månader, är DWI inte längre användbart för att skilja infarkten från vita partiklar hyperintensities. Istället, T1 bör användas för att identifiera infarkten baserat på närvaron av en cerebrospinalvätska fyllda hålighet som har en låg signal på T1 (och hög signal på ADC). Vid detta kroniska skede bör både kaviteten och den omgivande hyperintensiva signalen på FLAIR segmenteras som en infarkt. (C) Detta visar resultaten av registreringen av Flair på dag 3, vilket är adekvat och kräver ingen manuell korrigering. Vänligen klicka här för att se en större version av denna siffra.

Figure 7
Figur 7 : Översikt av ofta använda registreringssystem genomförs i RegLSM. Användning av mellanliggande mallar som ger en bättre matchning med patienten än målmallen är valfri. Detta är särskilt viktigt när en datortomografi registreras i en MRT-mall (se patient 1). När du segmenterar på FLAIR eller DWI kan den segmenterade skanningen antingen medregistreras till en ursprunglig T1-bild (se patient 2), om sådan finns eller är direkt registrerad i T1-mallen (patient 3). Andra alternativ finns också, vilket förklaras i de relevanta avsnitten i diskussionen. Vänligen klicka här för att se en större version av denna siffra.

Figure 8
Figur 8 : Registrering resultat Viewer genomförs i RegLSM. De tre vänstra panelerna visar MNI-152 mallen i tre plan (transversal, sagittal, Koronal), och de tre högra panelerna visar en registrerad DWI-bild i tre plan. Hårkorset hjälper kan användas för att kontrollera om anatomiska strukturer är korrekt inriktade. Vänligen klicka här för att se en större version av denna siffra.

Kompletterande figur 1: typisk mappstruktur under en BILDBEHANDLING för lsm. Den första undermappen för subject ID002 innehåller tre inbyggda skanningar i nifti-format (FLAIR, T1 och T2, i röd ruta) och segmenteringen av FLAIR-sekvensen (i Blue Box). De tre undermapparna skapas under registreringsprocessen av RegLSM. Undermappen to_MNI innehåller den registrerade segmenterade skanningen (i detta fall FLAIR, i grön ruta). Den efterföljande undermappen innehåller den registrerade lesionkartan i standard utrymme (lila ruta). Av notera, RegLSM ska göras BIDS-kompatibelt i den kommande uppdateringen. Vänligen klicka här för att ladda ner denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

LSM är ett kraftfullt verktyg för att studera den funktionella arkitekturen i den mänskliga hjärnan. Ett avgörande steg i någon lesion-symptom kartläggning studie är förbehandling av Imaging data, segmentering av lesionen och registrering till en hjärna mall. Här rapporterar vi en standardiserad pipeline för lesion segmentering och registrering i syfte att lesion-symptom kartläggning. Denna metod kan utföras med fritt tillgängliga bildbehandlingsverktyg, kan användas för att bearbeta både CT och strukturella MRI-skanningar, och täcker hela processen med att förbereda avbildningsdata för lesion-symptom kartläggning analyser.

Det första stora steget i bearbetning hjärnavbildning data för lesion-symptom mappning är lesion segmentering. Detta protokoll ger en detaljerad handledning inklusive kriterier för-infarct avgränsning, flera exempel och fallgropar för att underlätta korrekt och reproducerbar segmentering. Som nämnts i protokollet och sammanfattas i tabell 1, varje Skanningstyp har en viss tid fönster där den kan användas för-infarct segmentering. Infarkter är synliga på DWI inom flera timmar efter stroke debut som hyperintensiva på DWI och placebo på ADC (reflekterande begränsad vatten diffusion på grund av cytotoxiska ödem), medan andra MRI-sekvenser, inklusive Flair, (och datortomografi) är inte tillräckligt känsliga att tillförlitligt detektera infarkter inom 48 h39. Efter den första veckan, ADC bilden blir isointense och så småningom hyperintensiva som vasogena ödem utvecklar30, medan DWI vanligtvis är hyperintensiva för flera veckor31,39,40. Det rekommenderas därför att använda DWI endast inom 7 dagar och att använda FLAIR sekvensen efter 7 dagar.

Som noterats i steg 3,4, en Flair hyperintensiva lesion är inte alltid en infarct. Vit materia hyperintensities och andra kroniska lesioner kan likna en subkortikala-infarct på en FLAIR sekvens. I det akuta skedet kan små subkortikala infarkter lätt särskiljas från vita materiens hyperintensiteter eller andra kroniska lesioner såsom lacunes av förmodat vaskulärt ursprung när det finns en DWI tillgänglig, som nämns i protokollet (se figur 5). I det kroniska skedet måste T1-sekvensen granskas noga för att leta efter små hålrum (av minst 3 mm) inom en lesion, vilket indikerar att lesionen inte är en vit materia hyperintensitet (se figur 6). Hålrum av < 3 mm, särskilt när långsträckt i form, inom en känsla hyperintensiv lesion är mer benägna att vara en perivaskulär utrymme än en-infarct och inte ska segmenteras som infarkter33. Om en kronisk kaviterat lesion passar kriterierna för en lacune (dvs. håligheten är 3-15 mm)33, det kan fortfarande vara utmanande att se till att detta är i själva verket symptomatisk infarct, eftersom lacunes kan förekomma hos individer utan öppen neurologiska symtom, och vissa individer har flera lacunes41. Det hjälper till att känna till den kliniska stroke fenotyp i dessa fall för att säkerställa att infarkten är placerad i en struktur som passar de initiala stroke symtom. När det råder tvivel om en lacune motsvarar stroke symtom, det är bäst att utesluta patienten.

Det finns flera överväganden om exakt-infarct identifiering som måste beaktas. Den första gäller tillförlitligheten av skanningar för att upptäcka hjärn infarkter. I mindre ischemisk stroke patienter med små infarkter, slutlig-infarct storlek på uppföljning FLAIR är ofta mindre än den initiala DWI lesion42. I stora (kortikala) infarkter, det finns betydande bevis för att DWI lesion i hyperakuta Stadium (< 24 h) korrekt representerar-infarct kärnan (dvs., representerar oåterkallelig skada), även när DWI Imaging utförs innan reperfusion terapi 43 , 44. emellertid, i vissa fall, den DWI lesion sett inom 24 h är en underrepresentation av den slutliga-infarct storlek, eftersom Penumbra (hypoperfused men potentiellt salvageable hjärnvävnad) inte är synlig som en DWI lesion, men det kan fortfarande utvecklas för att bilda del av den slutliga-infarct43 (särskilt om reperfusion behandling inte utförs hos patienter med stora artär ocklusioner).

Ett annat problem med att använda DWI inom 24 h är att DWI lesioner till viss del dynamisk och kan visa återföring efter reperfusion terapi. Men uppföljnings skanningar visade att denna återföring var övergående och att den initiala DWI lesion gjorde korrekt representera-infarct kärnan. Detta tyder dock på att DWI utförde flera timmar efter reperfusion kan resultera i ytterligare underskattning av den slutliga-infarct storlek43. Denna potentiella underskattning av den slutliga-infarct storlek är en viktig begränsning av att använda DWI utförs inom 24 h efter stroke debut i lesion-symptom kartläggning studier. Det bör dock noteras att det finns begränsningar för att använda andra skannings protokoll också. Först av allt, skanningar av någon modalitet som utförs > 24 h efter stroke kan visa massa effekt på grund av svullnad av infarkten i det akuta stadiet, och ex vakuum utvidgningen av ventriklar, gyral breddning, och förskjutning av omgivande strukturer i kronisk steg7. Denna förskjutning bör korrigeras genom registreringsalgoritmen och, om nödvändigt, en manuell korrigering bör utföras av en sakkunnig granskare. Fortfarande, båda villkoren kan påverka noggrannheten i översättningen av den hjärt regionen till standard utrymme, även när rigorösa kvalitetskontroller utförs.

Notera, DWI i hyperakuta skede inte lider av denna begränsning, eftersom det inte finns någon betydande massa effekt inom 24 h. Mot bakgrund av de här skannerns typspecifika begränsningar bör man överväga att skaffa en homogen datauppsättning vid utformningen av en studie av lesion-symtom mappning, med en enda Skanningstyp vid en standardiserad tidspunkt. Detta kommer dock att introducera en systematisk bias i patientinkludering, som i de flesta kliniker, strokepatienter som genomgår MRI är olika (dvs., ofta har mindre infarkter och mindre, mer isolerade symtom) jämfört med patienter som genomgår CT. Som sådan, systematiskt utesluta patienter med en specifik avbildning modalitet kommer att begränsa variationen i lesion fördelning, vilket i sin tur har en negativ inverkan på giltigheten av lesion-symptom kartläggning resultat45.

Slutligen är en begränsning av alla strukturella avbildning modaliteter att de inte fångar närvaron av minskad perfusion runt infarkten, även om onormal perfusion i hjärnregioner som verkar normala på strukturell avbildning kan störa hjärnans funktion7,46. Sammanfattnings, CT och flera strukturella MRI-sekvenser kan användas för att segmentera infarkter för lesion-symptom mappning, så länge rätt tid fönster och kriterier för lesion upptäckt följs, och registreringen resultaten kontrolleras noggrant. Med hänsyn till Scanner typspecifika och tidsfönster-specifika begränsningar är avgörande när man utformar och tolkar lesion-symptom kartläggning studier.

En viktig fråga i någon lesion segmentering metod utvärderar dess reproducerbarhet. Adekvat utbildning och kunskap om hjärnans anatomi är avgörande för att skilja lesioner från normala anatomiska strukturer och anatomiska varianter. Också, utvärdering av Inter-och intra-observatör reproducerbarhet innan du utför-infarct segmenteringar för lesion-symptom mappning rekommenderas. Vi har tidigare visat hög Inter-observatör avtal för manuell-infarct segmentering protokoll om CT skannar i både den akuta [Mean Dice likhet koefficienten (DSC) 0,77; SD 0,11] och kroniska (DSC 0,76; SD 0,16) stadier, samt hög intra-observatör avtal (DSC 0,90, SD 0,05 i akuta skede; DSC 0,89, SD 0,06 i kronisk fas)16. Inter-Observer avtalet för-infarct segmentering på DWI och FLAIR är också känt för att vara hög47.

Den huvudsakliga begränsningen av den metod som beskrivs här är att manuell segmentering, kvalitetskontroller och manuella korrigeringar är tidskrävande. Helt automatiserad-infarct segmenteringsverktyg som kan bearbeta både CT och MRI-skanningar med varierande skannings protokoll på ett tillförlitligt sätt saknas7,47. Automatiserade-infarct segmenteringsverktyg som är optimerade för specifika skannings protokoll ger lovande resultat (t. ex. för DWI där kontrasten mellan hjärt och normal hjärnvävnad är mycket hög48), och ytterligare förbättringar kommer sannolikt att göras inom en snar framtid. Semi-automatiserade metoder kan minska den tid som behövs för segmentera infarcts men också kräva en expert för att säkerställa korrekt lesion klassificering47. Denna kvalitetskontroll är avgörande, eftersom även ett fåtal misslyckade-infarct-segmenteringar kan avsevärt minska giltigheten av lesion-symptom kartläggning resultat. Sålunda, manuell-infarct segmentering förblir guldmynt standard7.

Det andra stora steget i bearbetning hjärnavbildning data för lesion-symptom mappning är registreringen av lesion kartor till en hjärna mall. RegLSM innehåller flera validerade registreringssystem. För datortomografi utförs histogramutjämning för att förbättra mjukvävnads kontrasten21, och en mellanliggande registrerings steg till en CT-mall22 utförs för att optimera registrerings kvaliteten. Vid MRI-skanningar registreras den skanning som segmenteringen utfördes på tillsammans med motsvarande T1-sekvens, om sådan finns, med hjälp av linjär registrering. Därefter är den infödda T1 registrerad på en mellanliggande Åldersspecifik T1-mall22 eller direkt till Target T1-mallen34 med hjälp av linjär och icke-linjär registrering20. Mellanliggande mallar, både CT och T1, har anpassats till Target T1-mallen med hjälp av en linjär och icke-linjär registrering som har optimerats och verifierats manuellt. När den mellanliggande mallen används läggs den här förberäknade omvandlingen som det slutliga omformnings steget.

När ingen T1 är tillgänglig kan genomsökningen som segmenteringen utfördes (vanligtvis en FLAIR eller DWI) registreras direkt till Target T1-mallen med hjälp av en linjär och icke-linjär registrering20. För DWI-avbildningar skapas en hjärn vävnads mask med hjälp av enhetlig segmentering som implementeras i SPM35, för att vägleda den linjära registreringen varefter en icke-linjär registrering slutför proceduren. Registreringssystemen i RegLSM är mycket anpassningsbara, och den vanliga MNI-152 T1-mallen och mellanliggande mallen kan ersättas av en mall som kan ge en bättre matchning med segmenterad skanning. En intressant möjlighet skulle vara utvecklingen av FLAIR och DWI Brain mallar som ger en bättre matchning med enskilda strokepatienter. En begränsning av den beskrivna registreringsmetoden är att registreringen misslyckas i vissa fall, vilket innebär en visuell inspektion av registrerings resultaten krävs för alla patienter, följt av en manuell korrigering i vissa fall. Antalet ärenden som kräver en manuell korrigering varierar med undertypen linje. I vår tidigare erfarenhet, manuella korrigeringar behövs i upp till en tredjedel av stora hjärn infarkter49,50,51 men endast 13% av patienter med små lakunär infarkter4. Majoriteten av misslyckade registreringar orsakas av anatomiska snedvridningar på grund av lesionen (som diskuterats tidigare), vilket är särskilt sannolikt att hända i fall av stora infarkter med antingen svår svullnad eller ex vakuum utvidgningen av omgivande strukturer. Den manuella korrigering av dessa avvikelser är tidskrävande men avgörande innan du utför lesion-symptom kartläggning analyser. Antalet fall som kräver manuell korrigering är lägre när man studerar vit materia hyperintensities jämfört med infarkter, förmodligen eftersom dessa lesioner inte orsakar betydande anatomisk distorsion. I vår senaste lesion-symptom kartläggning studie hos patienter med vit materia hyperintensities, endast 3% var av otillräcklig kvalitet för att fortsätta utan manuell korrigering6.

Som standard, RegLSM inte tillämpa någon form av lesion maskering eller lesion fyllning, även om anpassningsbara karaktär RegLSM tillåter användare att aktivera den. Användningen av ömsesidig information metriska52 i registreringsförfarandet undviker de flesta av de frågor som tidigare uppkommit med förekomsten av en lesion som påverkar registrerings kvaliteten. Ömsesidig information lämpar sig väl för multimodala registreringar (t. ex. känsla för T1) och påverkas mindre av förekomsten av patologi än andra mätvärden eller kostnads funktioner. Även för intra-modal registrering (t. ex. ämnet T1 till mallen T1), bör ömsesidig information användas för att hantera förekomsten av patologi. Lesioner kommer att ha ett eget kluster i det gemensamma histogrammet som kan optimeras utan att påverka registrerings kvaliteten. I vissa fall kan lesion maskering även försämra registrerings kvaliteten, eftersom otillräcklig bildinformation återstår att vägleda registreringen när lesion volymen är stor.

Som en allmän kommentar om den programvara som används, inklusive konvertering från DICOM till nifti-format, skanna visualisering och anteckning, bör det noteras att många Open-Access verktyg finns. Vi har inte en systematisk översikt över alla tillgängliga verktyg, eftersom detta var utanför tillämpningsområdet för denna artikel. Dessutom utvecklar många institutioner sina egna bild visualiserings-och anteckningsverktyg. Här valde vi att tillhandahålla en omfattande ram som täcker hela processen med CT/MRI förbehandling, segmentering, och registrering i syfte att lesion-symptom kartläggning med hjälp av flera vanliga Open-Access-verktyg. När du använder den här metoden kan de föreslagna bild konverterings-, visualiserings-eller antecknings verktygen ersättas av andra tillgängliga verktyg eller av skräddarsydda verktyg, om detta bättre passar data eller anses vara bekvämare. Dessutom kan bildbehandling pipeline anpassas ytterligare genom att genomföra tillgängliga (semi-) automatiserade-infarct segmenterade verktyg, om detta passar studiens utformning av en viss lesion-symptom kartläggning studie. Denna uppsats fokuserar på bearbetning skanningar av patienter med ischemisk stroke, men ramverket kan användas för bearbetning andra lesion typer samt (t. ex., vit materia hyperintensities eller lacunes) genom att ersätta lesion segmentering förfarande (avsnitt 3 i protokoll) med en annan lämplig segmenteringsprocedur.

En viktig fråga i lesion-symptom kartläggning är hur man handskas med co-förekommande patologier. Till exempel, när du utför en studie på patienter med akut ischemisk stroke, det kan finnas en betydande mängd Co-förekommer vita partiklar hyperintensities eller ens tidigare infarkter. Vid studier av vita materialens hyperintensiteter kan vissa patienter också ha (tysta eller kliniskt overt) hjärn infarkter. Co-förekommande patologier på hjärnavbildning kan ha ett självständigt bidrag till kognitiv svikt och bör helst tas i beaktande. Ett enkelt sätt att hantera denna fråga är att utesluta patienter med samtidig förekommande sjukdomar [t. ex. utesluta patienter med (stora) hjärn infarkter när de fokuserar på vit materia hyperintensiteter], men detta har nackdelen att begränsa generalizabilityen av fynden till tålmodig med en singeltyp av patologi.

En alternativ metod som ofta används är tillbakagång effekterna av co-inträffar patologier (t. ex. Justera för vit materia hyperintensitet volym eller närvaron av hjärn infarkter) på utfall variabeln före eller under lesion-symptom kartläggning Analys. Men en begränsning av detta tillvägagångssätt är att placeringen av dessa Co-förekommande patologier inte beaktas, även om detta är känt för att vara relevant för infarkter och vit materia hyperintensities2, och sannolikt för andra lesion typer. Därför, på teoretiska grunder, är det bästa sättet att utföra en integrerad lesion-symptom kartläggning analys där VLSM resultaten korrigeras för lokalisering av co-förekommer sjukdomar på Voxel-nivå. I en nyligen studie, en multivariat stöd vektor regression-baserad metod användes för att utföra integrerade Voxel-Wise lesion-symptom mappning på flera lesion typer och identifierade hjärnregioner där vit materia hyperintensities är förknippade med kognitiva nedgång efter stroke, oberoende av akut-infarct plats53. Denna studie visar hur en integrerad Voxel-Wise analys av flera lesion typer kan ge nya insikter i den komplexa interaktionen mellan olika lesion typer i utvecklingen av kognitiv svikt och demens53.

Sammanfattnings, den bildbehandling pipeline som här fungerar som en standardiserad metod för hjärnan lesion segmentering och registrering för syftet med lesion-symptom kartläggning. Styrkan i denna metod är den (1) tillförlitligheten i segmentering och registreringsmetod, som kommer på bekostnad av rigorösa kvalitetskontroller, och i vissa fall korrigeringar av en utbildad bedömare, (2) customizability av registrering pipeline där registreringssystem och mallar kan anpassas för att passa data på bästa möjliga sätt, och (3) möjlighet att bearbeta mycket heterogena hjärn avbildningsdata, inklusive CT och strukturella MRI-sekvenser. Framtida utmaningar inkluderar utveckling av robusta, automatiserade lesion segmenteringsverktyg för CT och MRI, ytterligare förbättringar av registreringsmetoder, och utveckling av hjärnmallar som ger en bättre matchning med enskilda strokepatienter, inklusive DWI och FLAIR-mallar. Dessa förbättringar kan ytterligare öka reproducerbarheten av lesion segmentering och minska den tid som ägnas åt att utföra visuella kontroller och manuella korrigeringar.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna avslöjar inga intressekonflikter.

Acknowledgments

Arbetet med Dr BIESBROEK stöds av en ung talang gemenskap från hjärn centrum Rudolf Magnus av University Medical Center Utrecht. Detta arbete och meta VCI Map Consortium stöds av Vici Grant 918.16.616 från ZonMw, Nederländerna, organisationen för hälsoforskning och utveckling, till Geert Jan Biessels. Författarna skulle vilja tacka Dr Tanja C.W. Nijboer för att dela skanningar som användes i en av siffrorna.

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

Beteende lesion-symptom kartläggning lesion-beteende Mapping infarct stroke segmentering registrering bild registrering rumslig normalisering vaskulär kognitiv svikt
Brain infarct segmentering och registrering på MRI eller CT för lesion-symptom Mapping
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Biesbroek, J. M., Kuijf, H. J.,… More

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

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter