Teile dieser Arbeit, das heißt die Studie über QC und Korrektur für beschädigte Gradientenrichtungen in Anwendung, um Daten von Patienten mit hyperkinetischen Störungen, wurden von der Europäischen HD Netzwerk (EHDN Projekt 070) unterstützt. Die MRT-Aufnahmen in dieser bestimmten Studie wurden als Teil der London-Website TRACK-HD Kohorte erworben.

Analyse-Methoden: Pre-und Postprocessing Die Aufgabe des folgenden Protokolls ist die Diffusion Eigenschaften innerhalb der weißen Substanz, die sein könnte voxelwise analysieren - aufgrund der voxelwise Erkennung - entweder isotrope oder anisotrope, was prolate oder Oblate Diffusion Tensor für die jeweiligen Voxel. Die Parametrierung der Voxel Tensoren wird entweder für die Berechnung des FA-Karten oder die Identifizierung von fibertracts (Abbildung 1). Um Analyseergebnisse zu erhalten, wie im folgenden Beispiel gezeigt, verwenden Sie das Software-Paket Tensor Imaging und Fiber Tracking (Tift) 17. Tift bietet Analyse-Tools für die folgenden Anforderungen erfüllen: <ul><li> Analyse in Bezug auf die DTI-Metriken, wie zB FA-Karten, </li><li> stereotaktischen Normalisierung </li><li> Group-Vergleich hinsichtlich der FA oder andere Metriken DTI </li><li> Analyse verschiedener Ansätze der FT </li><li> FT auf Gruppe gemittelt DTI und der entsprechenden statistischen Analyse. </li></ul> Diese Merkmale ermöglichen eine Vielzahl von Analysen in einem Software-Umgebung 17,29,30,31. Die Tift Software ist ständig in der Entwicklung für neue Möglichkeiten in der DTI Datenanalyse. Abbildung 2 gibt einen schematischen Überblick, wie DTI Daten auf Gruppenebene analysieren nach räumlichen Normalisierung von zwei komplementären Ansätzen, sowohl durch WBSS und TFAS dh um schließlich Unterschiede zwischen Subjekt Proben auf Gruppenebene, zB kranken Gehirnen im Vergleich zu gesunden Kontrollpersonen. Hier soll WBSS bei einer voxelwise unvoreingenommene Erkennung von Bereichen mit Unterschieden auf Gruppenebene, während TFAS auf vordefinierte fibertracts beruht; die TFAS ab Bereiche können entweder frei gewählt werden oder sich aus den WBSS Ergebnisse (`` Hotspots von abgeleitet werden wesentlich verändert FA). Einzelne Längs Vergleich der FA-Karten ist vom UVEK durchgeführtting Unterschiede in FA-Karten von Messungen an verschiedenen Zeitpunkten nach der stereotaktischen affine Ausrichtung (Abbildung 2). <ol><li> Qualitäts-Check (QC) einschließlich Korrektur für beschädigte Gradientenrichtungen Im Falle von Störungen während der Bewegung des Erwerbs, dh im Falle von beschädigten Datenträgern wird ein SNR Steigerung durch Weglassen einzigen Gradientenrichtungen (GD) für Tensor Berechnung erhalten. Zu diesem Zweck wurde eine Qualitätskontrolle (QC)-Algorithmus 32 entwickelt. Kurz gesagt, für Scans, die Bände beschädigt enthalten ist, wird eine Erhöhung SNR durch Auslassen einzelnen Gradientenrichtungen ein zu einer Zeit vor dem Tensor Schätzung erreicht: Bei jeder GD, die gewichtete Varianz aus den restlichen Richtungen in der Sequenz durch eine Gewichtung mit dem Winkel in der Computertomographie denen sie sich von dem Index GD. <ol><li> Führen Sie ein Artefakt Korrektur durch Erfassen GD mit mindestens einer Scheibe zeigt verminderte Intensität, dh Bewegungsartefakte durch spontane su verursacht<html> bject Bewegung (Abbildung 3, oben). Für jede diffusionsgewichtete Volumen, berechnen Sie die mittlere Intensität für jede Scheibe und vergleichen Sie die Intensität mit der gleichen Scheibe in allen anderen Datenträger mithilfe einer gewichteten durchschnittlichen Ansatz - der Gewichtungsfaktor ist das Skalarprodukt von Vektoren von zwei GD <img alt="Gleichung 8" fo:src="/files/ftp_upload/50427/50427eq8highres.jpg" src="/files/ftp_upload/50427/50427eq8.jpg" /> : <img alt="Gleichung 9" fo:src="/files/ftp_upload/50427/50427eq9highres.jpg" src="/files/ftp_upload/50427/50427eq9.jpg" /> <img alt="Gleichung 10" fo:src="/files/ftp_upload/50427/50427eq10highres.jpg" src="/files/ftp_upload/50427/50427eq10.jpg" /> <img alt="Gleichung 11" fo:src="/files/ftp_upload/50427/50427eq11highres.jpg" src="/files/ftp_upload/50427/50427eq11.jpg" /> zeigt die arithmetische mittlere Intensität der Scheibe unter Beobachtung und427eq12.jpg &quot;/&gt; eine Scheibe zum Vergleich. Die relative mittlere Intensität Abweichung <img alt="Gleichung 13" fo:src="/files/ftp_upload/50427/50427eq13highres.jpg" src="/files/ftp_upload/50427/50427eq13.jpg" /> durch das Skalarprodukt der GD gewichtet. Somit wird, um einen globalen Parameter definieren: <img alt="Gleichung 14" fo:src="/files/ftp_upload/50427/50427eq14highres.jpg" src="/files/ftp_upload/50427/50427eq14.jpg" /> spiegelt die mindestens slicewise Vergleiche aller Scheiben. </li><li> Wenn Q unter einem bestimmten Schwellenwert (in diesem Beispiel ein Grenzwert von 0,8 ist für diesen Zweck verwendet werden), zu beseitigen, die gesamte Volumen oder GD. Ein Schwellenwert von 0,8 wird als eine stabile Lösung 32. 3 veranschaulicht Bewegungsartefakte sichtbar sagittalen Rekonstruktionen und von dem QC-Algorithmus. In diesem Beispiel, aus der Gesamtzahl der GD (blaue Punkte in Abb. 3c), 17 unterhalb der roten Linie, die zu Q = 0,8 entspricht und should beseitigt werden. Ein Beispiel für ein Volumen Beseitigung Statistiken für eine ganze Studie ist in Abbildung 3d dargestellt. In dieser exemplarischen Studie wurden Daten von 29 DTI präsymptomatischen HD Untertanen DTI Daten von 30 Kontrollpersonen verglichen. Weitere Einzelheiten dieses Algorithmus sind in 32, 33 dargestellt. </li></ol></li><li> Vorverarbeitung und räumliche Normalisierung <ol><li> Führen Sie die Korrektur der Wirbelstrom-induzierten geometrischen Verzerrungen der Echo-Planar-Imaging-Datensätzen nach der von 34 vorgeschlagen. </li><li> Für den stereotaktischen Normalisierung, erstellen eine Studie-spezifischen (b = 0) - Vorlage und ein FA-Vorlage als zuvor 17,28,31 beschrieben. Grundsätzlich besteht eine vollständige nichtlineare stereotaktischen Normalisierung der drei Komponenten Verformung. Folglich ist die resultierende Diffusionstensors <img alt="Gleichung 15" fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" /> jedes Voxel i muss drehbar seined nach allen oben aufgeführten Umdrehungen (Fig. 4): <ol class="lroman"><li> 4a zeigt eine starre Transformation Gehirn, um die Basis-Koordinatensystem Rahmen auszurichten. Die Drehung <img alt="Gleichung 16" fo:src="/files/ftp_upload/50427/50427eq16highres.jpg" src="/files/ftp_upload/50427/50427eq16.jpg" /> die sich aus der Ausrichtung auf das Basiskoordinatensystem Rahmen aufgebracht werden muss <img alt="Gleichung 17" fo:src="/files/ftp_upload/50427/50427eq17highres.jpg" src="/files/ftp_upload/50427/50427eq17.jpg" /></li><li> 4b zeigt eine lineare Deformation nach Sehenswürdigkeiten. Die Komponenten der Eigenvektoren <img alt="Gleichung 5" fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" /> sind entsprechend den sechs Normalisierung Parameter s (abhängig von der Gehirnregion s a,, a = 1 ... 6) der linearen Verformung angepasst werden. v w, j </sub&gt;&#39;&#39; &#39;= S ein v w, j&#39;&#39;&#39; w = 1,2,3 und j = x, y, z. </li><li> 4c zeigt eine nichtlineare Normalisierung Ausgleich nichtlinearer Gehirn Form Unterschiede. Die 3D-Vektor Schichten sind für jeden Voxel, die zu einem separaten Transformation für jeden Voxel des 3D-Voxel Array <img alt="Gleichung 18" fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" /> ). Norm Trigonometrie gibt eine Rotationsmatrix unabhängig für jedes Voxel, die sich aus dem 3-D Vektors verschiebt nach den Konzepten von 16, um die Beziehungen zwischen direktionalen Eigenvektoren neighbored Voxel zu bewahren. So führen verschiedene Schichten von zwei neighbored Voxel in Drehungen der entsprechenden Eigenvektoren. Verwenden Sie die Dilatation Matrizen für die Ausrichtung der Tensor <img alt="Gleichung 15" fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" /> jedes Voxeldie umliegenden Voxel. <img alt="Gleichung 19" fo:src="/files/ftp_upload/50427/50427eq19highres.jpg" src="/files/ftp_upload/50427/50427eq19.jpg" /> <img alt="Gleichung 20" fo:src="/files/ftp_upload/50427/50427eq20highres.jpg" src="/files/ftp_upload/50427/50427eq20.jpg" /> sind die Komponenten <img alt="Gleichung 18" fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" /></li></ol> Der ganze Prozess der Normalisierung wird iterativ, dh eine Scanner-und Sequenz-spezifischen (b = 0) - Vorlage für diese Studie im ersten Schritt durch arithmetische Mittelung der (b = 0) - Volumina aller Probanden nach linearen Transformation nach manuell gesetzt Sehenswürdigkeiten. Nach diesem ersten Normalisierung schaffen verbesserte Vorlagen, um die Normalisierung Matrizen zu optimieren. Die folgenden Schritte 1.2.3 bis 1.2.5 sind schematisch in Abbildung 5a visualisiert. </li><li> Nach dieser Normalisierung einzelnen Verfahren (step (i) - DTI-Daten I 0), verwenden alle individuellen DTI-Datensätze für die Erstellung einer Studie-spezifischen (b = 0) - Vorlage und ein FA-Vorlage (Schritt (ii) - Vorlagen T 1). Als nicht-affine Registrierung zu einem FA-Vorlage hat den Vorteil, dass es mehr Kontrast bietet im Vergleich zu (b = 0) 10 Bilder, definieren Sie eine FA-Vorlage durch Mittelung alle einzeln abgeleitet FA-Karten der Patienten und die Kontrollen. </li><li> In einem zweiten Schritt, nach den Grundideen der Ashburner und Friston 35, führen Sie eine nicht-lineare MNI Normalisierung (Schritt (iii)) der DTI-Datensätze durch Minimierung der Diskrepanz zwischen regionalen Intensitäten des FA-Karte ausgestattet sein und von der FA-Vorlage nach der quadrierten Differenzen (X 2) - auf diese Weise erhalten Sie DTI Daten I 1. </li><li> Basierend auf diesen Daten werden neue Vorlagen T 2 abgeleitet (Schritt (iv)). Wiederholen Sie diesen iterativen Prozess, bis die Korrelation zwischen den einzelnen FA-Karten und ter FA-Vorlage ist&gt; 0,7. Normalerweise ist dies nach zwei Iterationen erreicht. </li></ol></li><li> Whole-Brain-basierten räumlichen Statistik Die folgenden Schritte 1.3.1 bis 1.3.5 werden visualisiert schematisch in Abbildung 5b. <ol><li> Berechnen FA-Karten aus normalisierten DTI-Daten in Bezug auf die Normalisierung der Verfahren 1.2. um Richtungsinformation (Schritt (i)) zu erhalten. </li><li> Als Vorverarbeitung Schritt vor voxelwise statistischen Vergleich, gelten ein Glättungsfilters (Schritt (ii)) zu den einzelnen normierten FA-Karten. Für Glättung, erfordert die Tatsache, dass der Filter Größe die Ergebnisse der Datenanalyse DTI 36 beeinflusst Anwendung der angepassten Filter Satz, dass die Breite des verwendeten Filters, um die Daten zu verarbeiten, um die Größe des erwarteten Unterschied sollte angepasst werden, erklärt, wie detaillierte in früheren Anwendungen DTI Daten von Patienten mit neurodegenerativen Erkrankungen (z. B. 28). </li><li> Führen Sie statistische Layoutarison zwischen den Patientengruppen und der entsprechenden Kontrollgruppe voxelwise durch den Student-t-Test, dh vergleichen FA-Werte der Patienten FA-Karten mit den FA-Werte der Kontrollen &#39;FA-Karten, für jedes Voxel getrennt (Schritt (iii )). FA-Werte unter 0,2 sind für die Berechnung nicht berücksichtigt, da kortikalen grauen Substanz zeigt FA-Werte bis zu 0,2 37. </li><li> Statistische Ergebnisse müssen für multiple Vergleiche mit der falsch-Entdeckung-Rate (FDR)-Algorithmus bei p &lt;0,05 38 (Schritt (iv)) korrigiert werden. Weitere Reduktion der alpha Fehler muss durch eine räumliche Korrelationsalgorithmus (Clustering - Schritt (v)) durchgeführt werden, die getrennt Voxel oder kleine isolierte Gruppen von Voxel im Größenbereich der Glättung Kernel beseitigt, was zu einer Schwelle von 512 Cluster-Größe Voxel. </li><li> Um die Ergebnisse auf einer morphologischen Hintergrund (Schritt (v)) anzuzeigen, normalisieren die 3-D-T1-gewichtete Datensätze zu MNI Raum und durchschnittlich arithmetisch. Führen Sie diese Normalisierung pERFAHREN durch Verwendung einer Template-Studie in Analogie zur Normalisierung, die auf die DTI Datensätze 17. </li></ol></li></ol> Abbildung 6 zeigt die Ergebnisse der ganze Gehirn-basierten räumlichen Statistik (WBSS) von ALS-Patienten vs Kontrollen. 6a zeigt das lokale Maximum der verringerten FA-Werte in einem sagittal, coronar und axiale Ansicht (bei ​​p &lt;0,01 Schwellenwert, korrigiert für multiple Vergleiche). 6b zeigt Projektionsdensitometriesystem FT mit Ausgangspunkten in der corticospinalen Traktes als Basis für TFAS verwendet. 6c zeigt Unterschiede zwischen den Gruppen in FA-Karten ganze Gehirn basiert räumlichen Statistik (WBSS) zwischen einer Probe von ALS-Patienten und Kontrollpersonen in erkannt a slicewise Visualisierung. <ol start="4"><li> Traktographie und tractwise fraktionierte Anisotropie Statistik (TFAS) Abbildung 7 zeigt den Prozess der Gruppen-basierte FT einschließlich TFAS wie in 1 beschrieben.4.1 bis 1.4.4. <ol><li> Um Gruppen-basierte FT Algorithmen anwenden, erzeugen gemittelt DTI Datensätze aus der Patienten-Daten und von den Kontrollen die Daten zusammen nach den zuvor beschriebenen Verfahren 17. Diese Mittelung erfordert eine sorgfältige Behandlung der Informationen, die die Orientierung im Prozess der Normalisierung nach Techniken, die von 16 beschrieben wird beibehalten - für Details 30 zu sehen. </li><li> Führen tractography in gemittelten DTI Datensätze Fächergruppen durch Anwendung eines straffen Tracking-Technik 31. Identifizieren Sie manuell definiert Saatpunkte neben dem lokalen Maxima durch die gesamte Gehirn-basierte Analysen FA, die die Grundlage für die darauf folgenden FT-Analyse sind. Nach der Identifizierung der Samen, führen tractography und definieren die Voxel der abgegrenzt Fasern als gruppenspezifische Maske für die folgenden 30 TFAS. </li><li> Um die Ergebnisse zu quantifizieren tractography gelten die Technik der TFAS mit the Nervenbahnen, die auf dem gemittelten DTI-Daten erstellt wurden Sätze von allen Probanden der einzelnen Gruppen (Patienten-und Steuerdaten zusammen) für die Auswahl der Voxel, die zu einem Vergleich zwischen den Patienten und der Kontrollen durch FA-Karten beitragen. </li><li> Berücksichtigen Sie alle resultierenden Voxel mit einem FA-Wert oberhalb von 0,2 für die statistische Analyse durch den Student-t-Test. </li><li> Falls gewünscht, könnte die TFAS Technik bei abgeleiteten DTI Metriken wie Mittelwert Diffusionsvermögen (MD), radiale Anisotropie, axial Anisotropie, usw. (Beispiel siehe 28) aufgebracht werden. </li><li> Die Ergebnisse werden auf einer morphologischen Hintergrund aus den MNI normalisierte 3-D-T1-gewichtete Datensätze angezeigt </li></ol></li></ol>

Autoren haben nichts zu offenbaren.

Die interindividuelle Mittelung DTI Daten können in Bezug auf Diffusion Amplitude (unter Verwendung von FA Information) und Diffusions-Richtung (basierend auf FT) erreicht sind. Mittelung von FA Karten ermöglicht die statistische Vergleich der Fächergruppen durch WBSS und TFAS. Diese methodischen Rahmen gibt eine Einführung in Techniken DTI mit inter-subject Mittelung und Group-Vergleich. Stereotaktischen Normalisierung und Vergleich von FA Karten auf Gruppenebene ermöglicht mehrere Möglichkeiten, um Unterschiede ...

Diffusion-Tensor-Bildgebung im menschlichen Gehirn Die weiße Substanz (WM) Verträge in das zentrale Nervensystem bestehen aus dicht gepackten Axone zusätzlich zu den verschiedenen Arten von Gliazellen und andere kleine Populationen von Zellen. Die axonale Membran sowie die gut ausgerichteten Protein-Fasern innerhalb eines Axon schränkt Wasserdiffusion senkrecht zur Faserorientierung, was zu anisotropen Diffusion von Wasser in Gehirn WM 1. Myelinscheiden um die Axone kann auch auf die Anisotropie beitragen sowohl für intra-und extrazelluläre Wasser 2. Die quantitative Beschreibung dieser Anisotropie konnte durch Diffusion Tensor Imaging (DTI) nachgewiesen werden. DTI erzeugt Bilder von Geweben mit den lokalen mikrostrukturellen Eigenschaften von Wasser Diffusion gewichtet. Die Bild-Intensitäten an jeder Position gedämpft werden, abhängig von der Stärke und Richtung des sogenannten magnetischen Diffusionsgradienten (dargestellt inder B-Wert), als auch auf dem lokalen Mikrostruktur, in der das Wasser diffundieren 3, der Diffusionskoeffizient D einen Skalarwert: <img alt="Gleichung 1" fo:src="/files/ftp_upload/50427/50427eq1highres.jpg" src="/files/ftp_upload/50427/50427eq1.jpg" /> Jedoch in Gegenwart von Anisotropie in WM kann die Diffusion nicht mehr durch einen einzelnen skalaren Koeffizienten charakterisiert werden, erfordert jedoch einen Tensor <img alt="Gleichung 3" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" /> die in erster Näherung beschreibt molekulare Beweglichkeit entlang jeder Richtung und Korrelation zwischen diesen Richtungen 4. Diffusion Anisotropie ist vor allem durch die Ausrichtung der WM in Nervenbahnen verursacht und ist durch seine Mikro-und makrostrukturelle Funktionen beeinflusst. Von den mikrostrukturellen Eigenschaften, erscheint intraaxonal Organisation des größten Einfluss auf Diffusionsanisotropie sein, neben der Dichte der Faser einnd Zelle Verpackung, dem Grad der Myelinisierung und einzelne Faser Durchmesser. In einem makroskopischen Maßstab, beeinflusst die Variabilität in der Ausrichtung aller WM Flächen in einem bildgebenden Voxel der Grad der Anisotropie 5. In typischen DTI Messungen werden die Voxel Abmessungen in der Größenordnung von Millimetern. So ein Voxel enthält immer die gemittelten Daten der Wassermoleküle innerhalb der erfassten Volumen, das in der Regel erstreckt sich über mehrere Axone sowie die umliegenden Wassermoleküle. Trotz dieser Mehrwege-Umgebung DTI empfindlich auf die Orientierung des größten Hauptachse, die zum überwiegenden axonalen Richtung ausgerichtet ist, dh die axonale Beitrag dominiert das gemessene Signal 2. DTI bietet zwei Arten von Informationen über die Eigenschaft des Wassers Diffusion: erstens die lageunabhängige Ausmaß Diffusionsanisotropie 5 und die zweite, die vorherrschende Richtung der Diffusion von Wasser in image Voxel, dh die Diffusion Ausrichtung 6. Die aktuellen Protokolle sollen einen Rahmen von DTI Analyseverfahren zur quantitativen Vergleich der Fächergruppen auf Gruppenebene zu stellen, wie im folgenden beschrieben. Quantifizierung der Diffusion Eigenschaften - Analyse Parameter Die Elemente der Tensor durch Diffusion Gradienten entlang mindestens sechs nicht-kollinear und nicht koplanare Richtungen gemessen werden, so dass b (Gleichung 1) hat sich ein Tensor, wodurch Signaldämpfung <img alt="Gleichung 2" fo:src="/files/ftp_upload/50427/50427eq2highres.jpg" src="/files/ftp_upload/50427/50427eq2.jpg" /> Diese Gleichung erfordert Bilanzierung von möglichen Wechselwirkungen zwischen Bildgebung und Diffusionsgradienten, die in orthogonalen Richtungen (cross Begriffe) angewendet werden, und sogar zwischen Abbildungsgradienten, die angewendet werdenin 4 senkrechten Richtungen. Der zweite Rang-Diffusions-Tensor <img alt="Gleichung 3" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" /> immer diagonalisierten so dass nur drei Nicht-Null-Elemente entlang der Hauptdiagonalen der Tensor, dh die Eigenwerte ( <img alt="Gleichung 4" fo:src="/files/ftp_upload/50427/50427eq4highres.jpg" src="/files/ftp_upload/50427/50427eq4.jpg" /> ). Die Eigenwerte spiegeln die Form oder Konfiguration des Ellipsoids. Die mathematische Beziehung zwischen der Haupt-Koordinaten des Ellipsoids und Laborsystem wird durch die Eigenvektoren beschriebenen <img alt="Gleichung 5" fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" /> Da es einige Herausforderungen bei der Anzeige Tensor Daten sind, hat sich das Konzept der Diffusion Ellipsoide wurden 3 vorgeschlagen. Die Eigendiffusivities dieser Ellipsoids stellen die eindimensionale Diffusionskoeffizienten in der Hauptrichtung des Diffusionskoeffizienten des Mediums, dh die Hauptachse des Ellipsoids stellt die Haupt-Diffusion in Richtung der Voxel, welche die Richtung der Fasern zusammenfällt, während die Exzentrizität des Ellipsoids liefert Informationen über die Grad der Anisotropie und ihre Symmetrie. Daher könnte Diffusionsanisotropie Metriken wie der fraktionierten Anisotropie (FA) 7 definiert werden. <img alt="Gleichung 6" fo:src="/files/ftp_upload/50427/50427eq6highres.jpg" src="/files/ftp_upload/50427/50427eq6.jpg" /> <img alt="Gleichung 7" fo:src="/files/ftp_upload/50427/50427eq7highres.jpg" src="/files/ftp_upload/50427/50427eq7.jpg" /> ist das arithmetische Mittel aller Eigenwerte. Ein weiterer Ansatz besteht darin, die Hauptrichtung der Diffusions-Tensor-WM nutzen, um die Konnektivität des Gehirns ansprechen, entsprechend der tractography approach denen die Absicht hat, zu untersuchen, welche Teile des Gehirns sind miteinander verbunden. Unter der Annahme, dass die Orientierung der Hauptbestandteil der Diffusions-Tensor die Ausrichtung der dominante axonale Verträge darstellt, wird ein 3-D-Vektor-Feld vorgesehen, in dem jeder Vektor repräsentiert die Faserorientierung. Derzeit gibt es verschiedene Ansätze zur WM Traktate, die in zwei Typen unterteilt werden konnte rekonstruieren: Die erste Kategorie ist on line Ausbreitung Algorithmen mit dem lokalen Tensor Informationen für jeden Schritt der Faser-Trakt Ausbreitung 2,8,9 basiert. Die zweite Kategorie ist auf globale Energieminimierung basieren, die energetisch günstigste Weg zwischen zwei WM Regionen, die sich in den Ansatz-Trakt-basierten räumlichen Statistik finden (TBSS) 10, die in anderen Algorithmen wie tractwise fraktionierte Anisotropie Statistiken (TFAS verwendet wurde - siehe Protokoll Text, Abschnitt 2.4).. Transformation in stereotaktischen Standard Raum Wie in anderen entwickelten MRI-Verfahren verfolgen DTI-und FT-basierte Studien im klinischen Kontext, das ultimative Ziel zu einzelnen Patienten Gehirnmorphologie kategorisieren, um die diagnostischen Prozess auf einige Diskriminierung metrisch 11 Basis zu erleichtern. Studium an der Gruppenebene sind die meisten relevant, wenn die gemeinsame klinische Phänotyp soll darauf zurückzuführen sein, zu einem oder mehreren spezifischen Hirnregionen oder einem bestimmten neuroanatomical Netzwerk beschädigen. Hier, im Durchschnitt der Ergebnisse für verschiedene Themen ist, um gemeinsame Muster der mikrostrukturellen Veränderungen beurteilen nützlich. Jede einzelne Gehirn muss in stereotaktischen Raum übertragen werden, so dass in einem zweiten Schritt das arithmetische Mittelung der Ergebnisse in einem Voxel-für-Voxel Ebene möglich ist. Räumliche Normalisierung für arithmetische Mittelung der Ergebnisse aus verschiedenen Fächern erhalten wird, um das Signal-zu-Rausch-Verhältnis (SNR) zu verbessern und um einen Vergleich der Proben von Patienten und cont durchzuführen erlaubtrols, um den Rechenaufwand Pathoanatomie einer bestimmten Erkrankung zu analysieren, beispielsweise eine neurodegenerative Erkrankung, die mit der Zuweisung einer bestimmten Gehirn-System zugeordnet ist. Der frühe Ansatz der Normalisierung einer standardisierten stereotaktischen Raum von 12 schlug eine Transformations-Algorithmus zu einem Standard-Atlas, der die Identifikation von verschiedenen Sehenswürdigkeiten und Gehirn stückweise Skalierung des Gehirns Quadranten. Heutzutage nutzen die meisten der fortgeschrittenen MRI Datenanalyse Pakete Normalisierung des Montreal Neurological Institute (MNI) stereotaktischen Raum 13. Für diese Transformation wurden halbautomatische und automatische Gehirn Registrierung Algorithmen mit Studie Templates 14,15 entwickelt. In DTI hat besondere Aufmerksamkeit zu ziehen, um die Richtungs-Informationen während der Prozess der Normalisierung 16,17 bewahren. Die Anwendung der räumlichen Transformationen auf DT-MRT-Bilder, die sind für die räumliche Normalisierung erforderlichSammlungen von Datensätzen ist, im Gegensatz zum Verziehen skalare Bilder, dadurch gekennzeichnet, dass die Orientierung DTs Informationen, die wiederum durch die Transformation beeinträchtigt enthalten kompliziert. Dieser Effekt muss berücksichtigt werden, um die anatomische Korrektheit der transformierten Abbildung zu gewährleisten. Hier werden Techniken zum Aufbringen affine Transformationen DTI Datensätze vorgestellt. Anwendung der DTI von Hirnerkrankungen Der Vergleich der Längs-DTI-Daten erfordert eine Ausrichtung / Anmeldung eines Subjekts Daten untereinander. In diesem Zusammenhang ist die Erhaltung der gerichteten notwendigen Informationen (dh Drehung der Diffusions-Tensor während affine Transformationen). Mögliche Anwendungen zu neurodegenerativen Erkrankungen wurden bisher (zB 18,19) berichtet. DTI hat als robustes nicht-invasive technisches Werkzeug wurde gegründet, um in vivo zu untersuchen Neuropathollogie der WM neuronalen Bahnen (zB 11,20,21,22). DTI-basierte quantitative Metrik der Diffusion, zB der FA, haben bereits gezeigt, dass sensible Marker für das Studium einer Vielzahl von WM Erkrankungen, wie Schlaganfall 20, Multiple Sklerose 23, amyotrophe Lateralsklerose 24, 25, Alzheimer-Krankheit 26 und verschiedene andere Störungen WM 27,28. Darüber hinaus können mit DTI FT zur Identifizierung WM Traktate 23 werden. Diese Technik, die zwar noch nicht in die routinemäßige klinische Anwendung wird als ein mächtiges Instrument für die Beurteilung der Weg-spezifische Anomalien in neurologische Erkrankung entstehen. Innerhalb der identifizierten Flächen, verschiedene quantitative MRI Indizes von DTI und Akquisitionen (zB T2-gewichtete Bilder und / oder Magnetisierung Übertragung (MT)-Bildgebung) abgeleitet, sind anatomisch koregistrierten den DTI-Daten gemessen werden konnte. Dabei könnte jeder Index sein calculATED als eine Funktion der Position innerhalb der Fläche, die sich auf Parzellen Darstellung der räumlichen Variation als Trakt Profile. In den folgenden, menschliche DTI Scans, die auf 1.5 durchgeführt wurden Tesla MRI-Scannern (Siemens Medical, Erlangen, Deutschland) wurden verwendet, um das Potenzial der verschiedenen Analyse-Techniken zum Nachweis von Anomalien der weißen Substanz in Patientengruppen sowie bei Personen zu untersuchen. Nach einer automatisierten Qualitätskontrolle für die Beseitigung der Bewegung-beschädigten Bände und Volumina mit anderen Arten von Artefakten, bereiten standardisierten Verfahren Nachbearbeitung die DTI-Daten für die fortlaufende Analyse. Verschiedene Ansätze Analyse werden im Folgenden dargestellt werden, dh es wird zuerst gesamten Gehirns räumlichen Statistik (WBSS), zweiten, FT und drittens Tractwise fraktionierte Anisotropie Statistiken (TFAS). WBSS ist eine Methode, die in Analogie zu Voxel-basierte Morphometrie (VBM), die in der Regel als Voxel-basierte Morphometrie / Statistiken über DTI-Daten (VBM / DTI) ist bekannt, läuft <em&gt;. VBM ist eine Methode, die ursprünglich läuft auf kontrastreiche Bilder, wo hingegen Unterschiede in separaten Scans müssen gelöst werden, während WBSS ist eine Methode, die voxelwise Vergleich eines physikalischen Parameters verwendet. Obwohl also algorithmisch ähnlich wird eine Terminologie, die Differenzierung und WBSS VBM wird im folgenden verwendet werden.

<table border="1">
 <tbody>
 <tr>
 <td>MR scanner</td>
 <td></td>
 <td></td>
 <td>Siemens 1.5 T Magnetom Symphony</td>
 </tr>
 <tr>
 <td>analysis software </td>
 <td></td>
 <td></td>
 <td>TIFT - Tensor Imaging and Fiber Tracking</td>
 </tr>
 </tbody>
 </table>

diffusion tensor magnetic resonance imaging in the analysis of neurodegenerative diseases

Diffusion Tensor Imaging (DTI) Techniken geben Auskunft über die mikrostrukturellen Prozesse der weißen Hirnsubstanz (WM) in vivo. Die vorliegenden Anwendungen sind für Differenzen WM Beteiligung Muster in verschiedenen Erkrankungen des Gehirns, insbesondere neurodegenerativen Erkrankungen, unter Verwendung unterschiedlicher DTI Analysen im Vergleich zu entsprechenden Kontrollen untersucht werden. DTI Datenanalyse in einem variate Weise durchgeführt wird, dh voxelwise Vergleich regionaler Diffusionsrichtung-Metriken wie fraktionierte Anisotropie (FA), zusammen mit Fiber Tracking (FT) durch fraktionierte Anisotropie tractwise Statistik (TFAS) auf Konzernebene um begleitet Unterschiede in FA entlang WM Strukturen zu identifizieren, die auf die Definition der regionalen Muster der WM Änderungen auf Gruppenebene. Transformation in einen stereotaktischen Raum Standard ist eine Voraussetzung für die Gruppe Studien und erfordert eine gründliche Datenverarbeitung d erhaltenirectional gegenseitigen Abhängigkeiten. Die vorliegenden Anträge zeigen optimiert technische Ansätze für diese Erhaltung der quantitativen und Richtungsangaben während räumliche Normalisierung in Datenanalysen auf Gruppenebene. Auf dieser Grundlage kann FT Techniken zur Gruppe gemittelt Daten angewendet werden, um Informationen Metriken quantifizieren, wie durch FT definiert. Darüber hinaus Anwendung der DTI Methoden, offenbaren dh Unterschiede in FA-Karten nach stereotaktischen Ausrichtung, in einer Längs-Analyse an einem einzelnen Gegenstand Basis Informationen über den Verlauf von neurologischen Erkrankungen. Weitere Qualitätsverbesserung DTI auf Ergebnisse im Vorlauf durch Anwendung einer kontrollierten Beseitigung von Gradientenrichtungen mit hohem Geräuschpegel erreicht werden. Zusammenfassend wird DTI verwendet, um eine deutliche WM Pathoanatomie verschiedener Hirnerkrankungen durch die Kombination der gesamte Gehirn-basierte und Darm-basierte Analyse DTI definieren.

1. QC und Korrektur für beschädigte Gradientenrichtungen in Anwendung, um Daten von Patienten mit hyperkinetischen Störungen Als ein Beispiel für die Wirkung der Anwendung von QC und anschließende Volumen Ausgrenzung (als Konsequenz aus der Korrektur für beschädigte GD) Abbildung 8 zeigt Unterschiede in ganze Gehirn basierte räumliche Statistik mit und ohne Volumen Ausschluss für Group-Vergleich von 29 premanifest Huntington-Krankheit Themen vs 30 Alter und Geschlecht ...

Watch this Scientific Journal Video about Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases at JoVE.com

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Diffusion Tensor Imaging (DTI) dient im wesentlichen als eine MRT-basiertes Tool zur Identifizierung<em&gt; In vivo</em&gt; Die Mikrostruktur des Gehirns und pathologischen Prozessen durch neurologische Störungen im weißen Hirnsubstanz. DTI-basierte Analysen erlauben für die Anwendung auf Erkrankungen des Gehirns sowohl auf Konzernebene als auch in Ein-Fach-Daten.

Diffusion Tensor Magnetic Resonance Imaging in der Analyse von neurodegenerativen Erkrankungen

Diffusion tensor imaging (DTI) techniques provide information on the microstructural processes of the cerebral white matter (WM) in vivo. The present ...

diffusion-tensor-magnetic-resonance-imaging-analysis

Research

JoVE Journal

Medicine

28.1K Aufrufe.  University of Ulm. Diffusion Tensor Imaging (DTI) dient im wesentlichen als eine MRT-basiertes Tool zur Identifizierung In vivo Die Mikrostruktur des Gehirns und pathologischen Prozessen durch neurologische Störungen im weißen Hirnsubstanz. DTI-basierte Analysen erlauben für die Anwendung auf Erkrankungen des Gehirns sowohl auf Konzernebene als auch in Ein-Fach-Daten.

Serie: Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Magnetic Resonance Derived Myocardial Strain Assessment Using Feature Tracking

Purpose: An accurate and practical method to measure parameters like strain in myocardial tissue is of great clinical value, since it has been shown, that strain is a more sensitive and earlier marker for contractile dysfunction than the frequently used parameter EF. Current technologies for CMR are time consuming and difficult to implement in clinical practice. Feature tracking is a technology that can lead to more automization and robustness of quantitative analysis of medical images with less time consumption than comparable methods.
Methods: An automatic or manual input in a single phase serves as an initialization from which the system starts to track the displacement of individual patterns representing anatomical structures over time. The specialty of this method is that the images do not need to be manipulated in any way beforehand like e.g. tagging of CMR images.
Results: The method is very well suited for tracking muscular tissue and with this allowing quantitative elaboration of myocardium and also blood flow.
Conclusions: This new method offers a robust and time saving procedure to quantify myocardial tissue and blood with displacement, velocity and deformation parameters on regular sequences of CMR imaging. It therefore can be implemented in clinical practice.

An accurate and practical method to measure parameters like strain in myocardial tissue is of great clinical value, since it has been shown, that strain is a more sensitive and earlier marker for contractile dysfunction than the frequently used parameter EF.

Magnetic Resonance Derived Myocardial Dehnungs-Beurteilung anhand von Feature-Tracking-

Purpose: An accurate and practical method to measure parameters like strain in myocardial tissue is of great clinical value, since it has been shown, that ...

Forschung

Medizin

Probing the Brain in Autism Using fMRI and Diffusion Tensor Imaging

Newly emerging theories suggest that the brain does not function as a cohesive unit in autism, and this discordance is reflected in the behavioral symptoms displayed by individuals with autism. While structural neuroimaging findings have provided some insights into brain abnormalities in autism, the consistency of such findings is questionable. Functional neuroimaging, on the other hand, has been more fruitful in this regard because autism is a disorder of dynamic processing and allows examination of communication between cortical networks, which appears to be where the underlying problem occurs in autism. Functional connectivity is defined as the temporal correlation of spatially separate neurological events1. Findings from a number of recent fMRI studies have supported the idea that there is weaker coordination between different parts of the brain that should be working together to accomplish complex social or language problems2,3,4,5,6. One of the mysteries of autism is the coexistence of deficits in several domains along with relatively intact, sometimes enhanced, abilities. Such complex manifestation of autism calls for a global and comprehensive examination of the disorder at the neural level. A compelling recent account of the brain functioning in autism, the cortical underconnectivity theory,2,7 provides an integrating framework for the neurobiological bases of autism. The cortical underconnectivity theory of autism suggests that any language, social, or psychological function that is dependent on the integration of multiple brain regions is susceptible to disruption as the processing demand increases. In autism, the underfunctioning of integrative circuitry in the brain may cause widespread underconnectivity. In other words, people with autism may interpret information in a piecemeal fashion at the expense of the whole. Since cortical underconnectivity among brain regions, especially the frontal cortex and more posterior areas 3,6, has now been relatively well established, we can begin to further understand brain connectivity as a critical component of autism symptomatology.
A logical next step in this direction is to examine the anatomical connections that may mediate the functional connections mentioned above. Diffusion Tensor Imaging (DTI) is a relatively novel neuroimaging technique that helps probe the diffusion of water in the brain to infer the integrity of white matter fibers. In this technique, water diffusion in the brain is examined in several directions using diffusion gradients. While functional connectivity provides information about the synchronization of brain activation across different brain areas during a task or during rest, DTI helps in understanding the underlying axonal organization which may facilitate the cross-talk among brain areas. This paper will describe these techniques as valuable tools in understanding the brain in autism and the challenges involved in this line of research.

Neuroimaging techniques, such as functional MRI and Diffusion Tensor Imaging have become increasingly useful in characterizing the cognitive and neural deficits in autism. An examination of brain connectivity in autism at a network level along with adaptations for scanning children with developmental disabilities is presented.

Probing the Brain in Autism mittels fMRT und Diffusion Tensor Imaging

Newly emerging theories suggest that the brain does not function as a cohesive unit in autism, and this discordance is reflected in the behavioral ...

High Content Screening in Neurodegenerative Diseases

The functional annotation of genomes, construction of molecular networks and novel drug target identification, are important challenges that need to be addressed as a matter of great urgency1-4. Multiple complementary 'omics' approaches have provided clues as to the genetic risk factors and pathogenic mechanisms underlying numerous neurodegenerative diseases, but most findings still require functional validation5. For example, a recent genome wide association study for Parkinson's Disease (PD), identified many new loci as risk factors for the disease, but the underlying causative variant(s) or pathogenic mechanism is not known6, 7. As each associated region can contain several genes, the functional evaluation of each of the genes on phenotypes associated with the disease, using traditional cell biology techniques would take too long. 
	There is also a need to understand the molecular networks that link genetic mutations to the phenotypes they cause. It is expected that disease phenotypes are the result of multiple interactions that have been disrupted. Reconstruction of these networks using traditional molecular methods would be time consuming. Moreover, network predictions from independent studies of individual components, the reductionism approach, will probably underestimate the network complexity8. This underestimation could, in part, explain the low success rate of drug approval due to undesirable or toxic side effects. Gaining a network perspective of disease related pathways using HT/HC cellular screening approaches, and identifying key nodes within these pathways, could lead to the identification of targets that are more suited for therapeutic intervention.
	High-throughput screening (HTS) is an ideal methodology to address these issues9-12. but traditional methods were one dimensional whole-well cell assays, that used simplistic readouts for complex biological processes. They were unable to simultaneously quantify the many phenotypes observed in neurodegenerative diseases such as axonal transport deficits or alterations in morphology properties13, 14. This approach could not be used to investigate the dynamic nature of cellular processes or pathogenic events that occur in a subset of cells. To quantify such features one has to move to multi-dimensional phenotypes termed high-content screening (HCS)4, 15-17. HCS is the cell-based quantification of several processes simultaneously, which provides a more detailed representation of the cellular response to various perturbations compared to HTS. 
	HCS has many advantages over HTS18, 19, but conducting a high-throughput (HT)-high-content (HC) screen in neuronal models is problematic due to high cost, environmental variation and human error. In order to detect cellular responses on a 'phenomics' scale using HC imaging one has to reduce variation and error, while increasing sensitivity and reproducibility. 
	Herein we describe a method to accurately and reliably conduct shRNA screens using automated cell culturing20 and HC imaging in neuronal cellular models. We describe how we have used this methodology to identify modulators for one particular protein, DJ1, which when mutated causes autosomal recessive parkinsonism21. 
	Combining the versatility of HC imaging with HT methods, it is possible to accurately quantify a plethora of phenotypes. This could subsequently be utilized to advance our understanding of the genome, the pathways involved in disease pathogenesis as well as identify potential therapeutic targets.

We describe a methodology combining automated cell culturing with high-content imaging to visualize and quantify multiple cellular processes and structures, in a high-throughput manner. Such methods can aid in the further functional annotation of genomes as well as identify disease gene networks and potential drug targets.

The functional annotation of genomes, construction of molecular networks and novel drug target identification, are important challenges that need to be ...

The Use of Primary Human Fibroblasts for Monitoring Mitochondrial Phenotypes in the Field of Parkinson's Disease

Parkinson's disease (PD) is the second most common movement disorder and affects 1% of people over the age of 60 1. Because ageing is the most important risk factor, cases of PD will increase during the next decades 2. Next to pathological protein folding and impaired protein degradation pathways, alterations of mitochondrial function and morphology were pointed out as further hallmark of neurodegeneration in PD 3-11.
After years of research in murine and human cancer cells as in vitro models to dissect molecular pathways of Parkinsonism, the use of human fibroblasts from patients and appropriate controls as ex vivo models has become a valuable research tool, if potential caveats are considered. Other than immortalized, rather artificial cell models, primary fibroblasts from patients carrying disease-associated mutations apparently reflect important pathological features of the human disease.
Here we delineate the procedure of taking skin biopsies, culturing human fibroblasts and using detailed protocols for essential microscopic techniques to define mitochondrial phenotypes. These were used to investigate different features associated with PD that are relevant to mitochondrial function and dynamics. Ex vivo, mitochondria can be analyzed in terms of their function, morphology, colocalization with lysosomes (the organelles degrading dysfunctional mitochondria) and degradation via the lysosomal pathway. These phenotypes are highly relevant for the identification of early signs of PD and may precede clinical motor symptoms in human disease-gene carriers. Hence, the assays presented here can be utilized as valuable tools to identify pathological features of neurodegeneration and help to define new therapeutic strategies in PD.

The Use of Primary Human Fibroblasts for Monitoring Mitochondrial Phenotypes in the Field of Parkinson&#039;s Disease

Fibroblasts from patients carrying mutations in Parkinson's disease-causing genes represent an easily accessible ex vivo model to study disease-associated phenotypes. Live cell imaging gives the opportunity to study morphological and functional parameters in living cells. Here we describe the preparation of human fibroblasts and subsequent monitoring of mitochondrial phenotypes.

Die Verwendung von primären humanen Fibroblasten zur Überwachung Mitochondriale Phänotypen auf dem Gebiet der Parkinson-Krankheit

Parkinson's disease (PD) is the second most  common movement disorder and affects 1% of people over the age of 60 1. Because ageing is  the most important ...

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging

Breast cancer is the most common cause of cancer among women worldwide. Early detection of breast cancer has a critical role in improving the quality of life and survival of breast cancer patients. In this paper a new approach for the detection of breast cancer is described, based on tracking the mammary architectural elements using diffusion tensor imaging (DTI). 
The paper focuses on the scanning protocols and image processing algorithms and software that were designed to fit the diffusion properties of the mammary fibroglandular tissue and its changes during malignant transformation. The final output yields pixel by pixel vector maps that track the architecture of the entire mammary ductal glandular trees and parametric maps of the diffusion tensor coefficients and anisotropy indices. 
The efficiency of the method to detect breast cancer was tested by scanning women volunteers including 68 patients with breast cancer confirmed by histopathology findings. Regions with cancer cells exhibited a marked reduction in the diffusion coefficients and in the maximal anisotropy index as compared to the normal breast tissue, providing an intrinsic contrast for delineating the boundaries of malignant growth. Overall, the sensitivity of the DTI parameters to detect breast cancer was found to be high, particularly in dense breasts, and comparable to the current standard breast MRI method that requires injection of a contrast agent. Thus, this method offers a completely non-invasive, safe and sensitive tool for breast cancer detection.

We describe how to obtain parametric and vector maps of the diffusion tensor of the breast using magnetic resonance imaging. The protocol and final output following imaging processing are tailored for tracking breast architectural features and detecting breast malignancy.

Tracking der Brust architektonische Details und Erkennen von Brustkrebs mit Magnet-Resonanz-Diffusion Tensor Imaging

Breast cancer is the most common cause of cancer among women worldwide. Early detection of breast cancer has a critical role in improving the quality of ...

Quantitative Magnetic Resonance Imaging of Skeletal Muscle Disease

Quantitative magnetic resonance imaging (qMRI) describes the development and use of MRI to quantify physical, chemical, and/or biological properties of living systems. Neuromuscular diseases often exhibit a temporally varying, spatially heterogeneous, and multi-faceted pathology. The goal of this protocol is to characterize this pathology using qMRI methods. The MRI acquisition protocol begins with localizer images (used to locate the position of the body and tissue of interest within the MRI system), quality control measurements of relevant magnetic field distributions, and structural imaging for general anatomical characterization. The qMRI portion of the protocol includes measurements of the longitudinal and transverse relaxation time constants (T1 and T2, respectively). Also acquired are diffusion-tensor MRI data, in which water diffusivity is measured and used to infer pathological processes such as edema. Quantitative magnetization transfer imaging is used to characterize the relative tissue content of macromolecular and free water protons. Lastly, fat-water MRI methods are used to characterize fibro-adipose tissue replacement of muscle. In addition to describing the data acquisition and analysis procedures, this paper also discusses the potential problems associated with these methods, the analysis and interpretation of the data, MRI safety, and strategies for artifact reduction and protocol optimization.

Neuromuscular diseases often exhibit a temporally varying, spatially heterogeneous, and multi-faceted pathology. The goal of this protocol is to characterize this pathology using non-invasive magnetic resonance imaging methods.

Quantitative Magnetresonanztomographie von Skelettmuskelerkrankung

Quantitative magnetic resonance imaging (qMRI) describes the development and use of MRI to quantify physical, chemical, and/or biological properties of ...

Simultaneous PET/MRI Imaging During Mouse Cerebral Hypoxia-ischemia

Dynamic changes in tissue water diffusion and glucose metabolism occur during and after hypoxia in cerebral hypoxia-ischemia reflecting a bioenergetics disturbance in affected cells. Diffusion weighted magnetic resonance imaging (MRI) identifies regions that are damaged, potentially irreversibly, by hypoxia-ischemia. Alterations in glucose utilization in the affected tissue may be detectable by positron emission tomography (PET) imaging of 2-deoxy-2-(18F)fluoro-&#7429;-glucose ([18F]FDG) uptake. Due to the rapid and variable nature of injury in this animal model, acquisition of both modes of data must be performed simultaneously in order to meaningfully correlate PET and MRI data. In addition, inter-animal variability in the hypoxic-ischemic injury due to vascular differences limits the ability to analyze multi-modal data and observe changes to a group-wise approach if data is not acquired simultaneously in individual subjects. The method presented here allows one to acquire both diffusion-weighted MRI and [18F]FDG uptake data in the same animal before, during, and after the hypoxic challenge in order to interrogate immediate physiological changes.

The method presented here uses simultaneous positron emission tomography and magnetic resonance imaging. In the cerebral hypoxia-ischemia model, dynamic changes in diffusion and glucose metabolism occur during and after injury. The evolving and irreproducible damage in this model necessitates simultaneous acquisition if meaningful multi-modal imaging data are to be acquired.

Gleichzeitige PET / MRT-Bildgebung während Maus zerebrale Hypoxie-Ischämie

Dynamic changes in tissue water diffusion and glucose metabolism occur during and after hypoxia in cerebral hypoxia-ischemia reflecting a bioenergetics ...

Cardiac Magnetic Resonance Imaging at 7 Tesla

CMR at an ultra-high field (magnetic field strength B0&#160;&#8805; 7 Tesla) benefits from the signal-to-noise ratio (SNR) advantage inherent at higher magnetic field strengths and potentially provides improved signal contrast and spatial resolution. While promising results have been achieved, ultra-high field CMR is challenging due to energy deposition constraints and physical phenomena such as transmission field non-uniformities and magnetic field inhomogeneities. In addition, the magneto-hydrodynamic effect renders the synchronization of the data acquisition with the cardiac motion difficult. The challenges are currently addressed by explorations into novel magnetic resonance technology. If all impediments can be overcome, ultra-high field CMR may generate new opportunities for functional CMR, myocardial tissue characterization, microstructure imaging or metabolic imaging. Recognizing this potential, we show that multi-channel radio frequency (RF) coil technology tailored for CMR at 7 Tesla together with higher order B0 shimming and a backup signal for cardiac triggering facilitates high fidelity functional CMR. With the proposed setup, cardiac chamber quantification can be accomplished in examination times similar to those achieved at lower field strengths. To share this experience and to support the dissemination of this expertise, this work describes our setup and protocol tailored for functional CMR at 7 Tesla.

The sensitivity gain inherent to ultrahigh field magnetic resonance holds promise for high spatial resolution imaging of the heart. Here, we describe a protocol customized for functional cardiovascular magnetic resonance (CMR) at 7 Tesla using an advanced multi-channel radio-frequency coil, magnetic field shimming and a triggering concept.

Kardiale Magnetresonanztomographie bei 7 Tesla

CMR at an ultra-high field (magnetic field strength B0&#160;&#8805; 7 Tesla) benefits from the signal-to-noise ratio (SNR) advantage inherent at higher ...

Phase Contrast Magnetic Resonance Imaging in the Rat Common Carotid Artery

Phase contrast magnetic resonance imaging (PC-MRI) is a noninvasive approach that can quantify flow-related parameters such as blood flow. Previous studies have shown that abnormal blood flow may be associated with systemic vascular risk. Thus, PC-MRI can facilitate the translation of data obtained from animal models of cardiovascular diseases to pertinent clinical investigations. In this report, we describe the procedure for measuring blood flow in the common carotid artery (CCA) of rats using cine-gated PC-MRI and discuss relevant analysis methods. This procedure can be performed in a live, anesthetized animal and does not require euthanasia after the procedure. The proposed scanning parameters yield repeatable measurements for blood flow, indicating excellent reproducibility of the results. The PC-MRI procedure described in this article can be used for pharmacological testing, pathophysiological assessment, and cerebral hemodynamics evaluation.

The overall goal of this procedure is to measure the blood flow in the rat common carotid artery by using noninvasive phase contrast magnetic resonance imaging.

Phase Kontrast Magnetresonanz-Bildgebung in der Ratte gemeinsame Halsschlagader

Phase contrast magnetic resonance imaging (PC-MRI) is a noninvasive approach that can quantify flow-related parameters such as blood flow. Previous ...

Cardiac Magnetic Resonance for the Evaluation of Suspected Cardiac Thrombus: Conventional and Emerging Techniques

We present the conventional cardiac magnetic resonance (CMR) protocol for evaluating a suspected thrombus and highlight emerging techniques.&#160;The appearance of a mass on certain magnetic resonance (MR) sequences can help differentiate a thrombus from competing diagnoses such as a tumor. T1 and T2 signal characteristics of a thrombus are related to the evolution of hemoglobin properties. A thrombus typically does not enhance following contrast administration, which also helps differentiation from a tumor. We also highlight the emerging role of T1 mapping in the evaluation of a thrombus, which can add another level of support in diagnosis. Prior to any CMR exam, patient screening and interviews are critical to ensure safety and to optimize patient comfort. Effective communication during the exam between the technologist and the patient promotes proper breath holding technique and higher quality images. Volumetric post processing and structured reporting are helpful to ensure that the radiologist answers the ordering services&#39; question and communicates these results effectively. Optimal pre-MR safety evaluation, CMR exam execution, and post exam processing and reporting allow for delivery of high quality radiological service in the evaluation of a suspected cardiac thrombus.

The goal of this article is to describe how cardiac magnetic resonance can be used for the evaluation and diagnosis of a suspected cardiac thrombus. The method presented will describe data acquisition as well as the pre-procedure and post-procedure protocol.

Herz-Magnetresonanz zur Beurteilung von vermutetem Herzthrombus: Konventionelle und aufkommende Techniken

We present the conventional cardiac magnetic resonance (CMR) protocol for evaluating a suspected thrombus and highlight emerging techniques.&#160;The ...