Partes de este trabajo, es decir, el estudio de control de calidad y la corrección en direcciones gradiente dañados en aplicación a los datos de los pacientes con trastornos hipercinéticos, recibieron el apoyo de la red europea de alta definición (proyecto EHDN 070). Las imágenes por resonancia magnética en el estudio determinado se adquirieron como parte del sitio cohorte TRACK-HD de Londres.

Métodos de Análisis: pre y postprocesamiento La tarea de la siguiente protocolo es analizar propiedades de difusión voxelwise dentro de tractos de sustancia blanca, que podría ser - debido a la detección voxelwise - ya sea isotrópicas o anisotrópicas, lo que resulta en la difusión tensores alargados o achatada para los respectivos elementos de imagen volumétrica. La parametrización de los tensores del voxel se utiliza, ya sea para el cálculo de la FA-mapas o la identificación de fibertracts (Figura 1). Con el fin de obtener los resultados del análisis como se muestra en la siguiente, utilice el paquete de software de imágenes Tensor y Seguimiento de la fibra (TIFT) 17. TIFT proporciona herramientas de análisis de los siguientes requisitos: <ul><li> análisis en términos de DTI métricas, por ejemplo, FA-mapas, </li><li> normalización estereotáxica </li><li> el grupo de comparación en términos de FA u otras métricas DTI </li><li> diversos enfoques de análisis de FT </li><li> FT en grupo promedió DDatos de TI y el análisis estadístico correspondiente. </li></ul> Estas características permiten una variedad de análisis en un entorno de software 17,29,30,31. El software TIFT está en constante desarrollo de nuevas opciones en el análisis de datos DTI. La figura 2 ofrece una visión esquemática de cómo analizar los datos DTI a nivel de grupo después de la normalización espacial mediante dos enfoques complementarios, es decir, tanto por WBSs y TFAS para obtener finalmente las diferencias entre las muestras sometidas a nivel de grupo, por ejemplo, los cerebros enfermos frente a controles sanos. Aquí, WBS tiene por objeto la detección imparcial voxelwise de áreas con diferencias a nivel de grupo, mientras que TFAS se basa en fibertracts predefinidos; TFAS las zonas de inicio o bien se puede elegir libremente o se puede derivar de los resultados WBS (&#39;hotspots `de alterado de manera significativa FA). Comparación longitudinal individual de FA-maps es realizado por detecciónting diferencias en FA-mapas de mediciones en diferentes puntos de tiempo tras la alineación estereotáxica afín (Figura 2). <ol><li> Control de calidad (QC), incluyendo la corrección de direcciones gradiente corruptos En caso de trastornos de movimiento durante la adquisición, es decir, en caso de volúmenes dañados, un aumento SNR se obtiene omitiendo direcciones gradiente individuales (GD) para el cálculo tensorial. Para tal fin, se desarrolló un control de calidad (QC) algoritmo 32. En resumen, en un análisis que contenía volúmenes dañados, un aumento SNR se logra omitiendo direcciones individuales gradiente de uno en uno antes de la estimación tensor de: para cada GD, la varianza ponderada se calcula a partir de todas las direcciones restantes en la secuencia mediante la ponderación con el ángulo en que diferían de el índice de GD. <ol><li> Realizar una corrección de artefacto mediante la detección de GD con al menos una porción que muestra disminución de la intensidad, es decir, artefactos de movimiento causados ​​por do espontánea<html> movimiento bject (Figura 3, panel superior). Para cualquier volumen ponderado difusión, calcular la intensidad media para cada rebanada y comparar su intensidad con el mismo segmento en todos los demás volúmenes mediante el uso de un enfoque de promedio ponderado - el factor de ponderación es el producto escalar de dos vectores de GD <img alt="Ecuación 8" fo:src="/files/ftp_upload/50427/50427eq8highres.jpg" src="/files/ftp_upload/50427/50427eq8.jpg" /> : <img alt="Ecuación 9" fo:src="/files/ftp_upload/50427/50427eq9highres.jpg" src="/files/ftp_upload/50427/50427eq9.jpg" /> <img alt="Ecuación 10" fo:src="/files/ftp_upload/50427/50427eq10highres.jpg" src="/files/ftp_upload/50427/50427eq10.jpg" /> <img alt="Ecuación 11" fo:src="/files/ftp_upload/50427/50427eq11highres.jpg" src="/files/ftp_upload/50427/50427eq11.jpg" /> denota la intensidad media aritmética de la rebanada en observación y427eq12.jpg &quot;/&gt; una rebanada de comparación. La desviación promedio de intensidad relativa <img alt="Ecuación 13" fo:src="/files/ftp_upload/50427/50427eq13highres.jpg" src="/files/ftp_upload/50427/50427eq13.jpg" /> está ponderado por el producto escalar de la GD. Por lo tanto, con el fin de definir un parámetro global: <img alt="Ecuación 14" fo:src="/files/ftp_upload/50427/50427eq14highres.jpg" src="/files/ftp_upload/50427/50427eq14.jpg" /> refleja el mínimo de comparaciones slicewise de todas las rebanadas. </li><li> Si Q es bajo un cierto umbral (en el ejemplo, un umbral de 0,8 se utiliza para este propósito), eliminar todo ese volumen, o GD. Un umbral de 0,8 se considera una solución estable 32. Figura 3 ilustra los artefactos de movimiento visible en reconstrucciones sagitales y detectada por el algoritmo de control de calidad. En este ejemplo, con respecto al número total de GD (puntos azules en la figura 3c), 17 estaban por debajo de la línea roja que corresponde a Q = 0,8 y Should ser eliminado. Un ejemplo de un volumen de estadísticas de eliminación para un estudio conjunto se presenta en la Figura 3d. En este estudio ejemplar, los datos DTI de 29 sujetos HD presintomáticos se compararon con los datos del DTI de 30 controles. Los detalles adicionales de este algoritmo se presentan en 32, 33. </li></ol></li><li> Preprocesamiento y normalización espacial <ol><li> Realizar la corrección de las distorsiones geométricas de corriente de Foucault inducidas de los datos de imágenes de eco-planar establece por el método propuesto por 34. </li><li> Para la normalización estereotáxica, crear un estudio específico de (b = 0) - plantilla y un FA-plantilla como se ha descrito anteriormente 17,28,31. Básicamente, una normalización estereotáxica no lineal completo se compone de tres componentes de deformación. En consecuencia, el tensor de difusión resultante <img alt="Ecuación 15" fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" /> de cada voxel i tiene que ser girandoed de acuerdo a todas las rotaciones mencionadas anteriormente (Figura 4): <ol class="lroman"><li> La figura 4a muestra una transformación rígida cerebro para alinear los marcos de coordenadas básicas. La rotación <img alt="Ecuación 16" fo:src="/files/ftp_upload/50427/50427eq16highres.jpg" src="/files/ftp_upload/50427/50427eq16.jpg" /> resultante de la alineación para el marco de coordenadas básico tiene que ser aplicada <img alt="Ecuación 17" fo:src="/files/ftp_upload/50427/50427eq17highres.jpg" src="/files/ftp_upload/50427/50427eq17.jpg" /></li><li> La figura 4b muestra una deformación lineal de acuerdo con puntos de referencia. Los componentes de los vectores propios <img alt="Ecuación 5" fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" /> tendrá que ser adaptado de acuerdo con los seis parámetros de normalización de S (depende de la región del cerebro s a,, a = 1 ... 6) de la deformación lineal. v w, j </sub&gt;&#39;&#39; &#39;= S un V W, j&#39;&#39;&#39; w = 1,2,3 y j = x, y, z. </li><li> La figura 4c muestra una normalización no lineal igualación de diferencias en la forma del cerebro no lineales. Los desplazamientos vector 3-D son diferentes para cada voxel que conduce a una transformación separada para cada voxel de la matriz del voxel 3-D <img alt="Ecuación 18" fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" /> ). Trigonometría estándar da una matriz de rotación de forma independiente para cada voxel, lo que resulta a partir del vector 3-D se desplaza siguiendo los conceptos de 16 con el fin de preservar las relaciones direccionales entre los vectores propios de los voxels neighbored. Por lo tanto, los diferentes turnos de dos voxels neighbored resultan en rotaciones de los vectores propios correspondientes. Usa las matrices de dilatación para la alineación del tensor <img alt="Ecuación 15" fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" /> de cada voxel alos voxels adyacentes. <img alt="Ecuación 19" fo:src="/files/ftp_upload/50427/50427eq19highres.jpg" src="/files/ftp_upload/50427/50427eq19.jpg" /> <img alt="Ecuación 20" fo:src="/files/ftp_upload/50427/50427eq20highres.jpg" src="/files/ftp_upload/50427/50427eq20.jpg" /> son los componentes de <img alt="Ecuación 18" fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" /></li></ol> El proceso de normalización de todo es iterativo, es decir, crear un escáner-y específica de la secuencia (b = 0) - plantilla para este estudio en el primer paso por aritméticamente promedio de la (b = 0) - volúmenes de todos los sujetos después de la transformación lineal de acuerdo con manualmente establecer puntos de referencia. Después de esta primera normalización, la mejora de crear plantillas con el fin de optimizar las matrices de normalización. Los siguientes pasos 1.2.3 hasta 1.2.5 se visualiza esquemáticamente en la figura 5a. </li><li> Después de este procedimiento de normalización individual (step (i) - DTI-data I 0), utilice todos los datos individuales DTI establece para la creación de un estudio específico (b = 0) - plantilla y una plantilla de FA (etapa (ii) - Plantillas T 1). A medida que el registro no afín a un FA-plantilla tiene la ventaja de que proporciona un mayor contraste en comparación con (b = 0) imágenes 10, definen un FA-plantilla el promedio de todas derivado individualmente FA-mapas de los pacientes y los controles. </li><li> En un segundo paso, después de las ideas básicas de Ashburner y Friston 35, lleve a cabo una normalización MNI no lineal (la etapa (iii)) de los datos DTI establece al minimizar la falta de correspondencia entre las intensidades regionales de la FA-mapa para montar y de el FA-plantilla de acuerdo con las diferencias al cuadrado (X 2) - de esa manera, obtener datos DTI I 1. </li><li> Basándose en estos datos, nuevas plantillas T 2 se derivan (etapa (iv)). Repita este proceso iterativo hasta que la correlación entre el individuo FA-mapas y tél FA-plantilla es&gt; 0,7. Por lo general, esto se alcanza después de dos iteraciones. </li></ol></li><li> Whole estadísticas espaciales basadas en el cerebro Los siguientes pasos 1.3.1 hasta 1.3.5 se representan de forma esquemática en la Figura 5b. <ol><li> Calcular FA-mapas a partir de datos DTI normalizadas con respecto al procedimiento de normalización de 1,2. con el fin de preservar la información direccional (etapa (i)). </li><li> Como un paso de preprocesamiento antes de la comparación estadística voxelwise, aplicar un filtro de suavizado (etapa (ii)) a la normalizada FA-mapas individuales. Para el acondicionamiento, el hecho de que el tamaño del filtro influye en los resultados de análisis de datos DTI 36 requiere la aplicación del teorema de filtro adaptado que se afirma que la anchura del filtro utilizado para procesar los datos se debe adaptar al tamaño de la diferencia esperada, como se detalla en aplicaciones anteriores a los datos DTI de pacientes con trastornos neurodegenerativos (por ejemplo, 28). </li><li> Realizar estadística borradorarison entre los grupos de pacientes y el correspondiente grupo voxelwise control por parte de la t de Student prueba, es decir, comparar los valores de FA de los pacientes con AF-mapas con los valores de FA de los controles &#39;FA-mapas, para cada voxel separadamente (etapa (iii )). No se consideran los valores de FA por debajo de 0,2 para el cálculo ya que la materia gris cortical muestra los valores de FA hasta 0,2 37. </li><li> Los resultados estadísticos tienen que ser corregido para comparaciones múltiples utilizando el falso descubrimiento tasa (FDR) algoritmo de p &lt;0.05 38 (etapa (iv)). Una mayor reducción del error alfa tiene que ser realizado por un algoritmo de correlación espacial (la agrupación - la etapa (v)) que elimina los voxels aisladas o en pequeños grupos aislados de elementos de imagen volumétrica en el rango de tamaño del kernel de suavizado, que conduce a un tamaño de clúster umbral de 512 voxels. </li><li> Para mostrar los resultados en un fondo morfológica (etapa (v)), normalizar los 3 D-T1 datos ponderados establece a MNI espacio y media aritmética. Lleve a cabo esta normalización procedimiento mediante el uso de una plantilla específica del estudio en analogía a la normalización aplicada a los datos DTI fija 17. </li></ol></li></ol> La Figura 6 muestra los resultados de los enteros estadísticas espaciales basadas en el cerebro (WBS) de los pacientes de ALS frente a los controles. Figura 6a muestra el máximo local de la disminución de los valores de FA en un sagital, coronar y vista axial (thresholded en p &lt;0,01, corregidos para múltiples comparaciones). Figura 6B muestra FT proyectual con puntos de partida en el tracto corticoespinal utilizado como base para TFAS. Figura 6c muestra diferencias de grupo en FA-mapas detectados por todo el cerebro con base estadística espacial (WBS) entre una muestra de pacientes con ELA y controles emparejados en una visualización slicewise. <ol start="4"><li> Tractografía y estadísticas anisotropía fraccional tractwise (AGT) de origen La Figura 7 ilustra el proceso de FT grupo basado incluyendo TFAS como se describe en 1.4.1 hasta 1.4.4. <ol><li> Para la aplicación de algoritmos basados ​​en el grupo M, generará un promedio de DTI conjuntos de datos de &quot;datos y de los controles de los pacientes los datos en conjunto de acuerdo a los métodos descritos anteriormente 17. Este promedio requiere un tratamiento cuidadoso de la información de orientación que se conserva durante el proceso de normalización de acuerdo con las técnicas descritas por 16 - para más detalles, véase 30. </li><li> Realizar tractography en los conjuntos de datos DTI promedio de los grupos de asignaturas mediante la aplicación de una técnica de agilizar el seguimiento 31. Identificar los puntos de semillas definidas manualmente adyacentes a los máximos locales por todo el análisis FA basadas en el cerebro que son la base para el análisis FT consecutivo. Después de la identificación de las semillas, realizar tractography y definir los elementos de imagen volumétrica de las fibras delineadas como una máscara específico de grupo para la siguiente TFAS 30. </li><li> Con el fin de cuantificar los resultados tractografía, aplicar la técnica de ácidos grasos trans con thtractos de fibras e que se crearon en los datos DTI promedio conjuntos de todos los sujetos de cada grupo (los datos del paciente y los datos de control en conjunto) para la selección de los voxels que contribuyen a una comparación entre los pacientes y los controles &#39;FA-mapas. </li><li> Considere todos los voxels resultantes con un valor de FA por encima de 0,2 para el análisis estadístico de la t de Student prueba. </li><li> Si se desea, la técnica de TFAS se podría aplicar a las mediciones del DTI derivados, tales como la difusividad media (MD), anisotropía de anisotropía axial, radial, etc (por ejemplo, véase 28). </li><li> Los resultados se muestran en un fondo morfológico consiste en las MNI-normalizadas 3 D-series potenciadas en T1 de datos </li></ol></li></ol>

Los autores tienen nada que revelar.

Inter-sujetos promedio de DTI de datos se puede lograr con respecto a la amplitud de difusión (mediante el uso de la información FA) y la dirección de difusión (en base a FT), respectivamente. Promedio de los mapas FA permite la comparación estadística de los grupos de asignaturas por WBSs y TFAS. Este marco metodológico ofrece una introducción a las técnicas de DTI con un promedio entre los sujetos y el grupo de comparación. Normalización estereotáxica y la comparación de los mapas de la FA a nivel de grup...

Difusión de imágenes con tensor en el cerebro humano Los tractos de materia blanca (WM) en el sistema nervioso central consisten en axones densamente empaquetadas, además de diversos tipos de neuroglia y otras pequeñas poblaciones de células. La membrana axonal, así como las fibras de proteína bien alineados dentro de un axón restringe la difusión del agua perpendicular a la orientación de las fibras, dando lugar a la difusión del agua anisotrópico en el cerebro WM 1. Las vainas de mielina alrededor de los axones también pueden contribuir a la anisotropía para tanto intra-y extracelular del agua 2. La descripción cuantitativa de esta anisotropía se pudo detectar por tensor de difusión (DTI). DTI produce imágenes de los tejidos ponderados con las características microestructurales locales de la difusión del agua. Las intensidades de imagen-en cada posición son atenuadas, en función de la fuerza y ​​la dirección de la llamada gradiente de difusión magnético (representado en-el valor de b), así como en la microestructura local en el que las moléculas de agua se difunden 3, el coeficiente de difusión D, un valor escalar: <img alt="Ecuación 1" fo:src="/files/ftp_upload/50427/50427eq1highres.jpg" src="/files/ftp_upload/50427/50427eq1.jpg" /> Sin embargo, en la presencia de anisotropía en WM, la difusión ya no puede ser caracterizado por un único coeficiente de escalar, pero requiere un tensor <img alt="Ecuación 3" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" /> que en primera aproximación describe movilidad molecular a lo largo de cada dirección y la correlación entre estas direcciones 4. Difusión anisotropía es causada principalmente por la orientación de los tractos de fibras en WM y está influenciado por sus micro-y macroestructurales características. De las características microestructurales, organización intraaxonal parece ser de mayor influencia en la anisotropía de difusión, además de la densidad de la fibra unaembalaje de células nd, grado de mielinización, y el diámetro de la fibra individual. En una escala macroscópica, la variabilidad en la orientación de todos los tractos WM en un voxel de imágenes influye en su grado de anisotropía 5. En mediciones típicas DTI, los vóxel dimensiones son del orden de milímetros. Por lo tanto, un voxel siempre contiene la información promediada de las moléculas de agua en el interior del volumen detectado que por lo general abarca varios axones, así como las moléculas de agua circundantes. A pesar de este entorno multidireccional, DTI es sensible a la orientación del eje principal más grande que se alinea a la dirección axonal predominante, es decir, la contribución axonal domina la señal medida 2. DTI ofrece dos tipos de información acerca de la propiedad de la difusión del agua: en primer lugar, la medida independiente de la orientación de la difusión anisotropía 5 y la segunda, la dirección predominante de la difusión del agua en la image vóxeles, es decir, la orientación de difusión 6. Los protocolos actuales se supone que proporcionan un marco de técnicas de análisis DTI para la comparación cuantitativa de los grupos de asignaturas a nivel de grupo, como se indica a continuación. La cuantificación de propiedades de difusión - parámetros de análisis Los elementos del tensor simétrico se pueden medir por gradientes de difusión a lo largo de al menos seis no colineales y no coplanares direcciones, de manera que B (Ecuación 1) se ha convertido en un tensor, lo que resulta en la atenuación de señal <img alt="Ecuación 2" fo:src="/files/ftp_upload/50427/50427eq2highres.jpg" src="/files/ftp_upload/50427/50427eq2.jpg" /> Esta ecuación requiere que representa las posibles interacciones entre imágenes y gradientes de difusión que se aplican en direcciones ortogonales (términos cruzados) e incluso entre los gradientes de formación de imágenes que se aplicanen direcciones ortogonales 4. El tensor de difusión de segundo orden <img alt="Ecuación 3" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" /> siempre se puede diagonalizada dejando sólo tres elementos distintos de cero a lo largo de la diagonal principal del tensor, es decir, los valores propios ( <img alt="Ecuación 4" fo:src="/files/ftp_upload/50427/50427eq4highres.jpg" src="/files/ftp_upload/50427/50427eq4.jpg" /> ). Los valores propios reflejan la forma o configuración de la elipsoide. La relación matemática entre las coordenadas principales del elipsoide y el marco de laboratorio es descrito por los vectores propios <img alt="Ecuación 5" fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" /> Puesto que hay varios retos en la visualización de datos tensor, el concepto de elipsoides de difusión se ha propuesto 3. Los Eigendiffusivities de estos ellipsoids representan los coeficientes de difusión unidimensionales en la dirección principal de la difusividad del medio, es decir, el eje principal de la elipsoide representa la dirección principal de difusión en el voxel que coincide con la dirección de las fibras, mientras que la excentricidad de la elipsoide proporciona información acerca de la grado de anisotropía y su simetría. Por lo tanto, la difusión de anisotropía métricas tales como la anisotropía fraccional (FA) podrían definirse 7. <img alt="Ecuación 6" fo:src="/files/ftp_upload/50427/50427eq6highres.jpg" src="/files/ftp_upload/50427/50427eq6.jpg" /> <img alt="Ecuación 7" fo:src="/files/ftp_upload/50427/50427eq7highres.jpg" src="/files/ftp_upload/50427/50427eq7.jpg" /> es la media aritmética de todos los valores propios. Un enfoque adicional es el uso de la dirección principal del tensor de difusión para abordar la conectividad WM del cerebro, lo que corresponde a la tractography approach que tiene la intención de investigar qué partes del cerebro están conectadas entre sí. Suponiendo que la orientación del componente principal del tensor de difusión representa la orientación de los tractos axonales dominantes, un campo vectorial 3-D se proporciona en la que cada vector representa la orientación de la fibra. En la actualidad, existen varios enfoques diferentes para reconstruir vías WM que podría dividirse en dos tipos: la primera categoría se basa en algoritmos de propagación de línea utilizando la información tensor local para cada paso de la propagación del tracto de fibra 2,8,9. La segunda categoría se basa en la minimización de la energía global para encontrar la ruta más favorable energéticamente entre dos regiones WM, lo que resulta en el enfoque de las estadísticas espaciales tracto basados ​​en (TBSS) 10 que ha sido utilizado en otros algoritmos, tales como las estadísticas de anisotropía fraccional tractwise (TFAS - véase el texto del protocolo, sección 2.4).. Transformación en soporte estereotáxicoard espacio Al igual que en otros métodos avanzados de MRI, DTI-FT y los estudios basados ​​en un contexto clínico persiguen el objetivo final de clasificar la morfología del cerebro de cada paciente con el fin de facilitar el proceso de diagnóstico basada en cierta discriminación métrica 11. Estudios a nivel de grupo son más relevantes si el fenotipo clínico común se supone que es debido a daños en una o más áreas específicas del cerebro o una red neuroanatómicos específicos. Aquí, con un promedio de los resultados para diferentes sujetos es útil con el fin de evaluar los patrones comunes de alteraciones microestructurales. Cada cerebro individual tiene que ser transferido hacia el espacio estereotáxico de manera que, en un segundo paso, el promedio aritmético de los resultados a un nivel de voxel por voxel es posible. Normalización espacial permitió para la aritmética promedio de los resultados obtenidos a partir de diferentes sujetos con el fin de mejorar la relación señal-a-ruido (SNR) y para llevar a cabo una comparación de las muestras de los pacientes y contROLS con el fin de analizar la patoanatomía computacional de un trastorno específico, por ejemplo, una enfermedad neurodegenerativa que se asocia con la afectación de un sistema específico del cerebro. El enfoque inicial de la normalización a un espacio estereotáxico estandarizada por 12 sugiere un algoritmo de transformación de un atlas estándar que implica la identificación de los distintos hitos del cerebro y poco a poco escala de los cuadrantes del cerebro. Hoy en día, la mayoría de los paquetes de análisis de datos avanzados de resonancia magnética utilizan normalización del Instituto Neurológico de Montreal (MNI) Espacio estereotáxica 13. Para esta transformación, los algoritmos de registro cerebrales semiautomáticas y automáticas con plantillas específicas de estudio se desarrollaron 14,15. En DTI, la atención especial se ha de elaborar para conservar la información de dirección durante el proceso de normalización 16,17. La aplicación de transformaciones espaciales a las imágenes DT-RM de los cuales son necesarios para la normalización espacialde colecciones de conjuntos de datos es, en contraste a las imágenes escalares deformación, complicados por el hecho de que DT contienen información de orientación que está más afectada por la transformación. Este efecto debe tenerse en cuenta con el fin de garantizar la corrección anatómica de la imagen transformada. Aquí, se presentan técnicas para aplicar transformaciones afines a los conjuntos de datos DTI. Aplicación de DTI a las enfermedades cerebrales La comparación de DTI longitudinal de datos requiere una alineación / registro de los datos de un objeto entre sí. En ese contexto, es necesaria la conservación de la información direccional (es decir, la rotación del tensor de difusión durante transformaciones afines). Posibles aplicaciones a trastornos neurodegenerativos se ha informado anteriormente (por ejemplo, 18,19). DTI se ha establecido como una herramienta técnica no invasiva robusta para investigar in vivo Neuropatholgía de WM tractos neuronales (por ejemplo, 11,20,21,22). Métricas cuantitativas DTI basados ​​del proceso de difusión, por ejemplo, el FA, ya han demostrado ser marcadores sensibles para el estudio de una amplia gama de patologías WM, tales como accidente cerebrovascular 20, de la esclerosis múltiple 23, la esclerosis amiotrófica lateral 24, 25, enfermedad de Alzheimer 26 , y varios otros trastornos WM 27,28. Además, DTI con FT se puede utilizar para identificar extensiones WM 23. Esta técnica, aunque todavía no está en uso clínico de rutina, se está convirtiendo en un poderoso instrumento para la evaluación de anormalidades vía específica en la enfermedad neurológica. Dentro de las zonas identificadas, varios índices MRI cuantitativos derivados de DTI y adquisiciones adicionales (por ejemplo, las imágenes potenciadas en T2 y / o transferencia de magnetización (MT) de imágenes) que son anatómicamente coregistered a los datos DTI puede medir. Por la presente, cada índice puede ser calculATED como una función de la posición dentro del tracto, refiriéndose a las parcelas que representan su variación espacial como perfiles de las vías. En los siguientes análisis, DTI humanos que se realizaron en 1,5 Tesla MRI-escáneres (Siemens Medical, Erlangen, Alemania) se utilizaron para investigar el potencial de diversas técnicas de análisis para la detección de anomalías de la materia blanca en los grupos de pacientes, así como en individuos. Después de una verificación automática de calidad para la eliminación de los volúmenes de movimiento corruptos y volúmenes con otros tipos de artefactos, procedimientos estandarizados postprocesado preparan los datos DTI para el análisis consecutivo. Diferentes enfoques de análisis se ilustran en la siguiente, es decir, en primer lugar, todo el cerebro con base estadística espacial (WBS), segundo, FT y, estadísticas anisotropía fraccional Tractwise tercero (AGT) de origen. WBSs es un método que se ejecuta en analogía a la morfometría basada en voxel (VBM), que se conoce generalmente como morfometría / estadísticas basada en voxel en DTI datos (VBM / DTI) <em&gt;. VBM es un método que se ejecuta originalmente en las imágenes de contraste donde las diferencias de contraste en exploraciones separadas tienen que ser resueltos mientras WBSs es un método que utiliza la comparación voxelwise de un parámetro físico. Por lo tanto, aunque algorítmicamente similares, una terminología que se está diferenciando WBSs y VBM se utilizará en el siguiente.

<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

Técnicas de tensor de difusión (DTI) proporcionan información sobre los procesos microestructurales de la sustancia blanca cerebral (WM) in vivo. Las presentes aplicaciones están diseñadas para investigar las diferencias de patrones de participación de WM en diferentes enfermedades cerebrales, trastornos neurodegenerativos, especialmente mediante el uso de diferentes análisis DTI en comparación con los controles emparejados. Análisis de datos DTI se realiza de forma variable aleatoria, es decir, la comparación de los indicadores regionales voxelwise dirección de difusión basados ​​tales como anisotropía fraccional (FA), junto con el seguimiento de la fibra (FT), acompañado de las estadísticas de anisotropía fraccional tractwise (AGT) de origen a nivel de grupo a fin para identificar diferencias en FA WM a lo largo de las estructuras, con miras a la definición de los patrones regionales de WM alteraciones a nivel de grupo. La transformación en un espacio estándar estereotáxica es un requisito previo para los estudios de grupo y requiere los datos completos del tratamiento para preservar directional interdependencias. Las aplicaciones actuales muestran enfoques técnicos optimizados para esta preservación de la información cuantitativa y direccional durante la normalización espacial en los análisis de datos a nivel de grupo. Sobre esta base, las técnicas de FT se pueden aplicar a los datos promediados de grupo con el fin de cuantificar la información métricas como se define por FT. Además, la aplicación de los métodos de DTI, es decir, diferencias en la AF-mapas después de la alineación estereotáxica, en un análisis longitudinal en función de materias individuales revelan información acerca de la progresión de los trastornos neurológicos. Nuevas mejoras en la calidad de los resultados basados ​​en DTI se puede obtener en la ejecución previa por aplicación de una eliminación controlada de direcciones del gradiente con altos niveles de ruido. En resumen, DTI se utiliza para definir una clara patoanatomía WM de diferentes enfermedades del cerebro por la combinación de todo DTI análisis basado en el cerebro y el tracto basada.

1. Control de calidad y la corrección en direcciones gradiente dañados en aplicación a los datos de los pacientes con trastornos hipercinéticos Como un ejemplo para el efecto de la aplicación de control de calidad y de exclusión de volumen posterior (como consecuencia de la corrección para los corruptos de GD), la Figura 8 muestra las diferencias en enteros estadísticas espaciales basados ​​en cerebro con y sin exclusión de volumen para la comparación grupo de 29 ...

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

Tensor de difusión (DTI), básicamente, sirve como una herramienta basada en RM para identificar<em&gt; In vivo</em&gt; La microestructura del cerebro y los procesos patológicos debido a trastornos neurológicos dentro de la materia blanca cerebral. Análisis DTI basados ​​permiten para su aplicación a las enfermedades del cerebro, tanto a nivel de grupo y en los datos de un solo sujeto.

Tensor de difusión por resonancia magnética en el análisis de las enfermedades neurodegenerativas

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 vistas.  University of Ulm. Tensor de difusión (DTI), básicamente, sirve como una herramienta basada en RM para identificar In vivo La microestructura del cerebro y los procesos patológicos debido a trastornos neurológicos dentro de la materia blanca cerebral. Análisis DTI basados ​​permiten para su aplicación a las enfermedades del cerebro, tanto a nivel de grupo y en los datos de un solo sujeto.

Video: 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.

Evaluación de Resonancia Magnética Derivado deformación miocárdica mediante función de seguimiento

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 ...

Investigación

Medicina

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.

Sondas en el cerebro en el autismo y el uso de resonancia magnética funcional de imágenes por tensor de difusión

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.

Filtrado de contenido de alta en las enfermedades neurodegenerativas

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.

El uso de fibroblastos humanos primarios para la Supervisión de fenotipos mitocondriales en el campo de la enfermedad de Parkinson

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.

Seguimiento de las mamarias características de la arquitectura y la detección de cáncer de mama con resonancia magnética con tensor de difusión de imágenes

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.

Imágenes por resonancia magnética cuantitativa de la enfermedad del músculo esquelético

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.

Simultánea de imágenes PET / RM Durante cerebral del ratón hipoxia-isquemia

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.

Resonancia magnética cardiaca en 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.

Fase contraste resonancia magnética en la arteria carótida común de rata

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.

Resonancia Magnética Cardíaca para la Evaluación del Trombo Cardíaco Sospechoso: Técnicas Convencionales y Emergentes

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