JoVE Logo
Autori
Contattaci

Accedi

È necessario avere un abbonamento a JoVE per visualizzare questo. Accedi o inizia la tua prova gratuita.

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Materiali
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

Di seguito è riportata un'esercitazione pratica per una pipeline di elaborazione delle immagini standardizzata ad accesso aperto allo scopo di eseguire la mappatura dei sintomi di lesione. Viene fornita una procedura dettagliata per ogni fase di elaborazione, dalla segmentazione infarto manuale sulla TC/RM alla successiva registrazione allo spazio standard, insieme a raccomandazioni pratiche e illustrazioni con casi esemplari.

Abstract

Nella mappatura di lesioni-sintomi (LSM), la funzione cerebrale viene dedotta mettendo in relazione la posizione delle lesioni cerebrali acquisite ai sintomi comportamentali o cognitivi in un gruppo di pazienti. Con i recenti progressi nell'imaging cerebrale e nell'elaborazione delle immagini, LSM è diventato uno strumento popolare nelle neuroscienze cognitive. LSM può fornire informazioni fondamentali sull'architettura funzionale del cervello umano per una varietà di funzioni cognitive e non cognitive. Un passo cruciale nell'esecuzione di studi LSM è la segmentazione delle lesioni sulle scansioni cerebrali di un grande gruppo di pazienti e la registrazione di ogni scansione in uno spazio stereotaxico comune (chiamato anche spazio standard o un modello di cervello standardizzato). Descritto qui è un metodo standardizzato ad accesso aperto per la segmentazione e la registrazione infarto ai fini di LSM, nonché una procedura dettagliata e pratica basata su casi esemplari. Viene fornito un tutorial completo per la segmentazione manuale degli infarti cerebrali sulle scansioni TC e le sequenze di risonanza magnetica DWI o FLAIR, che include criteri per l'identificazione degli infarti e insidie per i diversi tipi di scansione. Il software di registrazione fornisce più schemi di registrazione che possono essere utilizzati per l'elaborazione di dati CT e MRI con parametri di acquisizione eterogenei. Viene fornita un'esercitazione sull'utilizzo di questo software di registrazione e sull'esecuzione di controlli di qualità visiva e correzioni manuali (necessarie in alcuni casi). Questo approccio fornisce ai ricercatori un quadro per l'intero processo di elaborazione delle immagini cerebrali necessario per eseguire uno studio LSM, dalla raccolta dei dati ai controlli di qualità finali dei risultati.

Introduzione

La mappatura lesioni-sintomi (LSM), chiamata anche mappatura del comportamento di lesione, è uno strumento importante per studiare l'architettura funzionale del cervello umano1. Negli studi sulle lesioni, la funzione cerebrale viene dedotta e localizzata studiando i pazienti con lesioni cerebrali acquisite. I primi casi di studio che collegano i sintomi neurologici a specifiche posizioni cerebrali eseguite nel XIX secolo hanno già fornito informazioni fondamentali sulle correlazioni anatomiche del linguaggio e su diversi altri processi cognitivi2. Eppure, le correlazioni neuroanatomiche di molti aspetti della cognizione e altre funzioni cerebrali sono rimaste sfuggente. Negli ultimi decenni, il miglioramento dei metodi strutturali di imaging cerebrale e dei progressi tecnici ha permesso studi LSM in vivo su larga scala ad alta risoluzione spaziale (ad esempio, a livello di singoli voxel o specifiche regioni corticali/subcorticali di interesse)1 ,2. Con questi progressi metodologici, LSM è diventato un metodo sempre più popolare nelle neuroscienze cognitive e continua a offrire nuove intuizioni sulla neuroanatomia della cognizione e dei sintomi neurologici3. Un passo cruciale in qualsiasi studio LSM è l'accurata segmentazione delle lesioni e la registrazione a un modello di cervello. Tuttavia, manca un tutorial completo per la pre-elaborazione dei dati di imaging cerebrale ai fini dell'LSM.

A condizione di qui è un tutorial completo per un metodo standardizzato di segmentazione e registrazione delle lesioni. Questo metodo fornisce ai ricercatori una pipeline per l'elaborazione standardizzata delle immagini cerebrali e una panoramica delle potenziali insidie che devono essere evitate. La pipeline di elaborazione delle immagini presentata è stata sviluppata attraverso collaborazioni internazionali4 e fa parte del quadro del consorzio di mappe Meta VCI recentemente fondato, il cui scopo è l'esecuzione di studi multicentrici sulla mappatura delle lesioni-sintomo in danno cognitivo vascolare 5. Questo metodo è stato progettato per elaborare scansioni TC e RM da più fornitori e protocolli di scansione eterogenei per consentire l'elaborazione combinata di set di dati di imaging da fonti diverse. Il software RegLSM richiesto e tutti gli altri software necessari per questo protocollo sono liberamente disponibili ad eccezione di MATLAB, che richiede una licenza. Questa esercitazione si concentra sulla segmentazione e la registrazione degli infarti cerebrali, ma questa pipeline di elaborazione delle immagini può essere utilizzata anche per altre lesioni, ad esempio iperintensità della materia bianca6.

Prima di entrare in uno studio LSM, è necessaria una comprensione di base dei concetti generali e delle insidie. Diverse linee guida dettagliate e una guida per autostoppista sono disponibili1,3,6. Tuttavia, queste recensioni non forniscono un tutorial pratico dettagliato per i passaggi pratici coinvolti nella raccolta e conversione scansioni cerebrali in un formato corretto, segmentando il cervello infarto, e la registrazione delle scansioni a un modello di cervello. Il presente documento fornisce un tale tutorial. I concetti generali di LSM sono forniti nell'introduzione con riferimenti per ulteriori letture sull'argomento.

Scopo generale degli studi di mappatura di lesioni-sintomi

Dal punto di vista della neuropsicologia cognitiva, la lesione cerebrale può essere utilizzata come condizione modello per comprendere meglio le basi neuronali di alcuni processi cognitivi e per ottenere un quadro più completo dell'architettura cognitiva del cervello1 . Questo è un approccio classico in neuropsicologia che è stato applicato per la prima volta negli studi post-mortem nel XIX secolo da pionieri come Broca e Wernicke2. Nell'era dell'imaging cerebrale funzionale, l'approccio alla lesione è rimasto uno strumento cruciale nelle neuroscienze perché fornisce la prova che le lesioni in una specifica regione del cervello interrompono le prestazioni del compito, mentre gli studi di imaging funzionale dimostrano le regioni cerebrali che sono attivata durante le prestazioni dell'attività. Di conseguenza, questi approcci forniscono informazioni complementari1.

Dal punto di vista della neurologia clinica, gli studi LSM possono chiarire la relazione tra la posizione della lesione e il funzionamento cognitivo in pazienti con infarto sintomatico acuto, iperintensità della materia bianca, lacune o altri tipi di lesioni (ad esempio, tumori ). Recenti studi hanno dimostrato che tali lesioni nelle regioni strategiche del cervello sono più rilevanti nello spiegare le prestazioni cognitive rispetto al carico di lesione globale2,5,7,8. Questo approccio ha il potenziale per migliorare la comprensione della fisiopatologia di disturbi complessi (in questo esempio, danno vascolare vascolare) e può fornire opportunità per lo sviluppo di nuovi strumenti diagnostici e prognostici o il trattamento di supporto strategie2.

LSM ha anche applicazioni al di là del campo della cognizione. Infatti, qualsiasi variabile può essere correlata alla posizione di lesione, compresi sintomi clinici, biomarcatori e esito funzionale. Ad esempio, uno studio recente ha determinato posizioni infartiche che erano predittive del risultato funzionale dopo l'ictus ischemico10.

Ossare-based rispetto alla regione di mappatura dei sintomi di lesione basata sugli interessi

Per eseguire la mappatura dei sintomi di lesione, le lesioni devono essere segmentate e registrate in un modello di cervello. Durante la procedura di registrazione, il cervello di ogni paziente è allineato spazialmente (cioè normalizzato o registrato a un modello comune) per correggere le differenze nelle dimensioni del cervello, nella forma e nell'orientamento in modo che ogni voxel nella mappa di lesione rappresenti la stessa anatomica anatomica struttura per tutti i pazienti7. Nello spazio standard, è possibile eseguire diversi tipi di analisi, che sono brevemente riassunti qui.

È possibile eseguire un'analisi di sottrazione di lesioni grezze per mostrare la differenza nella distribuzione delle lesioni nei pazienti con deficit rispetto ai pazienti senza deficit. La mappa di sottrazione risultante mostra le regioni che sono più spesso danneggiate in pazienti con deficit e risparmiate in pazienti senza deficit1. Sebbene un'analisi di sottrazione delle lesioni possa fornire alcune informazioni in correlazioni di una funzione specifica, non fornisce alcuna prova statistica e viene ora utilizzata principalmente quando la dimensione del campione è troppo bassa per fornire una potenza statistica sufficiente per la funzione f.

Nella mappatura dei sintomi di lesione basata su voxel, un'associazione tra la presenza di una lesione e le prestazioni cognitive è determinata a livello di ogni singolo voxel nel cervello (Figura 1). Il vantaggio principale di questo metodo è l'alta risoluzione spaziale. Tradizionalmente, queste analisi sono state eseguite in un approccio di massa univariato, che garantisce la correzione per più test e introduce una distorsione spaziale causata da correlazioni inter-voxel che non sono prese in considerazione1,10 , 11.Gli approcci sviluppati di recente che tengono conto delle correlazioni intervoxel (di solito denominati metodi di mappatura multivariati per lesioni-sintomi, come l'analisi bayesiana13, supportano la regressione vettoriale4, 14, o altri algoritmi di apprendimento automatico15) mostrano risultati promettenti e sembrano migliorare la sensibilità e la specificità dei risultati delle analisi LSM voxel-saggio rispetto ai metodi tradizionali. Un ulteriore miglioramento e convalida dei metodi multivariati per l'LSM voxel-saggio è un processo continuo. La scelta migliore per una specifica mappatura dei sintomi di lesione dipende da molti fattori, tra cui la distribuzione delle lesioni, la variabile di risultato e le ipotesi statistiche sottostanti dei metodi.

Nella mappatura dei sintomi di lesione basata sul ROI, viene determinata un'associazione tra il carico di lesione all'interno di una specifica regione del cervello e le prestazioni cognitive (vedere la figura 1 in Biesbroek et al.2 per un'illustrazione). Il vantaggio principale di questo metodo è che considera il carico di lesione cumulativa all'interno di una struttura anatomica, che in alcuni casi può essere più informativo di una lesione in un singolo voxel. D'altra parte, le analisi basate sul ROI hanno una potenza limitata per rilevare modelli che sono presenti solo in un sottoinsieme di voxel nella regione16. Tradizionalmente, la mappatura dei sintomi di lesione basata sul ROI viene eseguita utilizzando la regressione logistica o lineare. Recentemente sono stati introdotti metodi multivariati che si occupano meglio della collinearità (ad esempio, analisi della rete bayesiana17, supporto alla regressione vettoriale4,18o altri algoritmi di apprendimento automatico19),che possono migliorare la specificità dei risultati degli studi di mappatura della lesione-sintomo.

Selezione del paziente

Negli studi LSM, i pazienti sono di solito selezionati in base a un tipo di lesione specifico (ad esempio, infarti cerebrali o iperintensità di materia bianca) e l'intervallo di tempo tra diagnosi e valutazione neuropsicologica (ad esempio, ictus acuto contro cronico). La progettazione ottimale dello studio dipende dalla domanda di ricerca. Ad esempio, quando si studia l'architettura funzionale del cervello umano, i pazienti colpiti da ictus acuto sono idealmente inclusi perché la riorganizzazione funzionale non si è ancora verificata in questa fase, mentre i pazienti con ictus cronico dovrebbero essere inclusi quando studiano il effetti a lungo termine dell'ictus sulla cognizione. Una descrizione dettagliata delle considerazioni e delle insidie nella selezione del paziente è fornita altrove7.

Pre-elaborazione dell'immagine cerebrale ai fini della mappatura dei sintomi di lesione

La segmentazione e la registrazione accurate delle lesioni a un modello di cervello comune sono passaggi cruciali nella mappatura dei sintomi di lesione. La segmentazione manuale delle lesioni rimane il gold standard per molti tipi di lesioni, compresi gli infarti7. Fornito è un tutorial dettagliato sui criteri per la segmentazione manuale degli infarti sulle scansioni TC, l'imaging ponderato di diffusione (DWI) e le sequenze di risonanza MRI di recupero dell'inversione con attenuazione fluida (FLAIR) sia in fasi acute che croniche. Gli infarti segmentati (ad esempio, le mappe di lesione binaria 3D) devono essere registrati prima di qualsiasi analisi su tutti i argomenti. Questo protocollo utilizza il metodo di registrazione RegLSM, sviluppato in un'impostazione multicentrica4. RegLSM applica algoritmi di registrazione lineari e non lineari basati su elastix20 sia per La TC che per la risonanza magnetica, con un'ulteriore fase di elaborazione TC specificamente progettata per migliorare la qualità di registrazione delle scansioni TC21. Inoltre, RegLSM consente di utilizzare diversi modelli di cervello di destinazione e un (opzionale) passaggio di registrazione intermedio per un modello di CT/MRI specifico per età22. La possibilità di elaborare scansioni TC e RM e la sua personalizzazione per quanto riguarda i modelli cerebrali intermedi e target rende RegLSM uno strumento di elaborazione delle immagini altamente adatto per LSM. L'intero processo di preparazione e segmentazione delle scansioni TC/RM, la registrazione a un modello di cervello e le correzioni manuali (se necessario) sono descritti nella sezione successiva.

figure-introduction-13310
Figura 1: Illustrazione schematica del concetto di mappatura dei sintomi di lesione basata su voxel. La parte superiore mostra le fasi di pre-elaborazione dell'immagine del cervello che contrattaccano la lesione (un infarto acuto in questo caso) seguita dalla registrazione a un modello di cervello (il modello MNI-152 in questo caso). Di seguito, una parte della mappa di lesione binaria registrata dello stesso paziente viene mostrata come una griglia 3D, dove ogni cubo rappresenta un voxel. Insieme alle mappe di lesione di altri 99 pazienti, viene generata una mappa di sovrapposizione delle lesioni. Per ogni voxel, viene eseguito un test statistico per determinare l'associazione tra lo stato della lesione e le prestazioni cognitive. Il test del chi quadrato mostrato qui è solo un esempio, qualsiasi test statistico potrebbe essere utilizzato. Tipicamente, centinaia di migliaia di voxel sono testati in tutto il cervello, seguita da una correzione per confronti multipli. Fare clic qui per visualizzare una versione più grande di questa figura.

Protocollo

Questo protocollo segue le linee guida del comitato etico della ricerca umana delle nostre istituzioni.

1. Raccolta di scansioni e dati clinici

  1. Raccogli le scansioni TC o RM cerebrale di pazienti con ictus ischemico. La maggior parte degli scanner salva le scansioni come file DICOM (Digital Imaging and Communications in Medicine) che possono essere copiati su un disco rigido o su un server.
    NOT: È possibile utilizzare scansioni da ogni tipo di scanner, protocollo di scansione e forza del campo di risonanza magnetica, purché 1) i requisiti di intervallo di tempo per il tipo di scansione utilizzato (vedere la tabella 1) e 2) non ci siano artefatti che ostacolano una corretta delineazione incerta. Un tutorial dettagliato sul rilevamento di artefatti su TC e RM è fornito altrove23,24. Un esempio di artefatti di movimento comuni in CT è disponibile nella Figura 2e negli esempi di analisi di buona qualità vengono forniti esempi di buona qualità nella sezione dei risultati. Gli infarti possono essere segmentati su scansioni con qualsiasi spessore di sezione e qualsiasi risoluzione dell'immagine in piano. Tuttavia, le sezioni sottili e l'alta risoluzione in piano consentiranno una rappresentazione più accurata dell'infarto al modello del cervello.
  2. Raccogliere le variabili cliniche in un file di dati (ad esempio Excel) creando righe separate per ogni caso e colonne per ogni variabile clinica. Per la segmentazione infarto, includere almeno le variabili data del tratto e della data dell'imaging o una variabile che indica l'intervallo di tempo tra tratto e imaging.
  3. Assicurarsi che siano rispettate le linee guida etiche e le normative in materia di privacy. Assicurarsi che i dati siano anonimi o codificati. Prestare particolare attenzione alla rimozione dei dati del paziente, ad esempio il nome, l'indirizzo e la data di nascita archiviati nei file DICOM come tag. Questi tag possono essere cancellati utilizzando dcm2niix (download gratuito disponibile all'indirizzo )25.

2. Conversione di immagini DICOM in file Nifti

  1. Per convertire le immagini DICOM in file nifti non compressi utilizzando lo strumento dcm2niix, digitare "[percorso cartella di dcm2niix.exe]-dcm2niix %d_%p [percorso cartella dei file dicom]" nel prompt dei comandi. Un esempio del comando con i percorsi delle cartelle inseriti potrebbe essere C:. Questo comando eseguirà l'eseguibile dcm2niix, convertirà le immagini DICOM nella cartella selezionata e salverà i file nifti nella stessa cartella.
    NOT: L'aggiunta %d_%p garantisce che la descrizione della serie e il nome del protocollo vengano inseriti nel nome del file. Ulteriori funzionalità, incluse le opzioni per la conversione batch, sono disponibili nel manuale dcm2niix all'indirizzo . Altri strumenti open source possono essere utilizzati per la conversione di immagini DICOM in file nifti, pure.
  2. Assicurarsi che il nome del tipo di scansione (CT, FLAIR, DWI o altri nomi di sequenza) venga copiato nel nome del file durante la conversione (questa opzione è disponibile in dcm2niix).
  3. Per le scansioni RM, selezionare le sequenze DWI o FLAIR per la segmentazione. In alternativa, è possibile utilizzare qualsiasi altra sequenza strutturale su cui è visibile l'infarto. Vedere la Tabella 1 per le finestre temporali appropriate dopo la corsa in cui è possibile utilizzare CT, DWI o FLAIR per la segmentazione infarto.
  4. Organizzare i file nifti in una comoda struttura di cartelle con una sottocartella per ogni caso (vedere il manuale di RegLSM e supplementari figura 1). Questo manuale può essere scaricato da .
    NOT: Questa struttura di cartelle è un requisito per il software di registrazione RegLSM (vedere la sezione 4). Un aggiornamento di RegLSM, rendendolo compatibili con BIDS (brain imaging data structure26, see ), è attualmente in fase di sviluppo e sarà presto rilasciato.

3. Segmentazione infarto

  1. Osservazioni generali applicabili a tutti i tipi di scansione
    1. Assicurarsi che la persona che esegue e valuta la segmentazione e la registrazione sia accecata alla variabile del risultato (di solito una misura cognitiva) per evitare distorsioni.
    2. Si noti che gli infarti sono in genere segmentati su sezioni trasversali, ma la segmentazione può essere eseguita in qualsiasi orientamento della sezione.
    3. Garantire condizioni di visualizzazione ottimali durante la segmentazione infarto utilizzando uno schermo monitor ad alta risoluzione e una luce ambiente ottimale per fornire un ambiente confortevole. Regolare manualmente il contrasto dell'immagine durante la segmentazione per fornire un contrasto ottimale tra tessuto cerebrale sano. Sii coerente nell'applicare impostazioni simili tra i soggetti.
  2. Segmentazione infarto sulla TC
    1. Verificare innanzitutto se la scansione è stata eseguita almeno 24 h dopo l'insorgenza del sintomo del colpo. Entro 24 h, l'infarto acuto non è o solo parzialmente visibile sulla TC e la scansione non può essere utilizzata per la segmentazione7. Vedere Figura 3 per un'illustrazione.
    2. Aprire il CT nativo utilizzando il software ITK-SNAP (download gratuito disponibile all'indirizzo )27. In ITK-SNAP, fare clic su File : aprire l'immagine principale dal menu a discesa. Fare clic su Sfoglia e selezionare il file per aprire la scansione. Se l'impostazione di contrasto di default fornisce scarso contrasto tra tessuto cerebrale sano e la lesione, regolare le impostazioni di contrasto. A tale scopo, fare clic su Strumenti - Contrasto immagine - Regolazione contrasto.
      NOT: Qualsiasi software open source può anche essere utilizzato.
    3. Se disponibile, aprire una TC eseguita entro 24 h dopo l'insorgenza di sintomi da ictus in un'istanza separata come riferimento per distinguere l'infarto acuto dalle vecchie lesioni ischemiche come lacune, infarti (sub) corticali o iperintensità della materia bianca.
    4. Identificare l'infarto in base alle seguenti caratteristiche. Gli infarti hanno un segnale basso (cioè ipodensa) rispetto al normale tessuto cerebrale.
      1. Nella fase acuta (prime settimane), grandi infarti possono causare effetti di massa con conseguente spostamento dei tessuti circostanti, compressione dei ventricoli, spostamento della linea mediana e cancellazione dei solci. Ci può essere una trasformazione emorragica che è visibile come regioni con segnale alto (cioè iperdens) all'interno dell'infarto.
      2. Nello stadio cronico (da mesi ad anni), l'infarto sarà costituito da un centro cavitato iporato (con una densità simile a quella del liquido cerebrospinale) e un bordo meno ipodensato che rappresenta il tessuto cerebrale danneggiato. Sia il centro cavitato che il bordo degli ipodens devono essere segmentati come infarto. In caso di infarto di grandi dimensioni, ci può essere l'allargamento ex vacuo di solchi o ventricoli adiacenti.
        NOT: Lo spostamento dei tessuti a causa dell'effetto di massa o dell'allargamento delle strutture ex vacuo non deve essere corretto durante la segmentazione (cioè, solo l'estensione completa dell'infarto deve essere segmentata). La correzione per lo spostamento dei tessuti avviene durante la registrazione e le fasi successive.
    5. Segmentare il tessuto cerebrale infarto utilizzando la modalità pennello dalla barra degli strumenti principale (fare clic con il pulsante sinistro del mouse per disegnare, fare clic con il pulsante destro del mouse per cancellare). In alternativa, utilizzare la modalità poligono per posizionare i punti di ancoraggio ai bordi della lesione (questi punti sono collegati automaticamente con le linee) o tenere premuto il pulsante sinistro del mouse mentre si sposta il mouse sui bordi della lesione. Una volta collegati tutti i punti di ancoraggio, fare clic su Accetta per riempire l'area delineata.
    6. Evitare la fase di appannamento, che si riferisce alla fase in cui l'infarto diventa isodensa sulla TC (che co-verifica con infiltrazione del tessuto infarto con fagociti). Ciò si verifica in genere 14-21 giorni dopo l'insorgenza dell'ictus, ma in rari casi può verificarsi anche primadi 28. Durante questo periodo, l'infarto può diventare invisibile o i suoi confini diventano meno chiari, rendendo questa fase inadatta per la segmentazione infarto. Dopo la fase di appannamento, la lesione diventa di nuovo ipodense quando si verificano cavitazione e gliosi. Vedere Figura 4 per due esempi.
    7. Dopo aver terminato la segmentazione, salvarla come file nifti binario nella stessa cartella della scansione facendo clic su segmentazione , salva immagine di segmentazione dal menu a discesa, quindi salvare la segmentazione assegnandole esattamente lo stesso nome della scansione segmentata, con l'estensione di .lesion (ad esempio, se la scansione è stata salvata come "ID001. CT.nii" salva la segmentazione come "ID001. CT.lesion.nii").
  3. Segmentazione infarto su DWI
    1. Verificare innanzitutto se il DWI è stato eseguito entro 7 giorni dall'inizio della corsa. Gli infarti sono visibili su DWI entro diverse ore dall'inizio del tratto e la loro visibilità su DWI diminuisce gradualmente dopo circa 7 giorni (vedi paragrafo 2 nella discussione per maggiori dettagli).
    2. Aprire il DWI in ITK-SNAP (come fatto nel passaggio 3.2.2).
      NOT: Una sequenza DWI genera almeno due immagini per la maggior parte dei protocolli di scansione, una con un valore b 0, che è un'immagine standard con ponderata T2, e una con un valore b più alto, ovvero la scansione che cattura le proprietà di diffusione effettive del tessuto. Più alto è il valore b, più forti sono gli effetti di diffusione. Per il rilevamento ipermamiche del tratto, viene spesso utilizzato un valore b di circa 1000 s/mm2, in quanto ciò fornisce un buon rapporto contrasto/rumore nella maggior parte dei casi29. L'immagine con un valore b elevato viene utilizzata per la segmentazione infata.
    3. Aprire la sequenza di coefficiente di diffusione apparente (ADC) in un'istanza separata di ITK-SNAP come riferimento.
    4. Identificare e annotare il tessuto cerebrale infarto in base al segnale alto (cioè iperintenso) su DWI e segnale basso (cioè ipointenso) sull'ADC (vedere Figura 5). I valori ADC nell'infarto aumentano gradualmente fino a quando ADC non normalizza in media 1 settimana dopo il colpo30, ma in alcuni casi, l'ADC può già essere (quasi) normalizzato dopo diversi giorni se c'è molto edema vasogenico.
      NOT: Nelle immagini DWI con bassi valori b, le lesioni cerebrali con un segnale T2 elevato intrinseco (come le iperintensità della materia bianca) possono anche apparire iperintense. Questo fenomeno è chiamato T2 shine-through31. Tuttavia, con l'aumento dei valori b, questo fenomeno diventa meno rilevante, poiché il segnale sull'immagine DWI riflette più fortemente le proprietà di diffusione invece del segnale T2 intrinseco. Con i moderni protocolli di scansione DWI (di solito con b-value - 1000 o superiore), gli effetti shine-through T2 sono limitati32.
    5. Non confondere un segnale DWI elevato vicino alle interfacce tra aria e tessuto o osso, che sono un artefatto comunemente osservato, per un infarto. Vedere la Figura 5.
    6. Salvare l'annotazione come file nifti binario, assegnandole esattamente lo stesso nome della scansione segmentata, con l'estensione di .lesion (come fatto nel passaggio 3.2.7).
  4. Segmentazione infarto su FLAIR
    1. In primo luogo, controllare se la scansione è stata eseguita >48 h dopo l'insorgenza del sintomo del tratto. Nella fase iperacuta, l'infarto di solito non è visibile sulla sequenza FLAIR o i confini esatti dell'infarto non sono chiari31 (vedere Figura 6).
    2. Aprire il FLAIR in ITK-SNAP nello stesso modo come fatto nel passaggio 3.2.2.
    3. Aprire il T1 un'istanza separata di ITK-SNAP per riferimento, se disponibile.
    4. Identificare e segmentare il tessuto cerebrale infarto in base alle seguenti caratteristiche.
      1. Nella fase acuta (prime settimane), l'infarto è visibile come una lesione iperintensa più o meno omogenea, con o senza apparente gonfiore ed effetto di massa (Figura 5).
      2. Nella fase cronica (da mesi ad anni), l'infarto è cavitato, il che significa che il centro diventa ipo- o isointenso su FLAIR. Questa cavità può essere identificata con maggiore precisione sul T1. Nella maggior parte dei casi, il centro cavitato è circondato da un bordo iperintenso sul FLAIR, che rappresenta la gliosi. 33.
        NOT: Tuttavia, c'è una notevole quantità di variazione nel grado di cavitazione e gliosi degli infarti cronici. Segmentare sia la cavità che il bordo iperintenso come infarti (vedere il passaggio 3.2.5). Una lesione iperintensa FLAIR non è sempre un infarto. Nella fase acuta, piccoli infarti subcorticali possono essere facilmente distinti dalle iperintensità della materia bianca o da altre lesioni croniche come le lacune di presunta origine vascolare quando è disponibile un DWI (vedi Figura 5). Nella fase cronica, può essere più difficile. Cfr. paragrafo 3 della discussione per ulteriori informazioni su come discriminare questi tipi di lesione nella fase cronica.
    5. Salvare l'annotazione come file nifti binario, assegnandole esattamente lo stesso nome della scansione segmentata, con l'estensione di .lesion (come fatto nel passaggio 3.2.7).
Tipo di scansioneFinestra temporale dopo il trattoProprietà infartoScansione di riferimentoInsidie
Ct>24 hAcuta: ipodense-- Fase di fogging
Caratteristica cronica: cavità di ipodensazione con CSF e bordo meno ipodense- Trasformazione emorragica
Dwi<7 giorniIperintensaADC: tipicamente ipointensa- T2 shinethrough
- Segnale DWI elevato vicino alle interfacce tra aria e osso/tessuto
talento>48 hAcuta: iperintensaAcuta: DWI/ADC, T1 (isointensa o ipointensa)- Iperintensità della materia bianca
Cronico: ipointensa o isointensa (cavità), cerchio iperintensoCronico: T1 (cavità ipointensa con caratteristiche CSF).- Lacune

Tabella 1: Riepilogo dei criteri per la segmentazione infarto per diversi tipi di scansione.

4. Registrazione allo spazio standard

  1. Scaricare RegLSM da 4. Utilizzare questo strumento per elaborare le scansioni TC e qualsiasi tipo di sequenza di risonanza magnetica. La procedura di registrazione è illustrata nella figura 7.
    NOT: Le funzioni opzionali di RegLSM includono la registrazione a un modello di TC/RM intermedio che assomiglia più alle scansioni dei pazienti più anziani con atrofia cerebrale22. Per impostazione predefinita, la TAC e la risonanza magnetica sono registrate nel modello MNI-15234, ma questo può essere sostituito da altri modelli se questo si adatta meglio allo studio. Diversi schemi di registrazione sono illustrati nella Figura 7. Per questo passaggio è possibile utilizzare anche altri strumenti di registrazione open source.
  2. Controllare 1) se i file nifti non sono compressi, 2) che il nome del file della scansione segmentata contiene il termine CT, FLAIR o DWI e 3) che il nome file dell'annotazione di lesione contiene lo stesso termine con un'aggiunta ".lesion". Se questi primi tre passaggi vengono seguiti, i dati sono completamente preparati per la registrazione e non è necessario modificare nulla.
  3. Aprire MATLAB (versione 2015a o successiva), impostare la cartella corrente su RegLSM (questa cartella può essere scaricata da 35 (versione 12 o successiva, download gratuito all'indirizzo ) digitando addpath SPM. Successivamente, digitare RegLSM per aprire la GUI.
  4. Selezionare la modalità di test nel menu a discesa di registrazione per eseguire la registrazione per un singolo caso. Nel pannello della modalità di test, selezionare la scansione (CT, FLAIR o DWI), l'annotazione e, facoltativamente, il T1, utilizzando il pulsante apri immagine. Selezionare lo schema di registrazione: CT, FLAIR con o senza T1, DWI con o senza T1.
  5. In alternativa, selezionare la modalità batch per registrare le scansioni di tutti i case nella cartella selezionata in modalità batch.
  6. Assicurarsi che RegLSM salvi i parametri di registrazione risultanti e le scansioni registrate (inclusi i passaggi intermedi) e la mappa delle lesioni registrata nelle sottocartelle generate automaticamente. Durante questo processo, le scansioni registrate e le mappe di lesione vengono ricampionate in modo da corrispondere alla risoluzione (isotropico 1 mm3 voxel) e all'angolazione del modello MNI-152.

5. Rivedere i risultati della registrazione

  1. Selezionare i risultati del controllo delle opzioni nella GUI regLSM e passare alla cartella principale con i risultati della registrazione. La GUI selezionerà automaticamente la scansione registrata con la mappa di lesione registrata e il modello MNI-152 con la mappa di lesione registrata negli orientamenti trasversali, sagittali e coronali (vedere Figura 8).
  2. Scorrere la scansione registrata e utilizzare il mirino per verificare l'allineamento della scansione registrata e del modello MNI-152. Prestare particolare attenzione all'allineamento di punti di riferimento anatomici riconoscibili come i gangli basali, ventricoli e teschio.
  3. Contrassegnare tutte le registrazioni non riuscite in una colonna separata nel file di dati (effettuata nel passaggio 1.2) per la successiva correzione manuale nella sezione 6.
    NOT: Errori comuni nella registrazione sono allineamento imperfetto a causa dell'effetto di massa causato dalla lesione nella fase acuta, o ex vacuo allargamento dei ventricoli nella fase cronica. Vedere Figura 3 e Figura 5 per esempi di tale disallineamento. Un altro errore comune è un disallineamento del tetorio cerebelli, nel qual caso un infarto occipitale può sovrapporsi al cervelletto nel modello. Il disallineamento dei tessuti che non vengono lesionati non è un problema quando solo le mappe di lesione binarie vengono utilizzate nelle successive analisi di mappatura lesioni-sintomo. In questi casi, solo le lesioni devono essere perfettamente allineate.

6. Correggere manualmente gli errori di registrazione

  1. Per le mappe di lesione che necessitano di correzione, aprire il modello MNI-152 T1 in ITK-SNAP e selezionare dal menu di segmentazione . segmentazione aperta - mappa di lesione registrata, che ora è sovrapposta al modello.
  2. Aprire la scansione del cervello registrata in un'istanza separata di ITK-SNAP come riferimento.
  3. Correggere la mappa di lesione registrata in ITK-SNAP per qualsiasi tipo di disallineamento menzionato nel passaggio 5.3 utilizzando la funzione pennello per aggiungere voxel (clic sinistro) o rimuovere i voxel (clic destro). Confrontare attentamente la mappa di scansione e lesione sovrapposta registrata (vedere il passaggio 5.2) con il modello MNI-152 e la mappa delle lesioni sovrapposte in ITK-SNAP (vedere il passaggio 6.1) per identificare le aree di disallineamento. Vedere Figura 3 e Figura 5.
  4. Dopo aver corretto manualmente la mappa di lesione nello spazio MNI, eseguire un controllo finale confrontando la scansione nativa segmentata del paziente con la mappa di lesione corretta nello spazio MNI (ad esempio, i risultati del passaggio 6.3). Assicurarsi che la mappa di lesione corretta nello spazio MNI ora rappresenti con precisione l'infarto nello spazio nativo. Prestare particolare attenzione ai punti di riferimento riconoscibili come gangli basali, ventricoli e cranio (simile al passaggio 5.2).
  5. Salvare la mappa di lesione corretta nello spazio MNI come file nifti binario nella stessa cartella della mappa di lesione non corretta nello spazio MNI-152, assegnandole lo stesso nome della mappa di lesione non corretta, con l'estensione .corrected.

7. Preparazione dei dati per la mappatura dei sintomi di lesione

  1. Rinominare tutte le mappe di lesione. Per impostazione predefinita, RegLSM ha salvato le mappe di lesione in una sottocartella con il nome file "risultati". Includere l'ID oggetto nel nome del file. In caso di correzione manuale, assicurarsi di selezionare e rinominare il file corretto.
  2. Copiare tutte le mappe di lesione in un'unica cartella.
  3. Eseguire un controllo di integrità dei dati selezionando e controllando in modo casuale diverse mappe di lesione in ITK-SNAP e confrontarle con le scansioni native per escludere errori sistematici nell'elaborazione dei dati, ad esempio il capovolgimento da sinistra a destra.
  4. Utilizzare MRIcron per eseguire un altro controllo di integrità dei dati creando un'immagine di sovrapposizione delle lesioni per verificare se non si trovano lesioni al di fuori del modello di cervello. Fare questo selezionando il menu a discesa di disegno statistiche - creano immagini sovrapposte.
    NOT: La mappa di sovrapposizione delle lesioni risultante può essere proiettata sul modello MNI-152 e ispezionata utilizzando, ad esempio, MRIcron o ITK-SNAP.
  5. Le mappe di lesione sono ora pronte per essere utilizzate per la mappatura dei sintomi di lesione basata su voxel o per il calcolo dei volumi infarto all'interno di specifiche regioni di interesse utilizzando un atlante registrato nello stesso spazio standard delle mappe di lesione (in questo caso, mNI-152 che molti atlanti sono disponibili, solo alcuni dei quali sono citati sotto36,37,38).

Risultati

Esempi di segmentazioni infarto del cervello sulle immagini CT (Figura 3), DWI (Figura 5) e FLAIR ( Figura6) e la successiva registrazione al modello MNI-152 sono forniti qui. I risultati della registrazione illustrati nella Figura 3B e nella Figura 5C non sono stati del tutto riusciti, in quanto vi è stato un disallineamento vicino al corn...

Discussione

LSM è un potente strumento per studiare l'architettura funzionale del cervello umano. Un passo cruciale in qualsiasi studio di mappatura delle lesioni-sintomi è la pre-elaborazione dei dati di imaging, la segmentazione della lesione e la registrazione a un modello di cervello. In questo caso, segnaliamo una pipeline standardizzata per la segmentazione delle lesioni e la registrazione allo scopo di la mappatura dei sintomi di lesione. Questo metodo può essere eseguito con strumenti di elaborazione delle immagini libera...

Divulgazioni

Gli autori non rivelano conflitti di interesse.

Riconoscimenti

Il lavoro del Dr. Biesbroek è supportato da una Young Talent Fellowship del Brain Center Rudolf Magnus dell'University Medical Center Utrecht. Questo lavoro e il consorzio Meta VCI Map sono supportati da Vici Grant 918.16.616 di .onMw, Paesi Bassi, Organizzazione per la ricerca e lo sviluppo della salute, a Geert Jan Biessels. Gli autori desiderano ringraziare la dott.ssa Tanja C.W. Nijboer per aver condiviso le scansioni utilizzate in una delle figure.

Materiali

NameCompanyCatalog NumberComments
dcm2niixN/AN/Afree download https://github.com/rordenlab/dcm2niix
ITK-SNAPN/AN/Afree download www.itksnap.org
MATLABMathWorksN/AVersion 2015a or higher
MRIcronN/AN/Afree download https://www.nitrc.org/projects/mricron
RegLSMN/AN/Afree download www.metavcimap.org/support/software-tools
SPM12bN/AN/Afree download https://www.fil.ion.ucl.ac.uk/spm/

Riferimenti

  1. Rorden, C., Karnath, H. O. Using human brain lesions to infer function: A relic from a past era in the fMRI age. Nature Reviews Neuroscience. 5 (10), 812-819 (2004).
  2. Biesbroek, J. M., Weaver, N. A., Biessels, G. J. Lesion location and cognitive impact of cerebral small vessel disease. Clinical Science (London, England: 1979). 131 (8), 715-728 (2017).
  3. Karnath, H. O., Sperber, C., Rorden, C. Mapping human brain lesions and their functional consequences. NeuroImage. 165, 180-189 (2018).
  4. Zhao, L., et al. Strategic infarct location for post-stroke cognitive impairment: A multivariate lesion-symptom mapping study. Journal of Cerebral Blood Flow and Metabolism An Official Journal of the International Society of Cerebral Blood Flow and Metabolism. 38 (8), 1299-1311 (2018).
  5. Weaver, N. A., et al. The Meta VCI Map consortium for meta-analyses on strategic lesion locations for vascular cognitive impairment using lesion-symptom mapping: design and multicenter pilot study. Alzheimer's and Dementia: Diagnosis, Assessment and Disease Monitoring. , (2019).
  6. Biesbroek, J. M., et al. Impact of Strategically Located White Matter Hyperintensities on Cognition in Memory Clinic Patients with Small Vessel Disease. PLoS One. 11 (11), e0166261 (2016).
  7. de Haan, B., Karnath, H. O., et al. A hitchhiker's guide to lesion-behaviour mapping. Neuropsychologia. 115, 5-16 (2018).
  8. Duering, M., et al. Strategic role of frontal white matter tracts in vascular cognitive impairment: A voxel-based lesion-symptom mapping study in CADASIL. Brain. 134 (Pt8), 2366-2375 (2011).
  9. Biesbroek, J. M., et al. Association between subcortical vascular lesion location and cognition: a voxel-based and tract-based lesion-symptom mapping study. The SMART-MR study. PLoS One. 8 (4), e60541 (2013).
  10. Wu, O., et al. Role of Acute Lesion Topography in Initial Ischemic Stroke Severity and Long-Term Functional Outcomes. Stroke. 46 (9), 2438-2444 (2015).
  11. Mah, Y. H., Husain, M., Rees, G., Nachev, P. Human brain lesion-deficit inference remapped. Brain. 137 (Pt8), 2522-2531 (2014).
  12. Sperber, C., Karnath, H. O. Impact of correction factors in human brain lesion-behavior inference. Human Brain Mapping. 38 (3), 1692-1701 (2017).
  13. Chen, R., Herskovits, E. H. Voxel-based Bayesian lesion-symptom mapping. NeuroImage. 49 (1), 597-602 (2010).
  14. Zhang, Y., Kimberg, D. Y., Coslett, H. B., Schwartz, M. F., Wang, Z. Multivariate lesion-symptom mapping using support vector regression. Human Brain Mapping. 35 (12), 5861-5876 (2014).
  15. Corbetta, M., et al. Common behavioral clusters and subcortical anatomy in stroke. Neuron. 85 (5), 927-941 (2015).
  16. Biesbroek, J. M. The anatomy of visuospatial construction revealed by lesion-symptom mapping. Neuropsychologia. 62, 68-76 (2014).
  17. Duering, M., et al. Strategic white matter tracts for processing speed deficits in age-related small vessel disease. Neurology. 82 (22), 1946-1950 (2014).
  18. Yourganov, G., Fridriksson, J., Rorden, C., Gleichgerrcht, E., Bonilha, L. Multivariate Connectome-Based Symptom Mapping in Post-Stroke Patients: Networks Supporting Language and Speech. The Journal of Neuroscience. 36 (25), 6668-6679 (2016).
  19. Zavaglia, M., Forkert, N. D., Cheng, B., Gerloff, C., Thomalla, G., Hilgetag, C. C. Mapping causal functional contributions derived from the clinical assessment of brain damage after stroke. NeuroImage: Clinical. 9, 83-94 (2015).
  20. Klein, S., Staring, M., Murphy, K., Viergever, M. A., Pluim, J. P. W. Elastix: A toolbox for intensity-based medical image registration. IEEE Transactions on Medical Imaging. 29, 196-205 (2010).
  21. Kuijf, H. J., Biesbroek, J. M., Viergever, M. A., Biessels, G. J., Vincken, K. L. Registration of brain CT images to an MRI template for the purpose of lesion-symptom mapping. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics. , (2013).
  22. Rorden, C., Bonilha, L., Fridriksson, J., Bender, B., Karnath, H. O. Age-specific CT and MRI templates for spatial normalization. NeuroImage. 61, 957-965 (2012).
  23. Barrett, J. F., Keat, N. Artifacts in CT: Recognition and Avoidance. RadioGraphics. , (2007).
  24. Zhuo, J., Gullapalli, R. P. AAPM/RSNA physics tutorial for residents: MR artifacts, safety, and quality control. Radiographics: a review publication of the Radiological Society of North America, Inc. , (2007).
  25. Rorden, C., Brett, M. Stereotaxic display of brain lesions. Behavioural Neurology. 12 (4), 191-200 (2000).
  26. Gorgolewski, K. J., et al. The brain imaging data structure, a format for organizing and describing outputs of neuroimaging experiments. Scientific Data. 3, 160044 (2016).
  27. Yushkevich, P. A., et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. NeuroImage. 31 (3), 1116-1128 (2006).
  28. Becker, H., Desch, H., Hacker, H., Pencz, A. CT fogging effect with ischemic cerebral infarcts. Neuroradiology. 18 (4), 185-192 (1979).
  29. Kingsley, P. B., Monahan, W. G. Selection of the Optimum b Factor for Diffusion-Weighted Magnetic Resonance Imaging Assessment of Ischemic Stroke. Magnetic Resonance in Medicine. 51, 996-1001 (2004).
  30. Shen, J. M., Xia, X. W., Kang, W. G., Yuan, J. J., Sheng, L. The use of MRI apparent diffusion coefficient (ADC) in monitoring the development of brain infarction. BMC Medical Imaging. 11 (2), (2011).
  31. Lansberg, M. G., et al. Evolution of apparent diffusion coefficient, diffusion-weighted, and T2-weighted signal intensity of acute stroke. American Journal of Neuroradiology. 22 (4), 637-644 (2001).
  32. Geijer, B., Sundgren, P. C., Lindgren, A., Brockstedt, S., Ståhlberg, F., Holtås, S. The value of b required to avoid T2 shine-through from old lacunar infarcts in diffusion-weighted imaging. Neuroradiology. 43, 511-517 (2001).
  33. Wardlaw, J. M. Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. The Lancet Neurology. 12, 822-838 (2013).
  34. Fonov, V., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., Collins, D. L. Unbiased average age-appropriate atlases for pediatric studies. NeuroImage. 54 (1), 313-327 (2011).
  35. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  36. Desikan, R. S. An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest. NeuroImage. 31 (3), 968-980 (2006).
  37. Hua, K. Tract probability maps in stereotaxic spaces: Analyses of white matter anatomy and tract-specific quantification. NeuroImage. 39 (1), 336-347 (2008).
  38. Eickhoff, S. B., et al. A new SPM toolbox for combining probabilistic cytoarchitectonic maps and functional imaging data. NeuroImage. 25 (4), 1325-1335 (2005).
  39. Ricci, P. E., Burdette, J. H., Elster, A. D., Reboussin, D. M. A comparison of fast spin-echo, fluid-attenuated inversion-recovery, and diffusion-weighted MR imaging in the first 10 days after cerebral infarction. American Journal of Neuroradiology. 20 (8), 1535-1542 (1999).
  40. Eastwood, J. D., Engelter, S. T., MacFall, J. F., Delong, D. M., Provenzale, J. M. Quantitative assessment of the time course of infarct signal intensity on diffusion-weighted images. American Journal of Neuroradiology. 24 (4), 680-687 (2003).
  41. Wardlaw, J. M. What is a lacune?. Stroke. 39, 2921-2922 (2008).
  42. Kate, M. P. Dynamic Evolution of Diffusion-Weighted Imaging Lesions in Patients With Minor Ischemic Stroke. Stroke: a Journal of Cerebral Circulation. 46, 2318-2341 (2015).
  43. Inoue, M. Early diffusion-weighted imaging reversal after endovascular reperfusion is typically transient in patients imaged 3 to 6 hours after onset. Stroke. 45, 1024-1028 (2014).
  44. Campbell, B. C. V. The infarct core is well represented by the acute diffusion lesion: Sustained reversal is infrequent. Journal of Cerebral Blood Flow and Metabolism. 32 (1), (2012).
  45. Sperber, C., Karnath, H. O. On the validity of lesion-behaviour mapping methods. Neuropsychologia. 115, 17-24 (2018).
  46. Hillis, A. E., et al. Restoring Cerebral Blood Flow Reveals Neural Regions Critical for Naming. Journal of Neuroscience. 26 (31), 8069-8073 (2006).
  47. Wilke, M., de Haan, B., Juenger, H., Karnath, H. O. Manual, semi-automated, and automated delineation of chronic brain lesions: A comparison of methods. NeuroImage. 56 (4), 2038-2046 (2011).
  48. Zhang, R., et al. Automatic Segmentation of Acute Ischemic Stroke From DWI Using 3-D Fully Convolutional DenseNets. IEEE Transactions on Medical Imaging. 37 (9), 2149-2160 (2018).
  49. Biesbroek, J. M., et al. Distinct anatomical correlates of discriminability and criterion setting in verbal recognition memory revealed by lesion-symptom mapping. Human Brain Mapping. 36 (4), 1292-1303 (2015).
  50. Biesbroek, J. M., van Zandvoort, M. J. E., Kappelle, L. J., Velthuis, B. K., Biessels, G. J., Postma, A. Shared and distinct anatomical correlates of semantic and phonemic fluency revealed by lesion-symptom mapping in patients with ischemic stroke. Brain Structure & Function. 221 (4), 2123-2134 (2016).
  51. Ten Brink, F. A., et al. The right hemisphere is dominant in organization of visual search-A study in stroke patients. Behavioural Brain Research. 304, 71-79 (2016).
  52. Pluim, J. P. W., Maintz, J. B. A. A., Viergever, M. A. Mutual-information-based registration of medical images: A survey. IEEE Transactions on Medical Imaging. 22 (8), 986-1004 (2003).
  53. Zhao, L., et al. The additional contribution of white matter hyperintensity location to post-stroke cognitive impairment: Insights from a multiple-lesion symptom mapping study. Frontiers in Neuroscience. 12 (MAY), (2018).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

Comportamentoproblema 151mappatura lesioni sintomomappatura del comportamento di lesioneinfartoictussegmentazioneregistrazioneregistrazione delle immagininormalizzazione spazialedanno cognitivo vascolare

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Contattaci

SUGGERISCI JOVE ALLA BIBLIOTECA

Newsletter di JoVE

Ricerca

Didattica

Autori

Personale delle biblioteche

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati