Name: predicting treatment response to image-guided therapies using machine learning: an example for trans-arterial treatment of hepatocellular carcinoma
Uploaded: 2018-10-10T15:00:00
Description: Watch this Scientific Journal Video about Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma at JoVE.co

A.A. finansman desteği Office, öğrenci araştırma, Yale Tıp Fakültesi aldı.
L.J.S. Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Leopoldina doktora sonrası Bursu ve Rolf W. Guenther Vakfı radyolojik Bilimler (Aachen, Almanya) hibe alır.
J.C. hibe Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Philips Sağlık ve Alman-İsrail Vakfı bilimsel araştırma ve geliştirme (Kudüs, İsrail ve Neuherberg, Almanya); için alır ve burs Rolf W. Guenther Vakfı radyolojik Bilimler ve Charitè Berlin Enstitüsü, sağlık klinik bilim adamı programı (Berlin, Almanya).
J.S.D. ve M.L. hibe Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180) ve Philips Sağlık (Best, Hollanda) almak.
J.F.G. Ulusal Sağlık Enstitüleri (NIH/ncı R01CA206180), Philips Healthcare, BTG (Londra, Birleşik Krallık), Boston bilimsel (Marlborough, Massachusetts) ve Guerbet sağlık (Villepinte, Fransa) hibe alır

1. Makine öğrenimi için iş istasyonu kurulumu
<ol><li>Bir sistem ile şunu kullanın: Intel Core 2 Duo veya üzeri işlemci 2.0 GHz 4 GB veya daha fazla sistem belleği POSIX uyumlu işletim sistemi (Linux veya Mac OS) ya da Microsoft Windows 7 Yapma bilgisayar programı ve dosyaları kaydetmek için Kullanıcı izinleri</li>
	<li>Aşağıdaki araçları yükleyin: Anakonda Python3: https://www.anaconda.com/download DICOM NIfTI Converter (dcm2niix) - https://github.com/rordenlab/dcm2niix Yüce ...

<ol>
	<li>Benson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NCCN+clinical+practice+guidelines+in+oncology:+hepatobiliary+cancers.">NCCN clinical practice guidelines in oncology: hepatobiliary cancers.</a> J National Comprehensive Cancer Network. 7 (4), 350-391 (2009).</li><li>Siegel, R., Miller, K., Jemal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cancer+statistics,+2016.">Cancer statistics, 2016.</a> CA Cancer J Clin. 66 (1), 7-30 (2016).</li><li>Bruix, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clinical+management+of+hepatocellular+carcinoma.+Conclusions+of+the+Barcelona-2000+European+Association+for+the+Study+of+the+Liver+conference.">Clinical management of hepatocellular carcinoma. Conclusions of the Barcelona-2000 European Association for the Study of the Liver conference.</a> Journal of Hepatology. 35 (3), 421-430 (2001).</li><li>Eisenhauer, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=New+response+evaluation+criteria+in+solid+tumours:+revised+RECIST+guideline+(version+1.1).">New response evaluation criteria in solid tumours: revised RECIST guideline (version 1.1).</a> European Journal of Cancer. 45 (2), 228-247 (2009).</li><li>Gillmore, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EASL+and+mRECIST+responses+are+independent+prognostic+factors+for+survival+in+hepatocellular+cancer+patients+treated+with+transarterial+embolization.">EASL and mRECIST responses are independent prognostic factors for survival in hepatocellular cancer patients treated with transarterial embolization.</a> Journal of Hepatology. 55 (6), 1309-1316 (2011).</li><li>Lin, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+and+volumetric+European+Association+for+the+Study+of+the+Liver+and+Response+Evaluation+Criteria+in+Solid+Tumors+measurements:+feasibility+of+a+semiautomated+software+method+to+assess+tumor+response+after+transcatheter+arterial+chemoembolization.">Quantitative and volumetric European Association for the Study of the Liver and Response Evaluation Criteria in Solid Tumors measurements: feasibility of a semiautomated software method to assess tumor response after transcatheter arterial chemoembolization.</a> Journal of Vascular and Interventional Radiology. 23 (12), 1629-1637 (2012).</li><li>Tacher, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+Existing+Response+Criteria+in+Patients+with+Hepatocellular+Carcinoma+Treated+with+Transarterial+Chemoembolization+Using+a+3D+Quantitative+Approach.">Comparison of Existing Response Criteria in Patients with Hepatocellular Carcinoma Treated with Transarterial Chemoembolization Using a 3D Quantitative Approach.</a> Radiology. 278 (1), 275-284 (2016).</li><li>Pedregosa, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Scikit-learn:+Machine+Learning+in+Python.">Scikit-learn: Machine Learning in Python.</a> Journal of Machine Learning Research. 12, 2825-2830 (2011).</li><li>Bishop, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition and machine learning. , 738 (2006).</li><li>Alpaydin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Introduction to machine learning. Third edition. , 613 (2014).</li><li>Kim, S., Cho, K., Oh, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+of+machine+learning+models+for+diagnosis+of+glaucoma.">Development of machine learning models for diagnosis of glaucoma.</a> PLoS One. 12 (5), (2017).</li><li>Son, Y., Kim, H., Kim, E., Choi, S., Lee, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Application+of+support+vector+machine+for+prediction+of+medication+adherence+in+heart+failure+patients.">Application of support vector machine for prediction of medication adherence in heart failure patients.</a> Healthcare Informatics Research. 16 (4), 253-259 (2010).</li><li>Wang, S., Summers, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Machine+learning+and+radiology.">Machine learning and radiology.</a> Medical Image Analysis. 16 (5), 933-951 (2012).</li><li>Abajian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Predicting+Treatment+Response+to+Intra-arterial+Therapies+for+Hepatocellular+Carcinoma+with+the+Use+of+Supervised+Machine+Learning-An+Artificial+Intelligence+Concept.">Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning-An Artificial Intelligence Concept.</a> Journal of Vascular and Interventional Radiology. , (2018).</li></ol>

Cerrahi rezeksiyon için aday olmayan hastalar hepatosellüler karsinom ile içi arteryel terapiler sunulmaktadır. Bir hasta öncesiyanıt vereceğini belirler için birkaç yöntem vardır-tedavi. Tümör boyutu veya tümör kontrast alımı değişiklikleri üzerine tedavi sonrası değerlendirme teknikleri kullanır. Bunlara yanıt kriterleri, nicel Avrupa Birliği'ne karaciğer (qEASL) ölçüt incelenmesi için en doğru olmak denir. qEASL hem hacimsel ve terapi yanıt olasılığı tahmin etmek için aşa...

Hepatosellüler karsinom cerrahi aday olmayan hastalarda intra arteryel terapiler1,2,3sunulmaktadır. Bir hasta tedavi yönetilir önce bir intra arteryel terapiye yanıt olup olmadığını belirler yok tek ölçüsü vardır. Bu çalışmanın amacı tedaviye yanıt makine öğrenme yöntemleri uygulayarak öngörür bir yöntem göstermekti. Modelleri gibi uygulayıcıları ve hastalar için bir tedavi ile devam edip seçerken rehberlik.
Protokol eğitim ve birincil hasta veri (klinik notları, demografi, laboratuvar verileri ve görüntüleme) başlayan bir modeli güncelleştirmek için tekrarlanabilir bir süreç gerektirir. Verileri başlangıçta belirli özellikler için her hasta bir ikili özellik kümesi ve ikili sonucu hedef etiketi tarafından temsil ile ayrıştırılır. Sonuç etiket bir kurulan görüntüleme içinde yanıt kriteri hepatosellüler terapi4,5,6,7için kullanılarak belirlenir. Özellikleri ve hedef etiket özellikleri ve belirli bir öğrenme modeli (logistic regresyon veya rasgele orman)8,9,10altında sonuçlar arasındaki eşlemeyi öğrenir Makina öğrenme yazılımı için geçirilir. Benzer teknikler Radyoloji ve diğer alanlarda kanser araştırma tahmin11,12,13tanı ve tedavisi uygulandı.
Yöntem bilgisayar bilimi teknikleri girişimsel radyoloji alanında uyum sağlar. Girişimsel Radyoloji ve tıp geleneksel önemi çalışmaları genel olarak, mono veya oligo özelliği analizler güveniyor. Örneğin, Model son aşama karaciğer hastalığı için karaciğer hastalığının ölçüde değerlendirmek için beş klinik ölçümleri içerir. Önerilen yöntem liberal özellikleri ekleme yeteneği şeydir; Yirmi beş özellikleri örnek analizde kabul edilir. Ek özellikler eklendi istediğiniz gibi.
Teknik burada öncesi ve sonrası müdahale görüntüleme veri kullanılabilir diğer radyografik müdahaleler uygulanabilir. Örneğin, benzer bir şekilde perkütan tedavi takip sonuçları tahmin edilebilir. Ana çalışma el ile papaz özelliklerine ihtiyaç model eklenmek kısıtlamasıdır. Veri küratörlüğü ve özellik çıkarma uygulayıcısı için zaman alır ve öğrenme modelleri böyle makine klinik kabulü engelleyebilir.

<table border="0" cellpadding="0" cellspacing="0" style="width:851px;" width="850">
	<colgroup>
		<col />
		<col />
		<col />
		<col />
	</colgroup>
	<tbody>
		<tr height="105">
			<td height="105" style="height:105px;width:216px;">Computer workstation</td>
			<td style="width:123px;">N/A</td>
			<td style="width:169px;">N/A</td>
			<td style="width:343px;">Intel Core 2 Duo or higher CPU at 2.0 GHz; 4 GB or more system memory; POSIX-compliant operating system (Linux or Mac OS) or Microsoft Windows 7; User permissions for executing programs and saving files</td>
		</tr>
		<tr height="40">
			<td height="40" style="height:40px;width:216px;">Anaconda Python 3</td>
			<td style="width:123px;">Anaconda, Inc.</td>
			<td style="width:169px;">Version 3.6</td>
			<td style="width:343px;">Python 3 system and libraries packaged for scientists and researchers</td>
		</tr>
		<tr height="40">
			<td height="40" style="height:40px;width:216px;">DICOM to NIfTI</td>
			<td style="width:123px;">NeuroImaging Tools &#38; Resources Collaboratory</td>
			<td style="width:169px;">Version 1.0 (4/4/2018 release)</td>
			<td style="width:343px;">Standalone program for converting DICOM imaging files to NIfTI format</td>
		</tr>
		<tr height="33">
			<td height="33" style="height:33px;width:216px;">Sublime Text Editor</td>
			<td style="width:123px;">Sublime HQ Pty Ltd</td>
			<td style="width:169px;">Version 3 (Build 3143)</td>
			<td style="width:343px;">Text-editor for writing Python code</td>
		</tr>
		<tr height="45">
			<td height="45" style="height:45px;width:216px;">Required Python Libraries</td>
			<td style="width:123px;">N/A</td>
			<td style="width:169px;">Version 3.2.25 (nltk) 
			Version 0.19.1 (scikit-learn)</td>
			<td style="width:343px;">Natural Language Toolkit (nltk) 
			Scikit-learn</td>
		</tr>
		<tr height="40">
			<td height="40" style="height:40px;width:216px;">ITK-SNAP</td>
			<td style="width:123px;">N/A</td>
			<td style="width:169px;">Version 3.6.0</td>
			<td style="width:343px;">Optional toolkit for performing segmentation of organ systems in medical images.</td>
		</tr>
	</tbody>
</table>

predicting treatment response to image-guided therapies using machine learning: an example for trans-arterial treatment of hepatocellular carcinoma

İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu çalışmanın amacı müdahale öncesinde intra arteryel tedaviye yanıt tahmin etmek için bir yöntem geliştirmekti.
Yöntem intra arteryel terapi önce sonuçlar oluşabileceğini için genel bir çerçeve sağlar. Bu hastalar kohort arasında klinik, demografik ve görüntüleme veri havuzu ve bir makine öğrenme modeli eğitmek için bu verileri kullanarak içerir. Eğitimli modeli yeni hastalara intra arteryel tedaviye yanıt onların olasılığı tahmin etmek için uygulanır.
Yöntem alımı ve zaten trans-arter terapiler uğramıştır N hastalarda klinik, demografik ve görüntüleme veri ayrıştırma gerektirir. Bu veriler ayrı özellikleri (yaş, cinsiyet, siroz, derecesi tümör geliştirme, vb) ayrıştırılır ve doğru/yanlış değerleri (Örneğin, yaş üzerinde 60, erkek cinsiyet, tümör geliştirme ötesinde bir küme eşik, vb) içine binarized. Düşük-varyans özellikleri ve sonuç ile düşük tekdeğişirli ilişkilendirmeleriyle özellikleri kaldırılır. Her tedavi hasta olup yanıt verdiğinde veya tedaviye yanıt vermedi göre etiketlenir. Her eğitim hasta böylece ikili özellikleri ve bir sonuç etiket kümesi tarafından temsil edilir. Makine öğrenme modelleri N - sol-out hastaya test ile 1 hastalar kullanılarak eğitilmiştir. Bu işlem her N hastalar için yinelenir. N modelleri son model gelmesi ortalama.
Teknik genişletilebilir ve gelecekte eklenmesi ek özellikler sağlar. Bu da klinik araştırma soruları girişimsel radyoloji dışında uygulanabilir genelleştirilebilir bir süreçtir. Ana sınırlama özellikleri el ile her hastadan türetmek için ihtiyaç vardır. Makine öğrenimi derin denilen popüler bir modern formu bu sınırlama acı değil öğrenme ama daha büyük veri kümeleri gerektirir.

Önerilen yöntem hepatosellüler karsinom için trans-arter terapiler geçirmiş 36 hastalara uygulandı. Yirmi beş özellikleri tespit edilmiştir ve binarized kullanarak 1-5 adımlar. Beş özellikleri varyans ve tekdeğişirli Derneği filtreler (5.1 ve 5.2 adımlara bakın) memnun ve modeli eğitim için kullanıldı. Her hasta Yanıtlayıcı veya qEASL yanıt ölçütü altında Yanıtlayıcı olarak etiketli oldu. Hedef etiketler vektör 36 x 1 iken özellikleri matris böylece 36...

Watch this Scientific Journal Video about Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma at JoVE.co

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Makine öğrenimi kullanarak görüntü destekli terapi tedavi öngörmede: hepatosellüler karsinom Trans-arter tedavisi için bir örnek

İntra arteryel terapiler standart tedavi cerrahi rezeksiyon tabi olamaz hepatosellüler karsinom olan hastalar için vardır. Bu terapiler öngörmede için bir yöntem önerdi. Teknik makine öğrenme modelleri tedavi öncesinde öngörmede yetenekli eğitmek için önceden yordam, demografik, klinik ve görüntüleme bilgileri kullanır.

Intra-arterial therapies are the standard of care for patients with hepatocellular carcinoma who cannot undergo surgical resection. The objective of this ...

Bu yöntem intra arteriyel tedavilere yanıtı tahmin yardımcı olabilir. Girişimsel onkolojide makine öğrenimi uygulamaları, karaciğer kanseri ve diğer hastalıkları imaj rehberliğinde tedavi yöntemleriyle tedavi şeklimizi değiştirecek. Bu yöntem, iki önemli kararın veriş biçimini iyileştirme potansiyeline sahiptir.Genel olarak, bu yönteme yeni bireyler özellikleri oluşturmak ve makine öğrenme ve kod gerçekleştirmek için ihtiyaç nedeniyle mücadele edecek. Özellik oluşturma adımları görüntüleme maskeleri kullanarak bu özelliklerin ayıklenmesini gerektirdiğinden, bu yöntemin görsel gösterimi çok önemlidir. Modeli eğitmek için iyi açıklamalı ve klinik olarak temsil ilerlemiş bir veri seti gereklidir.Daha fazla hasta veri ve büyük kohortlar daha da böyle bir makine öğrenme algoritması geliştirmek için gerekli olacaktır. Modele hangi klinik özelliklerin eklendiğine karar verildikten sonra, düz metin klinik notlarını cümleler halinde ayrıştırmak için uygun bir doğal dil araç kiti kullanın. Ardından her hastanın özelliklerini satır başına bir özelliğe sahip bir dosyada saklayın.İkili olmayan özellikler için, tüm hastalarda her özelliğin ortanca değerini elde edin ve her özelliği ortanca değere dayalı olarak doğru veya yanlış bir değer olarak ölçün. Tıbbi bir görüntüden ortalama bir karaciğer geliştirme özelliği hesaplamak için. Karaciğer içeren voxels izole sonra, ortalama karaciğer geliştirme komutu girin.Karaciğer hacmi özelliğini belirlemek için, belirtildiği gibi komutları girin. Daha sonra her görüntüleme özelliği için ortanca değerleri hesaplayın ve gösterildiği gibi özellikleri binarize. Özelliklerin toplanması ve azaltılması için, önce düşük varyans özelliklerini dikkate alın ve ikili matristeki özellikleri okuyun.Ardından, tabloda gösterildiği gibi hem yanıtlayıcıların hem de yanıt vermeyenlerin en az %20'sinde görünen özellikleri hesaplamak için varyans eşiği modelini kullanın. Sonuç ile düşük tek değişkenli ilişki ile herhangi bir özelliği kaldırın ve n hasta sayısı dır orijinal düşük varyant tarama istinat n özellikleri sadece bu özellikleri filtre. Daha sonra her özellik için ikili matris, tabloda gösterildiği gibi benzer okuyun.Özellikler binarized ve filtrelendi sonra, modeli eğitmek zamanı. Model eğitimi, çalışma altındaki sonuca özellikleri uygun ve yeni hastalar hakkında tahminlerde bulunmak için kullanılabilecek basit bir süreçtir. Hepatosellüler karsinom için trans arteriyel tedavi gören 36 hastanın bu temsili analizinde, hem varyantları hem de tek değişkenli ilişki filtrelerini tatmin eden 5 özellik tesbibe edildiği gibi 25 özellik saptandı ve binarize edildi.Her hasta karaciğer yanıt kriterlerinin incelenmesi için kantitatif Avrupa Birliği altında bir yanıtlayıcı veya yanıt vermeyen olarak etiketlendi. Görüldüğü gibi hem lojistik regresyon hem de rastgele orman modelleri trans arteriyel kemoembolizasyon tedavisi yanıtını genel doğruluk oranı %78 olarak öngörmüştür Bu yöntemden sonra, eğitim modelini uygulayarak yeni hastalar hakkında tahminlerde bulunmak mümkündür. Bu makine öğrenme tekniği evrensel olarak usul öncesi, usuller arası ve post-prosedür görüntüleme içeren herhangi bir tedavi uygulanabilir.

Research

JoVE Journal

Medicine

The Measurement and Treatment of Suppression in Amblyopia

Ambliyopi içinde Bastırma Ölçme ve Tedavisi

Amblyopia, a developmental disorder of the visual cortex, is one of the leading causes of visual dysfunction in the working age population. Current ...

The Goeckerman Regimen for the Treatment of Moderate to Severe Psoriasis

Şiddetli Sedef için Orta Tedavisinde Goeckerman Kürü

Psoriasis is a  chronic, immune-mediated inflammatory skin disease affecting approximately 2-3%  of the population. The Goeckerman regimen consists of ...

Ex Vivo Treatment Response of Primary Tumors and/or Associated Metastases for Preclinical and Clinical Development of Therapeutics

Ex Vivo Treatment Response of Primary Tumors and/or Associated Metastases for Preclinical and Clinical Development of Therapeutics

İlköğretim Tümörleri ve / veya klinik öncesi için İlişkili Metastazlarının ve Tedavi Klinik Geliştirme Ex Vivo Tedavisi Tepki

The molecular analysis of established cancer cell lines has been the mainstay of cancer research for the past several decades. Cell culture provides both ...

The In Ovo Chick Chorioallantoic Membrane (CAM) Assay as an Efficient Xenograft Model of Hepatocellular Carcinoma

The In Ovo Chick Chorioallantoic Membrane CAM Assay as an Efficient Xenograft Model of Hepatocellular Carcinoma

<em&gt; Ovo</emHepatosellüler karsinom Verimli Xenograftlarında Modeli olarak&gt; Piliç Chorioallantoic Membran (CAM) Deneyi

The chick chorioallantoic membrane (CAM) begins to develop by day 7 after fertilization and matures by day 12. The CAM is naturally immunodeficient and ...

Evaluation of the Efficacy of the H. pylori Protein HP-NAP as a Therapeutic Tool for Treatment of Bladder Cancer in an Orthotopic Murine Model

Evaluation of the Efficacy of the H. pylori Protein HP-NAP as a Therapeutic Tool for Treatment of Bladder Cancer in an Orthotopic Murine Model

Etkinliğinin Değerlendirilmesi<em&gt; H. pylori</emOrtotopik Fare Modelinde Mesane Kanseri Tedavisinde Terapötik Aracı Olarak&gt; Protein HP-NAP

Bladder cancer is one of the most common malignancies of the urogenital tract. Intravesical injection of Bacillus Calmette-Gu&#233;rin (BCG) is the gold ...

A "Patient-Like" Orthotopic Syngeneic Mouse Model of Hepatocellular Carcinoma Metastasis

Bir &quot;Hasta gibi&quot; Ortotopik singenik Fare Modeli Hepatoselüler karsinomu metastazı

The majority of cancer-related deaths are caused by the metastasis of the cancer rather than the primary tumor itself. Yet, the underlying mechanisms of ...

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Tedaviye dirençli Majör Depresif Bozukluk için bir tedavi olarak dmPFC-shamı MRI kılavuzluğunda

Here we outline the protocol for magnetic resonance imaging (MRI) guided repetitive transcranial magnetic stimulation (rTMS) to the dorsal medial ...

Using Micro-computed Tomography for the Assessment of Tumor Development and Follow-up of Response to Treatment in a Mouse Model of Lung Cancer

Tümör Gelişim Değerlendirme Mikro bilgisayarlı Tomografi ile ve Takibi Tedavi Yanıtın Akciğer Kanseri Fare Modeli

Lung cancer is the most lethal cancer in the world. Intensive research is ongoing worldwide to identify new therapies for lung cancer. Several mouse ...