Name: brain infarct segmentation and registration on mri or ct for lesion-symptom mapping
Uploaded: 2019-09-25T13:00:00
Description: Watch this Scientific Journal Video about Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping at JoVE.com

Het werk van Dr. Biesbroek wordt ondersteund door een Young Talent Fellowship van het Brain Center Rudolf Magnus van het Universitair Medisch Centrum Utrecht. Dit werk en het meta VCI map consortium worden ondersteund door Vici Grant 918.16.616 van ZonMw, Nederland, organisatie voor gezondheidsonderzoek en-ontwikkeling, aan Geert Jan Biessels. De auteurs willen Dr. Tanja C.W. Nijboer bedanken voor het delen van scans die in een van de figuren werden gebruikt.

Dit protocol volgt de richtlijnen van onze instellingen ethiek Commissie menselijk onderzoek.
1. verzameling van scans en klinische gegevens
<ol><li>Verzamelen van hersenen CT of MRI scans van patiënten met ischemische beroerte. De meeste scanners slaan de scans op als DICOM-bestanden (Digital Imaging and Communications in Medicine) die naar een vaste schijf of server kunnen worden gekopieerd. Opmerking: Scans van elk scannertype, scan protocol en MRI-veldsterkte kunnen ...

LSM is een krachtig hulpmiddel om de functionele architectuur van het menselijk brein te bestuderen. Een cruciale stap in elke laesie-symptoom mapping studie is de voor verwerking van Imaging Data, segmentatie van de laesie en registratie naar een hersen sjabloon. Hier rapporteren we een gestandaardiseerde pijplijn voor laesie segmentatie en registratie voor het doel van laesie-symptoom mapping. Deze methode kan worden uitgevoerd met vrij beschikbare beeldverwerkings hulpmiddelen, kan worden gebruikt voor het verwerken v...

Lesion-symptoom mapping (LSM), ook wel genoemd laesie-gedrag mapping, is een belangrijk hulpmiddel voor het bestuderen van de functionele architectuur van de menselijke hersenen1. In laesie studies, hersenfunctie wordt afgeleid en gelokaliseerd door het bestuderen van patiënten met verworven hersenlaesies. De eerste casestudy's die neurologische symptomen koppelen aan specifieke hersen locaties die in de negentiende eeuw werden uitgevoerd, hebben al fundamentele inzichten verschaft in de anatomische correlaten van taal en verschillende andere cognitieve processen2. Toch, de neuroanatomische correlaten van vele aspecten van de cognitie en andere hersenfuncties bleven ongrijpbaar. In de afgelopen decennia hebben verbeterde structurele hersen beeldvormingsmethoden en technische vooruitgang grootschalige in vivo LSM-studies met een hoge ruimtelijke resolutie mogelijk gemaakt (d.w.z. op het niveau van individuele voxels of specifieke corticale/subcortische regio's van belang)1 ,2. Met deze methodologische vooruitgang, LSM is uitgegroeid tot een steeds populairder wordende methode in de cognitieve neurowetenschappen en blijft het bieden van nieuwe inzichten in de neuroanatomie van cognitie en neurologische symptomen3. Een cruciale stap in elke LSM-studie is de nauwkeurige segmentatie van laesies en registratie naar een hersen sjabloon. Echter, een uitgebreide zelfstudie voor de voor verwerking van hersen beeldvormings gegevens voor het doel van LSM ontbreekt.
Verstrekt hier is een complete tutorial voor een gestandaardiseerde laesie segmentatie en registratiemethode. Deze methode biedt onderzoekers een pijpleiding voor gestandaardiseerde hersenen beeldverwerking en een overzicht van mogelijke valkuilen die moeten worden vermeden. De gepresenteerde beeldverwerkings pijplijn werd ontwikkeld door middel van internationale samenwerkingen4 en maakt deel uit van het kader van het onlangs opgerichte meta VCI map consortium, waarvan het doel is het uitvoeren van multicenter laesie-symptoom mapping studies in vasculaire cognitieve stoornissen < www. metavcimap. org >5. Deze methode is ontworpen voor het verwerken van CT-en MRI-scans van meerdere leveranciers en heterogene scan protocollen om gecombineerde verwerking van Imaging-gegevenssets uit verschillende bronnen mogelijk te maken. De vereiste RegLSM-software en alle andere software die nodig is voor dit protocol is vrij beschikbaar, behalve MATLAB, waarvoor een licentie is vereist. Deze tutorial richt zich op de segmentatie en registratie van herseninfarcten, maar deze beeldverwerking pijpleiding kan ook worden gebruikt voor andere laesies, zoals witte materie hyperintensiteiten6.
Voorafgaand aan het initiëren van een LSM-studie is een basisbegrip van de algemene concepten en valkuilen vereist. Verschillende gedetailleerde richtlijnen en een hitchhiker's Guide zijn beschikbaarop 1,3,6. Echter, deze beoordelingen bieden geen gedetailleerde hands-on zelfstudie voor de praktische stappen die betrokken zijn bij het verzamelen en converteren van hersenscans naar een juiste indeling, het segmenteren van de herseninfarct, en het registreren van de scans naar een hersen sjabloon. De huidige paper biedt een dergelijke tutorial. Algemene concepten van LSM zijn te lezen in de inleiding met verwijzingen naar verdere lezing over het onderwerp.
Algemeen doel van laesie-symptoom mapping studies
Vanuit het perspectief van de cognitieve Neuropsychologie kan hersenletsel worden gebruikt als een model voorwaarde om de neuronale onderbouwing van bepaalde cognitieve processen beter te begrijpen en om een completer beeld te krijgen van de cognitieve architectuur van de hersenen1 . Dit is een klassieke aanpak in de neuropsychologie die voor het eerst werd toegepast in postmortemstudies in de negentiende eeuw door pioniers als Broca en Wernicke2. In het tijdperk van functionele hersen beeldvorming, is de laesie benadering een cruciaal instrument gebleven in de neurowetenschappen, omdat het bewijs levert dat laesies in een specifiek hersengebied de taakprestaties verstoren, terwijl functionele beeldvormingsonderzoeken hersengebieden aantonen die geactiveerd tijdens de taakprestaties. Als zodanig bieden deze benaderingen aanvullende informatie1.
Vanuit het perspectief van klinische neurologie kunnen LSM-onderzoeken de relatie tussen de locatie van de laesie en het cognitieve functioneren verduidelijken bij patiënten met acute symptomatische infarcten, Hyper intensiteiten van witte stof, lacunes of andere laesie typen (bijv. tumoren ). Recente studies hebben aangetoond dat dergelijke laesies in strategische hersengebieden relevanter zijn bij het uitleggen van cognitieve prestaties dan de globale laesie last2,5,7,8. Deze aanpak heeft het potentieel om het begrip van de pathofysiologie van complexe aandoeningen te verbeteren (in dit voorbeeld, vasculaire cognitieve stoornissen) en kan mogelijkheden bieden voor het ontwikkelen van nieuwe diagnostische en prognostische hulpmiddelen of ondersteunende behandeling strategieën2.
LSM heeft ook toepassingen buiten het gebied van cognitie. In feite kan elke variabele gerelateerd zijn aan de laesie locatie, inclusief klinische symptomen, Biomarkers en functionele uitkomst. Bijvoorbeeld, een recente studie bepaald infarct locaties die voorspellend van functionele uitkomst waren na ischemische beroerte10.
Voxel-based versus regio van op interesses gebaseerde laesie-symptoom toewijzing
Voor het uitvoeren van laesie-symptoom toewijzing, laesies moeten worden gesegmenteerd en geregistreerd bij een hersen sjabloon. Tijdens de registratieprocedure is de hersenen van elke patiënt ruimtelijk uitgelijnd (d.w.z. genormaliseerd of geregistreerd bij een gemeenschappelijk sjabloon) om te corrigeren voor verschillen in hersen grootte, vorm en oriëntatie, zodat elke Voxel in de laesie kaart dezelfde anatomische structuur voor alle patiënten7. In de standaard ruimte kunnen verschillende soorten analyses worden uitgevoerd, die hier kort samengevat worden.
Een ruwe laesie-aftrek analyse kan worden uitgevoerd om het verschil in laesie verdeling bij patiënten met tekorten in vergelijking met patiënten zonder tekorten te tonen. De resulterende aftrek kaart toont gebieden die vaker worden beschadigd bij patiënten met tekorten en gespaard bij patiënten zonder tekorten1. Hoewel een analyse van de laesie-aftrekken een aantal inzichten kan bieden in correleten van een specifieke functie, biedt het geen statistisch bewijs en wordt het nu meestal gebruikt wanneer de steekproefgrootte te laag is om voldoende statistische kracht te bieden voor laesie-symptoom op basis van voxel Toewijzing.
In de Voxel-gebaseerde laesie-symptoom mapping wordt een associatie tussen de aanwezigheid van een laesie en cognitieve prestaties bepaald op het niveau van elke individuele Voxel in de hersenen (Figuur 1). Het belangrijkste voordeel van deze methode is de hoge ruimtelijke resolutie. Deze analyses zijn traditioneel uitgevoerd in een massa-univariate-benadering, die correctie voor meervoudige tests rechtvaardigt en een ruimtelijke bias veroorzaakt door correlaties tussen de Voxel die niet in aanmerking worden genomen1,10 , 11. recent ontwikkelde benaderingen die wel rekening houden met de correlaties tussen de Voxel (gewoonlijk aangeduid als multivariate laesie-symptoom toewijzingsmethoden, zoals Bayesiaanse analyse13, ondersteuning van vector regressie4, 14, of andere machine learning-algoritmen15) Toon veelbelovende resultaten en lijken te verbeteren van de gevoeligheid en specificiteit van de bevindingen van voxel-Wise LSM analyses in vergelijking met traditionele methoden. Verdere verbetering en validering van multivariate methoden voor voxel-Wise LSM is een doorlopend proces. De beste methode keuze voor specifieke laesie-symptoom toewijzing is afhankelijk van vele factoren, met inbegrip van de verdeling van laesies, uitkomstvariabele, en onderliggende statistische veronderstellingen van de methoden.
In de regio van belang (ROI)-gebaseerde laesie-symptoom mapping, een associatie tussen de laesie last binnen een specifiek hersengebied en cognitieve prestaties wordt bepaald (Zie Figuur 1 in biesbroek et al.2 voor een illustratie). Het belangrijkste voordeel van deze methode is dat het rekening houdt met de cumulatieve laesie belasting binnen een anatomische structuur, die in sommige gevallen meer informatief dan een laesie in een enkele Voxel zijn kan. Aan de andere kant hebben op ROI gebaseerde analyses beperkte kracht voor het opsporen van patronen die alleen aanwezig zijn in een subset van voxels in de regio16. Traditioneel, ROI gebaseerde laesie-symptoom toewijzing wordt uitgevoerd met behulp van logistieke of lineaire regressie. Onlangs zijn multivariate methoden die beter omgaan met collineariteit geïntroduceerd (bijv. Bayesiaanse netwerk analyse17, ondersteuning van vector regressie4,18of andere machine learning-algoritmen19), die mogelijk verbetering van de specificiteit van de bevindingen van laesie-symptoom mapping studies.
Selectie van patiënten
In LSM-onderzoeken worden patiënten meestal geselecteerd op basis van een specifiek laesie type (bijv. herseninfarcten of hyperintensiteiten in witte materie) en het tijdsinterval tussen diagnose en neuropsychologische beoordeling (bijv. acute versus chronische beroerte). Het optimale studie ontwerp is afhankelijk van de onderzoeksvraag. Bijvoorbeeld, bij het bestuderen van de functionele architectuur van het menselijk brein, acute beroerte patiënten zijn ideaal opgenomen omdat functionele reorganisatie nog niet heeft plaatsgevonden in deze fase, overwegende dat chronische beroerte patiënten moeten worden opgenomen bij het bestuderen van de langetermijneffecten van beroerte op cognitie. Een gedetailleerde beschrijving van overwegingen en valkuilen bij de selectie van de patiënt is elders7.
Brain image voor verwerking voor het doel van laesie-symptoom mapping
Nauwkeurige laesie segmentatie en registratie van een gemeenschappelijke hersen sjabloon zijn cruciale stappen in de toewijzing van laesie-symptoom. Handmatige segmentatie van laesies blijft de gouden standaard voor veel laesie types, inclusief infarcten7. Voorzien is een gedetailleerde zelfstudie over criteria voorhand matige infarct segmentatie op CT-scans, diffusie gewogen beeldvorming (DWI), en vloeistofverzwakte inversie herstel (FLAIR) MRI-sequenties in zowel acute als chronische stadia. De gesegmenteerde infarcten (d.w.z. de 3D binaire laesie kaarten) moeten worden geregistreerd voordat er analyses over het onderwerp worden uitgevoerd. Dit protocol maakt gebruik van de registratiemethode RegLSM, die is ontwikkeld in een multicenter-instelling4. RegLSM past lineaire en niet-lineaire registratie algoritmen toe op basis van Elastix20 voor zowel CT als MRI, met een extra CT-verwerkingsstap die speciaal is ontworpen om de registratie kwaliteit van CT-scans21te verbeteren. Bovendien, RegLSM maakt het mogelijk voor het gebruik van verschillende doel hersenen templates en een (optionele) tussentijdse registratiestap naar een leeftijd-specifieke CT/MRI-sjabloon22. De mogelijkheid van het verwerken van zowel CT-en MRI-scans en de aanpasbaarheid met betrekking tot Intermediate en target Brain templates maakt RegLSM een zeer geschikt beeldverwerkings hulpmiddel voor LSM. Het hele proces van het voorbereiden en segmenteren van CT/MRI-scans, registratie naar een hersen sjabloon en handmatige correcties (indien nodig) worden beschreven in de volgende sectie.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59653/59653fig1.jpg"> Figuur 1: Schematische illustratie van het concept van de Voxel-gebaseerde laesie-symptoom mapping. Het bovenste deel toont de hersen beeld pre-processing stappen bestaande uit het segmenteren van de laesie (een acute infarct in dit geval) gevolgd door registratie naar een hersen sjabloon (de MNI-152 sjabloon in dit geval). Hieronder wordt een deel van de geregistreerde binaire laesie kaart van dezelfde patiënt weergegeven als een 3D-raster, waarbij elke kubus een Voxel vertegenwoordigt. Samen met de laesie kaarten van 99 andere patiënten, een laesie overlay kaart wordt gegenereerd. Voor elke Voxel wordt een statistische test uitgevoerd om de associatie tussen laesie status en cognitieve prestaties te bepalen. De Chi-kwadraat test die hier wordt weergegeven, is slechts een voorbeeld, elke statistische test kan worden gebruikt. Meestal worden honderdduizenden voxels getest in de hele hersenen, gevolgd door een correctie voor meervoudige vergelijkingen. <a href="https://www.jove.com/files/ftp_upload/59653/59653fig1large.jpg" target="_blank">Klik hier om een grotere versie van dit cijfer te bekijken.</a>

<table border="0" cellpadding="0" cellspacing="0" style="width:611px;" width="609">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">dcm2niix</td>
			<td style="width:94px;">N/A</td>
			<td style="width:123px;">N/A</td>
			<td style="width:172px;">free download https://github.com/rordenlab/dcm2niix</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">ITK-SNAP</td>
			<td style="width:94px;">N/A</td>
			<td style="width:123px;">N/A</td>
			<td>free download www.itksnap.org</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:22px;width:223px;">MATLAB</td>
			<td style="width:94px;">MathWorks</td>
			<td style="width:123px;">N/A</td>
			<td>Version 2015a or higher</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">MRIcron</td>
			<td style="width:94px;">N/A</td>
			<td style="width:123px;">N/A</td>
			<td>free download https://www.nitrc.org/projects/mricron</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">RegLSM</td>
			<td style="width:94px;">N/A</td>
			<td style="width:123px;">N/A</td>
			<td>free download www.metavcimap.org/support/software-tools</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:223px;">SPM12b</td>
			<td style="width:94px;">N/A</td>
			<td style="width:123px;">N/A</td>
			<td>free download https://www.fil.ion.ucl.ac.uk/spm/</td>
		</tr>
	</tbody>
</table>

brain infarct segmentation and registration on mri or ct for lesion-symptom mapping

In laesie-symptoom mapping (LSM), hersenfunctie wordt afgeleid door de locatie van verworven hersenlaesies aan gedrags-of cognitieve symptomen in een groep patiënten. Met recente ontwikkelingen in de hersenen Imaging en beeldverwerking, LSM is uitgegroeid tot een populaire tool in cognitieve neurowetenschappen. LSM kan fundamentele inzichten bieden in de functionele architectuur van het menselijk brein voor een verscheidenheid aan cognitieve en niet-cognitieve functies. Een cruciale stap in het uitvoeren van LSM-studies is de segmentatie van laesies op hersenen scans van een grote groep patiënten en de registratie van elke scan naar een gemeenschappelijke stereotaxic ruimte (ook wel standaard ruimte of een gestandaardiseerde hersen sjabloon genoemd). Hier beschreven is een Open-Access, gestandaardiseerde methode voor infarct segmentatie en registratie voor het doel van LSM, evenals een gedetailleerde en hands-on walkthrough op basis van voorbeeldige gevallen. Een uitgebreide zelfstudie voor de handmatige segmentatie van herseninfarcten op CT-scans en DWI of FLAIR MRI-sequenties wordt geleverd, inclusief criteria voor infarct-identificatie en valkuilen voor verschillende scan typen. De registratie software biedt meerdere registratie schema's die kunnen worden gebruikt voor de verwerking van CT-en MRI-gegevens met heterogene acquisitie parameters. Een tutorial over het gebruik van deze registratie software en het uitvoeren van visuele kwaliteitscontroles en handmatige correcties (die in sommige gevallen nodig zijn) wordt geleverd. Deze aanpak biedt onderzoekers een kader voor het hele proces van beeldverwerking van de hersenen die nodig zijn om een LSM-studie uit te voeren, van het verzamelen van gegevens tot de laatste kwaliteitscontroles van de resultaten.

Hier vindt u voorbeelden van herseninfarct segmentaties op CT (Figuur 3), DWI (Figuur 5) en FLAIR (Figuur 6) en daaropvolgende registratie voor de MNI-152-sjabloon. De registratie resultaten weergegeven in Figuur 3b en figuur 5c waren niet helemaal succesvol, omdat er verkeerde uitlijning was in de buurt van de voorste Hoorn van de ventrikel...

Watch this Scientific Journal Video about Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping at JoVE.com

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

Hier is een praktische tutorial voor een Open-Access, gestandaardiseerde beeldverwerking pijpleiding voor het doel van laesie-symptoom mapping. Voor elke verwerkingsstap wordt een stapsgewijze uitleg gegeven, van handmatige infarct segmentatie op CT/MRI tot daaropvolgende registratie naar standaard ruimte, samen met praktische aanbevelingen en illustraties met voorbeeldige cases.

Hersen infarct segmentatie en registratie op MRI of CT voor laesie-symptoom mapping

In lesion-symptom mapping (LSM), brain function is inferred by relating the location of acquired brain lesions to behavioral or cognitive symptoms in a ...

Laesie-symptoom mapping is een krachtig hulpmiddel om hersenfuncties te lokaliseren door het bestuderen van patiënten met hersenletsels. Een belangrijke stap is beeldverwerking, waaronder laesiesegmentatie en registratie naar standaardruimte. Dit protocol beschrijft een uniform kader dat werkt met alle structurele beeldvorming modaliteiten, het verstrekken van een consistente output van laesies in de standaard ruimte voor gebruik in laesie-symptoom mapping studies.De laesies moeten worden omgezet in standaardruimte om vergelijkingen tussen proefpersonen mogelijk te maken. De hersenen van elke patiënt moeten ruimtelijk zijn uitgelijnd om te corrigeren voor verschillen in hersengrootte en vorm. Tijdens het gebruik van deze methode, het helpt om te zien hoe elke stap moet worden uitgevoerd, in plaats van het volgen van schriftelijke instructies alleen.Het vereist ook een goed begrip van hersenbeelden, wat een visuele demonstratie nuttig maakt. In dit protocol wordt beschreven hoe u de verwerkingsstappen uitvoert die nodig zijn voor het in kaart brengen van laesie-symptomen. Zodra de laesiekaarten zijn geregistreerd in de standaardruimte, kan laesie-symptoommapping worden uitgevoerd op grote groepen patiënten.Wanneer alle laesiekaarten worden omgezet in standaardruimte, vertegenwoordigt elke voxel hetzelfde hersengebied tussen proefpersonen. Hierdoor kunnen statistische analyses worden uitgevoerd, bijvoorbeeld om te testen of de aanwezigheid van een laesie in een bepaalde voxel wordt geassocieerd met een cognitief tekort. Begin met het verzamelen van hersenen CT of MRI-scans van patiënten met ischemische beroerte.De meeste scanners hebben de scans als DICOM-bestanden die kunnen worden gekopieerd naar een harde schijf of server. Verzamel de klinische variabelen in een gegevensbestand door afzonderlijke rijen te maken voor elk geval en kolommen voor elke klinische variabele. Voor infarctsegmentatie, omvatten ten minste de datum van de beroerte en de datum van beeldvorming of een variabele die het tijdsinterval tussen lijn en beeldvorming aangeeft.Als u de DICOM-afbeeldingen wilt converteren naar niet-gecomprimeerde NIfTI-bestanden, typt u met het gereedschap DICOM-naar-NIfTI de opdracht hier in de opdrachtprompt op het scherm met behulp van het mappad naar de DICOM-bestanden. Een voorbeeld van de opdracht met de ingevoegde mappaden is hier te zien. Met deze opdracht worden de uitvoerbare uitgevoerd, worden de DICOM-afbeeldingen in de geselecteerde map geconverteerd en worden de NIfTI-bestanden in deze map opgeslagen.Tot slot, organiseer de NIfTI-bestanden in een handige mapstructuur, met een submap voor elk geval, voordat u begint met infarctsegmentatie. Zorg er eerst voor dat de scan ten minste 24 uur na het begin van de beroerte symptoom werd uitgevoerd. Anders is het acute infarct niet zichtbaar op CT of is het slechts gedeeltelijk zichtbaar en kan de scan niet worden gebruikt voor segmentatie.Open de native CT met behulp van ITK-SNAP-software door Bestand te selecteren en open hoofdafbeelding in het vervolgkeuzemenu. Klik vervolgens op Bladeren en selecteer het bestand om de scan te openen. Identificeer nu het infarct op basis van beeldvormingskenmerken.Ten eerste, merk op dat infarcten hebben een laag signaal in vergelijking met normaal hersenweefsel. In het acute stadium kunnen grote infarcten massa-effect veroorzaken, wat resulteert in verplaatsing van omliggende weefsels, compressie van ventrikels, midline shift en vernietiging van sulci. Er kan hemorragische transformatie zijn, die zichtbaar is als regio's met een hoog signaal binnen het infarct.In het chronische stadium zal het infarct bestaan uit een hypodense, cavitated centrum, met een vergelijkbare dichtheid als de hersenvocht, en een minder hypodense rand, die beschadigd hersenweefsel vertegenwoordigt. In het geval van grote infarcten, kan er ex vacuo uitbreiding van aangrenzende sulci of ventrikels. Segmenteer het hersenweefsel met behulp van de Penseelmodus vanaf de hoofdwerkbalk, klik met links om te tekenen en klik met de rechtermuisknop om te wissen.U ook de Polygoonmodus gebruiken om ankerpunten aan de randen van de laesie te plaatsen en de linkermuisknop ingedrukt te houden terwijl u de muis over de randen van de laesie beweegt. Zodra alle punten zijn verbonden, klikt u op accepteren om het afgebakende gebied te vullen. Sla deze na het beëindigen van de segmentatie op als een binair NIfTI-bestand in dezelfde map als de scan door te klikken op Segmentatie en Segmentatieafbeelding op te slaan in het vervolgkeuzemenu en sla de segmentatie op door het exact dezelfde naam te geven als de gesegmenteerde scan, met de uitbreiding van laesie.Zorg er eerst voor dat de DWI-scan werd uitgevoerd binnen zeven dagen na het begin van een beroerte. Infarcten zijn zichtbaar op DWI binnen enkele uren na het begin van een beroerte, en hun zichtbaarheid op DWI neemt geleidelijk af na ongeveer zeven dagen. Vervolgens identificeren en annoteren van de infarct hersenweefsel op basis van het hoge signaal op DWI en laag signaal op de ADC-kaart.Vergis je niet in een hoge diffusie signaal in de buurt van interfaces tussen lucht en weefsel of bot, die een algemeen waargenomen artefact op DWI. Voor FLAIR beeldvorming, controleer eerst of de scan werd uitgevoerd 48 uur na beroerte symptoom begin. In de hyperacute fase is het infarct meestal niet zichtbaar, of de exacte grenzen zijn onduidelijk.Open vervolgens de FLAIR-afbeelding in ITK-SNAP, evenals de T1-gewogen scan in een apart venster voor referentie, indien beschikbaar. In het acute stadium is het infarct zichtbaar als een enigszins homogene hyperintense laesie, met of zonder zwelling en massa-effect. Gebruik indien beschikbaar de DWI om onderscheid te maken tussen het acute infarct en chronische laesies, zoals witte stof hyperintensiteiten.Om afbeeldingen te registreren, download je reglsm eerst en gebruik deze tool om CT-scans of enige vorm van MRI-sequentie te verwerken. De registratieprocedure is terug te zien in de hier getoonde figuur. Open vervolgens MATLAB-versie 2015a of hoger, stel de huidige map in op RegLSM en schakel SPM in door addpath te typen, gevolgd door de mapnaam voor SPM.Typ vervolgens RegLSM om de grafische interface te openen. Als u de registratie voor één aanvraag wilt uitvoeren, selecteert u De testmodus in het vervolgkeuzemenu Registratie. Gebruik vervolgens de knop Afbeelding openen om de gesegmenteerde scan, de annotatie en eventueel de T1 te selecteren en selecteer het gewenste registratieschema.Als alternatief kan batchmodus worden gebruikt om alle aanvragen in de geselecteerde map te registreren. Zorg ervoor dat RegLSM de resulterende registratieparameters, de geregistreerde scans en de geregistreerde laesiekaart in de automatisch gegenereerde submappen heeft opgeslagen. Bekijk nu de registratieresultaten door Resultaten controleren in de RegLSM-interface te selecteren en blader naar de hoofdmap met deze resultaten.Blader door de geregistreerde scan en gebruik het vizier om de uitlijning van de MNI152-sjabloon te controleren, met aandacht voor herkenbare anatomische oriëntatiepunten. Zorg ervoor dat u alle mislukte registraties in een aparte kolom in het eerder gemaakte gegevensbestand markeert voor volgende handmatige correctie. Open de MNI152 T1-sjabloon in ITK-SNAP voor kaart waarvoor correctie nodig is en selecteer Segmentatie openen in het menu Segmentatie en kies de kaart voor geregistreerde laesie, die wordt overlay op de sjabloon.Open ook de registratieresultaten in een apart venster ter referentie. Corrigeer de geregistreerde laesiekaart in ITK-SNAP voor elk type verkeerde uitlijning, met behulp van de penseelfunctie om voxels toe te voegen met linksklikken of voxels met de rechtermuisknop te verwijderen. Sla ten slotte de gecorrigeerde laesiekaart op als een NIfTI-bestand in dezelfde map als de kaart van ongecorrigeerde laesies en sla de segmentatie op door deze exact dezelfde naam te geven als de kaart voor ongecorrigeerde laesies, met de uitbreiding van gecorrigeerd.Hier zien we CT-scans voor een enkele patiënt. De eerste scan kan niet worden gebruikt voor segmentatie omdat het infarct nog niet zichtbaar is, hoewel de CT-perfusiekaarten ischemie laten zien. De CT op dag zes toont zwelling van het infarctige hersenweefsel met lichte midline shift en hemorragische transformatie.De scan na vier maanden toont verlies van hersenweefsel met ex vacuo vergroting van ventrikels en nabijgelegen sulci. Het resultaat van de registratie van de CT op dag zes van de MNI152 template is hier te zien. Het registratiealgoritme compenseerde onvoldoende de midlineverschuiving en compressie van de linkerventrikel, die een handmatige correctie vereiste.Na correctie is de geregistreerde laesiekaart een nauwkeurige weergave van het infarct in de inheemse ruimte en kan deze worden gebruikt voor laesie-symptoommapping. Hier zien we een vergelijking van de geregistreerde DWI-sequentie en het bijbehorende geregistreerde infarct met de MNI152-sjabloon. Let op de lichte fout aan het hoofd van de rechter caudate kern.Dit vereiste een handmatige correctie van de segmentatie in de standaardruimte. Ten slotte toont dit cijfer de resultaten van de registratie van de MRI FLAIR-sequentie op dag drie, wat voldoende is en geen handmatige correctie vereist. Dit protocol omvat het proces van het voorbereiden van beeldvormende gegevens voor laesie-symptoom mapping, inclusief praktische richtlijnen over hoe nauwkeurige infarctsegmentatie en registratie uit te voeren op een hersensjabloon.De laesiekaarten kunnen worden gebruikt in laesie-symptoom mapping studies om een specifieke cognitieve functie te lokaliseren of om laesie locatie te gebruiken om cognitieve uitkomst bij beroerte patiënten te voorspellen. Dit protocol versnelt en harmoniseert de workflow voor laesie-symptoom mapping studies, waardoor onderzoekers grote multicenter studies uit te voeren, waaronder honderden tot duizenden onderwerpen.

Research

JoVE Journal

Behavior

Flat-floored Air-lifted Platform: A New Method for Combining Behavior with Microscopy or Electrophysiology on Awake Freely Moving Rodents

Flat-gevloerd Air-opgeheven Platform: Een nieuwe methode voor het combineren Gedrag met Microscopie of Electrofysiologie op Awake vrij bewegende Knaagdieren

It is widely acknowledged that the use of general anesthetics can undermine the relevance of electrophysiological or microscopical data obtained from a ...

Combined Shuttle-Box Training with Electrophysiological Cortex Recording and Stimulation as a Tool to Study Perception and Learning

Gecombineerd Shuttle-Box Training met Elektrofysiologische Cortex opnemen en stimulatie als een instrument om Perception en learning studie

Shuttle-box avoidance learning is a well-established method in behavioral neuroscience and experimental setups were traditionally custom-made; the ...

A General Method for Evaluating Deep Brain Stimulation Effects on Intravenous Methamphetamine Self-Administration

Een algemene methode voor het evalueren van Deep Brain Stimulation Effecten op Intraveneuze Methamfetamine Self-Administration

Substance use disorders, particularly to methamphetamine, are devastating, relapsing diseases that disproportionally affect young people.  There is a need ...

A Method for Evaluating the Reinforcing Properties of Ethanol in Rats without Water Deprivation, Saccharin Fading or Extended Access Training

Een methode voor het evalueren van de versterkende eigenschappen van ethanol in ratten zonder Water beroving, sacharine Fading of Extended Access Training

Operant oral self-administration methods are commonly used to study the reinforcing properties of ethanol in animals. However, the standard methods ...

Visualization Method for Proprioceptive Drift on a 2D Plane Using Support Vector Machine

Visualisatie Methode voor Proprioceptieve Drift op een 2D vliegtuig met behulp van Support Vector Machine

Proprioceptive drift, which is a perceptual shift in body-part position from the unseen real body to a visible body-like image, has been measured as the ...

fMRI Mapping of Brain Activity Associated with the Vocal Production of Consonant and Dissonant Intervals

FMRI Mapping of Brain Activity Associated met de Vocal Production of Consonant en Dissonant Intervals

The neural correlates of consonance and dissonance perception have been widely studied, but not the neural correlates of consonance and dissonance ...

Key Elements of Photo Attraction Bioassay for Insect Studies or Monitoring Programs

Sleutelelementen van foto attractie Bioassay voor Insect Studies of controle programma 's

Optimized visual attractants will increase insect trapping efficiency by using the target insect&#39;s innate behaviors (positive photo-taxis) as a means ...

The Unpredictable Chronic Mild Stress Protocol for Inducing Anhedonia in Mice

Het Protocol van de onvoorspelbare chronische milde Stress voor inducerende Anhedonie in muizen

Depression is a highly prevalent and debilitating condition, only partially addressed by current pharmacotherapies. The lack of response to treatment by ...

A Conditioned Place Preference Protocol for Measuring Incubation of Craving in Rats

Een geconditioneerde plaats voorkeur Protocol voor het meten van de incubatie van verlangen bij ratten

A major cause of repeated relapses is a craving for the drug. Drug craving increases progressively during the abstinence period, a phenomenon termed ...