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

Unterstützt wird die Arbeit von Dr. Biesbroek durch ein Young Talent Fellowship des Brain Center Rudolf Magnus vom Universitätsklinikum Utrecht. Diese Arbeit und das Meta VCI Map Konsortium werden von Vici Grant 918.16.616 von ZonMw, Niederlande, Organisation für Gesundheitsforschung und -entwicklung, an Geert Jan Biessels unterstützt. Die Autoren danken Dr. Tanja C.W. Nijboer für die gemeinsame Nutzung von Scans, die in einer der Figuren verwendet wurden.

Dieses Protokoll folgt den Richtlinien unserer Institutionen Human Research Ethikkommission.
1. Sammlung von Scans und klinischen Daten
<ol><li>Sammeln Sie Ct- oder MRT-Scans von Patienten mit ischämischem Schlaganfall. Die meisten Scanner speichern die Scans als DICOM-Dateien (Digital Imaging and Communications in Medicine), die auf eine Festplatte oder einen Server kopiert werden können. HINWEIS: Scans von jedem Scannertyp, Scanprotokoll und MRT-Feldstärke können ve...

LSM ist ein leistungsfähiges Werkzeug, um die funktionale Architektur des menschlichen Gehirns zu studieren. Ein entscheidender Schritt in jeder Läsion-Symptom-Mapping-Studie ist die Vorverarbeitung von bildgebenden Daten, die Segmentierung der Läsion und die Registrierung in eine Gehirnschablone. Hier berichten wir über eine standardisierte Pipeline zur Läsionssegmentierung und Registrierung zum Zwecke der Läsions-Symptome-Mapping. Diese Methode kann mit frei verfügbaren Bildverarbeitungswerkzeugen durchgeführt ...

Die Lesion-Symptom-Mapping (LSM), auch Läsion-Behavior Mapping genannt, ist ein wichtiges Werkzeug, um die funktionelle Architektur des menschlichen Gehirns zu untersuchen1. In Läsionsstudien wird die Gehirnfunktion durch die Untersuchung von Patienten mit erworbenen Hirnläsionen abgeleitet und lokalisiert. Die ersten Fallstudien, die neurologische Symptome mit bestimmten Hirnstandorten im 19. Jahrhundert verknüpften, lieferten bereits grundlegende Einblicke in die anatomischen Korrelationen der Sprache und mehrere andere kognitive Prozesse2. Dennoch blieben die neuroanatomischen Korrelate vieler Aspekte der Kognition und anderer Gehirnfunktionen schwer fassbar. In den letzten Jahrzehnten haben verbesserte strukturelle Bildgebungsmethoden und technische Fortschritte groß angelegte in vivo LSM-Studien mit hoher räumlicher Auflösung ermöglicht (d. h. auf der Ebene einzelner Voxel oder spezifischer kortikaler/subkortikaler Interessengebiete)1 ,2. Mit diesen methodischen Fortschritten, LSM hat sich zu einer immer beliebter Methode in der kognitiven Neurowissenschaften und weiterhin neue Einblicke in die Neuroanatomie der Kognition und neurologische Symptomebieten 3. Ein entscheidender Schritt in jeder LSM-Studie ist die genaue Segmentierung von Läsionen und die Registrierung in einer Gehirnvorlage. Es fehlt jedoch ein umfassendes Tutorial zur Vorverarbeitung von Bildgebungsdaten für lsM.
Hier ist ein komplettes Tutorial für eine standardisierte Läsionssegmentierung und Registrierungsmethode vorgesehen. Diese Methode bietet Forschern eine Pipeline für die standardisierte Bildverarbeitung des Gehirns und einen Überblick über mögliche Fallstricke, die vermieden werden müssen. Die vorgestellte Bildverarbeitungspipeline wurde im Rahmen internationaler Kooperationenentwickelt 4 und ist Teil des Rahmens des kürzlich gegründeten Meta VCI-Kartenkonsortiums, dessen Zweck die Durchführung multizentrischer Läsions-Symptome-Mapping-Studien in vaskuläre kognitive Beeinträchtigung <www.metavcimap.org>5. Diese Methode wurde entwickelt, um sowohl CT- als auch MRT-Scans von mehreren Anbietern und heterogene Scanprotokolle zu verarbeiten, um eine kombinierte Verarbeitung von Imaging-Datasets aus verschiedenen Quellen zu ermöglichen. Die erforderliche RegLSM-Software und alle anderen Für dieses Protokoll benötigten Software sind frei verfügbar, mit Ausnahme von MATLAB, das eine Lizenz erfordert. Dieses Tutorial konzentriert sich auf die Segmentierung und Registrierung von Hirninfarkten, aber diese Bildverarbeitungspipeline kann auch für andere Läsionen verwendet werden, wie z. B. Hyperintensitäten der weißen Materie6.
Vor der Initiierung einer LSM-Studie ist ein grundlegendes Verständnis der allgemeinen Konzepte und Fallstricke erforderlich. Mehrere detaillierte Richtlinien und ein Anhalterführer sind verfügbar1,3,6. Diese Bewertungen bieten jedoch kein detailliertes praktisches Tutorial für die praktischen Schritte beim Sammeln und Konvertieren von Gehirnscans in ein richtiges Format, segmentieren den Hirninfarkt und registrieren die Scans in einer Gehirnvorlage. Das vorliegende Papier bietet ein solches Tutorial. Allgemeine Konzepte von LSM sind in der Einleitung mit Referenzen für die weitere Lektüre zu diesem Thema vorgesehen.
Allgemeines Ziel von Läsion-Symptomen-Mapping-Studien
Aus der Perspektive der kognitiven Neuropsychologie kann Eine Hirnverletzung als Modellbedingung verwendet werden, um die neuronalen Grundlagen bestimmter kognitiver Prozesse besser zu verstehen und ein vollständigeres Bild der kognitiven Architektur des Gehirns zu erhalten1 . Dies ist ein klassischer Ansatz in der Neuropsychologie, der erstmals in post-mortem Studien im neunzehnten Jahrhundert von Pionieren wie Broca und Wernicke2angewendet wurde. Im Zeit der funktionellen Gehirnbildgebung ist der Läsionsansatz ein entscheidendes Werkzeug in der Neurowissenschaft geblieben, weil er den Beweis dafür liefert, dass Läsionen in einer bestimmten Hirnregion die Aufgabenleistung stören, während funktionelle bildgebende Studien Hirnregionen zeigen, die während der Aufgabenleistung aktiviert werden. Diese Ansätze liefern daher ergänzende Informationen1.
Aus der Perspektive der klinischen Neurologie können LSM-Studien den Zusammenhang zwischen läsionsort und kognitiver Funktion bei Patienten mit akuten symptomatischen Infarkten, Hyperintensitäten der weißen Materie, Lücken oder anderen Läsionstypen (z. B. Tumoren (z. B. Tumoren ). Jüngste Studien haben gezeigt, dass solche Läsionen in strategischen Hirnregionen bei der Erklärung der kognitiven Leistungsfähigkeit relevanter sind als die globale Läsionsbelastung2,5,7,8. Dieser Ansatz hat das Potenzial, das Verständnis der Pathophysiologie komplexer Störungen (in diesem Beispiel der vaskulären kognitiven Beeinträchtigung) zu verbessern und kann Möglichkeiten für die Entwicklung neuer diagnostischer und prognostischer Instrumente oder die Unterstützung der Behandlung bieten. Strategien2.
LSM hat auch Anwendungen außerhalb des Bereichs der Kognition. Tatsächlich kann jede Variable mit dem Läsionsort in Verbindung gebracht werden, einschließlich klinischer Symptome, Biomarker und funktionellem Ergebnis. Zum Beispiel, eine aktuelle Studie ermittelt Infarkt-Standorte, die Vorhersage des funktionellen Ergebnisses nach ischämischen Schlaganfall10waren.
Voxel-basierte sandbasierte sandbasierte Läsions-Symptome-Mapping
Um eine Läsions-Symptome-Zuordnung durchzuführen, müssen Läsionen segmentiert und in einer Gehirnvorlage registriert werden. Während des Registrierungsvorgangs wird das Gehirn jedes Patienten räumlich ausgerichtet (d. h. normalisiert oder in einer gemeinsamen Vorlage registriert), um Unterschiede in Derhirngröße, -form und -ausrichtung so zu korrigieren, dass jeder Voxel in der Läsionskarte die gleiche anatomische Struktur für alle Patienten7. Im Standardraum können verschiedene Arten von Analysen durchgeführt werden, die hier kurz zusammengefasst werden.
Eine grobe Läsionssubtraktionsanalyse kann durchgeführt werden, um den Unterschied in der Läsionsverteilung bei Patienten mit Defiziten im Vergleich zu Patienten ohne Defizite zu zeigen. Die resultierende Subtraktionskarte zeigt Regionen, die häufiger bei Patienten mit Defiziten geschädigt und bei Patienten ohne Defizite geschont werden1. Obwohl eine Läsionssubtraktionsanalyse einige Einblicke in Korrelen einer bestimmten Funktion liefern kann, liefert sie keinen statistischen Beweis und wird jetzt hauptsächlich verwendet, wenn die Stichprobengröße zu niedrig ist, um genügend statistische Leistung für voxelbasierte Läsionssymptome bereitzustellen. Zuordnung.
Bei der voxelbasierten Läsions-Symptomenkarzierung wird ein Zusammenhang zwischen dem Vorhandensein einer Läsion und der kognitiven Leistungsfähigkeit auf der Ebene jedes einzelnen Voxels im Gehirn bestimmt (Abbildung 1). Der Hauptvorteil dieser Methode ist die hohe räumliche Auflösung. Traditionell wurden diese Analysen in einem massenunivariaten Ansatz durchgeführt, der eine Korrektur für mehrfache Tests rechtfertigt und eine räumliche Verzerrung einführt, die durch intervoxel-Korrelationen verursacht wird, die nicht berücksichtigt werden1,10 , 11. Kürzlich entwickelte Ansätze, die Intervoxel-Korrelationen berücksichtigen (in der Regel als multivariate Läsion-Symptom-Mapping-Methoden bezeichnet, wie Bayesian-Analyse13, Unterstützung der Vektorregression4, 14, oder andere maschinelle Lernalgorithmen15) zeigen vielversprechende Ergebnisse und scheinen die Empfindlichkeit und Spezifität von Erkenntnissen aus voxel-weisen LSM-Analysen im Vergleich zu herkömmlichen Methoden zu verbessern. Die weitere Verbesserung und Validierung multivariater Methoden für voxel-weiseLSM ist ein kontinuierlicher Prozess. Die beste Methodenwahl für die spezifische Läsions-Symptome-Mapping hängt von vielen Faktoren, einschließlich der Verteilung von Läsionen, Ergebnisvariable, und zugrunde liegenden statistischen Annahmen der Methoden.
In der Region von Interesse (ROI) wird ein Zusammenhang zwischen der Läsionslast innerhalb einer bestimmten Hirnregion und der kognitiven Leistungsfähigkeit bestimmt (siehe Abbildung 1 in Biesbroek et al.2 für eine Abbildung). Der Hauptvorteil dieser Methode besteht darin, dass sie die kumulative Läsionslast innerhalb einer anatomischen Struktur berücksichtigt, die in einigen Fällen informativer sein kann als eine Läsion in einem einzelnen Voxel. Auf der anderen Seite haben ROI-basierte Analysen nur begrenzte Leistung für die Erkennung von Mustern, die nur in einer Teilmenge von Voxeln in der Region16vorhanden sind. Traditionell wird die ROI-basierte Lesion-Symptom-Mapping mittels logistischer oder linearer Regression durchgeführt. Kürzlich wurden multivariate Methoden eingeführt, die sich besser mit Kollinearität befassen (z. B. Bayesian Network Analysis17, Support Vector Regression4,18, oder andere Machine Learning-Algorithmen19), die die Spezifität der Befunde aus Läsions-Symptomen-Mapping-Studien zu verbessern.
Patientenauswahl
In LSM-Studien werden die Patienten in der Regel auf der Grundlage eines bestimmten Läsionstyps (z. B. Hirninfarkte oder Hyperintensitäten weißer Materie) und des Zeitintervalls zwischen Diagnose und neuropsychologischer Bewertung (z. B. akuter vs. chronischer Schlaganfall) ausgewählt. Das optimale Studiendesign hängt von der Forschungsfrage ab. Zum Beispiel werden bei der Untersuchung der funktionellen Architektur des menschlichen Gehirns akute Schlaganfallpatienten idealerweise einbezogen, da die funktionelle Reorganisation in diesem Stadium noch nicht stattgefunden hat, während chronische Schlaganfallpatienten bei der Untersuchung der Langzeitwirkungen eines Schlaganfalls auf die Kognition. Eine detaillierte Beschreibung der Überlegungen und Fallstricke bei der Patientenauswahl finden Sie an anderer Stelle7.
Gehirnbild-Vorverarbeitung zum Zweck der Läsion-Symptom-Mapping
Genaue Läsionssegmentierung und Registrierung zu einer gemeinsamen Gehirnvorlage sind entscheidende Schritte bei der Lsion-Symptom-Mapping. Die manuelle Segmentierung von Läsionen bleibt der Goldstandard für viele Läsionsarten, einschließlich Infarkte7. Zur Verfügung gestellt wird ein detailliertes Tutorial zu Kriterien für die manuelle Infarktsegmentierung bei CT-Scans, diffusionsgewichtete Bildgebung (DWI) und fluid-attenuated Inversion Recovery (FLAIR) MRT-Sequenzen sowohl in akuten als auch in chronischen Stadien. Die segmentierten Infarte (d. h. die 3D-Binärläsionskarten) müssen registriert werden, bevor fachübergreifende Analysen durchgeführt werden. Dieses Protokoll verwendet die Registrierungsmethode RegLSM, die in einer multicenter-Einstellung4entwickelt wurde. RegLSM wendet lineare und nichtlineare Registrierungsalgorithmen auf Basis von elastix20 sowohl für CT als auch für MRT an, mit einem zusätzlichen CT-Verarbeitungsschritt, der speziell entwickelt wurde, um die Registrierungsqualität von CT-Scans zu verbessern21. Darüber hinaus ermöglicht RegLSM die Verwendung verschiedener Ziel-Gehirnvorlagen und eines (optionalen) Zwischenregistrierungsschritts zu einer altersspezifischen CT/MRT-Vorlage22. Die Möglichkeit, sowohl CT- als auch MRT-Scans zu verarbeiten und seine Anpassbarkeit in Bezug auf Zwischen- und Ziel-Gehirnvorlagen macht RegLSM zu einem sehr geeigneten Bildverarbeitungstool für LSM. Der gesamte Prozess der Vorbereitung und Segmentierung von CT/MRT-Scans, der Registrierung in einer Gehirnvorlage und manueller Korrekturen (falls erforderlich) wird im nächsten Abschnitt beschrieben.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59653/59653fig1.jpg"> Abbildung 1: Schematische Darstellung des Konzepts der voxelbasierten Läsions-Symptom-Mapping. Der obere Teil zeigt die Vorverarbeitungsschritte des Gehirnbildes, bestehend aus der Segmentierung der Läsion (in diesem Fall ein akuter Infarkt), gefolgt von der Registrierung in einer Gehirnvorlage (in diesem Fall die Vorlage MNI-152). Unten wird ein Teil der registrierten binären Läsionskarte desselben Patienten als 3D-Raster dargestellt, wobei jeder Würfel einen Voxel darstellt. Zusammen mit den Läsionskarten von 99 anderen Patienten wird eine Läsions-Overlay-Karte erzeugt. Für jeden Voxel wird ein statistischer Test durchgeführt, um den Zusammenhang zwischen Läsionsstatus und kognitiver Leistung zu bestimmen. Der hier gezeigte Chi-Quadrat-Test ist nur ein Beispiel, jeder statistische Test könnte verwendet werden. In der Regel werden Hunderttausende von Voxeln im gesamten Gehirn getestet, gefolgt von einer Korrektur für mehrere Vergleiche. <a href="https://www.jove.com/files/ftp_upload/59653/59653fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</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

Bei der Läsions-Symptome-Mapping (LSM), Gehirnfunktion wird durch die Beziehung der Position der erworbenen Gehirnläsionen zu Verhaltens- oder kognitiven Symptomen in einer Gruppe von Patienten abgeleitet. Mit den jüngsten Fortschritten in der Bildgebung und Bildverarbeitung im Gehirn ist LSM zu einem beliebten Werkzeug in der kognitiven Neurowissenschaft geworden. LSM kann grundlegende Einblicke in die funktionelle Architektur des menschlichen Gehirns für eine Vielzahl von kognitiven und nicht-kognitiven Funktionen bieten. Ein entscheidender Schritt bei der Durchführung von LSM-Studien ist die Segmentierung von Läsionen auf Gehirnscans einer großen Gruppe von Patienten und die Registrierung jedes Scans in einen gemeinsamen stereotaxic-Raum (auch Als Standardraum oder standardisierte Gehirnvorlage bezeichnet). Hier wird eine offene, standardisierte Methode zur Infarktsegmentierung und Registrierung für LSM beschrieben, sowie eine detaillierte und praktische Exemplarie auf Basis beispielhafter Fälle. Ein umfassendes Tutorial zur manuellen Segmentierung von Hirninfarkten auf CT-Scans und DWI- oder FLAIR-MRT-Sequenzen wird bereitgestellt, einschließlich Kriterien für die Infarktidentifikation und Fallstricke für verschiedene Scantypen. Die Registrierungssoftware bietet mehrere Registrierungsschemata, die für die Verarbeitung von CT- und MRT-Daten mit heterogenen Erfassungsparametern verwendet werden können. Ein Tutorial über die Verwendung dieser Registrierungssoftware und die Durchführung visueller Qualitätsprüfungen und manueller Korrekturen (die in einigen Fällen erforderlich sind) wird bereitgestellt. Dieser Ansatz bietet Forschern einen Rahmen für den gesamten Prozess der Gehirnbildverarbeitung, der für die Durchführung einer LSM-Studie erforderlich ist, von der Sammlung der Daten bis hin zur abschließenden Qualitätsprüfung der Ergebnisse.

Beispiele für Hirninfarktsegmentierungen auf CT -Abbildung 3), DWI (Abbildung 5) und FLAIR ( Abbildung6) Bilder, und anschließende Registrierung in der MNI-152-Vorlage werden hier zur Verfügung gestellt. Die in Abbildung 3B und Abbildung 5C dargestellten Registrierungsergebnisse waren nicht ganz erfolgreich, da es in der Nähe des Frontho...

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 ist ein praktisches Tutorial für eine offene, standardisierte Bildverarbeitungspipeline zum Zwecke der Läsion-Symptom-Mapping. Für jeden Verarbeitungsschritt wird eine schrittweise Vorgehensweise angeboten, von der manuellen Infarktsegmentierung auf CT/MRT über die anschließende Registrierung bis hin zum Standardraum sowie praktische Empfehlungen und Illustrationen mit beispielhaften Fällen.

Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom 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 ...

Die Lesion-Symptom-Mapping ist ein leistungsfähiges Werkzeug, um Gehirnfunktionen zu lokalisieren, indem Patienten mit Hirnläsionen untersucht werden. Ein wichtiger Schritt ist die Bildverarbeitung, einschließlich der Läsionssegmentierung und Registrierung in den Standardbereich. Dieses Protokoll beschreibt ein einheitliches Framework, das mit allen strukturellen Bildgebungsmodalitäten arbeitet und eine konsistente Ausgabe von Läsionen im Standardraum für die Verwendung in Läsions-Symptom-Mapping-Studien bereitstellt.Die Läsionen müssen in Standardraum umgewandelt werden, um Vergleiche zwischen den Probanden zu ermöglichen. Das Gehirn jedes Patienten muss räumlich ausgerichtet sein, um Unterschiede in der Gehirngröße und -form zu korrigieren. Bei der Verwendung dieser Methode hilft es zu sehen, wie jeder Schritt ausgeführt werden soll, anstatt nur den schriftlichen Anweisungen zu folgen.Es erfordert auch ein gutes Verständnis von Gehirnbildern, was eine visuelle Demonstration nützlich macht. Dieses Protokoll beschreibt, wie die Verarbeitungsschritte ausgeführt werden, die für die Zuordnung von Läsionssymptomen erforderlich sind. Sobald die Läsionskarten im Standardraum registriert sind, kann die Läsions-Symptom-Zuordnung bei großen Patientengruppen durchgeführt werden.Wenn alle Läsionskarten in den Standardraum umgewandelt werden, stellt jeder Voxel die gleiche Hirnregion über Alleter hinweg dar. Auf diese Weise können statistische Analysen durchgeführt werden, um beispielsweise zu testen, ob das Vorhandensein einer Läsion in einem bestimmten Voxel mit einem kognitiven Defizit verbunden ist. Beginnen Sie mit dem Sammeln von Hirn-CT- oder MRT-Scans von Patienten mit ischämischem Schlaganfall.Die meisten Scanner haben die Scans als DICOM-Dateien, die auf eine Festplatte oder einen Server kopiert werden können. Sammeln Sie die klinischen Variablen in einer Datendatei, indem Sie für jeden Fall und jede Spalte für jede klinische Variable separate Zeilen erstellen. Für die Infarktsegmentierung mindestens das Datum des Schlaganfalls und das Datum der Bildgebung oder eine Variable, die das Zeitintervall zwischen Schlaganfall und Bildgebung angibt.Um die DICOM-Bilder mithilfe des Werkzeugs DICOM-to-NIfTI in unkomprimierte NIfTI-Dateien zu konvertieren, geben Sie den hier auf dem Bildschirm angezeigten Befehl in die Eingabeaufforderung ein, indem Sie den Ordnerpfad zu den DICOM-Dateien verwenden. Ein Beispiel für den Befehl mit den eingefügten Ordnerpfaden finden Sie hier. Mit diesem Befehl wird die ausführbare Datei ausgeführt, die DICOM-Images im ausgewählten Ordner konvertiert und die NIfTI-Dateien in diesem Ordner gespeichert.Schließlich organisieren Sie die NIfTI-Dateien in einer praktischen Ordnerstruktur mit einem Unterordner für jeden Fall, bevor Sie mit der Infarktsegmentierung beginnen. Stellen Sie zunächst sicher, dass der Scan mindestens 24 Stunden nach Deminstich des Schlaganfallsymptoms durchgeführt wurde. Andernfalls ist der akute Infarkt auf CT nicht oder nur teilweise sichtbar, und der Scan kann nicht für die Segmentierung verwendet werden.Öffnen Sie den nativen CT mit itK-SNAP-Software, indem Sie Datei auswählen, und öffnen Sie dann das Hauptbild aus dem Dropdown-Menü. Klicken Sie dann auf Durchsuchen, und wählen Sie die Datei aus, um den Scan zu öffnen. Identifizieren Sie nun den Infarkt anhand bildgebender Merkmale.Beachten Sie zunächst, dass Infarte ein niedriges Signal im Vergleich zu normalem Hirngewebe haben. Im akuten Stadium können große Infarkte Massenwirkung verursachen, was zu Einer Verschiebung des umgebenden Gewebes, Kompression von Ventrikeln, Mittellinienverschiebung und Auslöschung von Sulci führt. Es kann eine hämorrhagische Transformation geben, die als Regionen mit hohem Signal im Infarkt sichtbar ist.Im chronischen Stadium besteht der Infarkt aus einem hypodichten, kavitierten Zentrum, mit einer ähnlichen Dichte wie die Zerebrospinalflüssigkeit, und einem weniger hypodichten Rand, der geschädigtes Hirngewebe darstellt. Bei großen Infarkten kann es zu einer Ex-Vakuumvergrößerung der angrenzenden Sulzien oder Ventrikel kommen. Segmentieren Sie das infarktierte Hirngewebe mithilfe des Paintbrush-Modus von der Hauptsymbolleiste, indem Sie mit der linken Maustaste zeichnen und mit der rechten Maustaste zum Löschen klicken.Alternativ können Sie den Polygonmodus verwenden, um Ankerpunkte an den Rändern der Läsion zu platzieren, und halten Sie die linke Maustaste gedrückt, während Sie die Maus über die Ränder der Läsion bewegen. Sobald alle Punkte verbunden sind, klicken Sie auf Akzeptieren, um den abgegrenzten Bereich zu füllen. Speichern Sie die Segmentierung nach Abschluss der Segmentierung als binäre NIfTI-Datei im selben Ordner wie der Scan, indem Sie im Dropdownmenü auf Segmentierung und Segmentierungsbild speichern klicken, und speichern Sie dann die Segmentierung, indem Sie ihr den genau gleichen Namen wie der segmentierte Scan mit der Erweiterung der Läsion geben.Stellen Sie zunächst sicher, dass der DWI-Scan innerhalb von sieben Tagen nach Schlaganfallbeginn durchgeführt wurde. Infarte sind auf DWI innerhalb weniger Stunden nach Schlaganfallbeginn sichtbar, und ihre Sichtbarkeit auf DWI nimmt nach etwa sieben Tagen allmählich ab. Als Nächstes identifizieren und kommentieren Sie das infarktierte Hirngewebe basierend auf dem hohen Signal auf DWI und einem niedrigen Signal auf der ADC-Karte.Verwechseln Sie kein hohes Diffusionssignal in der Nähe von Schnittstellen zwischen Luft und Gewebe oder Knochen, die ein häufig beobachtetes Artefakt auf DWI sind. Überprüfen Sie bei der FLAIR-Bildgebung zunächst, ob der Scan 48 Stunden nach Demintersten des Schlaganfallsymptoms durchgeführt wurde. Im hyperakuten Stadium ist der Infarkt in der Regel nicht sichtbar, oder die genauen Grenzen sind unklar.Öffnen Sie als Nächstes das FLAIR-Image in ITK-SNAP sowie den T1-gewichteten Scan in einem separaten Fenster als Referenz, sofern verfügbar. Im akuten Stadium ist der Infarkt als eine etwas homogene hyperintensive Läsion mit oder ohne Schwellung und Massenwirkung sichtbar. Wenn verfügbar, verwenden Sie das DWI, um zwischen dem akuten Infarkt und chronischen Läsionen, wie z. B. Hyperintensitäten der weißen Materie, zu unterscheiden.Um Bilder zu registrieren, laden Sie zuerst RegLSM herunter und verwenden Sie dieses Tool, um CT-Scans oder jede Art von MRT-Sequenz zu verarbeiten. Das Registrierungsverfahren ist in der hier gezeigten Abbildung zu sehen. Öffnen Sie als Nächstes MATLAB Version 2015a oder höher, legen Sie den aktuellen Ordner auf RegLSM fest, und aktivieren Sie dann SPM, indem Sie addpath gefolgt vom Ordnernamen für SPM eingeben.Geben Sie als Nächstes RegLSM ein, um die grafische Benutzeroberfläche zu öffnen. Um die Registrierung für einen einzelnen Fall durchzuführen, wählen Sie testmode im Dropdownmenü Registrierung aus. Verwenden Sie dann die Schaltfläche Bild öffnen, um den segmentierten Scan, die Anmerkung und optional das T1 auszuwählen, und wählen Sie das gewünschte Registrierungsschema aus.Alternativ kann der Batch-Modus verwendet werden, um alle Anfragen im ausgewählten Ordner zu registrieren. Stellen Sie sicher, dass RegLSM die resultierenden Registrierungsparameter, die registrierten Scans und die registrierte Läsionszuordnung in den automatisch generierten Unterordnern gespeichert hat. Überprüfen Sie nun die Registrierungsergebnisse, indem Sie In der RegLSM-Schnittstelle Ergebnisse überprüfen auswählen, und navigieren Sie zum Hauptordner mit diesen Ergebnissen.Blättern Sie durch den registrierten Scan, und überprüfen Sie mit dem Fadenkreuz die Ausrichtung zur MNI152-Vorlage, wobei Sie auf erkennbare anatomische Landmarken achten. Stellen Sie sicher, dass Alle fehlgeschlagenen Erfassungen in einer separaten Spalte in der zuvor erstellten Datendatei für die nachfolgende manuelle Korrektur markiert werden. Öffnen Sie für alle Läsionskarten, die korrigiert werden müssen, die MNI152 T1-Vorlage in ITK-SNAP, wählen Sie dann im Segmentierungsmenü Segmentierung öffnen aus, und wählen Sie die registrierte Läsionskarte aus, die auf die Vorlage überlagert wird.Öffnen Sie außerdem die Registrierungsergebnisse in einem separaten Fenster als Referenz. Korrigieren Sie die registrierte Läsionskarte in ITK-SNAP für jede Art von Fehlausrichtung, indem Sie die Pinselfunktion verwenden, um Voxel mit Linksklick hinzuzufügen oder Voxel mit Rechtsklick zu entfernen. Speichern Sie schließlich die korrigierte Läsionszuordnung als NIfTI-Datei im selben Ordner wie die nicht korrigierte Läsionszuordnung, und speichern Sie dann die Segmentierung, indem Sie ihr den genau gleichen Namen wie die nicht korrigierte Läsionskarte mit der Erweiterung "korrigiert" geben.Hier sehen wir CT-Scans für einen einzelnen Patienten. Der anfängliche Scan kann nicht für die Segmentierung verwendet werden, da der Infarkt noch nicht sichtbar ist, obwohl die CT-Perfusionskarten Ischämie zeigen. Die CT am sechsten Tag zeigt eine Schwellung des infarktierten Hirngewebes mit leichter Mittellinienverschiebung und hämorrhagischer Transformation.Der Scan nach vier Monaten zeigt Hirngewebeverlust mit Ex-Vakuumvergrößerung von Ventrikeln und sulci in der Nähe. Das Ergebnis der Eintragung des KV am sechsten Tag in die Vorlage MNI152 ist hier zu sehen. Der Registrierungsalgorithmus kompensierte die Mittellinienverschiebung und -kompression des linken Ventrikels nicht ausreichend, was eine manuelle Korrektur erforderte.Nach der Korrektur ist die registrierte Läsionskarte eine genaue Darstellung des Infarkts im nativen Raum und kann für die Pessions-Symptom-Mapping verwendet werden. Hier sehen wir den Vergleich der registrierten DWI-Sequenz und des entsprechenden registrierten Infarkts mit der Vorlage MNI152. Beachten Sie den leichten Fehler am Kopf des rechten Caudate-Kerns.Dies erforderte eine manuelle Korrektur der Segmentierung im Standardraum. Schließlich zeigt diese Abbildung die Ergebnisse der Registrierung der MRT FLAIR-Sequenz am dritten Tag, die angemessen ist und keine manuelle Korrektur erfordert. Dieses Protokoll behandelt den Prozess der Vorbereitung bildgebender Daten für die Abgrenzung von Läsionssymptomen, einschließlich praktischer Richtlinien für die Durchführung einer genauen Infarktsegmentierung und Registrierung in einer Gehirnvorlage.Die Läsionskarten können in Läsions-Symptome-Mapping-Studien verwendet werden, um eine bestimmte kognitive Funktion zu lokalisieren oder läsionsposition zu verwenden, um kognitive Ergebnisse bei Schlaganfallpatienten vorherzusagen. Dieses Protokoll beschleunigt und harmonisiert den Workflow für Läsions-Symptome-Mapping-Studien, so dass Forscher große multizentrischen Studien durchführen können, darunter Hunderte bis Tausende von Probanden.

Research

JoVE Journal

Behavior

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

Flach platt Klima angehoben Plattform: Eine neue Methode zur Kombination von Verhalten mit Mikroskopie oder Elektrophysiologie auf Awake frei bewegen Nagetiere

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

Forschung

Verhalten

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

Kombinierte Shuttle-Box-Training mit Elektrophysiologische Cortex Ableitung und Stimulation als ein Instrument zur Wahrnehmung und Lernen 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

Ein allgemeines Verfahren zur Bewertung der Tiefe Hirnstimulation Auswirkungen auf intravenöse Methamphetamine Selbstverwaltung

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

Eine Methode zur Bewertung der verstärkenden Eigenschaften von Ethanol bei Ratten ohne Wasser Deprivation, Saccharin Verblassen oder Extended Access Schulung

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

Visualisierungsmethode für Propriozeptive Drift auf einer 2D-Ebene Verwenden von 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 der Gehirnaktivität, verbunden mit der Vokalproduktion von Konsonanten- und Dissonanzintervallen

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

Schlüsselelemente des Foto-Attraktion-Bioassay für Insekten Studien oder Monitoring Programme

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

Das unvorhersehbare milde Dauerstress Protokoll zur Induktion Anhedonie bei Mäusen

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

Eine konditionierte Ort Präferenz Protokoll zur Messung der Inkubation des Verlangens bei Ratten

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