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

Arbeidet til Dr. Biesbroek er støttet av en Young talent Fellowship fra Brain Center Rudolf Magnus av University Medical Center Utrecht. Dette arbeidet og meta VCI Map konsortium er støttet av Vici Grant 918.16.616 fra ZonMw, Nederland, organisasjonen for helse forskning og utvikling, til Geert Jan Biessels. Forfatterne vil gjerne takke Dr. Tanja C.W. Nijboer for deling av skanninger som ble brukt i en av tallene.

Denne protokollen følger retningslinjene for våre institusjoner menneskelig forskning etikk komiteen.
1. innsamling av skanninger og kliniske data
<ol><li>Samle hjernen CT eller MRI skanninger av pasienter med iskemiske hjerneslag. De fleste skannere lagrer skanninger som DICOM-filer (Digital Imaging and Communications in Medicine) som kan kopieres til en harddisk eller server. Merk: Skanninger fra hver skannertype, skannings protokoll og MRI-feltstyrke kan brukes, så ...

LSM er et kraftig verktøy for å studere den funksjonelle arkitekturen i den menneskelige hjerne. Et avgjørende skritt i enhver lesjon-symptom kartlegging studien er forbehandling av Imaging data, segmentering av lesjon og registrering til en hjerne mal. Her rapporterer vi en standardisert rørledning for å segmentering av lesjon og registrering for formålet med tilordning av lesjon-Symptom. Denne metoden kan utføres med fritt tilgjengelige bildebehandlingsverktøy, kan brukes til å behandle både CT og strukturell...

Lesjon-symptom kartlegging (LSM), også kalt lesjon-atferd kartlegging, er et viktig verktøy for å studere den funksjonelle arkitekturen i den menneskelige hjerne1. I lesjon studier, er hjernens funksjon utledes og lokalisert ved å studere pasienter med ervervet hjerne lesjoner. Det første tilfellet studier knytte nevrologiske symptomer til bestemte hjernen steder utført i det nittende århundre allerede gitt grunnleggende innsikt i anatomiske samsvarer med språk og flere andre kognitive prosesser2. Likevel, nevroanatomi relaterer til mange aspekter av kognisjon og andre hjernefunksjoner forble unnvikende. I de siste ti årene har forbedrede strukturelle hjernens bildebehandlings metoder og tekniske fremskritt aktivert stor skala in vivo LSM studier med høy romlig oppløsning (dvs. på nivå med individuelle voxels eller spesifikke kortikale/subkortikal områder av interesse)1 ,2. Med disse metodisk fremskritt, LSM har blitt en stadig mer populær metode i kognitiv nevrovitenskap og fortsetter å tilby ny innsikt i nevroanatomi av kognisjon og nevrologiske symptomer3. Et avgjørende skritt i enhver LSM studie er nøyaktig segmentering av lesjoner og registrering til en hjerne mal. Men en omfattende tutorial for forbehandling av hjernen Imaging data for det formål LSM mangler.
Forutsatt her er en komplett tutorial for en standardisert lesjon segmentering og registrering metoden. Denne metoden gir forskere med en rørledning for standardisert hjernen bildebehandling og en oversikt over potensielle fallgruver som må unngås. Den presenterte bildebehandling rørledningen ble utviklet gjennom internasjonalt samarbeid4 og er en del av rammen av den nylig GRUNNLA meta VCI kart konsortium, hvis formål er å utføre multisenter lesjon-symptom kartlegging studier i vaskulær kognitiv svekkelse < www. metavcimap. org >5. Denne metoden er utviklet for å behandle både CT-og Mr-skanninger fra flere leverandører og heterogene skanne protokoller for å tillate kombinert behandling av bildedata sett fra ulike kilder. Det krevde RegLSM programvare og alle annet programvare behøvde for denne protokollen er fritt anvendelig bortsett fra for MATLAB, hvilke behøver en med lisens. Denne opplæringen fokuserer på segmentering og registrering av hjernen infarkter, men dette bildet prosessering rørledningen kan også brukes til andre lesjoner, for eksempel hvit materie hyperintensities6.
Før en LSM-studie igangsettes, kreves det en grunnleggende forståelse av de generelle begrepene og fallgruvene. Flere detaljerte retningslinjer og en haiker ' s guide er tilgjengelig1,3,6. Men disse vurderinger ikke gir en detaljert hands-on tutorial for de praktiske trinnene involvert i innsamling og konvertering av hjernen skanner til et riktig format, segmentere hjernen infarkt, og registrere skanninger til en hjerne mal. Den foreliggende papiret gir en slik veiledning. Generelle begreper av LSM er gitt i innledningen med referanser for videre lesning om emnet.
Generelt mål for kartlegging av lesjon-symptom
Fra perspektivet av kognitiv nevropsykologi, kan hjerneskade brukes som en modell betingelse for å bedre forstå neuronal grunnlaget av visse kognitive prosesser og å få et mer komplett bilde av den kognitive arkitekturen i hjernen1 . Dette er en klassisk tilnærming i nevropsykologi som først ble anvendt i etter obduksjon studier i det nittende århundre av pionerene som Broca og Wernickes2. I tid med funksjonell hjernen Imaging, har lesjon tilnærming forble et viktig redskap i nevrovitenskap fordi det gir bevis på at lesjoner i en bestemt hjerne regionen forstyrre oppgaven ytelse, mens funksjonell Imaging studier demonstrere hjernen regioner som er aktiveres under aktivitets ytelsen. Som sådan gir disse tilnærmingene utfyllende informasjon1.
Fra perspektivet til klinisk nevrologi, LSM studier kan avklare forholdet mellom lesjon plassering og kognitiv funksjon hos pasienter med akutt symptomatisk infarkter, hvit materie hyperintensities, lacunes, eller andre lesjon typer (f. eks, svulster ). Nyere studier har vist at slike lesjoner i strategiske hjernens regioner er mer relevant i å forklare kognitiv ytelse enn global lesjon byrde2,5,7,8. Denne tilnærmingen har potensial til å bedre forståelsen av patofysiologi av komplekse lidelser (i dette eksempelet vaskulær kognitiv svekkelse) og kan gi muligheter for å utvikle nye diagnostiske og Prognostisk verktøy eller støtte behandling strategier2.
LSM har også søknader utenfor feltet av kognisjon. Faktisk kan enhver variabel være relatert til lesjon plassering, inkludert kliniske symptomer, biomarkører, og funksjonelle utfall. For eksempel, en fersk studie bestemmes infarkt steder som var prediktiv av funksjonelle utfall etter iskemiske hjerneslag10.
Voxel-basert versus region av interessebasert lesjon-symptom kartlegging
Lesjoner må være segmentert og registrert i en hjerne mal for å kunne utføre en tilordning av lesjon-Symptom. Under registreringsprosedyren, er hver pasientens hjerne romlig justert (dvs. normalisert eller registrert i en felles mal) for å korrigere for forskjeller i hjernens størrelse, form og orientering, slik at hver Voxel i lesjon kartet representerer de samme anatomiske struktur for alle pasienter7. I standard rom, flere typer analyser kan utføres, som er kort oppsummert her.
En grov lesjon-subtraksjon analyse kan utføres for å vise forskjellen i lesjon fordeling hos pasienter med underskudd sammenlignet med pasienter uten underskudd. Den resulterende subtraksjon kartet viser regioner som er oftere skadet hos pasienter med underskudd og spart hos pasienter uten underskudd1. Selv om en lesjon-subtraksjon analyse kan gi noen innsikt i relaterer til en bestemt funksjon, gir det ingen statistisk bevis og er nå mest brukt når utvalgsstørrelsen er for lav til å gi nok statistisk kraft for Voxel-basert lesjon-symptom Kartlegging.
I Voxel-baserte lesjoner-symptom kartlegging, en assosiasjon mellom tilstedeværelsen av en lesjon og kognitiv ytelse bestemmes på nivået av hver enkelt Voxel i hjernen (figur 1). Den største fordelen med denne metoden er høy romlig oppløsning. Tradisjonelt har disse analysene blitt utført i en masse-univariate tilnærming, som garanterer korreksjon for flere tester og introduserer en romlig skjevhet forårsaket av Inter-Voxel sammenhenger som ikke er tatt hensyn til1,10 , 11. nylig utviklet tilnærminger som tar Inter-Voxel sammenhenger i betraktning (vanligvis referert til som multivariabel lesjon-symptom kartlegging metoder, for eksempel Bayesisk analyse13, støtte vektor regresjon4, 14, eller annen maskin lærings algoritmer15) viser lovende resultater og ser ut til å forbedre følsomheten og spesifisitet av funnene fra VOXEL-kloke LSM-analyser sammenlignet med tradisjonelle metoder. Ytterligere forbedring og validering av multivariabel metoder for Voxel-klok LSM er en kontinuerlig prosess. Den beste metoden valget for bestemte lesjon-symptom kartlegging avhenger av mange faktorer, inkludert fordelingen av lesjoner, utfallet variabel, og underliggende statistiske forutsetninger av metodene.
I den interesseområde (ROI)-baserte fordeling av lesjon-Symptom, bestemmes en tilknytning mellom belastningen for lesjon i en bestemt hjerne region og kognitiv ytelse (se figur 1 i Biesbroek et al.2 for en illustrasjon). Den største fordelen med denne metoden er at den vurderer den kumulative lesjon byrden innenfor en anatomisk struktur, som i noen tilfeller kan være mer informativ enn en lesjon i en enkelt Voxel. På den annen side, ROI-baserte analyser har begrenset makt for å oppdage mønstre som er bare til stede i en undergruppe av voxels i regionen16. Vanligvis utføres AVKASTNINGS BAS ert symptom kartlegging ved hjelp av logistikk eller lineær regresjon. Nylig har multivariabel metoder som omhandler bedre med kolinearitet blitt innført (f. eks Bayesisk nettverk analyse17, støtte Vector regresjon4,18, eller annen maskinlæring algoritmer19), som kan forbedre spesifisitet av funn fra lesjon-symptom kartlegging studier.
Valg av pasient
I LSM-studier velges vanligvis pasienter basert på en bestemt lesjon type (for eksempel hjerne infarkter eller hvit materie hyperintensities) og tidsintervallet mellom diagnose og nevropsykologiske vurdering (f.eks. akutt kontra kronisk slag). Den optimale studien design avhenger av forskningen spørsmålet. For eksempel, når du studerer den funksjonelle arkitekturen i den menneskelige hjerne, er akutt hjerneslag pasienter ideelt inkludert fordi funksjonell omorganisering ennå ikke har skjedd i dette stadiet, mens kroniske slagpasienter bør inkluderes når du studerer langsiktige virkningene av hjerneslag på kognisjon. En detaljert beskrivelse av betraktninger og fallgruver i pasientens utvalg er gitt andre steder7.
Behandling av hjerne bilde med henblikk på lesjon-symptom kartlegging
Nøyaktig lesjon segmentering og registrering til en felles hjerne malen er avgjørende skritt i lesjon-symptom kartlegging. Manuell segmentering av lesjoner forblir gullstandarden for mange lesjon typer, inkludert infarkter7. Forutsatt er en detaljert veiledning om kriterier for manuell infarkt segmentering på CT-skanninger, diffusjon vektet Imaging (DWI), og væske-dempes inversjon utvinning (FLAIR) MRI sekvenser i både akutte og kroniske stadier. Den segmentert infarkter (dvs. 3D binære lesjon kart) må registreres før noen på tvers av analyser er utført. Denne protokollen bruker registreringsmetoden RegLSM, som ble utviklet i en multisenter innstilling4. RegLSM gjelder lineære og ikke-lineære registrering algoritmer basert på elastix20 for både CT og MRI, med en ekstra CT behandlingstrinn spesielt utviklet for å forbedre registrering kvaliteten på CT skanner21. Videre tillater RegLSM for å bruke ulike mål hjernen maler og en (valgfritt) mellomliggende registrering trinn til en alder-spesifikk CT/MRI mal22. Muligheten for å behandle både CT-og Mr-skanninger og dens customizability om mellomliggende og målrettede hjerne maler gjør RegLSM til et svært egnet bildebehandlingsverktøy for LSM. Hele prosessen med å utarbeide og segmentere CT/MRI-skanninger, registrering til en hjerne mal, og manuelle korrigeringer (hvis nødvendig) er beskrevet i neste avsnitt.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59653/59653fig1.jpg"> Figur 1: skjematisk illustrasjon av begrepet Voxel-basert lesjon-symptom kartlegging. Den øvre delen viser hjernen bildet pre-prosessering trinn bestående av segmentere lesjon (en akutt infarkt i dette tilfellet) etterfulgt av registrering til en hjerne mal (den MNI-152 mal i dette tilfellet). Nedenfor vises en del av det registrerte binære lesjon-kartet for samme pasient som et 3D-rutenett, der hver kube representerer en Voxel. Tas sammen med lesjon kart over 99 andre pasienter, genereres det et Overleggskart for lesjon. For hver Voxel utføres en statistisk test for å fastslå tilknytningen mellom status for lesjon og kognitiv ytelse. Den Chi-kvadrerte testen som vises her er bare et eksempel, en statistisk test kan brukes. Vanligvis testes hundretusenvis av voxels gjennom hele hjernen, etterfulgt av en korreksjon for flere sammenligninger. <a href="https://www.jove.com/files/ftp_upload/59653/59653fig1large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</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

I lesjon-symptom kartlegging (LSM), er hjernens funksjon utledes av om plasseringen av ervervet hjerne lesjoner til atferdsmessige eller kognitive symptomer i en gruppe pasienter. Med nylige fremskritt i hjernen Imaging og bildebehandling, LSM har blitt et populært verktøy i kognitiv nevrovitenskap. LSM kan gi grunnleggende innsikt i den funksjonelle arkitekturen i den menneskelige hjerne for en rekke kognitive og ikke-kognitive funksjoner. Et avgjørende skritt i å utføre LSM studier er segmentering av lesjoner på hjernen skanninger av en stor gruppe av pasienter og registrering av hver skanning til en felles stereotaxic plass (også kalt standard plass eller en standardisert hjerne mal). Beskrevet her er en åpen tilgang, standardisert metode for infarkt segmentering og registrering for formålet med LSM, samt en detaljert og hands-on Walkthrough basert på eksemplarisk tilfeller. En omfattende tutorial for manuell segmentering av hjernen infarkter på CT-skanninger og DWI eller FLAIR MRI sekvenser er gitt, inkludert kriterier for infarkt identifisering og fallgruver for ulike skannetyper. Registreringen programvare gir flere registrering ordninger som kan brukes til behandling av CT-og MRI-data med heterogene oppkjøpet parametere. En tutorial på å bruke denne registreringsprogramvare og utføre visuelle kvalitetskontroller og manuelle rettelser (som er nødvendig i noen tilfeller) er gitt. Denne tilnærmingen gir forskere med et rammeverk for hele prosessen med hjernen bildebehandling som kreves for å utføre en LSM studie, fra innsamling av data til endelige kvalitetskontroller av resultatene.

Forbilde tilfeller av hjernen infarkt Segmentations på CT (Figur 3), DWI (figur 5), og FLAIR (figur 6) bilder, og påfølgende registrering til MNI-152 malen er gitt her. Registrerings resultatene vist i figur 3b og figur 5c var ikke helt vellykket, da det var forskyvning nær frontal horn i ventrikkel. Den registrerte lesjon kart av disse ...

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

Forutsatt her er en praktisk tutorial for en åpen-tilgang, standardisert bildebehandling rørledning i den hensikt å lesjon-symptom kartlegging. En trinnvis gjennomgang gis for hvert behandlingstrinn, fra manuell infarkt segmentering på CT/MRI til påfølgende registrering til standard plass, sammen med praktiske anbefalinger og illustrasjoner med eksemplarisk tilfeller.

Brain infarkt segmentering og registrering på MRI eller CT for lesjon-symptom kartlegging

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

Lesjonssymptomkartlegging er et kraftig verktøy for å lokalisere hjernefunksjoner ved å studere pasienter med hjerneskader. Et viktig skritt innebærer bildebehandling, inkludert lesjonssegmentering og registrering til standardplass. Denne protokollen beskriver et enhetlig rammeverk som fungerer med alle strukturelle bildemodaliteter, noe som gir en konsekvent utdata av lesjoner i standardrom for bruk i lesjonssymptomkartleggingsstudier.Lesjonene må transformeres til standardplass for å tillate sammenligninger på tvers av. Hver pasients hjerne må være romlig justert for å korrigere for forskjeller i hjernestørrelse og form. Mens du bruker denne metoden, hjelper det å se hvordan hvert trinn skal utføres, i stedet for å følge skriftlige instruksjoner alene.Det krever også en god forståelse av hjernebilder, noe som gjør en visuell demonstrasjon nyttig. Denne protokollen beskriver hvordan du utfører behandlingstrinnene som kreves for tilordning av lesjonssymptom. Når lesjonskartene er registrert til standard plass, kan lesjonssymptomkartlegging utføres på store pasientgrupper.Når alle lesjonskartene forvandles til standardplass, representerer hver voxel den samme hjerneregionen på tvers av. Dette gjør det mulig for statistiske analyser å bli utført, for eksempel for å teste om tilstedeværelsen av en lesjon i en bestemt voxel er forbundet med et kognitivt underskudd. Begynn med å samle inn CT- eller MR-skanninger av pasienter med iskemisk slag.De fleste skannere har skanninger som DICOM-filer som kan kopieres til en harddisk eller server. Samle inn de kliniske variablene i en datafil ved å lage separate rader for hvert tilfelle og kolonner for hver klinisk variabel. For infarktsegmentering inkluderer du minst datoen for strøk og datoen for bildebehandling eller en variabel som angir tidsintervallet mellom strøk og bildebehandling.Hvis du vil konvertere DICOM-bildene til ukomprimerte NIfTI-filer, skriver du inn kommandoen som vises på skjermen her i ledeteksten, ved hjelp av mappebanen til DICOM-filene. Et eksempel på kommandoen med mappebanene som er satt inn, kan ses her. Denne kommandoen vil kjøre den kjørbare filen, konvertere DICOM-bildene i den valgte mappen, og lagre NIfTI-filene i denne mappen.Til slutt organisere NIfTI filer i en praktisk mappestruktur, med en undermappe for hvert tilfelle, før du begynner infarct segmentering. Først må du forsikre deg om at skanningen ble utført minst 24 timer etter at hjerneslag symptomet utbruddet. Ellers vil den akutte infarkten ikke være synlig på CT eller vil bare være delvis synlig, og skanningen kan ikke brukes til segmentering.Åpne den opprinnelige CT ved hjelp av ITK-SNAP-programvaren ved å velge Fil, og åpne deretter hovedbilde fra rullegardinmenyen. Klikk deretter Bla gjennom, og velg filen for å åpne skanningen. Identifiser nå infarkt basert på bildeegenskaper.Først vær oppmerksom på at infarkter har et lavt signal sammenlignet med normalt hjernevev. I det akutte stadiet kan store infarkter forårsake masseeffekt, noe som resulterer i forskyvning av omkringliggende vev, kompresjon av ventrikler, midline skift og utslettelse av sulci. Det kan være hemorragisk transformasjon, som er synlig som regioner med høyt signal i infarktet.I kronisk stadium vil infarkten bestå av et hypodense, cavitated senter, med en lignende tetthet som cerebrospinalvæsken, og en mindre hypodensekant, som representerer skadet hjernevev. Ved store infarkter kan det være ex vacuo utvidelse av tilstøtende sulci eller ventrikler. Segmenter det ufarcted hjernevevet ved hjelp av Paintbrush Mode fra hovedverktøylinjen, ved hjelp av venstreklikk for å tegne og høyreklikke for å slette.Alternativt kan du bruke polygonmodus til å plassere ankerpunkter på lesjonens grenser, og holde venstre museknapp mens du beveger musen over lesjonens grenser. Når alle punktene er koblet til, klikker du godta for å fylle det avgrensede området. Etter å ha fullført segmenteringen, lagre den som en binær NIfTI-fil i samme mappe som skanningen ved å klikke segmentering og lagre segmenteringsbilde fra rullegardinmenyen, og lagre deretter segmenteringen ved å gi den nøyaktig samme navn som segmentert skanning, med utvidelsen av lesjon.Først må du forsikre deg om at DWI-skanningen ble utført innen syv dager etter at slag ble satt inn. Infarkter er synlige på DWI innen flere timer etter hjerneslag utbruddet, og deres synlighet på DWI gradvis reduseres etter ca syv dager. Deretter identifiserer og kommenterer du det ufarcted hjernevevet basert på det høye signalet på DWI og lavt signal på ADC-kartet.Ikke forveksle et høyt diffusjonssignal i nærheten av grensesnitt mellom luft og enten vev eller bein, som er en vanlig observert artefakt på DWI. For FLAIR-bildebehandling må du først kontrollere at skanningen ble utført 48 timer etter at slagsymptomet ble satt inn. I hyperakutt stadium er infarkt vanligvis ikke synlig, eller de eksakte grensene er uklare.Deretter åpner du FLAIR-bildet i ITK-SNAP, samt T1-vektet skanning i et eget vindu for referanse, hvis tilgjengelig. I det akutte stadiet er infarktet synlig som en noe homogen hyperintenslesjon, med eller uten hevelse og masseeffekt. Hvis tilgjengelig, bruk DWI til å skille mellom akutt infarkt og kroniske lesjoner, for eksempel hvite materie hyperintensities.Hvis du vil registrere bilder, må du først laste ned RegLSM og bruke dette verktøyet til å behandle CT-skanninger eller noen form for MR-sekvens. Registreringsprosedyren kan ses i figuren som vises her. Deretter åpner du MATLAB versjon 2015a eller høyere, setter gjeldende mappe til RegLSM, og deretter aktiverer du SPM ved å skrive inn addpath etterfulgt av mappenavnet for SPM.Deretter skriver du inn RegLSM for å åpne det grafiske grensesnittet. Hvis du vil utføre registreringen for ett enkelt tilfelle, velger du Testmodus i rullegardinmenyen Registrering. Bruk deretter Åpne bilde-knappen til å velge segmentert skanning, merknaden og eventuelt T1, og velg ønsket registreringsskjema.Alternativt kan batchmodus brukes til å registrere alle saker i den valgte mappen. Kontroller at RegLSM lagret de resulterende registreringsparameterne, de registrerte skanningene og det registrerte lesjonskartet i de automatisk genererte undermappene. Nå går du gjennom registreringsresultatene ved å velge Kontroller resultater i RegLSM-grensesnittet, og blar til hovedmappen med disse resultatene.Bla gjennom den registrerte skanningen, og bruk trådkorset til å sjekke justeringen til MNI152-malen, og vær oppmerksom på gjenkjennelige anatomiske landemerker. Pass på å merke alle mislykkede registreringer i en egen kolonne i den tidligere opprettede datafilen for etterfølgende manuell korrigering. For alle lesjonskart som trenger korrigering, åpner du MNI152 T1-malen i ITK-SNAP, velger deretter Åpne segmentering fra Segmentering-menyen og velger det registrerte lesjonskartet, som vil legge over på malen.Åpne også registreringsresultatene i et eget vindu for referanse. Korriger det registrerte lesjonskartet i ITK-SNAP for alle typer feiljustering, ved hjelp av penselfunksjonen for å legge til voxels med venstreklikk eller fjern voxels med høyreklikk. Til slutt lagrer du det korrigerte lesjonskartet som en NIfTI-fil i samme mappe som det ukorrigerte lesjonskartet, og deretter lagrer du segmenteringen ved å gi det nøyaktig samme navn som det ukorrigerte lesjonskartet, med utvidelsen korrigert.Her ser vi CT-skanninger for én enkelt pasient. Den første skanningen kan ikke brukes til segmentering fordi infarkten ennå ikke er synlig, selv om CT-perfusjonskartene viser iskemi. CT på dag seks viser hevelse i det infarcted hjernevevet med liten midline skift og hemorragisk transformasjon.Skanningen etter fire måneder viser hjernevevstap med ex vacuo utvidelse av ventrikler og nærliggende sulci. Resultatet av registrering av CT på dag seks til MNI152-malen er sett her. Registreringsalgoritmen kompensert utilstrekkelig for midtlinjen skift og komprimering av venstre ventrikkel, noe som krevde en manuell korreksjon.Etter korreksjon er det registrerte lesjonskartet en nøyaktig representasjon av infarktet i innfødt plass og kan brukes til lesjonssymptomtilordning. Her ser vi sammenligning av den registrerte DWI-sekvensen og tilsvarende registrert infarkt med MNI152-malen. Legg merke til den lille feilen på hodet til høyre caudate kjerne.Dette krevde en manuell korrigering av segmenteringen i standardområdet. Til slutt viser dette tallet resultatene av registreringen av MR FLAIR-sekvensen på dag tre, noe som er tilstrekkelig og krever ingen manuell korreksjon. Denne protokollen dekker prosessen med å forberede bildedata for tilordning av lesjonssymptomer, inkludert praktiske retningslinjer for hvordan du utfører nøyaktig infarktsegmentering og registrering til en hjernemal.Lesjonskartene kan brukes i lesjonssymptomkartleggingsstudier for å lokalisere en bestemt kognitiv funksjon eller for å bruke lesjonsplassering for å forutsi kognitivt utfall hos slagpasienter. Denne protokollen akselererer og harmoniserer arbeidsflyten for lesjonssymptomkartleggingsstudier, slik at forskere kan utføre store multisenterstudier, inkludert hundrevis til tusenvis av.

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-floored Air-løftet Platform: En ny metode for å kombinere Behavior med Mikros eller Elektro på Awake fritt bevegelige Gnagere

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

Kombinert Shuttle-Box Trening med Elektro Cortex-opptak og stimulering som et verktøy for å studere Perception and Learning

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

En generell metode for å evaluere dyp hjernestimulering Påvirkning av Intravenøs Metamfetamin 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

En metode for å evaluere den forsterkende egenskaper av etanol i rotter uten vann deprivation, Sakkarin Fading eller utvidet tilgang 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

Visualisering Metode for Proprioseptiv Drift på en 2D-Plane Bruke 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-kartlegging av hjerneaktivitet assosiert med vokalproduksjonen av konsonant og dissonantintervaller

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

Nøkkelelementer i Foto attraksjon Bioassay for insekt studier eller overvåking programmer

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

Uforutsigbare kronisk Mild Stress protokollen for å indusere Anhedonia i mus

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

En betinget sted preferanse protokoll for å måle inkubasjonstiden for Craving i rotter

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