Name: lung ct segmentation to identify consolidations and ground glass areas for quantitative assesment of sars-cov pneumonia
Uploaded: 2020-12-19T14:00:00
Description: Watch this Scientific Journal Video about Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia at JoVE.com

Dette arbejde blev støttet af midler fra Institut for Radiologi ved universitetet i Bologna.

Denne protokol følger retningslinjerne fra den institutionelle humane forskningsetiske komité.
1. Download af DICOM-billederne
<ol><li>Download DICOM-billederne, og overfør dem på den arbejdsstation, der er dedikeret til segmenteringen, med 3D-softwaren installeret. Hvis du planlægger at arbejde på en personlig computer, anonymisere DICOM data.</li>
</ol>2. Import af HRCT-undersøgelsen af 3D Slicer-softwaren
<ol><li>Vælg Ind...

<ol>
	<li>Zheng, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=COVID-19+and+the+cardiovascular+system.">COVID-19 and the cardiovascular system.</a> Nature Reviews Cardiology. 17, 259-260 (2020).</li><li>Simpson, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Radiological+Society+of+North+America+Expert+Consensus+Statement+on+Reporting+Chest+CT+Findings+Related+to+COVID-19.+Endorsed+by+the+Society+of+Thoracic+Radiology,+the+American+College+of+Radiology,+and+RSNA.">Radiological Society of North America Expert Consensus Statement on Reporting Chest CT Findings Related to COVID-19. Endorsed by the Society of Thoracic Radiology, the American College of Radiology, and RSNA.</a> Radiology: Cardiothoracic Imaging. 2, 2 (2020).</li><li>Xie, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Chest+CT+for+Typical+2019-nCoV+Pneumonia:+Relationship+to+Negative+RT-PCR+Testing.">Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing.</a> Radiology. , 200343 (2020).</li><li>Huang, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Use+of+Chest+CT+in+Combination+with+Negative+RT-PCR+Assay+for+the+2019+Novel+Coronavirus+but+High+Clinical+Suspicion.">Use of Chest CT in Combination with Negative RT-PCR Assay for the 2019 Novel Coronavirus but High Clinical Suspicion.</a> Radiology. 295 (1), 22-23 (2020).</li><li>Fang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sensitivity+of+Chest+CT+for+COVID-19:+Comparison+to+RT-PCR.">Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR.</a> Radiology. , 200432 (2020).</li><li>Colombi, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Well-aerated+Lung+on+Admitting+Chest+CT+to+Predict+Adverse+Outcome+in+COVID-19+Pneumonia.">Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia.</a> Radiology. , 201433 (2020).</li><li>. 3D Slicer [software] Available from: <a target="_blank" href="https://www.slicer.org">https://www.slicer.org</a> (2020)</li><li>Kikinis, R., Pieper, S. D., Vosburgh, K., Jolesz, F. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=3D+Slicer:+a+platform+for+subject-specific+image+analysis,+visualization,+and+clinical+support.">3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support.</a> Intraoperative Imaging Image-Guided Therapy. 3 (19), 277-289 (2014).</li><li>Kapur, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Increasing+the+impact+of+medical+image+computing+using+community-based+open-access+hackathons:+The+NA-MIC+and+3D+Slicer+experience.">Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience.</a> Medical Image Analysis. 33, 176-180 (2016).</li><li>Fedorov, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=3D+Slicer+as+an+Image+Computing+Platform+for+the+Quantitative+Imaging+Network.">3D Slicer as an Image Computing Platform for the Quantitative Imaging Network.</a> Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).</li><li>. Chest Imaging Platform [software] Available from: <a target="_blank" href="https://chestimagingplatform.org">https://chestimagingplatform.org</a> (2020)</li><li>Wang, J., Li, F., Li, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+segmentation+of+lungs+with+severe+interstitial+lung+disease+in+CT.">Automated segmentation of lungs with severe interstitial lung disease in CT.</a> Medical Physics. 36 (10), 4592-4599 (2009).</li><li>Lanza, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+chest+CT+analysis+in+COVID-19+to+predict+the+need+for+oxygenation+support+and+intubation.">Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation.</a> European Radiology. , (2020).</li><li>Yao, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Value+of+window+technique+in+diagnosis+of+the+ground+glass+opacities+in+patients+with+non-small+cell+pulmonary+cancer.">Value of window technique in diagnosis of the ground glass opacities in patients with non-small cell pulmonary cancer.</a> Oncology Letters. 12 (5), 3933-3935 (2016).</li><li>Kauczor, H. U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+detection+and+quantification+of+ground-glass+opacities+on+high-resolution+CT+using+multiple+neural+networks:+comparison+with+a+density+mask.">Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask.</a> American Journal of Roentgenology. 175 (5), 1329-1334 (2000).</li><li>Funama, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detection+of+nodules+showing+ground-glass+opacity+in+the+lungs+at+low-dose+multidetector+computed+tomography:+phantom+and+clinical+study.">Detection of nodules showing ground-glass opacity in the lungs at low-dose multidetector computed tomography: phantom and clinical study.</a> Journal of Computed Assisted Tomography. 33 (1), 49-53 (2009).</li><li>Hansell, D. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fleischner+Society:+glossary+of+terms+for+thoracic+imaging.">Fleischner Society: glossary of terms for thoracic imaging.</a> Radiology. 246, 697-722 (2008).</li><li>Heye, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reproducibility+of+Dynamic+Part+II.+Comparison+of+Intra-+and+Interobserver+Variability+with+Manual+Region+of+Interest+Placement+versus+semiautomatic+lesion+segmentation+and+histogram+analysis.">Reproducibility of Dynamic Part II. Comparison of Intra- and Interobserver Variability with Manual Region of Interest Placement versus semiautomatic lesion segmentation and histogram analysis.</a> Radiology. 266, 812-821 (2013).</li><li>Zhang, H. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+detection+and+quantification+of+COVID-19+pneumonia:+CT+imaging+analysis+by+a+deep+learning-based+software.">Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software.</a> Nuclear Medicine and Molecular Imaging. 14, 1-8 (2020).</li><li>Alhazzani, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Surviving+Sepsis+Campaign:+guidelines+on+the+management+of+critically+ill+adults+with+Coronavirus+Disease+2019(COVID-19).">Surviving Sepsis Campaign: guidelines on the management of critically ill adults with Coronavirus Disease 2019(COVID-19).</a> Intensive Care Medicine. 46 (5), 854-887 (2020).</li></ol>

Segmentering udgør et grundlæggende skridt i forbindelse med udførelse af moderne kvantitative radiologiundersøgelser og er nødvendig for at anvende radiomik- eller teksturanalyseteknikker. Patologiske fund i lungerne repræsenterer en af de mest udfordrende at segmentere, for manglen på definerede anatomiske grænser og en lille forskel i dæmpningsværdi sammenlignet med de sunde områder.
Kildebillederne skal præsentere med et minimum af artefakter, hvis det er muligt, især på de p...

I indeværende år, verden står over for en sundheds-nødsituation, pandemi forårsaget af romanen Coronavirus, Sars-CoV2. Selv om, indtil den nuværende dato, mange aspekter vedrørende fysiopatologi af COVID-19 infektion er stadig uklart, det deler flere egenskaber med sine "forfædre" SARS1 og MERS. Især er det blevet bevist, at virion spike proteiner interagerer med Angiotensin Konvertering enzym Type-2, en receptor godt repræsenteret på alveolær endotelceller, men allestedsnærværende i den menneskelige organisme, og dermed har potentiale til at give systemiske symptomer1.
Til diagnosticering er den nuværende standard den omvendte transskription-polymerasekædereaktion (rt-PCR), en test udført på svælgsvaberprøver. Selv om radiologisk billeddannelse ikke er officielt anerkendt i den diagnostiske vej til påvisning af sygdommen, viste højopløsningstesttomografi (HRCT) sig at være et værdifuldt hjælpemiddel til den kliniske og epidemiologiske behandling af berørte patienter på grund af rt-PCR's relativt lave følsomhed, den nuværende knaphed på specialiserede laboratorier og de nødvendige reagenser og den høje operatørafhængighed.
Radiological Society of North America (RSNA) udgivet en konsensus erklæring, godkendt af selskabet thorax radiologi og American College of Radiology (ACR), der klassificerer CT udseende COVID19 i fire kategorier for at standardisere rapportering, dividere den interstitielle lungebetændelse mønstre i "typiske", "atypiske", "ubestemt", og "negativ"2.
Den "typiske" mønster er kendetegnet ved tilstedeværelsen af rundformede Ground Glass Opacities (GGO), normalt med en sub-pleural placering på dorsale basal segmenter. GGO kan være forbundet med "Crazy Bane" områder af fortykket septa, eller andre tegn på at organisere lungebetændelse. Det "ubestemte" mønster er karakteriseret ved fraværet af de "typiske" mønster fund, med diffuse GGO områder med en perihilar fordeling, med eller uden konsoliderede områder. Det "atypiske" mønster er karakteriseret ved enten fraværet af de "typiske" eller "ubestemte" tegn, og tilstedeværelsen af lobar konsolideringer, "træ i opløbet", glat fortykkelse af septa og pleural effusion; i denne præsentation kan der ikke påvises nogen GGO. Det "negative" mønster er karakteriseret ved fraværet af de førnævnte patologiske fund.
Ifølge litteraturen kan nogle patienter præsentere en høj klinisk mistænkt for COVID-19 understøttet af epidemiologiske kriterier og billeddannelse fund med negativ rt-PCR3,4. På den anden side er det blevet rapporteret, at patienter med en positiv rt-PCR og suggestive kliniske fund, ikke præsenterer patologiske resultater på HRCT5.
I dag er det af afgørende interesse for det videnskabelige samfund at anvende billedanalyseteknikker, når man kvantitativt undersøger sygdommens karakteristika. En nylig undersøgelse har anvendt automatiseret segmentering teknik lunge parenkym at identificere procentdelen af beædnet lunge hos patienter ramt af COVID-19, korrelere denne værdi med prognosen, og viser, at patienter med en mere alvorlig lunge involvering præsenteret større risiko for at blive optaget i intensivafdelingen (ICU), og har dårligere resultater6.
Segmenteringen er kontureringen af interesseområder (ROI'er) i en volumen, der er erhvervet ved hjælp af en billedteknik, f.eks. Denne aktivitet kan udføres gennem tre metoder: manuel, halvautomatisk og automatisk. Manuel segmentering består takket være en uddannet radiologs erfaring i mærkning af voxels, der tilhører det patologiske område. De største ulemper ved denne metode er den store mængde tid, der kræves, og det forhold, at den er operatørafhængig.
Halvautomatiske metoder gør det muligt at fremskynde segmenteringen, da operatøren kan ændre en segmenteringsmaske, der er opnået ved hjælp af de klassiske billedbehandlingsmetoder (f.eks. tærskel for pixelintensitet, klyngedannelse osv.). Disse teknikker er dog ikke lette at implementere i klinisk praksis, da de kræver omfattende manuel indgriben i de mest komplicerede tilfælde18.
Automatiske segmenteringsmetoder, der i øjeblikket er af begrænset anvendelse, anvender kunstig intelligens til at opnå ROI'er. En nylig undersøgelse har navnlig til formål at anvende automatisk segmentering i kvantificeringen af jorden glasområder hos patienter, der lider af COVID-19 interstitiel lungebetændelse19. Definitionen af en segmenteringsprotokol for de patologiske områder på HRCT-billederne er det virkelige første skridt mod den efterfølgende radiomikanalyse for at identificere funktioner, der kan bidrage til yderligere at forstå sygdommens fysiopatologi og tjene som en nøjagtig prognostisk faktor, der potentielt kan påvirke behandlingen.
Dette dokument indeholder en vejledning til at opnå nøjagtige og effektivesegmenter,der repræsenterer de patologiske fund af COVID-19 lungebetændelse ved hjælp af "3D Slicer"7,8,9,10.

<table border="0" cellpadding="0" cellspacing="0" style="width:592px;" width="592">
	<colgroup>
		<col />
		<col />
		<col />
		<col />
	</colgroup>
	<tbody>
		<tr height="63">
			<td height="63" style="height:63px;width:216px;">CT Scanner</td>
			<td style="width:91px;">General Electrics Healthcare</td>
			<td style="width:119px;">64-MDCT VCT lightSpeed</td>
			<td style="width:167px;">The CT scanner used for HRCT acquisitions</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">Desktop Computer</td>
			<td style="width:91px;">ThinkCentre</td>
			<td style="width:119px;"></td>
			<td>The computer used to download the DICOM files and run 3D Slicer</td>
		</tr>
	</tbody>
</table>

lung ct segmentation to identify consolidations and ground glass areas for quantitative assesment of sars-cov pneumonia

Segmentering er en kompleks opgave, som radiologer og forskere står over for, efterhånden som radiomik og maskinlæring vokser i potentiale. Processen kan enten være automatisk, halvautomatisk eller manuel, den første er ofte ikke tilstrækkelig præcis eller let reproducerbar, og den sidste er alt for tidskrævende, når der involveres store distrikter med høj opløsning erhvervelser.
En høj opløsning CT af brystet er sammensat af hundredvis af billeder, og det gør den manuelle tilgang alt for tidskrævende. Desuden kræver parenkymale ændringer, at der skal foretages en ekspertvurdering ud fra det normale udseende. Således er en halvautomatisk tilgang til segmenteringsprocessen, så godt vi ved, den mest velegnede, når de segmenterer lungebetændelser, især når deres funktioner stadig er ukendte.
For de undersøgelser, der udføres i vores institut om billeddannelse af COVID-19, vedtog vi 3D Slicer, et freeware software produceret af Harvard University, og kombineret tærsklen med pensel instrumenter til at opnå hurtig og præcis segmentering af beædte lunge, jorden glas opacities, og konsolideringer. Når denne metode står over for komplekse sager, kræver den stadig en betydelig mængde tid til korrekt manuelle justeringer, men giver et yderst effektivt middel til at definere segmenter, der skal anvendes til yderligere analyse, såsom beregning af procentdelen af de berørte lungeparenkym eller teksturanalyse af jordens glasområder.

Den foreslåede metode er blevet raffineret gennem forsøg og fejl, teste det på 117 patienter ramt af COVID-19 lungebetændelse med en positiv rt-PCR test.
Efter en kort indlæringskurve kan den tid, der er nødvendig for at opnå segmenterne, variere fra 5 til 15 minutter, afhængigt af præsentationsmønsteret.
Som vist i figur 1giver metoden præcise segmenter: Dette kan observeres ved at bemærke den nøjagtige korrespondance med HRCT. 3D-geng...

Watch this Scientific Journal Video about Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia at JoVE.com

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia

Formålet med denne protokol er at give en tidseffektiv måde at segmentere mængder af interesse på ct-scanninger med høj opløsning, der kan bruges til yderligere radiomikanalyse.

Lunge CT Segmentering at identificere konsolideringer og malet glas områder for kvantitative assesment af SARS-CoV lungebetændelse

Segmentation is a complex task, faced by radiologists and researchers as radiomics and machine learning grow in potentiality. The process can either be ...

Siden udbruddet af den nye coronavirus sygdom pandemi, en enkel og effektiv metode nyttigt at opnå en ordentlig segmentering af de typiske patologiske læsioner af denne infektion i brystet CT-scanning billeder synes grundlæggende. Således er vores mål at tilbyde en startpakke med viden for at lade folk udføre en nem og effektiv segmentering af disse lungepatologiske fund. Forhåbentlig vil dette hjælpe det videnskabelige samfund til at udvikle dedikerede radiomik og kunstig intelligens undersøgelser, der kan forbedre den diagnostiske tilgang af disse patienter.Fra DICOM-browseren i 3D-udsnit skal du fortsætte med at vælge den undersøgelse, du vil segmentere, og klikke på Indlæs. Du kan gennemse den valgte sag i fremvisersektionen. Som du kan se, denne patient præsenterer med jorden glas uigennemsigtigheder bilateralt og konsoliderende områder ens, hvilket er et typisk tilfælde af COVID-19.Gå derefter til afsnittet Segment, og tilføj tre segmenter, et for det samlede lungevolumen, et for opaciteterne for malet glas og et for de konsoliderede områder. Gå til Threshold instrumentet, og sæt den øvre grænse til minus 250 Hounsfield enhed. Sorter for kun at vælge luft og udelade blødt væv, knogler og konsoliderede områder, som systemet ikke kan skelne automatisk fra det bløde væv, og klik derefter for at anvende.Derefter, du ønsker at fjerne luften uden for patienten, og at gøre det, skal du bruge Island værktøj og gå til Hold kun udvalgte Island. Klik derefter inde i patienten. Du kan se, at luften udenfor er blevet fjernet.Nu vil du føje de konsoliderede områder til den samlede lungevolumen. For at gøre dette skal du bruge Paint-instrumentet med sphere-penselindstillingen, justere størrelsen til dine behov og være omhyggelig med at undgå blødt væv. Med Sphere-børsten maler du op og ned i forhold til det skær, du arbejder på, hvilket fremskynder processen.Nu vil du segmentere de konsoliderede områder. For at gøre dette, skal du sørge for at arbejde inde i den samlede lunge volumen uden en række andre segmenter. Ved hjælp af tærskelinstrumentet skal du hæve den øvre tærskel for at sikre, at det inkluderer blødt væv og konsolideringer, og angiv den nedre tærskel til minus 250.Bemærk, at du vælger både blødt væv, beholdere og konsolidering, men når du klikker på Anvend, er der kun valgt konsoliderede områder. Nu, for at segmentere jorden glas områder, du vælger jorden glas segment. Holde indstillingerne fra den tidligere segmentering, skal du indstille tærsklen fra minus 750 op til minus 250 Hounsfield enhed.Bemærk, at denne værdi kan variere afhængigt af CT-scanningsindstillingerne. Altid justere i henhold til Fleischner Society definition af malet glas. Vælg en opacitet med det synlige fartøj i syne.Klik derefter på Anvend. Du vil bemærke, at der også er valgt mellemliggende mellemrum. Hvis du vil justere, skal du gå til Smooth instrumentet.Vælg den plads, der passer bedre til konstruktionsalgoritmen for din CT-scanning. Og som du kan se, er de interstitielle rum blevet fjernet. Du kan kontrollere resultaterne af din segmentering, der går til Segmenteditor, og du kan få vist en 3D-model af de segmenter, du har defineret.Du kan bruge skyderen i venstre side til at justere modellens gennemsigtighed. 3D-visning kan bruges til at bekræfte den korrekte segmenteringsproces. Vi har nu tre forskellige segmenter, en for den samlede lungevolumen, og de to andre for de typiske resultater af COVID-19 konsolideringer og jorden glas områder.Du kan udtrække nogle statistikker fra det segment, du har defineret på grund af modulet Segmentstatistik. Fjern indstillingen Skalarvolumen, og så har du en tabel, der udtrykker volumen af den samlede lunge og de konsoliderende områder og jorden glas områder. Du kan bruge dette til at beregne sværhedsgraden af sygdommen.Du kan også eksportere det segment, du har defineret. Du kan gå til sektionen Data. Gør derefter kun det segment, du vil eksportere, synligt, ved at klikke på øjeikonet.Højreklik og eksportér derefter kun binær etiketstruktur synlig. Du kan bevare etiketkortet, som du foretrækker. Du er nødt til at gentage processen for hvert segment, du har defineret.På den måde har du nu tre labelmaps, der svarer til det segment, du har defineret. Dette kan eksporteres i den filtype, du foretrækker eller passer bedst til yderligere analyse. Desuden. Med disse metoder, forskere kan hurtigt opnå en nøjagtig segmentering for patologiske fund af COVID-19, for hvilke specifikke funktioner kan udvindes.Der kan udvikles nøjagtige, fuldautomatiske segmenteringsmetoder, der giver det videnskabelige samfund en sådan viden, og der kan bestemmes præcise prognosefaktorer.

Research

Education

JoVE Core

JoVE Journal

Medical-Surgical Nursing

Medicine

Unit 1

Diagnostic Studies of Respiratory System

SCIENTISTS IN ACTION

Osteopathic Manipulative Treatment as a Useful Adjunctive Tool for Pneumonia

Osteopatisk Manipulerende Behandling som et nyttigt Adjuverende værktøj til lungebetændelse

Pneumonia, the inflammatory state of lung tissue primarily due to microbial infection, claimed 52,306 lives in the United States in 20071 and resulted in ...

Implantation of Fibrin Gel on Mouse Lung to Study Lung-specific Angiogenesis

Implantation af fibringel om Mouse Lung til Uddannelse Lunge-specifik Angiogenesis

Recent significant advances in stem cell research and bioengineering techniques have made great progress in utilizing biomaterials to regenerate and ...

Evaluation of Lung Metastasis in Mouse Mammary Tumor Models by Quantitative Real-time PCR

Evaluering af lungemetastase i musebrysttumor modeller af kvantitativ real-time PCR

Metastatic disease is the spread of malignant tumor cells from the primary cancer site to a distant organ and is the primary cause of cancer associated ...

Apical Resection Mouse Model to Study Early Mammalian Heart Regeneration

Apical Resektion musemodel til at studere Tidlig pattedyr Heart Regeneration

Cardiovascular disease plagues the whole world due to intensive lifestyle changes. Heart regeneration holds great promise for repairing and restoring ...

Proximal Cadaveric Femur Preparation for Fracture Strength Testing and Quantitative CT-based Finite Element Analysis

Proksimal afdød Lårben Forberedelse til brudstyrken Test og Quantitative CT-baserede Finite Element Analysis

Cadaveric fracture testing is routinely used to understand factors that affect proximal femur strength.  Because ex vivo biological tissues are prone to ...

Induction and Micro-CT Imaging of Cerebral Cavernous Malformations in Mouse Model

Induktion og Micro-CT billeddannelse af Cerebral bundløs misdannelser i musen Model

Mutations in the CCM1 (aka KRIT1), CCM2, or CCM3 (aka PDCD10) gene cause cerebral cavernous malformation (CCM) in humans. Mouse models of CCM disease have ...

Quantitative Micro-CT Analysis of Aortopathy in a Mouse Model of &#946;-aminopropionitrile-induced Aortic Aneurysm and Dissection

Kvantitative mikro-CT-analyse af Aortopathy i en musemodel af β-aminopropionitrile-induceret aorta aneurisme og dissektion

Aortic aneurysm and dissection is associated with significant morbidity and mortality in the population and can be highly lethal. While animal models of ...

Murine Oropharyngeal Aspiration Model of Ventilator-associated and Hospital-acquired Bacterial Pneumonia

Murine oropharyngeale Aspiration Model af respirator-associeret og hospitalserhvervede bakteriel lungebetændelse

Murine infection models are critical for understanding disease pathogenesis and testing the efficacy of novel therapeutics designed to combat causative ...

Quantitative Analysis of Cellular Composition in Advanced Atherosclerotic Lesions of Smooth Muscle Cell Lineage-Tracing Mice

Kvantitativ analyse af cellulære sammensætning i avancerede aterosklerotiske læsioner af glat muskel celle afstamning sporingen mus

Atherosclerosis remains the leading cause of death worldwide and, despite countless preclinical studies describing promising therapeutic targets, novel ...

Customizing a Cryolite Glass Prosthetic Eye

Tilpasning af et kryolit glas proteser

In Germany, Austria, and Switzerland, over 90% of ocularists still manufacture customized prostheses using cryolite glass from Thuringia. The present ...