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

Ces travaux ont été soutenus par le financement du Département de radiologie de l’Université de Bologne.

Ce protocole suit les lignes directrices du comité institutionnel d’éthique de la recherche humaine.
1. Télécharger les images du DICOM
<ol><li>Téléchargez les images DICOM et transférez-les dans le poste de travail dédié à la segmentation, avec le logiciel 3D installé. Si vous prévoyez de travailler sur un ordinateur personnel, anonymisez les données DICOM.</li>
</ol>2. Importation de l’étude HRCT sur le logiciel Slicer 3D</st...

<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>

La segmentation représente une étape fondamentale pour effectuer des études quantitatives modernes de radiologie, et est nécessaire pour appliquer des techniques de radiomics ou d’analyse de texture. Les résultats pathologiques dans les poumons représentent l’un des plus difficiles à segmenter, car l’absence de frontières anatomiques définies et une petite différence de valeur d’atténuation par rapport aux zones saines.
Les images sources doivent présenter un minimum d’ar...

Au cours de l’année en cours, le monde est confronté à une urgence sanitaire, la pandémie causée par le nouveau coronavirus, le Sars-CoV2. Même si, jusqu’à aujourd’hui, de nombreux aspects concernant la physiopathologie de l’infection à COVID-19 ne sont toujours pas clairs, il partage plusieurs caractéristiques avec ses « ancêtres » le SRAS1 et le MERS. En particulier, il a été prouvé que les protéines de pointe virion interagissent avec l’angiotensine convertissant enzyme type-2, un récepteur bien représenté sur les cellules endothéliales alvéolaires, mais omniprésent dans l’organisme humain, ayant ainsi la potentialité de donner des symptômes systémiques1.
Pour le diagnostic, la norme actuelle est la réaction en chaîne inverse de transcriptase-polyméseau en temps réel (rt-PCR), un essai exécuté sur des écouvillons pharyngéal. Bien que l’imagerie radiologique ne soit pas officiellement reconnue dans la voie diagnostique pour la détection de la maladie, la tomographie calculée à haute résolution (HRCT) s’est avérée être une aide précieuse à la gestion clinique et épidémiologique des patients affectés, en raison de la sensibilité relativement faible du rt-PCR, de la rareté actuelle des laboratoires spécialisés et des reagents nécessaires, et de la forte dépendance de l’opérateur.
La Radiological Society of North America (RSNA) a publié une déclaration consensuelle, approuvée par la société de radiologie thoracique et l’American College of Radiology (ACR), qui classe l’apparition du CT de COVID19 en quatre catégories afin de normaliser le rapport, en divisant les schémas interstitiels de pneumonie en « typiques », « atypiques », « indéterminés » et « négatifs »2.
Le modèle « typique » se caractérise par la présence d’opacities de verre moulu (GGO) en forme ronde, généralement avec un emplacement sub pleural sur les segments basaux dorsal. Le GGO peut être associé à des zones de « pavage fou » de septa épaissie, ou à d’autres signes d’organisation de la pneumonie. Le modèle « indéterminé » est caractérisé par l’absence des résultats « typiques » de modèle, avec les secteurs diffus de GGO avec une distribution périhilar, avec ou sans secteurs consolidants. Le modèle « atypique » se caractérise soit par l’absence des signes « typiques » ou « indéterminés », soit par la présence de consolidations de lobar, d'« arbre en bourgeon », d’épaississement lisse de la septa et de l’effusion pleurale; dans cette présentation, aucun GGO n’est détectable. Le modèle « négatif » est caractérisé par l’absence des résultats pathologiques susmentionnés.
Selon la littérature, quelques patients peuvent présenter avec un suspect clinique élevé de COVID-19 soutenu par des critères épidémiologiques et la conclusion de formation image avec rt-PCRnégatif 3,4. D’autre part, il a été rapporté que les patients présentant un rt-PCR positif et des résultats cliniques suggestifs, ne présentent pas de résultats pathologiques sur HRCT5.
Aujourd’hui, il est d’un intérêt primordial pour la communauté scientifique d’appliquer des techniques d’analyse d’image lors de l’étude quantitative des caractéristiques de cette maladie. Une étude récente a appliqué la technique automatisée de segmentation du parenchyme de poumon pour identifier le pourcentage de poumon aéré dans les patients affectés par COVID-19, corrélant cette valeur avec le pronostic, et démontrant que les patients présentant une participation pulmonaire plus grave ont présenté plus de risque d’être admis dans l’unité de soins intensifs (ICU), et ayant de pires résultats6.
La segmentation est le contournement des régions d’intérêt (IDH) à l’intérieur d’un volume acquis au moyen d’une technique d’imagerie, comme le TDHC. Cette activité peut être effectuée par trois méthodes : manuelle, semi-automatique et automatique. La segmentation manuelle, grâce à l’expérience d’un radiologue qualifié, consiste à étiqueter les voxels appartenant à la zone pathologique. Les principaux inconvénients de cette méthode sont la grande quantité de temps nécessaire et le fait qu’elle dépend de l’opérateur.
Les méthodes semi-automatiques permettent d’accélérer la segmentation car l’opérateur peut modifier un masque de segmentation obtenu grâce aux méthodes classiques de traitement d’image (p. ex., seuil sur l’intensité des pixels, regroupement, etc.). Cependant, ces techniques ne sont pas faciles à mettre en œuvre dans la pratique clinique car elles nécessitent une intervention manuelle étendue dans les cas les pluscompliqués 18.
Les méthodes de segmentation automatique, actuellement d’une utilisation limitée, utilisent l’intelligence artificielle pour obtenir des IA. En particulier, une étude récente vise à utiliser la segmentation automatique dans la quantification des zones de verre moulu chez les patients souffrant de pneumonie interstitielle COVID-1919. La définition d’un protocole de segmentation pour les zones pathologiques sur les images HRCT est la véritable première étape vers l’analyse radiomique ultérieure, afin d’identifier les caractéristiques qui pourraient aider à mieux comprendre la physiopathologie de la maladie, et servir de facteur pronostique précis potentiellement influencer le traitement.
Cet article offre un guide pour obtenir des segments précis et efficaces représentant les résultats pathologiques de la pneumonie COVID-19 à l’aide de « Trancheur 3D »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

La segmentation est une tâche complexe, à laquelle sont confrontés les radiologistes et les chercheurs à mesure que la radiomics et l’apprentissage automatique augmentent en potentialité. Le processus peut être automatique, semi-automatique ou manuel, le premier n’étant souvent pas suffisamment précis ou facilement reproductible, et le dernier étant excessivement long lorsqu’il s’agit de grands districts avec des acquisitions à haute résolution.
Un CT haute résolution de la poitrine est composé de centaines d’images, ce qui rend l’approche manuelle excessivement longue. En outre, les modifications parenchymales exigent une évaluation experte pour être discernée de l’aspect normal ; ainsi, une approche semi-automatique du processus de segmentation est, à notre connaissance, la plus appropriée lors de la segmentation des pneumonies, surtout lorsque leurs caractéristiques sont encore inconnues.
Pour les études menées dans notre institut sur l’imagerie de COVID-19, nous avons adopté 3D Slicer, un logiciel freeware produit par l’Université Harvard, et combiné le seuil avec les instruments de pinceau pour atteindre une segmentation rapide et précise du poumon aéré, des opacities en verre moulu et des consolidations. Face à des cas complexes, cette méthode nécessite encore beaucoup de temps pour des ajustements manuels appropriés, mais fournit un moyen extrêmement efficace de définir les segments à utiliser pour une analyse plus approfondie, comme le calcul du pourcentage du parenchyme pulmonaire affecté ou l’analyse de la texture des zones de verre moulu.

La méthode proposée a été affinée par des essais et des erreurs, la testant sur 117 patients affectés par la pneumonie COVID-19 avec un test rt-PCR positif.
Après une courte courbe d’apprentissage, le temps nécessaire pour obtenir les segments peut varier de 5 à 15 minutes, selon le modèle de présentation.
Comme le montre la figure 1,la méthode donne des segments précis : on peut l’observer en repérageant la correspondance exacte a...

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

L’objectif de ce protocole est de fournir un moyen efficace dans le temps de segmenter les volumes d’intérêt sur les tomodensitogrammes haute résolution à utiliser pour une analyse radiomique plus poussée.

Segmentation de la Tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie SRAS-CoV

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

Depuis l’éclosion de la nouvelle pandémie de maladie coronavirus, une méthode simple et efficace utile pour obtenir une segmentation appropriée des lésions pathologiques typiques de cette infection dans les images de balayage de CT de coffre semble fondamentale. Ainsi, notre objectif est d’offrir un pack de démarrage de connaissances afin de permettre aux gens d’effectuer une segmentation facile et efficace de ces résultats pathologiques pulmonaires. Espérons que cela aidera la communauté scientifique à développer des études de radiomics et d’intelligence artificielle dédiées qui pourraient améliorer l’approche diagnostique de ces patients.À partir du navigateur DICOM de 3D Slicer, sélectionnez l’étude que vous souhaitez segmenter et cliquez sur Charge. Vous pouvez consulter le cas sélectionné dans la section spectateur. Comme vous pouvez le voir, ce patient se présente avec des opacities de verre moulu bilatéralement et les zones consolidatives, qui est un cas typique de COVID-19.Ensuite, allez à la section Segment, et ajoutez trois segments, un pour le volume total des poumons, un pour les opacities de verre moulu, et un pour les zones de consolidation. Allez à l’instrument Threshold et fixez le seuil supérieur à moins 250 unités Hounsfield. Trier pour sélectionner uniquement l’air et en laissant de côté les tissus mous, les os et les zones de consolidation de même, que le système ne peut pas discerner automatiquement à partir des tissus mous, puis cliquez pour appliquer.Ensuite, vous voulez enlever l’air à l’extérieur du patient, et pour ce faire, utiliser l’outil île et aller à Garder seulement l’île sélectionnée. Puis cliquez à l’intérieur du patient. Vous voyez que l’air extérieur a été enlevé.Maintenant, vous voulez ajouter les zones consolidatives au volume total des poumons. Pour ce faire, utilisez l’instrument Paint avec le réglage de la brosse Sphere, en ajustant la taille à vos besoins et en prenant soin d’éviter les tissus mous. Avec le pinceau Sphere, vous peignez de haut en bas par rapport à la tranche sur laquelle vous travaillez, ce qui accélère le processus.Maintenant, vous voulez segmenter les zones de consolidation. Pour ce faire, assurez-vous de travailler à l’intérieur du volume total des poumons sans une variété d’autres segments. À l’aide de l’instrument Threshold, augmentez le seuil supérieur pour vous assurer d’inclure les tissus mous et les consolidations, et fixez le seuil inférieur à moins 250.Notez que vous sélectionnez à la fois les tissus mous, les vaisseaux et la consolidation, mais lorsque vous cliquez sur Appliquer, seules les zones de consolidation ont été sélectionnées. Maintenant, pour segmenter les zones de verre moulu, vous sélectionnez le segment de verre moulu. En conservant les paramètres de la segmentation précédente, fixez le seuil de moins 750 à moins 250 unité Hounsfield.Notez que ces valeurs peuvent varier en fonction des paramètres de tomodensitométrie. Toujours ajuster selon la définition fleischner société de verre moulu. Choisissez une opacité avec ce vaisseau visible en vue.Ensuite, cliquez sur Appliquer. Vous remarquerez que des espaces interstitiels ont également été sélectionnés. Pour vous ajuster, rendez-vous à l’instrument Smooth.Sélectionnez le siège qui convient le mieux à l’algorithme de construction de votre tomodensitométrie. Et comme vous pouvez le voir, les espaces interstitiels ont été supprimés. Vous pouvez vérifier les résultats de votre segmentation allant à Segment Editor, et vous pouvez afficher un modèle 3D des segments que vous avez définis.Vous pouvez utiliser le curseur sur le côté gauche pour ajuster la transparence du modèle. La vue 3D peut être utilisée pour confirmer le processus de segmentation correct. Nous avons maintenant trois segments distincts, l’un pour le volume total des poumons, et les deux autres pour les résultats typiques des consolidations COVID-19 et des zones de verre moulu.Vous pouvez extraire quelques statistiques du segment que vous avez défini en raison du module SegmentStatistics. Retirez l’option Scalar Volume, puis vous avez une table exprimant le volume du poumon total et les zones de consolidation et les zones de verre moulu. Vous pouvez l’utiliser pour calculer la gravité de la maladie.Vous pouvez également exporter le segment que vous avez défini. Vous pouvez vous rendre à la section Données. Ensuite, ne rendre visible que le segment que vous souhaitez exporter, en cliquant sur l’icône de l’œil.Ensuite, cliquez à droite et exportez labelmap binaire seulement visible. Vous pouvez rester le labelmap comme vous le préférez. Vous devez répéter le processus pour chaque segment que vous avez défini.Ce faisant, vous avez maintenant trois cartes d’étiquettes correspondant au segment que vous avez défini. Cela peut être exporté dans n’importe quel type de fichier que vous préférez ou convient le mieux pour une analyse plus approfondie. Plus. Avec ces méthodes, les chercheurs peuvent rapidement obtenir une segmentation précise pour les résultats pathologiques de COVID-19 pour lesquels des caractéristiques spécifiques peuvent être extraites.En fournissant ces connaissances à la communauté scientifique, des méthodes de segmentation précises et entièrement automatisées peuvent être développées et des facteurs pronostiques précis peuvent être déterminés.

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

Traitement ostéopathique comme outil d&#39;appoint utile pour la pneumonie

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 ...

Recherche

Médecine

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

Implantation de fibrine Gel sur la souris Lung pour étudier l&#39;angiogenèse pulmonaire spécifique

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

Évaluation des métastases pulmonaires chez la souris tumeur mammaire modèles par PCR quantitative en temps réel

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

Modèle apicale résection souris pour étude au début de régénération de coeur de mammifère

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

Proximal Cadaveric Fémur Préparation de l&#39;analyse des éléments finis à base de CT Fracture Force Test et quantitative

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

Induction et Micro-CT Imaging of Cerebral Cavernous Malformations dans le modèle murin

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

Analyse quantitative de Micro-CT de Aortopathy dans un modèle murin d’anévrisme de l’aorte induite par la β-aminopropionitrile et Dissection

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

Modèle murin Aspiration oropharyngée de pneumonie bactérienne associée à et nosocomiales

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

Analyse quantitative de la Composition cellulaire dans les lésions athérosclérotiques avancées de Muscle lisse Cell Lineage-Tracing souris

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

Customizing a Cryolite Glass Prosthetic Eye

Personnalisation d'un œil prothétique en verre cryolite

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