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

Este trabalho foi apoiado por financiamento do Departamento de Radiologia da Universidade de Bolonha.

Este protocolo segue as diretrizes do comitê institucional de ética em pesquisa humana.
1. Baixar as imagens do DICOM
<ol><li>Baixe as imagens DICOM e transfira-as na estação de trabalho dedicada à segmentação, com o software 3D instalado. Se planeja trabalhar em um computador pessoal, anonimize os dados do DICOM.</li>
</ol>2. Importar o estudo HRCT sobre o software 3D Slicer
<ol><li>Na tela de abertura do software (correspon...

<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>

A segmentação representa um passo fundamental para a realização de estudos modernos de radiologia quantitativa, e é necessário aplicar técnicas de radiomics ou análise de textura. Os achados patológicos nos pulmões representam um dos mais desafiadores para o segmento, pela falta de fronteiras anatômicas definidas e uma pequena diferença no valor da atenuação quando comparadas às áreas saudáveis.
As imagens de origem devem apresentar um mínimo de artefatos, se possível, espec...

No ano atual, o mundo enfrenta uma emergência de saúde, a pandemia causada pelo novo Coronavirus, Sars-CoV2. Mesmo que, até hoje, muitos aspectos relativos à fisiopatologia da infecção pelo COVID-19 ainda não estejam claros, compartilha várias características com seus "ancestrais" SARS1 e MERS. Em particular, foi comprovado que as proteínas de pico de virion interagem com a Enzima Conversante de Angiotensina Tipo-2, um receptor bem representado nas células endoteliais alveolares, mas onipresente no organismo humano, tendo assim a potencialidade de dar sintomas sistêmicos1.
Para o diagnóstico, o padrão atual é a reação em cadeia transcriptase-polimerase reversa em tempo real (rt-PCR), um teste realizado em cotonetes faringeais. Embora a imagem radiológica não seja oficialmente reconhecida no caminho diagnóstico para a detecção da doença, a tomografia computadorizada de alta resolução (HRCT) mostrou-se um valioso auxílio ao manejo clínico e epidemiológico dos pacientes afetados, devido à sensibilidade relativamente baixa do rt-PCR, à atual escassez de laboratórios especializados e aos reagentes necessários, e à alta dependência do operador.
A Sociedade Radiológica da América do Norte (RSNA) divulgou uma declaração de consenso, endossada pela sociedade de Radiologia Torácica e pelo American College of Radiology (ACR), que classifica a aparência ct do COVID19 em quatro categorias, a fim de padronizar o relatório, dividindo os padrões intersticiais de pneumonia em "típicos", "atípicos", "indeterminados" e "negativos"2.
O padrão "típico" é caracterizado pela presença de Opacções de Vidro Moído em forma redonda (GGO), geralmente com uma localização sub-pleural nos segmentos basais dorsais. A GGO pode ser associada a áreas de "Pavimentação Louca" de septa espessa, ou outros sinais de organização de pneumonia. O padrão "indeterminado" caracteriza-se pela ausência dos achados de padrão "típicos", com áreas difusas de GGO com distribuição perihilar, com ou sem áreas consolidativas. O padrão "atípico" é caracterizado pela ausência dos sinais "típicos" ou "indeterminados", e pela presença de consolidações de lobar, "árvore no broto", espessamento suave do septo e derrame pleural; nesta apresentação nenhum GGO é detectável. O padrão "negativo" caracteriza-se pela ausência dos achados patológicos acima mencionados.
De acordo com a literatura, alguns pacientes podem apresentar alto suspeita clínico de COVID-19 amparado por critérios epidemiológicos e achados de imagem com rt-PCR negativo3,4. Por outro lado, tem sido relatado que pacientes com rt-PCR positivo e achados clínicos sugestivos, não apresentam achados patológicos no HRCT5.
Hoje em dia, é de fundamental interesse da comunidade científica aplicar técnicas de análise de imagem ao estudar quantitativamente as características dessa doença. Estudo recente aplicou técnica de segmentação automatizada do parenchyma pulmonar para identificar o percentual de pulmão aerado em pacientes acometidos pelo COVID-19, correlacionando esse valor com o prognóstico, e demonstrando que pacientes com envolvimento pulmonar mais grave apresentavam maior risco de serem internados na Unidade de Terapia Intensiva (UTI), e com piores desfechos6.
A segmentação é o contorno de regiões de interesse (ROIs) dentro de um volume adquirido através de uma técnica de imagem, como o HRCT. Esta atividade pode ser realizada através de três métodos: manual, semiautomático e automático. A segmentação manual, graças à experiência de um radiologista treinado, consiste em rotular voxels pertencentes à área patológica. As principais desvantagens deste método são a grande quantidade de tempo necessário e o fato de ser dependente do operador.
Métodos semiautomâneos permitem acelerar a segmentação, pois o operador pode modificar uma máscara de segmentação obtida através dos métodos clássicos de processamento de imagem (por exemplo, limiar na intensidade do pixel, clustering, etc.). No entanto, essas técnicas não são fáceis de implementar na prática clínica, pois requerem ampla intervenção manual nos casos mais complicados18.
Os métodos automáticos de segmentação, atualmente de uso limitado, empregam inteligência artificial para obter ROIs. Em particular, um estudo recente visa utilizar a segmentação automática na quantificação de áreas de vidro moído em pacientes que sofrem de pneumonia intersticia19 COVID-19. A definição de um protocolo de segmentação para as áreas patológicas nas imagens do HRCT é o verdadeiro primeiro passo para a análise radiomática subsequente, a fim de identificar características que possam ajudar a entender melhor a fisiopatologia da doença, e servir como um fator prognóstico preciso potencialmente influenciando o tratamento.
Este artigo oferece um guia para obter segmentos precisos e eficientes representando os achados patológicos da pneumonia COVID-19 utilizando "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

A segmentação é uma tarefa complexa, enfrentada por radiologistas e pesquisadores à medida que a radiomicidade e o aprendizado de máquina crescem em potencialidade. O processo pode ser automático, semiautomático ou manual, o primeiro muitas vezes não sendo suficientemente preciso ou facilmente reproduzível, sendo o último excessivamente demorado quando envolve grandes distritos com aquisições de alta resolução.
Uma tomografia de alta resolução do baú é composta de centenas de imagens, e isso torna a abordagem manual excessivamente demorada. Além disso, as alterações parenchímicas requerem uma avaliação pericial a ser discernida a partir do aparecimento normal; assim, uma abordagem semiautomática para o processo de segmentação é, pelo que sabemos, a mais adequada ao segmentar pneumonias, especialmente quando suas características ainda são desconhecidas.
Para os estudos realizados em nosso instituto sobre a imagem do COVID-19, adotamos o 3D Slicer, um software de freeware produzido pela Universidade de Harvard, e combinamos o limiar com os instrumentos de pincel para alcançar a segmentação rápida e precisa de opacities aeradas, opacities de vidro moído e consolidações. Diante de casos complexos, este método ainda requer um tempo considerável para ajustes manuais adequados, mas fornece uma média extremamente eficiente para definir segmentos a serem utilizados para análise suplementar, como o cálculo do percentual do parenchyma pulmonar afetado ou análise de textura das áreas de vidro moído.

O método proposto foi refinado através de tentativas e erros, testando-o em 117 pacientes afetados por pneumonia COVID-19 com um teste de rt-PCR positivo.
Após uma pequena curva de aprendizado, o tempo necessário para obter os segmentos pode variar de 5 a 15 minutos, dependendo do padrão de apresentação.
Como mostrado na Figura 1,o método produz segmentos precisos: isso pode ser observado notando a correspondência exata com o HRCT. A render...

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

O objetivo deste protocolo é fornecer uma maneira eficiente de segmentar volumes de interesse em tomografias computadorizadas de alta resolução para uso para análises mais radiomicas.

Segmentação da tomografia pulmonar para identificar consolidações e áreas de vidro moído para assesment quantitativo de pneumonia SARS-CoV

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

Desde o surto da nova pandemia da doença coronavírus, um método simples e eficaz útil para obter uma segmentação adequada das lesões patológicas típicas desta infecção em imagens de tomografia torácica parece fundamental. Assim, nosso objetivo é oferecer um pacote inicial de conhecimentos, a fim de permitir que as pessoas realizem uma segmentação fácil e eficiente desses achados patológicos pulmonares. Espero que isso ajude a comunidade científica a desenvolver radiomics dedicados e estudos de inteligência artificial que possam melhorar a abordagem diagnóstica desses pacientes.A partir do navegador DICOM do 3D Slicer, prossiga para selecionar o estudo que deseja segmentar e clique em Carregar. Você pode revisar o caso selecionado na seção visualizador. Como você pode ver, este paciente apresenta com opacities de vidro moído bilateralmente e áreas consolidativas, o que é um caso típico de COVID-19.Em seguida, vá para a seção Segmento, e adicione três segmentos, um para o volume pulmonar total, um para as opacities de vidro moído e outro para as áreas consolidativas. Vá para o instrumento Limiar e defina o limiar superior para menos 250 unidade Hounsfield. Classificar para selecionar apenas o ar e deixar de fora tecidos moles, ossos e áreas consolidativas, que o sistema não pode discernir automaticamente a partir dos tecidos moles, em seguida, clique para aplicar.Em seguida, você deseja remover o ar fora do paciente, e para fazê-lo, use a ferramenta Ilha e vá para Manter apenas a Ilha Selecionada. Em seguida, clique dentro do paciente. Você vê que o ar lá fora foi removido.Agora, você quer adicionar as áreas consolidativas ao volume total do pulmão. Para isso, use o instrumento Paint com a configuração da escova Sphere, ajustando o tamanho às suas necessidades e tomando cuidado para evitar tecido mole. Com o pincel Sphere, você pinta para cima e para baixo em relação à fatia em que está trabalhando, o que acelera o processo.Agora, você quer segmentar as áreas consolidativas. Para isso, certifique-se de estar trabalhando dentro do volume pulmonar total sem uma variedade de outros segmentos. Usando o instrumento Limiar, levante o limiar superior para ter certeza de incluir tecidos moles e consolidações, e defina o limiar inferior para menos 250.Observe que você está selecionando ambos os tecidos moles, vasos e consolidação, mas quando você clica em Aplicar, apenas áreas consolidativas foram selecionadas. Agora, para segmentar as áreas de vidro moído, você seleciona o segmento de vidro moído. Mantendo as configurações da segmentação anterior, defina o limiar de menos 750 até menos 250 unidade Hounsfield.Observe que esse valor pode variar de acordo com as configurações da tomografia computadorizada. Ajuste sempre de acordo com a definição da Sociedade Fleischner de vidro moído. Escolha uma opacidade com aquele vaso visível à vista.Em seguida, clique em Aplicar. Você notará que também foram selecionados espaços intersticiais. Para ajustar, vá para o instrumento Smooth.Selecione qual assento se encaixa melhor no algoritmo de construção da sua tomografia computadorizada. E como você pode ver, os espaços intersticiais foram removidos. Você pode verificar os resultados de sua segmentação indo para o Editor de Segmentos, e você pode visualizar um modelo 3D dos segmentos que você definiu.Você pode usar o controle deslizante no lado esquerdo para ajustar a transparência do modelo. O 3D View pode ser usado para confirmar o processo de segmentação correto. Temos agora três segmentos distintos, um para o volume pulmonar total, e os outros dois para os achados típicos de consolidações COVID-19 e áreas de vidro moído.Você pode extrair algumas estatísticas do segmento que definiu devido ao módulo SegmentStatistics. Remova a opção Volume escalar e, em seguida, você tem uma tabela expressando o volume do pulmão total e as áreas consolidativas e as áreas de vidro moído. Você pode usar isso para calcular a gravidade da doença.Você também pode exportar o segmento que definiu. Você pode ir para a seção Data. Em seguida, torne visível apenas o segmento que deseja exportar, clicando no ícone dos olhos.Em seguida, clique com o botão direito do mouse e exportar o fluxo de rotulagem binária apenas visível. Você pode permanecer no labelmap como preferir. Você tem que repetir o processo para cada segmento que você definiu.Ao fazer isso, agora você tem três labelmaps correspondentes ao segmento que definiu. Isso pode ser exportado em qualquer tipo de arquivo que você preferir ou se adapte melhor para análises posteriores. Além disso. Com esses métodos, os pesquisadores podem obter rapidamente uma segmentação precisa para achados patológicos do COVID-19 para os quais características específicas podem ser extraídas.Fornecendo esse conhecimento à comunidade científica, métodos de segmentação precisos e totalmente automatizados podem ser desenvolvidos e fatores prognósticos precisos podem ser determinados.

Research

JoVE Journal

Medicine

Osteopathic Manipulative Treatment as a Useful Adjunctive Tool for Pneumonia

Osteopático manipulativo tratamento como ferramenta adjuvante útil para Pneumonia

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 ...

Medicina

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

Implantação de fibrina Gel no tapete do pulmão para o Estudo de angiogênese Lung-specific

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

Avaliação de metástases pulmonares em Rato mamárias tumorais Models por Quantitative PCR em tempo real

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

A ressecção apical mouse modelo para estudar precoce Regeneração Mammalian Coração

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 Femur Preparação para Análise de Elementos Finitos baseado no CT Fracture Força Testes e Quantitativa

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

Indução e Micro-CT Imaging de malformações cavernosas cerebrais no modelo de Mouse

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

Análise quantitativa de Micro-CT de Aortopathy em um modelo do rato de β-aminopropionitrile-induzida de aneurisma da aorta e dissecação

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

Modelo murino aspiração orofaríngea da Pneumonia bacteriana associada e hospitalares

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

Generation of Human 3D Lung Tissue Cultures (3D-LTCs) for Disease Modeling

Generation of Human 3D Lung Tissue Cultures 3D-LTCs for Disease Modeling

Geração de culturas de tecido de pulmão humano de 3D (3D-CTIs) para modelagem de doença

Translation of novel discoveries to human disease is limited by the availability of human tissue-based models of disease. Precision-cut lung slices (PCLS) ...

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

Análise quantitativa da composição celular em lesões ateroscleróticas avançadas de ratos de rastreamento de linhagem celular músculo liso

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