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 trabajo fue apoyado por la financiación del Departamento de Radiología de la Universidad de Bolonia.

Este protocolo sigue las directrices del comité institucional de ética de la investigación humana.
1. Descarga de las imágenes DICOM
<ol><li>Descargue las imágenes DICOM y transfiéralas en la estación de trabajo dedicada a la segmentación, con el software 3D instalado. Si planea trabajar en un equipo personal, anonimice los datos DICOM.</li>
</ol>2. Importación del estudio HRCT sobre el software 3D Slicer
<ol><li>En la pant...

<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 segmentación representa un paso fundamental para realizar estudios modernos de radiología cuantitativa, y es necesario aplicar técnicas de radiomómica o análisis de textura. Los hallazgos patológicos en los pulmones representan uno de los más difíciles de segmentar, ya que la falta de fronteras anatómicas definidas y una pequeña diferencia en el valor de la atenuación en comparación con las áreas sanas.
Las imágenes de origen deben presentar un mínimo de artefactos si es posi...

En el año en curso, el mundo se enfrenta a una emergencia sanitaria, la pandemia causada por el novel Coronavirus, Sars-CoV2. Aunque, hasta la fecha, muchos aspectos relativos a la fisiopatología de la infección COVID-19 aún no estén claros, comparte varias características con sus "antepasados" SARS1 y MERS. En particular, se ha demostrado que las proteínas de pico de virión interactúan con la enzima convertidora de angiotensina tipo 2, un receptor bien representado en las células endoteliales alveolares, pero ubicua en el organismo humano, teniendo así la potencialidad para dar síntomas sistémicos1.
Para el diagnóstico, el estándar actual es la reacción en cadena de transcriptasa-polimerasa inversa en tiempo real (rt-PCR), una prueba realizada con hisopos faríngeos. Aunque las imágenes radiológicas no se reconocen oficialmente en la vía diagnóstica para la detección de la enfermedad, la tomografía computarizada de alta resolución (HRCT) demostró ser una ayuda valiosa para el manejo clínico y epidemiológico de los pacientes afectados, debido a la sensibilidad relativamente baja del rt-PCR, la escasez actual de laboratorios especializados y de los reactivos necesarios, y la alta dependencia del operador.
La Sociedad Radiológica de América del Norte (RSNA) publicó una declaración de consenso, respaldada por la sociedad de Radiología Torácica y el Colegio Americano de Radiología (ACR), que clasifica la apariencia de CT de COVID19 en cuatro categorías con el fin de estandarizar los informes, dividiendo los patrones de neumonía intersticial en "típico", "atípico", "indeterminado" y "negativo"2.
El patrón "típico" se caracteriza por la presencia de opacidades de vidrio molido (GGO) de forma redonda, generalmente con una ubicación sub pleural en los segmentos basales dorsales. La GGO se puede asociar con áreas de "Pavimentación loca" de septa espesada u otros signos de organización de la neumonía. El patrón "indeterminado" se caracteriza por la ausencia de los hallazgos de patrones "típicos", con áreas difusas de GGO con una distribución perihilar, con o sin áreas de consolidación. El patrón "atípico" se caracteriza por la ausencia de los signos "típicos" o "indeterminados", y la presencia de consolidaciones lobar, "árbol en brote", engrosamiento suave del septa y derrame pleural; en esta presentación no se pueden detectar GGO. El patrón "negativo" se caracteriza por la ausencia de los hallazgos patológicos antes mencionados.
Según la literatura, algunos pacientes pueden presentar un alto sospechoso clínico de COVID-19 respaldado por criterios epidemiológicos y hallazgo de imágenes con rt-PCR negativo3,4. Por otro lado, se ha informado que los pacientes con un rt-PCR positivo y hallazgos clínicos sugerentes, no presentan hallazgos patológicos en HRCT5.
Hoy en día, es de gran interés para la comunidad científica aplicar técnicas de análisis de imágenes al estudiar cuantitativamente las características de esta enfermedad. Un estudio reciente ha aplicado la técnica de segmentación automatizada del parénquima pulmonar para identificar el porcentaje de pulmón aireado en pacientes afectados por COVID-19, correlacionando este valor con el pronóstico, y demostrando que los pacientes con una afectación pulmonar más grave presentaban más riesgo de ser admitidos en la Unidad de Cuidados Intensivos (UCI), y tener peores resultados6.
La segmentación es el contorno de las regiones de interés (ROI) dentro de un volumen adquirido a través de una técnica de imagen, como HRCT. Esta actividad puede llevarse a cabo a través de tres métodos: manual, semiautomático y automático. La segmentación manual, gracias a la experiencia de un radiólogo capacitado, consiste en el etiquetado de los voxeles pertenecientes al área patológica. Las principales desventajas de este método son la gran cantidad de tiempo requerido y el hecho de que depende del operador.
Los métodos semiautomáticos permiten acelerar la segmentación, ya que el operador puede modificar una máscara de segmentación obtenida a través de los métodos clásicos de procesamiento de imágenes (por ejemplo, umbral en la intensidad de píxeles, agrupación en clústeres, etc.). Sin embargo, estas técnicas no son fáciles de implementar en la práctica clínica, ya que requieren una intervención manual extensa en los casos más complicados18.
Los métodos de segmentación automática, actualmente de uso limitado, emplean inteligencia artificial para obtener ROI. En particular, un estudio reciente tiene como objetivo utilizar la segmentación automática en la cuantificación de las zonas de vidrio molido en pacientes que sufren de neumonía intersticial COVID-1919. La definición de un protocolo de segmentación para las áreas patológicas en las imágenes HRCT es el primer paso real hacia el posterior análisis radioémico, con el fin de identificar características que podrían ayudar a comprender mejor la fisiopatología de la enfermedad, y servir como un factor de pronóstico preciso que podría influir potencialmente en el tratamiento.
Este documento ofrece una guía para obtener segmentos precisos y eficientes que representan los hallazgos patológicos de la neumonía 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

La segmentación es una tarea compleja, a la que se enfrentan los radiólogos e investigadores a medida que la radiomómica y el aprendizaje automático crecen en potencialidad. El proceso puede ser automático, semiautomático o manual, el primero a menudo no es lo suficientemente preciso o fácil de reproducir, y el último consume demasiado tiempo cuando se trata de distritos grandes con adquisiciones de alta resolución.
Una TC de alta resolución del pecho se compone de cientos de imágenes, y esto hace que el enfoque manual sea excesivamente lento. Además, las alteraciones parénquimales requieren que una evaluación experta se discerna de la apariencia normal; por lo tanto, un enfoque semiautomático para el proceso de segmentación es, a nuestro leal saber y entender, el más adecuado a la hora de segmentar las neumonías, especialmente cuando sus características aún son desconocidas.
Para los estudios realizados en nuestro instituto sobre imágenes de COVID-19, adoptamos 3D Slicer, un software gratuito producido por la Universidad de Harvard, y combinamos el umbral con los instrumentos de pincel de pintura para lograr una segmentación rápida y precisa de pulmón aireado, opacidades de vidrio molido y consolidaciones. Cuando se enfrenta a casos complejos, este método todavía requiere una cantidad considerable de tiempo para ajustes manuales adecuados, pero proporciona un medio extremadamente eficiente para definir segmentos para utilizar para análisis adicionales, como el cálculo del porcentaje del parénquima pulmonar afectado o el análisis de textura de las áreas de vidrio de suelo.

El método propuesto se ha perfeccionado a través de ensayos y errores, probándolo en 117 pacientes afectados por neumonía COVID-19 con una prueba positiva de rt-PCR.
Después de una curva de aprendizaje corta, el tiempo necesario para obtener los segmentos puede variar de 5 a 15 minutos, dependiendo del patrón de presentación.
Como se muestra en la Figura 1,el método produce segmentos precisos: esto se puede observar notando la correspondenci...

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

El objetivo de este protocolo es proporcionar una manera eficiente de tiempo para segmentar volúmenes de interés en tomografías computarizadas de alta resolución para utilizarlos en análisis de radioémicas adicionales.

Segmentación por TC pulmonar para identificar consolidaciones y áreas de vidrio molido para la evaluación cuantitativa de la neumonía por 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 el brote de la nueva pandemia de la enfermedad del coronavirus, un método simple y eficaz útil para obtener una segmentación adecuada de las lesiones patológicas típicas de esta infección en las imágenes de la tomografía computarizada del tórax parece fundamental. Por lo tanto, nuestro objetivo es ofrecer un paquete inicial de conocimiento con el fin de permitir a las personas realizar una segmentación fácil y eficiente de estos hallazgos patológicos pulmonares. Con suerte, esto ayudará a la comunidad científica a desarrollar estudios específicos de radiomómica e inteligencia artificial que podrían mejorar el enfoque diagnóstico de estos pacientes.En el navegador DICOM de 3D Slicer, vaya a seleccionar el estudio que desea segmentar y haga clic en Cargar. Puede revisar el caso seleccionado en la sección del visor. Como se puede ver, este paciente presenta con opacidades de vidrio molido bilateralmente y áreas consolidativas por igual, que es un caso típico de COVID-19.A continuación, vaya a la sección Segmento y agregue tres segmentos, uno para el volumen total de pulmón, otro para las opacidades del vidrio molido y otro para las áreas de consolidación. Vaya al instrumento Umbral y establezca el umbral superior en menos 250 unidadEs Hounsfield. Ordenar para seleccionar sólo aire y dejar fuera los tejidos blandos, huesos y áreas de consolidación por igual, que el sistema no puede discernir automáticamente de los tejidos blandos, a continuación, haga clic para aplicar.A continuación, desea eliminar el aire fuera del paciente, y para hacerlo, utilice la herramienta Isla y vaya a Mantener sólo la isla seleccionada. A continuación, haga clic dentro del paciente. Ves que el aire exterior ha sido removido.Ahora, desea agregar las áreas de consolidación al volumen total de pulmón. Para ello, utilice el instrumento De pintura con el ajuste Pincel de esfera, ajustando el tamaño a sus necesidades y teniendo cuidado de evitar el tejido blando. Con el pincel Esfera, pintas arriba y abajo con respecto a la rebanada en la que estás trabajando, lo que acelera el proceso.Ahora, desea segmentar las áreas de consolidación. Para ello, asegúrese de estar trabajando dentro del volumen total del pulmón sin una variedad de otros segmentos. Usando el instrumento Umbral, suba el umbral superior para asegurarse de incluir los tejidos blandos y las consolidaciones, y establezca el umbral inferior en menos 250.Tenga en cuenta que está seleccionando ambos tejidos blandos, recipientes y consolidación, pero al hacer clic en Aplicar, solo se han seleccionado áreas de consolidación. Ahora, para segmentar las áreas de vidrio de tierra, seleccione el segmento de vidrio molido. Manteniendo los ajustes de la segmentación anterior, establezca el umbral desde menos 750 hasta menos 250 unidadEs Hounsfield.Tenga en cuenta que estos valores pueden variar según la configuración de la tomografía computarizada. Ajuste siempre de acuerdo con la definición de vidrio molido de la Sociedad Fleischner. Elija una opacidad con ese recipiente visible a la vista.A continuación, haga clic en Aplicar. Observará que también se han seleccionado espacios intersticiales. Para ajustar, vaya al instrumento Suavizar.Seleccione el asiento que mejor se adapte al algoritmo de construcción de su tomografía computarizada. Y como pueden ver, los espacios intersticiales han sido eliminados. Puede comprobar los resultados de la segmentación en el Editor de segmentos y puede ver un modelo 3D de los segmentos que ha definido.Puede utilizar el control deslizante del lado izquierdo para ajustar la transparencia del modelo. La vista 3D se puede utilizar para confirmar el proceso de segmentación correcto. Ahora tenemos tres segmentos distintos, uno para el volumen total de pulmón, y los otros dos para los hallazgos típicos de consolidaciones COVID-19 y áreas de vidrio molido.Puede extraer algunas estadísticas del segmento que ha definido debido al módulo SegmentStatistics. Retire la opción Volumen escalar y, a continuación, tiene una tabla que expresa el volumen del pulmón total y las áreas de consolidación y las áreas de vidrio de tierra. Puede utilizar esto para calcular la gravedad de la enfermedad.También puede exportar el segmento que ha definido. Puede ir a la sección Datos. A continuación, haga visible solo el segmento que desea exportar, haciendo clic en el icono del ojo.A continuación, haga clic con el botón derecho y exporte el mapa de etiquetas binario solo visible. Puede seguir siendo el mapa de etiquetas como prefiera. Debe repetir el proceso para cada segmento que haya definido.Al hacerlo, ahora tiene tres mapas de etiquetas correspondientes al segmento que ha definido. Esto se puede exportar en el tipo de archivo que prefiera o se adapta mejor para un análisis posterior. Además. Con estos métodos, los investigadores pueden obtener rápidamente una segmentación precisa para los hallazgos patológicos de COVID-19 para los cuales se pueden extraer características específicas.Proporcionar ese conocimiento a la comunidad científica, se pueden desarrollar métodos de segmentación precisos y totalmente automatizados y determinar factores de pronóstico precisos.

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

Manipulación Osteopática como herramienta complementaria útil para la Neumonía

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 ...

Investigación

Medicina

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

El implante de gel de fibrina en pulmón de ratón para el Estudio de la angiogénesis pulmón específico

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

Evaluación de pulmón metástasis en el ratón mamarias modelos tumorales mediante PCR cuantitativa en tiempo 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

Modelo apical Resección ratón para el Estudio de la regeneración del corazón de mamíferos Temprana

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 del fémur de cadáver preparación para el análisis de elementos finitos basado en CT Fracture Fuerza Pruebas y cuantitativa

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

Inducción y Micro-CT en la proyección de imagen de malformaciones cavernosas cerebrales en modelo murino

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

Análisis de Micro-CT cuantitativa de Aortopathy en un modelo murino de disección y aneurisma de la aorta inducida por β-oxidasa

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 de aspiración orofaríngea de neumonía bacteriana asociada a la ventilación y adquirida en el Hospital

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

Análisis cuantitativo de la composición celular en las lesiones ateroscleróticas avanzadas de músculo liso células linaje trazado ratones

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

Customizing a Cryolite Glass Prosthetic Eye

Personalización de un ojo protésico de vidrio criolita

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