用Python编写的输液加权软件用于DSC-MRI分析
Sabela Fernández-Rodicio1, Gonzalo Ferro-Costas2, Ana Sampedro-Viana1
1Neuroimaging and Biotechnology Laboratory (NOBEL), Clinical Neurosciences Research Laboratory (LINC), Health Research Institute of Santiago de Compostela (IDIS), Santiago de Compostela, Spain.
Frontiers in neuroinformatics
|August 18, 2023
概括
一个新的基于Python的软件工具能够快速且可靠地量化动物模型中动态敏感度加权对比增强 (DSC) MRI perfusion研究中的血液动力学参数. 这个工具准确地复制了各种脑疾病模型的文献值,有助于临床前研究.
科学领域:
- 神经成像是一种神经成像.
- 生物物理学的生物物理.
- 医学物理 医学物理
背景情况:
- 动态敏感度加权对比增强 (DSC) perfusion MRI对于研究神经疾病的动物模型中大脑血管病理生理学至关重要.
- 目前用于DSC-MRI的后处理软件通常是特定于机构的,并且缺乏广泛的可访问性.
- 血动力学参数的标准化和可靠的量化对于推进临床前脑疾病研究至关重要.
研究的目的:
- 开发一个开源的,基于Python的软件工具,以从DSC-MRI数据中高效,可靠地量化血液动力学参数.
- 通过使用各种动物模型验证开发的工具,验证大脑疾病,包括中风,瘤和神经退行性疾病.
- 为研究界提供可定制和可访问的后处理解决方案.
主要方法:
- 开发了一个Python软件包,用于为DSC-MRI执行基于deconvolution的动力建模.
- 产生了脑血流 (CBF),脑血量 (CBV),平均传输时间 (MTT),信号恢复 (SR) 和信号恢复百分比 (PSR) 的参数图.
- 在30只健康的老鼠的数据集上验证了该工具,血液-大脑屏障功能障碍,慢性低 perfusion,缺血性中风和多形质母细胞瘤模型.
主要成果:
- 开发的DSC-MRI量化工具成功地在所有评估的动物模型中复制了与文献值一致的血液动力学参数.
- 布兰德-阿尔特曼分析表明,该工具的结果与文献数据之间存在很好的一致性,特别是健康,中风和GBM模型中的CBV和MTT.
- 该软件在量化关键 perfusion 参数方面表现出可靠性,这对于临床前研究至关重要.
结论:
- 一个开源的,基于Python的DSC后处理软件已经成功开发和验证.
- 该工具提供了血液动力学参数的准确和可靠量化,与各种脑疾病模型的既定文献值保持一致.
- 模块化设计促进了定制和未来的算法集成,提高了其用于临床前研究的实用性.
