In dieser Arbeit wird die Implementierung der phasenaufgelösten funktionellen Lungen-MRT als kontrastmittelfreie Protonen-MRT-Technik zur Beurteilung der Lungenventilations- und Perfusionsdynamik beschrieben. Validiert und anwendbar in verschiedenen Fachgebieten und Altersgruppen, könnte es die klinische Entscheidungsfindung in Zukunft verbessern, indem es bei der Quantifizierung von Krankheiten und der Therapieüberwachung hilft.
Die Fourier-Zerlegung ist eine kontrastmittelfreie 1H-MRT-Methode zur Beurteilung der Lungenperfusion (Q) und der Beatmung (V). Nach der Bildregistrierung wird die Zeitreihe jedes Voxels hinsichtlich der Herz- und Atemfrequenzkomponente analysiert.
Unter Verwendung einer standardmäßigen 2D-verwöhnten Gradienten-Echo-Sequenz mit einer zeitlichen Auflösung von ~300 ms wurde ein Bildsortierungsalgorithmus entwickelt, um eine phasenaufgelöste funktionelle Lungenbildgebung (PREFUL) mit erhöhter zeitlicher Auflösung zu erstellen. So ist es möglich, regionale Strömungsvolumenschleifen (FVL) während der Tidalvolumenatmung auszuwerten und die Ausbreitung der Pulswelle während des Herzzyklus abzubilden. Diese Methode kann bei 1,5 T oder 3 T mit Standard-MR-Hardware angewendet werden, ohne dass eine Sequenzprogrammierung erforderlich ist, da das beschriebene Protokoll auf den meisten Systemen mit der Standard-SPGRE-Sequenz implementiert werden kann.
Die Beatmungs-MRT von PREFUL wurde mit 129Xe und 19F Gasbildgebung mit guter regionaler Übereinstimmung validiert. Die perfusionsgewichtete PREFUL-MRT wurde sowohl mit SPECT als auch mit dynamischer kontrastverstärkter (DCE) MRT validiert. PREFUL wurde in einer Dual-Center-Dual-Vendor-Umgebung getestet und wird derzeit in mehreren laufenden multizentrischen Studien eingesetzt. Darüber hinaus ist es über eine Reihe von Feldstärken (0,55 T-3 T) und verschiedene Altersgruppen, einschließlich Neugeborener, durchführbar.
Die quantitative V/Q PREFUL MRT wurde bei Patienten mit Mukoviszidose, chronisch obstruktiver Lungenerkrankung, chronischer thromboembolischer pulmonaler Hypertonie und Corona-Virus-Krankheit-2019 eingesetzt, um die Krankheit zu quantifizieren und die Behandlungsänderung nach der Therapie zu überwachen. Darüber hinaus wurde gezeigt, dass die PREFUL V/Q-Bildgebung bei Patienten nach einer Lungentransplantation einen Transplantatverlust aufgrund einer chronischen Lungenallotransplantat-Dysfunktion vorhersagen kann. Zusammenfassend lässt sich sagen, dass PREFUL MRT eine validierte Technik für die quantitative Beatmung und die pulmonale Pulswellen-/Perfusionsbildgebung für die regionale Erkennung, Quantifizierung und Behandlungsüberwachung von Lungenerkrankungen mit potenziellem Mehrwert für die aktuelle klinische Routine ist.
Das Atmungssystem mit seinen komplizierten Mechanismen ist anfällig für verschiedene Krankheiten. Vor allem chronische Atemwegserkrankungen wie chronisch obstruktive Lungenerkrankung (COPD), Mukoviszidose (CF) und chronische thromboembolische pulmonale Hypertonie (CTEPH) reduzieren die Lebenserwartung erheblich1. Infolgedessen sind eine frühzeitige Diagnose, Überwachung und Bewertung des therapeutischen Ansprechens von größter Bedeutung geworden.
Lungenfunktionstests (PFTs) können globale Lungenfunktionsparameter wie den Tiffeneau-Pinelli-Index ableiten, der als Verhältnis des forcierten exspiratorischen Volumens in einer Sekunde (FEV1) und der forcierten Vitalkapazität (FVC) definiert ist2. Solche Parameter sind in der klinischen Routine gut etabliert, aber es fehlen regionale Informationen und sie erfordern ein hohes Maß an Compliance der Patienten. In dieser Hinsicht kann die Bildgebung zusätzliche Erkenntnisse und Möglichkeiten für empfindlichere Parameter bieten. Die Computertomographie (CT) bietet eine hochauflösende Bildgebung der parenchymalen Morphologie, und neuere Techniken wie das parametrische Response-Mapping liefern ebenfalls funktionelle Informationen3. Dennoch bleibt die Einzelphotonen-Emissions-Computertomographie (SPECT) der aktuelle Goldstandard für die Darstellung von Ventilation und Perfusion (V/Q) in der Lunge4. Die für alle genannten bildgebenden Verfahren ist allen gemeinsam, dass sie einer Exposition gegenüber ionisierender Strahlung ausgesetzt sind, was bei der Überwachung und bei gefährdeten Gruppen besonders zu berücksichtigen ist. Daher gibt es anhaltende Bemühungen, die MRT als alternative Modalität zu fördern.
Von Natur aus ist die Lunge aufgrund ihrer geringen Protonendichte und ihres schnellen Signalzerfalls ein schwieriges Organ für die MRT5. Zu den am weitesten verbreiteten Lösungen gehören unter der Vielzahl von Ansätzen die Verwendung von hyperpolarisiertem Gas (z. B. 129Xe MRT) für die Beatmung6 und die intravenöse Gadolinium-basierte Kontrastmittelapplikation für die Perfusionsdarstellung7. Diese Methoden bieten ein hohes Signal-Rausch-Verhältnis (SNR) und gelten in der MRT-Gemeinschaft weithin als Goldstandardmethoden. Ein neuerer Ansatz vermeidet den Einsatz von Kontrastmittel und ist mit konventioneller Protonen-MR in freier Atmung mit einer Gesamtaufnahmezeit von ~1 min/Scheibe durchführbar. Auf diese Weise werden potenzielle unerwünschte Ereignisse und kürzlich diskutierte Langzeitwirkungen von Kontrastmitteln vermieden und eine einfachere Verbreitung ohne zusätzliche Hyperpolarisation und multinukleare Hardware ermöglicht. Zusätzlich wird das Problem der Suche nach einem adäquaten Aufblaszustand, der die abgeleiteten Beatmungsdefektwerte8 beeinflussen kann, durch die freiatmende Erfassung vermieden.
Dieser indirekte MR-Signal-basierte Ansatz wurde erstmals von Zapke et al. eingeführt, die die reziproke Beziehung zwischen protonengewichtetem Signal S und Lungenvolumen V nutzten: S~1/V.9 Er basiert auf dem Prozess der Umwandlung von Bildern, die bei freier Atmung aufgenommen wurden, in einen gemeinsamen Aufblaszustand (typischerweise in einer Zwischenposition zwischen Endausatmung und Endinspiration), wodurch die Bewegung kompensiert und die Signalzeitreihen in jedem Voxel analysiert werden können. Danach kann aus diesen sogenannten registrierten Bildern mit Hilfe von Gleichung (1) von Klimeš et al.10 eine Lüftungsmessung abgeleitet werden:
(1)
Mit den Volumina/Signalen in Inspiration (Insp), Ablauf (Exp) und registriertem Zustand (Reg). Danach wurde das Verfahren durch die Einführung der Fourier-Zerlegung erweitert, um zwischen Signalmodulationen, die mit der Atemfrequenz (Ventilation) und der Pulsfrequenz (Perfusion) assoziiert sind, zu differenzieren und somit eine perfekt räumlich abgestimmte V/Q-Karte aus einer Erfassungabzuleiten 11. Möglich wird dies durch die typische Lücke zwischen Atem- und Herzfrequenz, so dass beide Komponenten, die im Zeitbereich übereinander liegen, im Frequenzbereich durch die Fourier-Analyse effektiv unterschieden werden. Nach dem Übergang vom Tieffeld (0,35 T) zu 1,5 T mit einer optimierten balancierten Steady-State-freien Präzessionssequenz (bSSFP)12 gewann diese Methode mit mehreren Folgestudien zunehmend an Aufmerksamkeit 13,14,15.
Da Atmung und Puls einer Variabilität unterliegen und die kommerziell erhältliche bSSFP-Bildgebung (gradientenkompensiert) bei 1,5 T zu erheblichen Banding-Artefakten (klare Linien der Signalleere) führen kann, wurde eine verwandte Methode mit Spoiled Gradient Echo Sequence (SPGRE) in Kombination mit breiter Tiefpass- und Hochpassfilterung vorgeschlagen16,17. Damit wird das komplexere Spektrum realer atem- und pulsbezogener Modulationen erfasst. Die folgende Berechnung der Amplitude im Zeitbereich vermeidet die Notwendigkeit, eine bestimmte Frequenzspitze auszuwählen. Eine weitere Optimierung wurde durch die Aufteilung der typischen einstufigen Registrierung in Richtung eines Referenzzustands in zwei separate Schritte erreicht. Dabei wird die Tatsache ausgenutzt, dass während der freien Atmung eine Reihe unterschiedlicher Atmungsphasen zwischen Endinspiration und Endexspiration mit unterschiedlichen Graden der erforderlichen Verformung hin zu einem festen Zustand erworben werden. Nach der Auswahl mehrerer Gruppen und der Identifizierung der Gruppe der einzelnen Bilder wird folgendes Verfahren durchgeführt: 1) Registrierung innerhalb der jeweiligen Atmungszustandsgruppe, 2) Schritt-für-Schritt-Registrierung zwischen den Gruppen von einer benachbarten Gruppe zur nächsten (z.B. 1->2, 2->3,…) zu der Gruppe, die die Referenzgruppe repräsentiert. Dieser Ansatz wurde durch eine Phasenschätzung für jedes Bild weiter erweitert, um eine höhere scheinbare zeitliche Auflösung zu erreichen, um die Analyse der Beatmungs- und Perfusionsdynamik zu erleichtern, was zu der Terminologie der phasenaufgelösten funktionellen Lunge (PREFUL) führte, um diesen Zweig von anderen verwandten Techniken zu unterscheiden18. Follow-up-Studien nutzten die zusätzlichen Informationen, die durch den vollständigen Atmungs- und Herzzyklus geliefert wurden, und zeigten eine potenziell erhöhte Sensitivität dieser Parameter 19,20,21.
Die Validierung mit dem Goldstandard SPECT ergab einen DICE-Koeffizienten von ≥67 % für die Defektregionen22, und eine direktere Beatmungsmessung mit 129Xe zeigte eine prozentuale Korrelation der Beatmungsdefekte ≥62 % in einer gemischten COPD/CF/gesunden Kohorte23 und 84 % in einer multizentrischen CF-Kohorte24, die auch eine ähnliche Korrelation mit dem Lungenclearance-Index von PREFUL und 129Xe aufwies (r = 0,82 und r = 0,91). Die Perfusionsanalyse derselben Studie zeigte, dass es keine signifikanten Unterschiede in der räumlichen Überlappung mit der DCE zwischen den evaluierten Zentren gab25. Die Übereinstimmung mit DCE und die Übereinstimmung der PREFUL-Ergebnisse zwischen den Zentren wurde auch für eine prospektive Teilstudie mit neun Zentren berichtet26. Eine Reproduzierbarkeitsanalyse bei COPD-Patienten ergab für alle Parameter einen Variationskoeffizienten von unter 15 %27. Aktuelle Studien deuten darauf hin, dass der FVL-Parameter eine höhere Vorhersagekraft und Sensitivität zur Erkennung von Therapieänderungen aufweist als der “statische” Beatmungsparameter, der nur die endinspiratorische und die endexspiratorische Phase berücksichtigt. Das Ansprechen auf die Behandlung mit Messungen des regionalen Flow-Volume-Loops (FVL) wurde nach inhalativer Behandlung mit Indacaterol-Glycopyrronium (IND/GLY) bei COPD28 nachgewiesen. In Übereinstimmung sagte der FVL-Parameter den Transplantatverlust bei Patienten mit Doppellungentransplantation voraus, während dies bei der Spirometrie nicht möglich war (P = 0,02 vs. P = 0,33)29. Erste Machbarkeitsstudien zeigen, dass eine funktionelle Lungenbildgebung mit PREFUL bei frei atmenden Säuglingen und Neugeborenen mit klinischer Standard-MRT-Hardware realisiert werden kann30,31. Glandorf et al. verglichen PREFUL-Parameter bei 1,5T und 3T (SPGRE-Sequenz) und fanden bei den meisten Parametern, die trotz des Unterschieds in der Feldstärke sehr gut reproduzierbar waren, keine signifikanten Unterschiede32. Dies kann ein wichtiger Vorteil sein, da nicht jeder Standort Zugang zu Scannern mit 1,5 T oder niedrigerer Feldstärke hat. Kürzlich wurde die Machbarkeit und der Nachweis persistierender Symptome nach einer COVID-19-Infektion bei 0,55 T durch die Auswertung von bSSFP-Daten mit PREFUL33 demonstriert.
Zusammenfassend lässt sich sagen, dass PREFUL, obwohl es sich um eine relativ neuartige Technik handelt, ausgiebig untersucht wurde. Wichtige Kriterien wie die Validierung mit direkteren und etablierteren Messungen, die Reproduzierbarkeit, die Sensitivität für die Pathologie und das Ansprechen auf Behandlungs- und Progressionsänderungen wurden bewertet. Dennoch nutzen trotz der geringen technologischen Anforderungen immer noch nur wenige spezialisierte Zentren diese Technik. Daher ist es das Ziel dieser Arbeit, die neueste Methodik von PREFUL MR in schriftlicher und visueller Form zusammenzufassen. Diese Informationen können genutzt werden, um diese Technik in mehr Zentren zu etablieren und so langfristig zu einer reiferen Technik zu führen.
Kritische Schritte
Eine der häufigsten Fallstricke bei der Erfassung ist die unzureichende Signalskalierung, die bei der DICOM-Umwandlung durch eine verminderte Präzision der digitalen Datendarstellung zu einem Informationsverlust führt. Dies kann in der Folge zu Problemen in der Nachbearbeitung führen. Eine weitere, noch kritischere Falle ist die Erfassung mehrerer Slices in einer verschachtelten Weise. Dadurch wird die effektive zeitliche Auflösung der einzelnen Slices entscheidend reduziert. Darüber hinaus kann dies je nach Abstand der Schichten einen Einfluss auf den Perfusionskontrast und die Quantifizierung haben, da der Zufluss auf frischen Spins ohne Magnetisierungsgeschichte beruht. Besondere Sorgfalt ist bei der Einrichtung des Protokolls erforderlich, insbesondere in Bezug auf Gradientenstärke, asymmetrisches Echo, Bandbreite und parallele Bildgebung. Abweichungen von den vorgeschlagenen Einstellungen auch nur für einen dieser Parameter können zu einer unzureichenden TE und zeitlichen Auflösung führen.
Die Nachbearbeitung besteht aus mehreren Schritten, die in der beschriebenen Reihenfolge befolgt werden sollten. So ist z.B. eine Registrierung nach der Tiefpassfilterung nicht sinnvoll. Folglich führt das Scheitern in einem Schritt zu einem Zusammenbruch in den nächsten Schritten. Daher ist die Registrierungsphase besonders wichtig. Da es keinen einheitlichen Registrierungsalgorithmus gibt, müssen abhängig von der jeweiligen Implementierung Parameter empirisch gesetzt werden. Ohne Feinabstimmung dieser Parameter verhindert eine falsche Registrierung die Generierung eines aussagekräftigen Ergebnisses. Ein weiterer, möglicherweise zeitaufwändiger und kritischer Schritt bei der Nachbearbeitung ist die Segmentierung. Falsche Segmentierungen können zu völlig falschen Parameterberechnungen (z.B. durch Einbeziehung von Nicht-Lungenregionen) im Abschlussbericht führen. Solche Fehlsegmentierungen treten eher bei Deep-Learning-Algorithmen auf, die an bestimmte Bilddarstellungen gewöhnt sind und auf Bilder eines anderen Anbieters/einer anderen Maschine mit einem etwas anderen Erscheinungsbild angewendet werden. Eine visuelle Qualitätsprüfung der Segmentierungsgenauigkeit mit möglicher manueller Korrektur ist daher zwingend erforderlich.
Fehlerbehebung
Die typische Vorgehensweise bei der Fehlerbehebung besteht darin, alle Schritte nacheinander zu durchlaufen und die Zwischenergebnisse auf ihre Plausibilität zu prüfen. Die Vorgehensweise für die Hauptschritte ist wie folgt: Überprüfen Sie, ob die Bilder in freier Atmung mit der richtigen Reihenfolge und den richtigen Einstellungen aufgenommen wurden. Überprüfen Sie anschließend, ob der Dynamikbereich der Signale angemessen ist (~50 AE im Lungenparenchym). Wenn noch Rohdaten verfügbar sind, wiederholen Sie die Rekonstruktion der Bilder mit einem entsprechenden Skalierungsfaktor, um eine erneute Datenerfassung zu vermeiden. Stellen Sie sicher, dass die Registrierung ohne größere Artefakte und verbleibende Bewegung durchgeführt wurde. Überprüfen Sie als nächstes, ob kleine ROIs eine Zeitreihe mit erwarteten ventilations- und perfusionsbezogenen Modulationen zeigen. Überprüfen Sie dann, ob die angewendeten Filter die Bilder in der erwarteten Weise verändern (z. B. keine hochfrequenten Modulationen in tiefpassgefilterten Daten). Überprüfen Sie, ob die synthetisierten Atem- und Herzzyklen physiologisch sind und keine plötzlichen Sprünge zeigen. Überprüfen Sie die Genauigkeit der Segmentierung. Beachten Sie, dass eine Suche auf einer feineren Auflösungsstufe erforderlich sein kann, sobald der Hauptschritt, bei dem das Problem auftritt, identifiziert wurde.
Begrenzungen
Obwohl das vorgestellte Protokoll dafür bekannt ist, reproduzierbare und empfindliche Ergebnisse zu liefern, ermöglicht die Anzahl der beteiligten Schritte und Parameter während der Erfassung und Nachbearbeitung eine nahezu endlose Optimierung und ist miteinander verflochten. Daher sollte ein Bottom-up-Ansatz verfolgt werden, indem zunächst Optimierungen des Sequenzprotokolls (z.B. hinsichtlich des SNR und des funktionalen Kontrast-Rausch-Verhältnisses) angegangen werden. Für die folgenden Nachbearbeitungsoptimierungen könnte eine vordefinierte Ground Truth in Form eines digitalen Lungenmodells nützlich sein40. Wie vorgestellt, ahmt dieses Modell eine Erfassung der freien Atmung nach und umfasst mehrere Klassen zur Simulation von Beatmungs-/Perfusionsdefekten. Unter Berücksichtigung einer bekannten Verformung durch Bewegung können auch Registrierungsalgorithmen direkt getestet werden. Trotz dieser Vorteile ist jedes Modell von Natur aus durch die Genauigkeit der Abbildung komplexer Realitäten auf ein endliches und vereinfachtes Modell begrenzt.
Die in diesem Protokoll vorgestellten Schwellenwerte zeigten durch empirische Analysen akzeptable Ergebnisse für gesunde Probanden und über verschiedene Patientenkohorten hinweg. Nichtsdestotrotz ist, wie bereits beschrieben, wahrscheinlich eine Anpassung in Abhängigkeit von der Sequenz, der Feldstärke und der Kohorte erforderlich.
Eine generelle Einschränkung von PREFUL ist die umfangreiche Nachbearbeitung, die als Medizinprodukt noch nicht ohne weiteres verfügbar ist, obwohl erste Work-in-Progress-Versionen von Siemens Healthineers und BioVisioneers für wissenschaftliche Zwecke in einem wissenschaftlichen Kollaborations-/kommerziellen Umfeld verfügbar sind. Die Berechnungen erfolgen in der Regel über eine parallele Verarbeitung, die besonders hohe Anforderungen an CPU und RAM stellt und moderne Workstations oder Serverlösungen erfordern kann, um große Datenmengen effektiv zu verarbeiten. Darüber hinaus erschweren die zeitaufwändigen Nachbearbeitungsschritte derzeit eine sofortige Präsentation der Ergebnisse, die für den klinischen Workflow wünschenswert wäre.
Vergleich mit anderen Methoden
Es gibt eine Vielzahl ähnlicher Ansätze wie PREFUL, einschließlich des Vorgängers Fourier Decomposition und seiner anderen Derivate wie Matrix Pencil Decomposition41 und des etwas anderen Ansatzes Self-gated Non-Contrast-enhanced Functional Lung MRT (Senceful MRT)42. Während die Fourier-Zerlegung und ähnliche Verfahren im Frequenzbereich arbeiten, verwendet PREFUL eine weniger strenge Fourier-Filterung und die anschließende Berechnung der Amplituden im Zeitbereich. Daher ist es nicht erforderlich, spezifische Peaks auszuwählen, die der Beatmung/Perfusion entsprechen. Dies kann zu einer geringeren Anfälligkeit für Atemvariabilität führen, von der bekannt ist, dass sie bei menschlichen Probanden auftritt.
Während PREFUL die Bildsortierung übernimmt, verwendet SENCEFUL die Sortierung von k-Space-Zeilen, was zu mehr Flexibilität führt. Nichtsdestotrotz erfordert SENCEFUL Sequenzen mit Self-Gating-Fähigkeit, während PREFUL mit einer herkömmlichen verdorbenen Gradienten-Echo-Sequenz durchgeführt werden kann. In ähnlicher Weise ist bSSFP, das häufig in auf Fourier-Zerlegung basierenden Ansätzen verwendet wird, für ein besseres SNR und einen besseren Blutflusskontrast bekannt, erfordert jedoch in der Regel eine stärkere Optimierung für die Lungenerfassung, insbesondere bei 3T43. Abgesehen davon gibt es jedoch keinen Grund, PREFUL nicht mit der bSSFP-Akquisition44 zu kombinieren.
Alle diese signalbasierten Ansätze gehen davon aus, dass bestimmte unerwünschte Signaleinflüsse, einschließlich T1, T2/T2*, Diffusion, Bewegung durch die Ebene und nicht-orthogonal durchblutete Voxele, vernachlässigbar sind. Während die fortschreitende Validierung von PREFUL indirekt darauf hindeutet, dass solche Einflüsse tatsächlich nicht kritisch sind, zeigten Triphan et al., dass eine Abhängigkeit von den effektiven T1 und TE besteht, was durch die unterschiedliche Gewichtung der Blut- und Parenchymkomponenten in Abhängigkeit von der TE45 erklärt wird. Vor diesem Hintergrund könnte der anfängliche Vorteil der bSSFP zur Visualisierung von Blut aufgrund des T2/T1-Kontrasts eine zusätzliche Herausforderung darstellen, um eine genaue Quantifizierung im Vergleich zu den einfacheren Kontrastmechanismen einer SPGRE zu etablieren. Nichtsdestotrotz sind weitere Studien, die sich direkt mit dem Einfluss verschiedener MR-Variablen befassen, wie z.B. Glandorf et al. für Kontrastmittel46,47, wünschenswert, da sie die Wirkung auf PREFUL direkt quantifizieren können.
Wichtigkeit
Als frei atmende, kontrastmittelfreie Methode teilt PREFUL viele Vorteile mit den zuvor genannten verwandten Methoden: 1) Keine Anwendung von ionisierender Strahlung und Kontrastmittel, 2) Keine zusätzliche Hardware oder zusätzliches Personal erforderlich, 3) Erfassung, die nur von einer minimalen Compliance des Patienten abhängt. Diese Vorteile machen PREFUL zu einem komfortablen Überwachungsinstrument, insbesondere für gefährdete Gruppen wie Kinder mit chronischen Lungenerkrankungen. Obwohl das SNR bei SPGRE-Sequenzen niedrig ist, fördern die Verfügbarkeit und der fehlende Bedarf an zusätzlicher Sequenzprogrammierung/-freigabe die Verbreitung dieses Ansatzes weiter.
Wie im Einführungsteil erörtert, zeigt die Anzahl der Studien, die eine gute Validierung, Reproduzierbarkeit, Sensitivitätsergebnisse und Überwachungsmöglichkeiten zeigen, dass die Bedeutung dieser Technik und der entsprechenden dynamischen Parameter auf einem steigenden Kurs ist und durch eine weite Verbreitung weiter unterstützt wird.
The authors have nothing to disclose.
Diese Arbeit wurde vom Deutschen Zentrum für Lungenforschung (DZL) gefördert. Die Autoren bedanken sich herzlich bei allen, die zur Weiterentwicklung von PREFUL beigetragen und diese unterstützt haben, insbesondere: Marcel Gutberlet, Till F. Kaireit, Lea Behrendt, Julian Glandorf, Sonja Lüdiger, Tawfik Moher Alsady, Katharina Bünemann, Marius Wernz, Robin Müller, Maximilian Zubke, Gesa Pöhler, Agilo Kern, Cristian Crisosto, Milan Speth, Arnd Obert, Julienne Scheller, Jim Wild, Edwin van Beek, Helen Marshall, Jens Gottlieb, Martha Dohna, Diane Renz, Anna-Maria Dittrich, Tobias Welte, Jens Hohlfeld, Patrick Zardo, Giles Santyr, Franz Wolfgang Hirsch, Robert Grimm, Bastian Bier, Bassem Ismail, André Fischer, Berthold Kiefer, Gregor Thoermer und Rebecca Ramb. Darüber hinaus bedanken sich die Autoren auch bei den Radiologietechnologen und Studienteilnehmern. Wir danken insbesondere Frank Schröder und Sven Thiele von der Klinik für Radiologie (Medizinische Hochschule Hannover) für die hervorragende technische Unterstützung bei der Durchführung der MRT-Untersuchungen.
Advanced Normalization Tools (ANTs) | – | Image registration toolbox (https://stnava.github.io/ANTs/; https://github.com/fordanic/image-registration) | |
Forsberg | – | Image registration toolbox | |
MRI | Siemens Healthineers AG, Munich, Germany | 0.55T / 1.5T / 3T Scanner | |
PREFUL App | BioVisioneers GmbH, Laatzen, Germany | PREFUL analysis, Figures and reports |