Co-registro multimodal entre dispositivos e sem marcadores de modalidades de imagem pré-clínica
Summary
A combinação de várias modalidades de imagem é frequentemente necessária para obter uma compreensão abrangente da fisiopatologia. Essa abordagem utiliza simuladores para gerar uma transformação diferencial entre os sistemas de coordenadas de duas modalidades, que é então aplicada para co-registro. Este método elimina a necessidade de fiduciais em digitalizações de produção.
Abstract
Sistemas integrados de imagem multimodal pré-clínica, como tomografia computadorizada (TC) de raios-X combinada com tomografia por emissão de pósitrons (PET) ou ressonância magnética (MRI) combinada com PET, estão amplamente disponíveis e normalmente fornecem volumes robustos co-registrados. No entanto, dispositivos separados são frequentemente necessários para combinar uma ressonância magnética autônoma com um PET-CT existente ou para incorporar dados adicionais de tomografia óptica ou microtomografia de raios-X de alta resolução. Isso requer o co-registro de imagens, que envolve aspectos complexos, como design de cama de mouse multimodal, inclusão de marcadores fiduciais, reconstrução de imagens e fusão de imagens baseada em software. Os marcadores fiduciais geralmente representam problemas para dados in vivo devido a problemas de faixa dinâmica, limitações no campo de visão da imagem, dificuldades na colocação do marcador ou perda de sinal do marcador ao longo do tempo (por exemplo, por secagem ou decaimento). Esses desafios devem ser compreendidos e abordados por cada grupo de pesquisa que requer co-registro de imagens, resultando em esforços repetidos, pois os detalhes relevantes raramente são descritos nas publicações existentes.
Este protocolo descreve um fluxo de trabalho geral que supera esses problemas. Embora uma transformação diferencial seja inicialmente criada usando marcadores fiduciais ou estruturas visuais, esses marcadores não são necessários em varreduras de produção. Os requisitos para os dados de volume e os metadados gerados pelo software de reconstrução são detalhados. A discussão abrange o cumprimento e a verificação dos requisitos separadamente para cada modalidade. Uma abordagem baseada em fantasmas é descrita para gerar uma transformação diferencial entre os sistemas de coordenadas de duas modalidades de imagem. Este método mostra como co-registrar digitalizações de produção sem marcadores fiduciais. Cada etapa é ilustrada usando o software disponível, com recomendações para simuladores disponíveis comercialmente. A viabilidade dessa abordagem com diferentes combinações de modalidades de imagem instaladas em vários locais é mostrada.
Introduction
Diferentes modalidades de imagem pré-clínica têm vantagens e desvantagens distintas. Por exemplo, a tomografia computadorizada (TC) de raios-X é adequada para examinar estruturas anatômicas com diferentes densidades de rádio, como ossos e pulmões. É amplamente utilizado devido à sua rápida velocidade de aquisição, alta resolução tridimensional, relativa facilidade de avaliação das imagens e versatilidade com ou sem agentes de contraste 1,2,3. A ressonância magnética (RM) fornece o contraste de tecidos moles mais versátil sem radiação ionizante4. Por outro lado, modalidades baseadas em traçadores, como tomografia por emissão de pósitrons (PET), tomografia computadorizada por emissão de fóton único (SPECT), tomografia mediada por fluorescência (FMT) e imagem por partículas magnéticas (MPI), são ferramentas estabelecidas para avaliar quantitativamente processos moleculares, metabolismo e biodistribuição de compostos diagnósticos ou terapêuticos radiomarcados com alta sensibilidade. No entanto, carecem de resolução e informações anatômicas 5,6. Portanto, modalidades mais orientadas para a anatomia são tipicamente emparelhadas com as altamente sensíveis, tendo sua força na detecção de traçadores7. Essas combinações possibilitam a quantificação das concentrações de traçadores dentro de uma região específica de interesse 8,9. Para dispositivos de imagem combinados, o co-registro de modalidade geralmente é um recurso interno. No entanto, também é útil fazer o co-registro de varreduras de diferentes dispositivos, por exemplo, se os dispositivos foram adquiridos separadamente ou se um dispositivo híbrido não estiver disponível.
Este artigo enfoca a fusão multimodal em imagens de pequenos animais, que é essencial para a pesquisa básica e o desenvolvimento de medicamentos. Um estudo anterior10 aponta que isso pode ser alcançado com reconhecimento de características, mapeamento de contorno ou marcadores fiduciais (fiduciais). Os fiduciais são pontos de referência para alinhar e correlacionar com precisão imagens de diferentes modalidades de imagem. Em casos especiais, os fiduciais podem até ser pontos de tinta chinesa na pele de camundongos nus11; no entanto, muitas vezes, um cartucho de imagem com marcadores fiduciais integrados é usado. Embora este seja um método robusto e bem desenvolvido10, usá-lo para cada varredura apresenta problemas práticos. Os fiduciais detectáveis por ressonância magnética geralmente são à base de líquido e tendem a secar durante o armazenamento. O PET requer marcadores radioativos, cujo sinal decai de acordo com o período de meia-vida do emissor, que geralmente é curto para aplicações biomédicas, necessitando de preparação pouco antes da varredura. Outras questões, como a incompatibilidade na faixa dinâmica do sinal do marcador fiducial e do objeto examinado, impactam fortemente a imagem in vivo . A ampla faixa de contraste dinâmico requer adaptação frequente da intensidade do sinal do marcador ao objeto que está sendo examinado. Consequentemente, embora um sinal de marcador fraco possa não ser detectado na análise, um sinal de marcador forte pode criar artefatos que prejudicam a qualidade da imagem. Além disso, para incluir consistentemente os marcadores, o campo de visão deve ser desnecessariamente grande para muitas aplicações, potencialmente levando a uma maior exposição à radiação, maiores volumes de dados, tempos de varredura mais longos e, em alguns casos, resolução mais baixa. Isso pode afetar a saúde dos animais de laboratório e a qualidade dos dados gerados.
Transformação e transformação diferencial
Um conjunto de dados de imagem consiste em dados de voxel e metadados. Cada voxel está associado a um valor de intensidade (Figura 1A). Os metadados incluem uma transformação especificando o posicionamento do conjunto de dados no sistema de coordenadas do dispositivo de imagem (Figura 1B) e o tamanho do voxel usado para dimensionar o sistema de coordenadas. Informações adicionais, como tipo de dispositivo ou data de verificação, podem ser armazenadas opcionalmente nos metadados. A transformação mencionada é matematicamente chamada de transformação de corpo rígido. As transformações de corpo rígido são usadas para alterar a orientação ou a posição dos objetos em uma imagem ou espaço geométrico, preservando a distância entre cada par de pontos, o que significa que o objeto transformado mantém seu tamanho e forma enquanto é girado e transladado no espaço. Qualquer série de tais transformações pode ser descrita como uma única transformação que consiste em uma rotação seguida por uma translação. A fórmula usada pelo software para passar da coordenada de dados para a coordenada de destino métrica é mostrada na Figura 1C, onde R é uma matriz de rotação ortonormal, d e v são índices e tamanhos de voxels e t é um vetor de translação 3 x 112. A rotação é detalhada na Figura 1D.
Figura 1: Representação 2D de uma estrutura de conjunto de dados de imagem e posicionamento em um sistema de coordenadas global. (A) Um conjunto de dados de imagem consiste em dados de voxel e metadados. A transformação que especifica o posicionamento e o tamanho do voxel são componentes essenciais de metadados. (B) A imagem é renderizada no sistema de coordenadas do dispositivo. A transformação necessária para colocar o objeto consiste em uma rotação (azul) seguida de uma translação (verde). (C) Para passar da coordenada de dados para a coordenada de destino, o software usa esta fórmula em que R é uma matriz de rotação ortonormal, d e v são índices e tamanhos de voxel e t é um vetor de translação 3 x 1. (D) Uma matriz de rotação (azul no plano A) representa a transformação linear dos pontos rotativos. Multiplicar as coordenadas de um ponto por essa matriz resulta nas novas coordenadas rotacionadas. Clique aqui para ver uma versão maior desta figura.
Uma transformação diferencial é uma transformação de corpo rígido que converte coordenadas de um sistema de coordenadas para outro, por exemplo, de PET para microtomografia de raios-X (μCT), e pode ser calculada usando marcadores fiduciais. Pelo menos três pontos comuns – os fiduciais – são selecionados em ambos os sistemas de coordenadas. A partir de suas coordenadas, uma transformação matemática pode ser derivada que converte as coordenadas. O software usa o método dos mínimos quadrados, que fornece uma solução mais adequada para um sistema de equações com erros ou ruído nos dados medidos. Isso é chamado de Problema de Procusto13 e é resolvido usando a decomposição de valor singular. O método é confiável e robusto porque leva a uma solução única e bem definida (se pelo menos três marcadores não colineares forem fornecidos). Seis parâmetros livres são calculados: três para translação e três para rotação. A seguir, usaremos o termo matriz de transformação, embora tecnicamente consista em uma matriz de rotação e um vetor de translação.
Cada dispositivo de imagem tem seu próprio sistema de coordenadas e o software calcula uma transformação diferencial para alinhá-los. A Figura 2A, B descreve como a transformação diferencial é determinada, enquanto a Figura 2C, D descreve como ela é aplicada. As imagens de ambas as modalidades podem ter dimensões diferentes e mantê-las no processo, como mostra a imagem de exemplo com a fusão de TC e PET na Figura 2E.
Figura 2: Transformação diferencial. (A-D) Simplificado para 2D. Embora aplicável a outras modalidades, presume-se que as modalidades sejam TC e PET para este exemplo. (A, C) Uma imagem de TC com uma caixa delimitadora vermelha é posicionada no sistema de coordenadas. Aplicada ao mesmo sistema de coordenadas, a imagem PET com uma caixa delimitadora amarela é posicionada desviando. (B) Usando marcadores fiduciais que podem ser localizados tanto na TC quanto na PET, uma transformação diferencial T pode ser determinada. Isso é simbolizado pela seta. A matriz de transformação diferencial é armazenada. (D) A matriz de transformação diferencial T salva anteriormente pode então ser aplicada a cada imagem PET. Isso resulta em uma nova transformação que substitui a transformação original nos metadados. (E) Uma imagem de TC fundida com uma imagem PET. As transformações nos metadados de ambas as imagens referem-se ao mesmo sistema de coordenadas. Clique aqui para ver uma versão maior desta figura.
Método e requisitos
Para o método apresentado, um simulador contendo marcadores visíveis em ambas as modalidades é escaneado em ambos os dispositivos. É então suficiente marcar esses fiduciais no software proposto para calcular uma transformação diferencial entre as duas modalidades. A transformação diferencial deve ser criada individualmente para cada par de dispositivos. Ele pode ser salvo e posteriormente aplicado a qualquer nova imagem, eliminando assim a necessidade de marcadores fiduciais em varreduras subsequentes. A colocação final da imagem no sistema de coordenadas de outro dispositivo pode ser novamente descrita como uma transformação e ser armazenada nos metadados da imagem, substituindo a transformação original lá.
Quatro requisitos para este método podem ser formulados: (1) Simulador multimodal: Um simulador contendo marcadores visíveis em ambas as modalidades deve estar disponível. Uma grande seleção de simuladores pode ser obtida comercialmente, e o uso da impressão 3D para a construção de simuladores tem sido amplamente descrito14, incluindo até mesmo a incorporação de radioisitopes15. Os fantasmas utilizados nos exemplos a seguir estão listados na Tabela de Materiais. São necessários pelo menos três pontos não colineares16. Os marcadores podem ser cavidades que podem ser preenchidas com um traçador apropriado, pequenos objetos feitos de um material que é facilmente detectável em cada modalidade, ou simplesmente furos, cortes ou bordas no próprio fantasma, desde que possam ser identificados em ambas as modalidades. (2) Portador multimodal: É necessário um portador, como uma cama de rato, que possa ser fixado em uma posição reproduzível em ambos os dispositivos. Idealmente, não deve ser possível usá-lo em uma posição invertida para evitar erros. O transportador é particularmente importante para imagens in vivo porque é necessário para transportar um animal sedado de um dispositivo de imagem para outro sem alterar sua posição. Com base em nossa experiência, os ratos sedados são mais propensos a mudar de posição em uma cama plana de rato em comparação com uma de formato côncavo. Além disso, um gabarito personalizado impresso em 3D para segurar a tíbia do mouse para minimizar o movimento foi sugerido anteriormente17. (3) Autoconsistência: Cada dispositivo de imagem deve fornecer a rotação e translação do volume reconstruído em seu sistema de referência de maneira reprodutível e coerente. Isso também significa que um sistema de coordenadas para todo o dispositivo é preservado quando apenas uma pequena região é verificada. Faz parte do protocolo testar um dispositivo de imagem quanto à sua autoconsistência. (4) Suporte de software: O software proposto deve ser capaz de interpretar os metadados (tamanho do voxel, tradução, orientação) armazenados com o volume reconstruído fornecido pelo dispositivo. O volume pode estar no formato de arquivo DICOM, NIfTI, Analyze ou GFF. Para uma visão geral de vários formatos de arquivo, consulte Yamoah et al.12.
Embora seja descrito o co-registro de duas modalidades, o procedimento também é aplicável a três ou mais modalidades, por exemplo, pelo co-registro de duas modalidades em uma modalidade de referência.
Protocol
Representative Results
Discussion
Um método de co-registro de imagens multimodais que não requer marcadores fiduciais para varreduras de produção é apresentado. A abordagem baseada em fantasmas gera uma transformação diferencial entre os sistemas de coordenadas de duas modalidades de imagem.
Resíduo de fusão e validação da transformação diferencial
Ao calcular a transformação diferencial, o software exibe um resíduo de fusão em milímetros, representando a raiz quadrada média do erro19 da transformação. Se esse resíduo exceder a ordem de magnitude do tamanho do voxel, é aconselhável inspecionar os conjuntos de dados em busca de problemas gerais. No entanto, como todas as imagens têm pequenas distorções, o resíduo não pode se tornar arbitrariamente pequeno; reflete apenas o ajuste dos marcadores usados. Por exemplo, um co-registro com três marcadores pode resultar em um resíduo menor nos mesmos conjuntos de dados do que uma transformação com quatro marcadores bem distribuídos. Isso ocorre porque os próprios marcadores podem ser sobreajustados quando menos fiduciais são empregados. A precisão em todo o conjunto de dados melhora com um número maior de marcadores.
A precisão quantitativa do método depende do par específico de dispositivos utilizados. A transformação diferencial calculada entre os sistemas de coordenadas de dois dispositivos pode ser validada seguindo estas etapas: Aderindo à etapa 4 do protocolo, mas usando o simulador com marcadores fiduciais como “amostra” novamente. Colocar o simulador em qualquer posição, garantindo que seja diferente daquele usado para estimar a transformação diferencial. Também é possível usar um simulador diferente adequado para as respectivas modalidades, se houver um disponível. Em seguida, aplicando a transformação diferencial determinada anteriormente (etapa 4.2.5) para alinhar as duas modalidades. Em seguida, colocando marcadores nas imagens de ambas as modalidades conforme etapa 3.2 do protocolo. Para calcular o resíduo de fusão para esses marcadores, clique no menu Fusão > Registrar sobreposição para subjacência > Mostrando pontuação residual.
O erro residual descreve o deslocamento médio do sinal e deve estar na ordem do tamanho do voxel. Os limiares de aceitação do concreto dependem da aplicação e podem depender de vários fatores, como a rigidez e a precisão dos sistemas de imagem, mas também podem ser afetados por artefatos de reconstrução de imagem.
Solução de problemas de autoconsistência
Muitas vezes, as dificuldades com a autoconsistência surgem de uma colocação não confiável. Um erro comum é colocar o transportador em uma posição invertida lateralmente. Idealmente, ele deve ser inserido mecanicamente no dispositivo de imagem em apenas uma direção. Se isso não for viável, marcações compreensíveis devem ser adicionadas para o usuário. Outro problema frequente é a possibilidade de movimento no eixo longitudinal, tornando o posicionamento axial pouco confiável. Recomenda-se o uso de um espaçador que possa ser fixado em uma extremidade para prender a cama do mouse no lugar. Espaçadores personalizados podem, por exemplo, ser criados de forma rápida e fácil imprimindo-os em 3D. No entanto, alguns dispositivos não podem fornecer autoconsistência com campos de visão variados. Nesses casos, é aconselhável entrar em contato com o fornecedor, que deve confirmar a incompatibilidade e potencialmente resolvê-la em uma atualização futura. Caso contrário, o método permanece confiável se um campo de visão idêntico for mantido para todas as varreduras, incluindo calibração e imagens de produção.
Para algumas digitalizações de produção com posicionamento desviante, a transformação para a posição calibrada é possível, se for discernível uma estrutura de suporte suficiente. Para imagens in vivo , o animal sedado deve permanecer em um portador, e a construção de um único portador que se encaixe com segurança em ambos os dispositivos nem sempre é possível. Freqüentemente, uma cama de camundongo para uma modalidade baseada em traçador é usada e, em seguida, a colocação é improvisada em um dispositivo de TC. Por exemplo, na Figura 5A, uma cama de camundongo MPI foi colocada em cima de uma cama de camundongo TC devido a restrições mecânicas. A margem de manobra axial e a possibilidade de rolamento tornam esse posicionamento pouco confiável. Nesses casos, é recomendável projetar um adaptador que substitua a cama inferior do mouse e permita um ajuste de intertravamento. Pode, por exemplo, usar munhões presos à parte inferior e orifícios adicionais na parte inferior da cama superior do rato.
No entanto, a correção retrospectiva para imagens existentes é possível, pois o leito do camundongo é detectável na imagem de TC. O protocolo requer varreduras de calibração, seguidas pelo cálculo de uma transformação diferencial da sobreposição para a base. O procedimento é semelhante, mas também deve mapear cada tomografia computadorizada de produção individual para a varredura de calibração, usando as estruturas da cama do mouse como fiduciais.
Figura 5: Solução de problemas de colocação. (A) Uma cama de mouse MPI é colocada em cima de uma cama de mouse CT. Portanto, a posição na TC não pode ser reproduzida de forma confiável. A autoconsistência pode ser alcançada fundindo cada imagem de TC com a imagem de TC de referência usada para estimar a transformação diferencial. (BD) Simplificado para 2D. (B) Cada imagem de TC de produção é carregada como uma sobreposição e registrada na imagem de TC de referência (underlay) usando estruturas da cama do mouse visíveis na TC. A imagem de TC de produção corrigida agora é consistente com a TC de referência e pode ser usada com a transformação diferencial T. (C) Uma sobreposição de MPI é registrada na imagem de TC de referência usando os marcadores fiduciais de um fantasma. (D) As imagens multimodais são montadas. Para isso, cada imagem de TC é mapeada para a posição de referência com sua transformação diferencial individual. Posteriormente, a sobreposição de MPI também é registrada na posição de referência usando a transformação diferencial, que é válida para todas as imagens do dispositivo. Clique aqui para ver uma versão maior desta figura.
Para mapear as tomografias computadorizadas de produção para a varredura de calibração, consulte a seção 3 do protocolo, incorporando as seguintes modificações. Para maior clareza, a descrição continua usando o exemplo de uma base de TC e sobreposição de MPI: Na etapa 3.1, carregue a varredura de calibração de TC (imagem A) como a base e a TC a ser corrigida como a sobreposição. Utilize as estruturas da cama do mouse MPI como marcadores para a etapa 3.2 ou como referências visuais para a etapa 3.3. Ignore a etapa 3.4, mas salve a sobreposição representa o volume de CT corrigido (Arquivo de menu > sobreposição > Salvando sobreposição como). Na caixa de diálogo subsequente, insira um novo nome e clique em salvar. Feche a sobreposição navegando até Arquivo de menu > Sobreposição > Sobreposição de fechamento. Carregue a próxima tomografia computadorizada que requer correção como sobreposição e retome o procedimento a partir da etapa 3.2 do protocolo. O conceito subjacente a esta etapa é ilustrado na Figura 5B.
A cama do mouse agora está virtualmente alinhada de forma idêntica à varredura de calibração em todos os volumes de TC salvos recentemente. Como parte do procedimento padrão, a varredura de calibração é registrada nas imagens MPI usando a transformação diferencial T (Figura 5C). Para posteriormente mesclar a imagem da TC com o MPI, sempre use o volume da TC corrigido (Figura 5D).
Solução de problemas de imagens invertidas e dimensionamento
O método de registro apresentado aqui pressupõe uma qualidade de imagem razoavelmente precisa e apenas ajusta a rotação e a translação. Ele não corrige imagens invertidas ou dimensionamento incorreto. No entanto, esses dois problemas podem ser resolvidos manualmente antes de calcular a transformação diferencial.
Inconsistências entre formatos de dados de diferentes fabricantes podem fazer com que alguns conjuntos de dados, particularmente aqueles no formato DICOM, sejam exibidos como espelho invertido no software. Como os fantasmas e as camas de camundongos costumam ser simétricos, esse problema pode não ser imediatamente aparente. A detecção de imagens invertidas é mais fácil quando a varredura contém letras reconhecíveis na respectiva modalidade, como as letras em relevo na orientação correta vistas no simulador na Figura 3H. No exemplo ilustrado na Figura 6, os dados de TC são carregados como a subjacência e os dados MPI são carregados como a sobreposição. É uma varredura in vivo de um camundongo colocado em uma cama de camundongo MPI com marcadores fiduciais anexados. A cama do mouse MPI está situada em cima de uma cama de mouse μCT (Figura 6A). Ao aderir ao protocolo e marcar os fiduciais tanto na base quanto na sobreposição em uma direção consistente de rotação, um resultado visivelmente incongruente é produzido (Figura 6B). Após uma inspeção mais detalhada, no entanto, o problema pode ser identificado. Os fiduciais formam um triângulo assimétrico. Observando os lados do triângulo na vista axial (Figura 6C, D) do mais curto para o médio para o mais longo, uma rotação no sentido horário é evidente nos dados de TC, enquanto uma rotação no sentido anti-horário é aparente nos dados de MPI. Isso demonstra que uma das imagens está invertida lateralmente. Nesse caso, assumimos que os dados da TC são precisos. Para retificar a sobreposição de MPI, a imagem é invertida: para fazer isso, mude a camada selecionada para sobreposição e clique no Menu Editar > Inverter > Inverter X. A transformação diferencial calculada pelo software abrange todas as rotações necessárias, portanto, “Flip X” é suficiente mesmo que a imagem apareça invertida em outra direção.
Figura 6: Solução de problemas de transformação. Os dados de TC são carregados como underlay com um tamanho de voxel de 0,240 mm e os dados MPI como sobreposição com um tamanho de voxel de 0,249 mm. A cama do rato contém marcadores fiduciais. (A) Visualização 3D da imagem de sobreposição não corrigida. Os fiduciais na base do TC são indicados por setas. Os fiduciais na sobreposição MPI são visíveis como esferas na tabela de cores do NIH. (B) Resultado incompatível de uma transformação realizada sem correções apropriadas. Resíduo de fusão = 6,94 mm. (C) Medição das distâncias entre os fiduciais em CT. Rotação no sentido horário da menor para a maior distância. (D) Medição das distâncias entre os fiduciais no MPI. Rotação no sentido anti-horário da distância mais curta para a mais longa. A comparação com as medidas de TC resulta em um fator de escala de 0,928774. (E) Sobreposição corrigida após inversão e dimensionamento. (F) Transformação com resultados correspondentes na visualização 3D. (G) Transformação com resultados correspondentes na vista axial. Resíduo de fusão = 0,528 mm. Clique aqui para ver uma versão maior desta figura.
Conjuntos de dados com tamanhos de voxel incorretos também podem ser corrigidos manualmente. Como as dimensões do simulador devem ser conhecidas, isso pode ser verificado na imagem. O método mais simples é usar uma aresta de comprimento conhecido. Pressione [Ctrl + botão direito do mouse] em uma extremidade de uma borda e, enquanto mantém o botão pressionado, mova o ponteiro do mouse para a outra extremidade da borda e solte o botão. Na caixa de diálogo subsequente, o software exibe o comprimento da distância medida na imagem. No exemplo ilustrado na Figura 6, é evidente que os tamanhos não são congruentes ao comparar as distâncias entre os fiduciais em ambas as modalidades (Figura 6C,D). Novamente, os dados do TC são considerados precisos. Para modificar o dimensionamento, um fator de escala (SF) é calculado. Como a razão dos comprimentos (CT/MPI) não é precisamente idêntica para cada lado do triângulo, o quociente médio é calculado: SF = ((l1CT/l1MPI) + (l2CT/l2MPI) + (l2CT/l2MPI)) / 3.
Em seguida, ajuste o tamanho do voxel da sobreposição multiplicando cada dimensão por SF. Para conseguir isso, alterne a camada selecionada para sobreposição e abra o Menu Editar > Alterar tamanhos de voxel. Calcule cada dimensão, insira o valor e clique em OK. O resultado de ambas as correções é mostrado na Figura 6E. Depois disso, a sobreposição é registrada na subjacência de acordo com o protocolo. O alinhamento resultante é exibido na Figura 6F,G. Embora isso forneça uma solução rápida para corrigir uma varredura existente, recomendamos calibrar o dispositivo de imagem para uso em produção.
Limitações
Este método é limitado ao co-registro espacial de dados volumétricos existentes compostos por voxels em forma de cubo. Não inclui um processo de reconstrução que calcula o volume a partir de dados brutos gerados pelo dispositivo de imagem (por exemplo, projeções na TC). Várias técnicas de aprimoramento de imagem estão associadas a essa etapa, como métodos iterativos20,21 e a aplicação de inteligência artificial21. Embora o método descrito seja, em princípio, aplicável a todas as modalidades que produzem imagens 3D com voxels em forma de cubo, ele não pode ser empregado para fundir dados 3D com dados 2D, como um volume de ressonância magnética combinado com termografia infravermelha2D 22 ou imagem de fluorescência, que pode ser relevante em aplicações de cirurgia guiada por imagem. O registro de dados 3D não corrige distorções, como as que ocorrem em imagens de ressonância magnética na borda da bobina. Embora não seja obrigatório, os melhores resultados são alcançados quando as distorções são corrigidas durante o processo de reconstrução. A transformação automatizada também não aborda imagens invertidas ou dimensionamento incorreto. No entanto, esses dois problemas podem ser resolvidos manualmente, conforme descrito na seção de solução de problemas.
Significado do método
O método proposto elimina a necessidade de marcadores fiduciais em varreduras de produção, oferecendo várias vantagens. Beneficia modalidades para as quais é necessária manutenção de marcadores ou substituição frequente. Por exemplo, a maioria dos marcadores de ressonância magnética é baseada na umidade, mas tende a secar com o tempo, e os marcadores radioativos de PET decaem. Ao eliminar a necessidade de fiduciais nas digitalizações de produção, o campo de visão pode ser reduzido, levando a tempos de aquisição mais curtos. Isso é útil em ambientes de alto rendimento para reduzir custos e minimizar a dose de raios-x na tomografia computadorizada. Uma dose reduzida é desejável porque a radiação pode afetar as vias biológicas dos animais de teste em estudos de imagem longitudinais23.
Além disso, o método não se limita a modalidades específicas. A desvantagem dessa versatilidade é que menos etapas são automatizadas. Um método publicado anteriormente para fundir dados μCT e FMT emprega marcadores embutidos em uma cama de mouse para cada varredura e pode realizar detecção automatizada de marcadores e correção de distorção durante a reconstrução24. Outros métodos eliminam a necessidade de marcadores utilizando similaridade de imagem. Embora essa abordagem produza bons resultados e também possa corrigir distorções25, ela só é aplicável se as duas modalidades fornecerem imagens semelhantes o suficiente. Este geralmente não é o caso na combinação de uma modalidade anatomicamente detalhada e uma modalidade baseada em traçador. No entanto, essas combinações são necessárias para avaliar a farmacocinética de agentes direcionados26, que têm aplicações em áreas como a nanoterapia anticâncer27,28.
Como o controle de qualidade é menos rigoroso em aplicações pré-clínicas em comparação com aplicações clínicas, o desalinhamento de dispositivos de imagem combinados é um problema reconhecido29. Os dados afetados por esse desalinhamento podem ser melhorados retrospectivamente digitalizando um simulador e determinando a transformação diferencial, potencialmente reduzindo custos e minimizando danos aos animais. Além do método demonstrado que emprega marcadores fiduciais para calcular uma transformação diferencial, que é então aplicada a varreduras de produção, outras possibilidades de fusão de imagens são descritas e usadas. Uma visão geral, que inclui referências a vários softwares disponíveis, pode ser encontrada em Birkfellner et al.30.
Em conclusão, o método apresentado oferece uma solução eficaz para o co-registro de imagens multimodais. O protocolo é prontamente adaptável para várias modalidades de imagem, e as técnicas de solução de problemas fornecidas aumentam a robustez do método contra problemas típicos.
Divulgations
The authors have nothing to disclose.
Acknowledgements
Os autores gostariam de agradecer ao Governo Federal da Renânia do Norte-Vestfália e à União Europeia (EFRE), à Fundação Alemã de Pesquisa (CRC1382 projeto ID 403224013 – SFB 1382, projeto Q1) pelo financiamento.
Materials
| 177Lu | radiotracer | ||
| Custom-build MPI mousebed | |||
| Hot Rod Derenzo | Phantech LLC. Madison, WI, USA | D271626 | linearly-filled channel derenzo phantom |
| Imalytics Preclinical 3.0 | Gremse-IT GmbH, Aachen, Germany | Analysis software | |
| Magnetic Insight | Magnetic Insight Inc., Alameda, CA, USA | MPI Imaging device | |
| Quantum GX microCT | PerkinElmer | µCT Imaging device | |
| U-SPECT/CT-UHR | MILabs B.V., CD Houten, The Netherlands | CT/SPECT Imaging device | |
| VivoTrax (5.5 Fe mg/mL) | Magnetic Insight Inc., Alameda, CA, USA | MIVT01-LOT00004 | MPI Markers |
References
- Hage, C., et al. Characterizing responsive and refractory orthotopic mouse models of hepatocellular carcinoma in cancer immunotherapy. PLOS ONE. 14 (7), (2019).
- Mannheim, J. G., et al. Comparison of small animal CT contrast agents. Contrast Media & Molecular Imaging. 11 (4), 272-284 (2016).
- Kampschulte, M., et al. Nano-computed tomography: technique and applications. RöFo – Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 188 (2), 146-154 (2016).
- Wang, X., Jacobs, M., Fayad, L. Therapeutic response in musculoskeletal soft tissue sarcomas: evaluation by magnetic resonance imaging. NMR in Biomedicine. 24 (6), 750-763 (2011).
- Hage, C., et al. Comparison of the accuracy of FMT/CT and PET/MRI for the assessment of Antibody biodistribution in squamous cell carcinoma xenografts. Journal of Nuclear Medicine: Official Publication, Society of Nuclear Medicine. 59 (1), 44-50 (2018).
- Borgert, J., et al. Fundamentals and applications of magnetic particle imaging. Journal of Cardiovascular Computed Tomography. 6 (3), 149-153 (2012).
- Vermeulen, I., Isin, E. M., Barton, P., Cillero-Pastor, B., Heeren, R. M. A. Multimodal molecular imaging in drug discovery and development. Drug Discovery Today. 27 (8), 2086-2099 (2022).
- Liu, Y. -. H., et al. Accuracy and reproducibility of absolute quantification of myocardial focal tracer uptake from molecularly targeted SPECT/CT: A canine validation. Journal of Nuclear Medicine Official Publication, Society of Nuclear Medicine. 52 (3), 453-460 (2011).
- Zhang, Y. -. D., et al. Advances in multimodal data fusion in neuroimaging: Overview, challenges, and novel orientation. An International Journal on Information Fusion. 64, 149-187 (2020).
- Nahrendorf, M., et al. Hybrid PET-optical imaging using targeted probes. Proceedings of the National Academy of Sciences. 107 (17), 7910-7915 (2010).
- Zhang, S., et al. In vivo co-registered hybrid-contrast imaging by successive photoacoustic tomography and magnetic resonance imaging. Photoacoustics. 31, 100506 (2023).
- Yamoah, G. G., et al. Data curation for preclinical and clinical multimodal imaging studies. Molecular Imaging and Biology. 21 (6), 1034-1043 (2019).
- Schönemann, P. H. A generalized solution of the orthogonal procrustes problem. Psychometrika. 31 (1), 1-10 (1966).
- Filippou, V., Tsoumpas, C. Recent advances on the development of phantoms using 3D printing for imaging with CT, MRI, PET, SPECT, and ultrasound. Medical Physics. 45 (9), e740-e760 (2018).
- Gear, J. I., et al. Radioactive 3D printing for the production of molecular imaging phantoms. Physics in Medicine and Biology. 65 (17), 175019 (2020).
- Sra, J. Cardiac image integration implications for atrial fibrillation ablation. Journal of Interventional Cardiac Electrophysiology: An International Journal of Arrhythmias and Pacing. 22 (2), 145-154 (2008).
- Zhao, H., et al. Reproducibility and radiation effect of high-resolution in vivo micro computed tomography imaging of the mouse lumbar vertebra and long bone. Annals of Biomedical Engineering. 48 (1), 157-168 (2020).
- Gremse, F., et al. Imalytics preclinical: interactive analysis of biomedical volume data. Theranostics. 6 (3), 328-341 (2016).
- Willmott, C. J., Matsuura, K. On the use of dimensioned measures of error to evaluate the performance of spatial interpolators. International Journal of Geographical Information Science. 20 (1), 89-102 (2006).
- Thamm, M., et al. Intrinsic respiratory gating for simultaneous multi-mouse µCT imaging to assess liver tumors. Frontiers in Medicine. 9, 878966 (2022).
- La Riviere, P. J., Crawford, C. R. From EMI to AI: a brief history of commercial CT reconstruction algorithms. Journal of Medical Imaging. 8 (5), 052111 (2021).
- Hoffmann, N., et al. Framework for 2D-3D image fusion of infrared thermography with preoperative MRI. Biomedical Engineering / Biomedizinische Technik. 62 (6), 599-607 (2017).
- Boone, J. M., Velazquez, O., Cherry, S. R. Small-animal X-ray dose from micro-CT. Molecular Imaging. 3 (3), 149-158 (2004).
- Gremse, F., et al. Hybrid µCt-Fmt imaging and image analysis. Journal of Visualized Experiments. 100, e52770 (2015).
- Bhushan, C., et al. Co-registration and distortion correction of diffusion and anatomical images based on inverse contrast normalization. NeuroImage. 115, 269-280 (2015).
- Lee, S. Y., Jeon, S. I., Jung, S., Chung, I. J., Ahn, C. -. H. Targeted multimodal imaging modalities. Advanced Drug Delivery Reviews. 76, 60-78 (2014).
- Dasgupta, A., Biancacci, I., Kiessling, F., Lammers, T. Imaging-assisted anticancer nanotherapy. Theranostics. 10 (3), 956-967 (2020).
- Zhu, X., Li, J., Peng, P., Hosseini Nassab, N., Smith, B. R. Quantitative drug release monitoring in tumors of living subjects by magnetic particle imaging nanocomposite. Nano Letters. 19 (10), 6725-6733 (2019).
- McDougald, W. A., Mannheim, J. G. Understanding the importance of quality control and quality assurance in preclinical PET/CT imaging. EJNMMI Physics. 9 (1), 77 (2022).
- Birkfellner, W., et al. Multi-modality imaging: a software fusion and image-guided therapy perspective. Frontiers in Physics. 6, 00066 (2018).
