Экспериментальный цифровой атлас зон кровоснабжения ветвей внутренней сонной артерии

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Создание нейроанатомического атласа на большой выборке данных является, по сути, фундаментальным трудом, но создание цифрового атласа в эпоху широкого применения методов лучевой диагностики в клинической и экспериментальной практике, а также систем искусственного интеллекта придаёт исследованию значимое прикладное значение. Крысы являются основным видом лабораторных животных, на которых происходят исследования по моделированию ишемического инсульта, тестированию церебропротекторных препаратов и разработке новых стратегий регенеративной терапии последствий инсульта. На данный момент не существует полноценного цифрового атласа артериального кровоснабжения мозга крыс, а единичные работы опираются на небольшие группы животных и их гистологическое описание. В связи с этим представляется крайне интересным и важным сделать первый шаг для освещения данной проблемы. Цель исследования — создать атлас зон кровоснабжения интракраниальных ветвей внутренней сонной артерии в условиях экспериментальной окклюзии средней мозговой артерии. Методы. Архивные данные магнитно-резонансных исследований крыс с моделью транзиторной окклюзии средней мозговой артерии монофиламентом (n=243). Систему автоматической сегментации мозга на основе искусственного интеллекта использовали для объективной разметки области инфаркта мозга, полученные данные приводили в общее координатное пространство, объединяли и анализировали для выделения зон артериального кровоснабжения. Результаты. Создан цифровой атлас артериального кровоснабжения на основании прижизненных данных магнитно-резонансной томографии высокого разрешения с изотропным вокселем. Заключение. Созданный атлас может применяться для повышения качества моделирования инфаркта мозга путём транзиторной окклюзии средней мозговой артерии монофиламентом и позволит использовать в оценке эффектов терапии экспериментального ишемического инсульта дополнительные объективные параметры. Разработанная нами методология применима для высокопроизводительного ретроспективного анализа данных нейровизуализации пациентов с ишемическим инсультом, полученных в рамках реализации сосудистой программы в Российской Федерации.

Об авторах

Илья Леонидович Губский

Федеральный центр мозга и нейротехнологий; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова

Автор, ответственный за переписку.
Email: gubskiy.ilya@gmail.com
ORCID iD: 0000-0003-1726-6801
SPIN-код: 9181-3091

кандидат медицинских наук

Россия, 117513, Москва, ул. Островитянова, д. 1, стр. 10; Москва

Дарья Дмитриевна Наместникова

Федеральный центр мозга и нейротехнологий; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова

Email: dadnam89@gmai.com
ORCID iD: 0000-0001-6635-511X
SPIN-код: 1576-1860

кандидат медицинских наук

Россия, 117513, Москва, ул. Островитянова, д. 1, стр. 10; Москва

Эльвира Андреевна Черкашова

Федеральный центр мозга и нейротехнологий; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова

Email: tchere@yandex.ru
ORCID iD: 0000-0001-9549-9104
SPIN-код: 3735-3277

кандидат медицинских наук

Россия, 117513, Москва, ул. Островитянова, д. 1, стр. 10; Москва

Иван Сергеевич Гумин

Федеральный центр мозга и нейротехнологий

Email: ivangumin@mail.ru
ORCID iD: 0000-0003-2360-3261
SPIN-код: 3454-2665
Scopus Author ID: 57223430019

MD

Россия, 117513, Москва, ул. Островитянова, д. 1, стр. 10

Леонид Васильевич Губский

Федеральный центр мозга и нейротехнологий; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова

Email: gubskii@mail.ru
ORCID iD: 0000-0002-7423-1229

доктор медицинских наук, профессор

Россия, Москва; Москва

Владимир Павлович Баклаушев

Федеральный центр мозга и нейротехнологий; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова

Email: baklaushev.vp@fnkc-fmba.ru
ORCID iD: 0000-0003-1039-4245
SPIN-код: 3968-2971

доктор медицинских наук, доцент

Россия, Москва; Москва

Владимир Павлович Чехонин

Российский национальный исследовательский медицинский университет имени Н.И. Пирогова; Национальный медицинский исследовательский центр психиатрии и наркологии имени В.П. Сербского

Email: chekhoninnew@yandex.ru
ORCID iD: 0000-0003-4386-7897
SPIN-код: 8292-2807

доктор медицинских наук, профессор, академик РАН

Россия, Москва; Москва

Константин Никитич Ярыгин

Научно-исследовательский институт биомедицинской химии имени В.Н. Ореховича; Российская медицинская академия непрерывного профессионального образования

Email: kyarygin@yandex.ru
ORCID iD: 0000-0002-2261-851X
SPIN-код: 7567-1230

доктор биологических наук, профессор

Россия, Москва; Москва

Список литературы

  1. Srivastava N, Verma S, Singh A, et al. Advances in artificial intelligence-based technologies for increasing the quality of medical products. Daru. 2024;33(1):1. doi: 10.1007/s40199-024-00548-5 EDN: ZRACJW
  2. Fajardo-Ortiz D, Thijs B, Glanzel W, Sipido KR. Evolution of funding for collaborative health research towards higher-level patient-oriented research. A comparison of the European Union Framework Programmes to the program funding by the United States National Institutes of Health. 2023. 37 р. doi: 10.48550/arXiv.2308.07162
  3. Smith JR, Bolton ER, Dwinell MR. The rat: A model used in biomedical research. Methods Mol Biol. 2019;2018:1–41. doi: 10.1007/978-1-4939-9581-3_1 EDN: ZYKRSG
  4. Li Y, Tan L, Yang C, et al. Distinctions between the Koizumi and Zea Longa methods for middle cerebral artery occlusion (MCAO) model: A systematic review and meta-analysis of rodent data. Sci Rep. 2023;13(1):10247. doi: 10.1038/s41598-023-37187-w EDN: LRWMGN
  5. Li Y, Zhang J. Animal models of stroke. Animal Model Exp Med. 2021;4(3):204–219. doi: 10.1002/AME2.12179
  6. Gerriets T, Stolz E, Walberer M, et al. Complications and pitfalls in rat stroke models for middle cerebral artery occlusion: A comparison between the suture and the macrosphere model using magnetic resonance angiography. Stroke. 2004;35(10):2372–2377. doi: 10.1161/01.STR.0000142134.37512.a7
  7. He Z, Yang SH, Naritomi H, et al. Definition of the anterior choroidal artery territory in rats using intraluminal occluding technique. J Neurol Sci. 2000;182(1):16–28. doi: 10.1016/S0022-510X(00)00434-2
  8. Guan Y, Wang Y, Yuan F, et al. Effect of suture properties on stability of middle cerebral artery occlusion evaluated by synchrotron radiation angiography. Stroke. 2012;43(3):888–891. doi: 10.1161/STROKEAHA.111.636456
  9. Liang D, Wiart M, Chauveau F, et al. Pipeline for automatic segmentation of multiparametric MRI data in a rat model of ischemic stroke. Clin Biomed Imaging. 2024. P. 26. doi: 10.1117/12.3006149
  10. Kuo DP, Kuo PC, Chen YC, et al. Machine learning-based segmentation of ischemic penumbra by using diffusion tensor metrics in a rat model. J Biomed Sci. 2020;27(1):80. doi: 10.1186/s12929-020-00672-9 EDN: ENCAEI
  11. Fan Y, Song Z, Zhang M. Emerging frontiers of artificial intelligence and machine learning in ischemic stroke: A comprehensive investigation of state-of-the-art methodologies, clinical applications, and unraveling challenges. EPMA J. 2023;14(4):645–661. doi: 10.1007/s13167-023-00343-3 EDN: YGLIYW
  12. Denic A, Macura SI, Mishra P, et al. MRI in rodent models of brain disorders. Neurotherapeutics. 2011;8(1):3–18. doi: 10.1007/s13311-010-0002-4 EDN: LEUNDA
  13. Gubskiy IL, Namestnikova DD, Cherkashova EA, et al. MRI guiding of the middle cerebral artery occlusion in rats aimed to improve stroke modeling. Transl Stroke Res. 2018;9(4):417–425. doi: 10.1007/s12975-017-0590-y EDN: BYVFPP
  14. Hatamizadeh A, Nath V, Tang Y, et al. Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI images. In: Conference paper, 22 July 2022. P. 272–284. doi: 10.1007/978-3-031-08999-2_22
  15. Van Rossum G, Drake FL. Python 3 reference manual (Python Documentation Manual Part 2). CreateSpace Independent Publishing Platform, Brand: CreateSpace Independent Publishing Platform; 2009. 242 p.
  16. Yaniv Z, Lowekamp BC, Johnson HJ, Beare R. SimpleITK image-analysis notebooks: A collaborative environment for education and reproducible research. J Digit Imaging. 2018;31(3):290–303. doi: 10.1007/s10278-017-0037-8 EDN: YBZILM
  17. Kapur T, Pieper S, Fedorov A, et al. Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience. Med Image Anal. 2016;33:176–180. doi: 10.1016/j.media.2016.06.035
  18. Li F, Omae T, Fisher M, et al. Spontaneous hyperthermia and its mechanism in the intraluminal suture middle cerebral artery occlusion model of rats editorial comment. Stroke. 1999;30(11):2464–2471. doi: 10.1161/01.STR.30.11.2464
  19. Dorr A, Sled JG, Kabani N. Three-dimensional cerebral vasculature of the CBA mouse brain: A magnetic resonance imaging and micro computed tomography study. NeuroImage. 2007;35(4):1409–1423. doi: 10.1016/j.neuroimage.2006.12.040
  20. El Amki M, Clavier T, Perzo N, et al. Hypothalamic, thalamic and hippocampal lesions in the mouse MCAO model: Potential involvement of deep cerebral arteries? J Neurosci Methods. 2015;254:80–85. doi: 10.1016/j.jneumeth.2015.07.008
  21. Sokolowski JD, Soldozy S, Sharifi KA, et al. Preclinical models of middle cerebral artery occlusion: New imaging approaches to a classic technique. Front Neurol. 2023;14:1170675. doi: 10.3389/fneur.2023.1170675 EDN: MNAKLW
  22. Sutherland BA, Neuhaus AA, Couch Y, et al. The transient intraluminal filament middle cerebral artery occlusion model as a model of endovascular thrombectomy in stroke. J Cereb Blood Flow Metab. 2016;36(2):363–369. doi: 10.1177/0271678X15606722
  23. Themistoklis KM, Papasilekas TI, Melanis KS, et al. transient intraluminal filament middle cerebral artery occlusion stroke model in rats: A step-by-step guide and technical considerations. World Neurosurg. 2022;168:43–50. doi: 10.1016/j.wneu.2022.09.043

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Пример сегментации инфаркта мозга с использованием искусственного интеллекта: а — Т2-взвешенные изображения в аксиальной, фронтальной и сагиттальной плоскостях (слева направо), на которых в правом полушарии визуализируется гиперинтенсивный очаг инфаркта мозга; б — автоматическая сегментация очага инфаркта мозга (обозначена красным цветом).

3. Рис. 2. Частота расположения очага инфаркта мозга у экспериментальных животных с моделью временной окклюзии правой средней мозговой артерии (получена путём суммирования всех очагов инфаркта мозга в одном координатном пространстве): а — шаблон интактного мозга, к которому производилась регистрация данных (приведён для ориентира); б — частота расположения очага инфаркта мозга: чем теплее цвет, тем чаще поражалась данная часть мозга (приведена цветовая шкала с указанием соответствия цвета и количества усреднённых значений).

4. Рис. 3. Схема отхождения интракраниальных ветвей внутренней сонной артерии и созданный атлас зон их кровоснабжения: а — схема отхождения интракраниальных ветвей внутренней сонной артерии (схема создана на основании данных Z. He и соавт. [7]); б — последовательные срезы в аксиальной плоскости с расположением на них зон кровоснабжения (зелёным цветом обозначен бассейн корковых ветвей средней мозговой артерии, жёлтым — бассейн средней мозговой артерии, питающий субкортикальную область, красным — бассейн передней ворсинчатой артерии, синим — бассейн гипоталамических артерий); в — трёхмерная реконструкция атласа зон кровоснабжения интракраниальных ветвей внутренней сонной артерии (обозначения цветом аналогичны пункту «б»). ICA — внутренняя сонная артерия; PCA — задняя мозговая артерия; MCA — средняя мозговая артерия; AChA — передняя ворсинчатая артерия; HTA — гипоталамические артерии.


© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».