Simple Science

Ciência de ponta explicada de forma simples

# Biologia# Neurociência

Novas Descobertas sobre Imagens do Cérebro de Recém-Nascidos

Um template novinho pra imagens de cérebros de recém-nascidos ajuda na pesquisa e comparações.

― 7 min ler


Avanços na Imagem doAvanços na Imagem doCérebro de Recém-Nascidosestudos do cérebro de recém-nascidos.Novo modelo melhora pesquisas em
Índice

Estudar os cérebros de recém-nascidos e bebês é um grande desafio para os cientistas. Tem várias maneiras de dividir essas Imagens cerebrais em partes que dá pra usar, mas ainda assim pode ser complicado encontrar as melhores ferramentas pra tipos diferentes de imagens do cérebro. Diferente das imagens de cérebros de adultos, que já têm boas ferramentas disponíveis, as imagens de recém-nascidos podem ser difíceis por causa da forma como os cérebros se desenvolvem durante o primeiro ano de vida.

Problemas com Imagens de Cérebros de Recém-nascidos

As imagens dos cérebros de recém-nascidos podem parecer bem diferentes por causa da falta de Mielina, que é uma substância que ajuda o cérebro a funcionar melhor. Em áreas onde tem pouca ou nenhuma mielina, a substância branca pode parecer mais escura que a cinza em alguns tipos de imagens e mais clara em outros. Isso cria uma situação confusa porque o contraste nas imagens de cérebros de recém-nascidos é o oposto do que se vê nos cérebros de adultos. Nas regiões onde a mielina começa a se desenvolver, pode ser complicado diferenciar os tipos de tecido cerebral.

Pra ajudar com esses desafios, os pesquisadores criaram Modelos de alta qualidade e imagens rotuladas. Esses guias podem ajudar com os métodos atuais de análise das imagens do cérebro e talvez ajudem no futuro também.

Recursos Atuais

Revisões recentes analisaram os modelos de cérebros disponíveis para recém-nascidos. Foi sugerido que não tem um único modelo que sirva pra todos os recém-nascidos porque os cérebros deles mudam rápido nas primeiras fases da vida. Os cientistas muitas vezes têm que usar vários modelos pra conseguir bons resultados. Além disso, há uma necessidade de modelos padrão que consigam conectar estudos de cérebros de recém-nascidos com estudos de cérebros de adultos. Isso poderia ajudar os cientistas a comparar suas descobertas e melhorar seus métodos.

Nosso Novo Modelo

Este artigo apresenta um modelo novo para cérebros de recém-nascidos. Esse novo modelo inclui diferentes tipos de imagens cerebrais e rotulação precisa para várias áreas do cérebro. Criamos vários atlas que fornecem rótulos para diferentes tipos de tecidos cerebrais, incluindo substância cinza, substância branca e fluido no cérebro. Esses atlas também têm rótulos para estruturas cerebrais específicas.

O novo atlas é composto por imagens de diferentes tipos de exames de ressonância magnética e inclui as principais estruturas do cérebro. Ele ajuda a padronizar a forma como os pesquisadores podem se referir a essas imagens e pode auxiliar em estudos futuros.

Métodos de Pesquisa

O estudo seguiu diretrizes éticas e foi aprovado pelos comitês necessários. Os participantes passaram por exames cerebrais pra pesquisa. Os exames foram feitos enquanto os bebês estavam naturalmente dormindo, usando uma técnica que os mantinha calmos. Uma máquina de ressonância magnética de alta qualidade foi usada pra tirar imagens detalhadas dos cérebros.

O protocolo usado pra os exames incluiu diferentes métodos pra conseguir imagens de alta qualidade e minimizar ruídos. Isso ajudou a garantir que as imagens fossem claras e utilizáveis pra análise. Após os exames, um especialista revisou as imagens pra checar se havia alguma descoberta inesperada. Todos os bebês foram considerados saudáveis após os exames.

Criando o Modelo

Pra criar um modelo específico de cérebro pra nosso estudo, começamos com 180 imagens. Depois de filtrar aquelas que tinham muitos problemas, ficamos com 125 boas imagens. Então, criamos um modelo de contraste duplo que reuniu imagens de diferentes tipos de exames.

O modelo foi construído em etapas. Primeiro, registramos as imagens T1 e depois usamos essas imagens pra alinhar as imagens T2. Ao criar uma série de modelos, conseguimos garantir que o produto final fosse abrangente e preciso.

Processo de Segmentação Manual

Dividir as imagens do cérebro pra identificar diferentes estruturas é um trabalho bem detalhado. Levou muito tempo e exigiu um bom entendimento de como o cérebro se desenvolve. Dividimos o trabalho entre assistentes treinados pra ajudar na segmentação manual.

Pra facilitar o processo, começamos com imagens que tinham bom contraste inicial. Isso fez com que as bordas entre os diferentes tipos de tecidos fossem mais fáceis de ver. Mesmo com essa vantagem, a segmentação manual ainda foi complicada. Pra garantir precisão, uma equipe de pesquisadores experientes conferiu o trabalho feito pelos assistentes.

Diretrizes para Estruturas Específicas

Pra partes específicas do cérebro, criamos diretrizes detalhadas pra garantir precisão. Por exemplo, desenvolvemos um protocolo pra guiar a segmentação de estruturas como a amígdala e o hipocampo. Embora esse processo tenha levado bastante tempo, foi necessário pra garantir consistência nas diferentes segmentos.

Nós também categorizamos e rotulamos outras áreas importantes do cérebro como o cáudato, tálamo e cerebelo. Cada uma dessas áreas teve seu próprio conjunto de desafios, mas com as diretrizes e o trabalho em equipe, conseguimos criar uma representação precisa.

Resultado da Segmentação Manual

Após completar a segmentação manual, juntamos os rótulos pra criar um conjunto final de rótulos do atlas. Esses rótulos representam diferentes estruturas cerebrais e foram cuidadosamente verificados pra garantir precisão. O objetivo era assegurar que os rótulos fossem simétricos e fornecessem uma visão completa do layout do cérebro.

Usando o Modelo

Os modelos recém-criados permitem uma fácil comparação entre estudos que envolvem diferentes idades de desenvolvimento cerebral. Isso é especialmente importante quando os pesquisadores querem analisar dados tanto de bebês quanto de adultos. Ao tornar esses modelos disponíveis, abrimos as portas pra que estudos futuros usem isso como uma referência padrão.

Importância de Modelos Padronizados

Ter um modelo padronizado é vital por várias razões. Primeiro, permite consistência na pesquisa, facilitando a comparação de resultados entre diferentes estudos. Sem um modelo padrão, pode ser difícil avaliar as descobertas e ver como elas se relacionam. Usando um modelo compartilhado, os cientistas podem tirar conclusões mais precisas e encontrar padrões no desenvolvimento cerebral ao longo do tempo.

Direção Futura da Pesquisa

Embora tenhamos avançado bastante, o estudo dos cérebros de recém-nascidos e bebês ainda está em desenvolvimento. Há esforços contínuos pra criar modelos e atlas mais detalhados que possam rastrear mudanças no cérebro ao longo do tempo. Colaborações entre pesquisadores podem levar a uma melhor compreensão do desenvolvimento cerebral desde a infância até a adolescência.

À medida que novas técnicas e tecnologias se tornem disponíveis, elas melhorarão nossa capacidade de estudar esses cérebros jovens. Pesquisadores são encorajados a continuar compartilhando suas descobertas e desenvolvendo novos métodos, pois isso levará, no fim das contas, a uma compreensão mais profunda do desenvolvimento cerebral.

Conclusão

Estudar os cérebros de recém-nascidos e bebês tem muitos desafios, mas com as ferramentas e recursos certos, é possível fazer avanços importantes. A criação de novos modelos e atlas estabelece a base pra pesquisas futuras e pode ajudar os cientistas a comparar descobertas de forma mais eficaz. Compartilhar esses recursos vai fomentar a colaboração entre pesquisadores e melhorar nossa compreensão do desenvolvimento cerebral nos primeiros anos de vida.

Fonte original

Título: The FinnBrain Multimodal Neonatal Template and Atlas Collection: T1, T2, and DTI brain templates, and accompanying cortical and subcortical atlases

Resumo: The accurate processing of neonatal and infant brain MRI data is crucially important for developmental neuroscience, but presents challenges that child and adult data do not. Tissue segmentation and image coregistration accuracy can be improved by optimizing template images and / or related segmentation procedures. Here, we describe the construction of the FinnBrain Neonate (FBN-125) template; a multi-contrast template with T1- and T2-weighted as well as diffusion tensor imaging derived fractional anisotropy and mean diffusivity images. The template is symmetric and aligned to the Talairach-like MNI 152 template and has high spatial resolution (0.5 mm3). In addition, we provide atlas labels, constructed from manual segmentations, for cortical grey matter, white matter, cerebrospinal fluid, brainstem, and cerebellum as well as the bilateral hippocampi, amygdalae, caudate nuclei, putamina, globi pallidi, and thalami. We provide this multi-contrast template along with the labelled atlases for the use of the neuroscience community in the hope that it will prove useful in advancing developmental neuroscience, for example, by helping to achieve reliable means for spatial normalization and measures of neonate brain structure via automated computational methods. Additionally, we provide standard co-registration files that will enable investigators to reliably transform their statistical maps to the adult MNI space, which has the potential to improve the consistency and comparability of neonatal studies or the use of adult MNI space atlases in neonatal neuroimaging.

Autores: Jetro J Tuulari, A. Rosberg, E. P. Pulli, N. Hashempour, E. Ukharova, K. Lidauer, A. Jolly, S. Luotonen, H. K. Audah, E. Vartiainen, W. Bano, I. Suuronen, I. L. C. Mariani Wigley, V. Fonov, D. L. Collins, H. Merisaari, L. Karlsson, H. Karlsson, J. D. Lewis

Última atualização: 2024-01-23 00:00:00

Idioma: English

Fonte URL: https://www.biorxiv.org/content/10.1101/2024.01.18.576325

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.01.18.576325.full.pdf

Licença: https://creativecommons.org/licenses/by-nc/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes