磁共振成像（MRI）是可视化健康与患病大脑的重要放射学技术。核心序列如T1加权（T1w）、T2加权（T2w）和T2加权（T2w）在诊断和监测神经系统疾病（尤其是涉及脑血管和肿瘤的疾病）中至关重要。放射学评估依赖于对可见异常的定性评估，因从业者经验不同而引入主观变异性。放射组学、多模态数据分析和定量MRI的出现，为影像特征提供了定量描述。最近，人工神经网络被应用于预测建模和合成序列生成等任务，为临床评估提供了新工具。然而，当前基于AI的预测依赖于手动人类分割，这存在变异性且缺乏稳健验证。因此，需要将微观细胞学真实标记与MRI信号进行精确关联。
近期研究开始同时采集MRI和显微镜图像。然而，现有的使用双光子（2P）显微镜和MRI的相关成像流程要么未直接叠加显微镜和MRI模式，要么无法提供体素精确的多模态配准。虽然光片显微镜能够研究整个小鼠脑体积，但它仅限于静态、单时间点、微观分辨率的测量。因此，能够追踪单个体素随时间变化的纵向研究，并具备三维空间信息和精确图像配准，这一需求尚未得到满足。目前尚不清楚，与MRI配准的基于显微镜的真实标记能否实现直接从MRI数据中AI驱动预测细胞结构。
为解决这些局限，我们开发了BRIDGE（Brain Radiological Imaging with Deep-learning based Ground-Truth Exploration）流程，该流程能够实现多模态体内MRI、活体双光子显微镜与离体光镜及超分辨率显微镜之间的全面体素精确配准，研究对象包括健康大脑以及患者来源的脑肿瘤模型（包括胶质母细胞瘤和脑转移瘤）。通过BRIDGE，我们获取了126个相关数据集，涵盖患者来源的异种移植模型和人类患者切除的组织。为了增强结构检测及后续自动分割，BRIDGE利用显微镜数据作为真实标记，通过卷积神经网络训练MR图像。此外，BRIDGE适用于理解神经系统疾病中涉及的生物学过程及其对MRI信号的影响。在胶质母细胞瘤中，已有研究尝试将T2信号赋予生物学意义：先前研究表明，非局部肿瘤进展与T2高信号、非对比增强的肿瘤区域相关。这导致了一种假说，即T2高信号可能是胶质瘤进展的早期指标。然而，这些时间变化与疾病进展的关系以及是否能指导临床决策仍存在争议。特别是，T2阳性区域中水肿与肿瘤进展的区分仍然困难。这些观察缺乏组织病理学相关性和生物学真实标记。因此，BRIDGE能够将胶质母细胞瘤动态变化与MRI信号变化关联起来。最后，我们提供了一种将这些发现转化到人类疾病中的方法。
结果
多模态和纵向配准桥接MRI与体内外光镜分辨率
为了实现活体双光子显微镜与MRI的体素精确配准，我们开发了BRIDGE流程，该流程由重复的纵向相关2P和9.4T高分辨率MRI采集组成。使用定制的特氟龙环（而非传统钛环）进行小鼠颅窗手术，以最小化MRI伪影并实现精确配准。术后水肿在MRI下可见于颅窗下方，持续至术后两周。随后，记录了无病理小鼠的对照数据集。在胶质母细胞瘤和脑转移瘤的患者来源和脑转移性异种移植模型中，通过重复的纵向MRI和2P采集观察了肿瘤生长和血管结构变化的动态。经过后处理和配准后，生成多维输出，包含多个MRI序列（T1原生、T1对比后、TOF、T2w、T2w和T2图）、纵向测量提供的时间分辨率，以及通过2P显微镜实现的更高成像分辨率和深度（允许更好的组织穿透）。使用卷积神经网络进行图像分割，BRIDGE利用显微镜数据作为真实标记来训练MR图像，从而增强结构检测。为了赋予MRI信号生物学意义，我们使用体素对体素配准的数据、数据归一化、ROI选择和统计评估进行下游分析和解释。最后，我们展示了如何将胶质母细胞瘤患者的体内MRI直接与共聚焦和超分辨率显微镜关联。
获取皮层范围荧光血管造影对于桥接宏观MRI分辨率与微观分辨率至关重要，因为唯一可识别的血管和血管分支点作为配准标志。然而，由于小鼠麻醉时间有限，快速成像需要广泛的空间覆盖，这可能影响图像分辨率和信噪比。我们引入了基于深度学习的感知内容恢复和交互式机器学习，以增强空间成像区域（介于6.30×10^9 μm³和2.11×10^10 μm³之间）的信噪比和分辨率。对于跨模态配准，预处理的2P和MR图像在BRIDGE中经过信号强度归一化和多个配准步骤，包括将多模态成像数据平行于慢性窗口重新切片，以及基于弹性、血管分叉标志的迭代配准方法。为了获得最精确的配准，我们评估了四种不同配准算法（仿射、弹性、刚性和相似性）的配准误差。弹性配准倾向于最精确。此外，我们评估了不同MR序列中可见解剖配准标志的数量，以最小化配准误差。我们发现T2w和T2w序列在3D中具有最多可识别的配准点。当将2P图像与T2图关联时，直径小至约40 µm的血管在血管造影和T2*可见血管之间表现出对应关系。BRIDGE的配准精度通过评分者间评估得到验证，平均均方根误差为71.6 µm。为了推动图像分辨率的极限，我们使用BRIDGE和不同显微镜模态进行了跨尺度成像，并成功将9.4T MRI与体内超分辨率Airyscan成像关联。对于后续定量分析，2P图像的分辨率被降采样以匹配MR图像的分辨率。随后，从配准的2P和MRI数据中的感兴趣区域内提取相应的体素强度。
基于真实标记的深度学习预测改善MRI中脑血管的检测
为了对生物学真实标记与MRI信号之间的相关性做出精确陈述，首先评估MRI和2P中显示的生理结构是否持续可见至关重要，这样才能将变化归因于病理。在T2w图像中，血管可见性随时间保持恒定。在所有可见性类别中，与参考时间点的最大绝对偏差均在预设的±5%等效范围内。其他序列也观察到了相同的结果。为了确保对比剂摄取均匀，我们量化了T1w图像中乙状窦在对比前后的信号强度变化。百分比信号增强为244.7±44.9%（均值±SD，n=6数据集），变异系数为18.3%。这种低动物间变异性表明对比剂摄取和全身分布一致。为了验证荧光葡聚糖在脑血管内的均匀分布，我们每周以相同间隔重复成像同一只小鼠。我们假设血管结构在每次成像中将保持一致，因为使用了标准化注射方案。使用自定义编写的分析脚本，我们量化了血管网络掩膜内不同血管直径的比例。这使我们能够评估血管直径分布在重复测量中是否保持稳定。结果证实，血管结构在成像过程中均匀可见，因为所有直径类别与参考分布的偏差均在预设的±5%等效范围内。即使是小动脉在数周内也保持可见。
我们应用BRIDGE框架分析脑血管及其在不同MRI序列（T2w、T2w、TOF）中的可见性。从配准的2P和MRI数据中提取体素信息进行定量分析。利用低温线圈，在3D T2w序列中实现了40 µm的更高空间分辨率，从而能够体内可视化微血管细节，可靠地关联2P成像中观察到的血管，小至约20 µm。体素数据根据2P显微镜衍生的每个体素的血容量进行分类。先前研究已注意到静脉血管在T2w和T2w成像中对低信号体素的贡献。与这些发现一致，我们的BRIDGE流程显示出2P血容量密度与T2w强度之间存在显著负相关。随后，我们评估了不同MRI序列中血管的可见性。使用T2图和飞行时间序列分割MR可见的动脉和静脉，将其MRI特征与2P中测量的参数（如直径和血流速度）相关联。尽管TOF信号与血流速度强相关，但与血管直径无关。相反，T2w和T2*w序列在描绘血管解剖方面有效，与血管直径良好相关，但与血流速度无关。甚至直径小于体素大小的血管在MR图像中也可见。这些发现支持了TOF序列可视化血流的现有知识，并通过与微观真实标记的直接比较提供了进一步证据。
下一步，我们利用体素精确配准来研究以2P显微镜作为真实标记的AI图像恢复能否提高MRI自动分割的有效分辨率和准确性。目的是在MRI中以接近微观分辨率增强血管结构的可见性，并证明该方法的有效性。利用相关的体内2P微观信息作为真实标记，我们使用nnU-Net深度学习架构自动分割T2w图像中的血管。这种AI辅助预测增强了较小血管的可见性。许多在T2w序列中几乎不可见的血管在人类评估者面前变得清晰可见，而少数血管在训练后不再可见。在每个真实标记血管的直径类别中，神经网络预测的直径估计显著优于二值化的T2w序列。为了评估训练，我们进行了5折交叉验证。扩张Dice系数确定为0.86。平均绝对表面距离约为54 µm，小于100 µm的各向同性MRI体素大小。我们还进行了随机水平或垂直翻转分割的神经网络训练（与MR图像相反），以验证上述程序。如预期，该训练结果不佳，无法预测真实标记的血管结构。总之，这种方法能够减少人类对分割的影响，并改善血管可见性和血管直径估计，从而凸显了显微镜训练的MRI的潜力。
实时相关MRI和活体显微镜揭示转移灶周围T2*w变化的真实标记
先前发现表明，脑转移瘤中的T2w低信号是由非特异性微出血引起的。在此，我们研究了我们多模态流程能否为乳腺癌脑转移患者来源的异种移植模型中的T2w低信号定义微观真实标记。对JIMT-1的体内和离体MRI筛查显示T2w低信号病变。该低信号特征主要位于转移灶边缘，我们通过使用低温线圈的高分辨率离体MRI（各向同性体素大小30 µm）得以展示。我们观察到T2w阳性病变数量随时间增加，标志着脑转移灶的进行性恶化。我们的体内BRIDGE流程揭示了T2图阳性转移灶与直径小于12 µm的转移灶周围毛细血管血流速度降低趋势相关，这大约相当于小鼠红细胞的两倍大小。此外，我们看到了这种放射学特征的异质性，并识别出T2图阳性和阴性转移灶。利用离体BRIDGE流程以及转移细胞标志物和红细胞标志物Ter119的额外免疫荧光染色，我们在T2w阳性病变中观察到转移细胞簇和红细胞簇的数量和大小增加。重要的是，我们通过相关电子显微镜确认了乳腺癌模型中毛细血管内存在红细胞停滞。这与先前发现一致，即乳腺癌脑转移瘤存在血管重塑。当比较小鼠和人类乳腺癌患者（使用3T成像）中T2w/SWI低信号乳腺癌脑转移瘤的比例时，分布相似。在两种模型中，约30%的转移灶是T2w/SWI等信号。在人类中，18.5%的SWI低信号转移灶呈血管样。分割转移灶周围SWI低信号后，3D可视化进一步确认其血管样形态。这支持了至少部分人类脑转移瘤患者SWI低信号病变是由红细胞停滞引起的假说。总之，这些发现揭示了一种不同于微出血的生物学机制，该机制是T2w低信号的基础，并允许开发新型的基于显微镜的放射学标志物用于脑转移瘤检测。
MRI与活体显微镜的体素-体素相关揭示胶质母细胞瘤新兴MRI信号的真实标记
在胶质母细胞瘤中，先前研究提出T2w高信号可能是胶质瘤进展的早期指标。在此，我们为这一假说赋予生物学意义。为了研究胶质母细胞瘤进展过程中MRI的动态变化，评估了两种患者来源的胶质母细胞瘤模型：GG16（以早期血管结构变化为特征，肿瘤呈团块状生长）和S24（早期无血管结构变化，呈弥漫浸润性生长模式）。在注射后60天，GG16肿瘤显示可见的T2w高信号，而在S24模型中未使用高分辨率MRI检测到肿瘤，突出了这些模型的异质性生长模式。体内成像显示，在S24和GG16中，胼胝体的T2w信号强度随时间逐渐增加。相应的离体显微镜和离体T2w图像证实，这种T2高信号与胶质瘤细胞密度增加相关。使用我们的体素值提取流程，我们分析了肿瘤和邻近脑实质体素。两种模型均显示归一化T2w信号强度随每个MR体素的胶质瘤体积密度显著增加，即使在低胶质瘤密度区域（通常与浸润性生长相关）以及手动分割未检测到肿瘤的区域也是如此。比较两种肿瘤模型，在相似的胶质瘤细胞密度下，团块状生长模型（GG16）表现出显著更高的归一化T2w信号强度。纵向分析进一步显示，T2w信号增加与胶质瘤密度和时间呈正相关。即使在浸润性生长模型S24中几乎没有血管结构变化，T2w信号强度也随时间增加。这表明T2w信号强度增加不仅取决于血管结构变化及相关血管源性水肿，而且可以在没有血管变化的情况下解码浸润性生长。此外，GG16数据集的纵向配准证实，归一化T2w信号强度与胶质瘤生长速率随时间显著相关。在GG16中，T2w信号强度增加与单位时间胶质瘤生长速率显著相关。总之，在浸润区存在一个从弱到强T2高信号的梯度。该梯度似乎与胶质瘤密度和胶质瘤动态（即生长速率和注射后时间）相关。采用UMAP降维来说明MRI与2P显微镜之间的相关性，展示了胶质瘤密度如何与多模态MRI数据对齐。
离体扩张超分辨率显微镜-MRI相关性增强宏观成像的有效图像分辨率
这项工作的一个关键部分是整合我们的体内和离体配准及分析流程。虽然体内流程可以追踪数周内的亚细胞动态，但离体流程能够实现人类和小鼠组织的高通量终点成像，结合全脑成像和超分辨率显微镜。体内和离体成像之间的接口结合了高时间分辨率与高空间分辨率，从而能够跨越尺度进行桥接。
为了进一步推动相关MRI技术的图像分辨率极限，我们整合了一个离体显微镜流程，采用扩张显微镜作为超分辨率显微镜方法。为了确保跨模态、标准化的参考平面，我们开发了一个定制的3D打印重切片装置，用于振动切片机切片。该装置专门设计用于将脑组织安装在底座上，作为离体MRI以及后续切片和显微镜的共同定向平面。它包括一个月牙形凹口，旨在防止脑组织附近积聚气泡，从而降低在MR图像中引入伪影的风险。此外，稳定的安装使离体组织更接近MRI线圈，提高了信噪比。后续的配准利用解剖标志，确保MRI与显微镜之间的精确对齐。由于每个脑切片对应一个MR体素的厚度，将一个MR切片与一个脑切片对齐可确保所有后续切片都对齐。配准后，可以将切片对齐到艾伦小鼠脑通用坐标框架。
在分析离体胶质母细胞瘤切片之前，我们检查了Nestin抗体是否对人Nestin具有特异性。在S24-mGFP小鼠异种移植模型中，对人特异性Nestin和内源性GFP的免疫组化证实了荧光肿瘤报告信号与人Nestin表达之间高度共定位。定量分析显示，94.0%的Nestin阳性细胞表现出内源性GFP信号。这些数据表明，在该患者来源的异种移植模型中，Nestin抗体可靠地标记了人类胶质母细胞瘤细胞，与先前发表的工作一致。
为了将显微镜尺度上的分辨率进一步推向单个突触终扣的水平，我们进行了扩张因子为4的相关扩张显微镜。这种方法能够可视化并MRI配准假定的单个神经元-胶质瘤突触，这些突触先前被描述为多细胞肿瘤网络的标志。总之，该流程通过能够在MR体素中定量NGS，为开发恶性连接性的放射学预测因子铺平了道路。
使用BRIDGE对人类脑肿瘤MRI信号的临床转化
最后，我们建立了一个临床转化流程，将BRIDGE应用于人类胶质瘤组织。为此，我们结合使用体内3T MRI、离体9.4T MRI和超分辨率显微镜，研究了通过神经导航提取的人类胶质瘤组织。我们能够利用血管标志将显微镜精确配准到T2w图像。通过该流程，我们能够将IDH突变型星形细胞瘤细胞的分布映射到T2w图像上。在进一步分析中，我们使用Nestin染色以全细胞形态观察肿瘤细胞。因此，在同一星形细胞瘤患者中，我们显示Nestin并未标记所有肿瘤细胞（敏感性：58.8%），但所有Nestin阳性细胞似乎都是肿瘤细胞（特异性：100%）。利用超分辨率显微镜，我们将Nestin阳性细胞以亚细胞分辨率配准到MRI体素。这项研究能够可视化先前描述的胶质瘤细胞神经突样结构，这些结构对脑组织侵袭至关重要。
此外，我们引入了一种方法，通过神经导航将离体人类组织映射到临床T1对比后和FLAIR MRI序列。我们分析了来自肿瘤核心（TC）和浸润区（IZ）的人类胶质母细胞瘤组织，并显示在三个不同患者中，TC和IZ中Nestin阳性细胞的密度高度异质性。然而，TC组织中Nestin阳性细胞的密度高于IZ。总之，该流程为未来研究人类胶质瘤组织中MRI信号背后的生物学提供了一种方法。
讨论与结论
我们建立了一个名为BRIDGE的框架，用于MRI与光镜之间的纵向和多模态体素精确相关，整合了体内2P显微镜和离体超分辨率显微镜。
先前的相关成像技术经常遇到严重的配准挑战，如平移、旋转、弹性差异和分辨率调整。依赖脑切片轮廓作为标志或组织在病理切片块内定位的传统方法显示出不准确性。更先进的技术，如使用CLARITY的3D-3D配准，缺乏纵向配准，因此无法追踪变化。体内相关成像曾尝试使用血管标志将MR血管造影与显微成像对齐，提供了更高的时间分辨率，但通常牺牲了空间精度，尤其是在使用宽场荧光成像时在轴向分辨率方面。BRIDGE通过改进空间配准精度（通过迭代配准流程）解决了这些限制。我们的流程使用在血管造影和MRI上均可3D可见的唯一可识别血管分支，为多模态配准提供了一致且可靠的标志。我们评估了MR序列中可能标志的可见性，发现T2w和T2*w序列是最合适的序列。
此外，将BRIDGE整合到离体环境中，使用了定制的3D打印装置，该装置最小化了重切片步骤，使得在x、y和z轴上的配准更快、更准确。然而，体内2P成像仍然受限于其600-800 µm的穿透深度，限制了全脑覆盖。离体流程提供全脑成像和高分辨率，但无法追踪纵向变化。因此，桥接体内和离体流程对于结合动态监测与高分辨率和全脑分析变得至关重要。
BRIDGE使得能够使用微观信息作为真实标记开发AI驱动的MRI预测。最重要的是，它允许使用任何微观对比度来训练AI算法。先前开发的分割方法主要依赖手动或语义标注，显示了使用神经网络进行医学图像分割的潜力。我们的方法显著增强了图像质量，并减少了对人工输入的依赖，提高了整体稳健性和可重复性。没有配准的显微镜，分割局限于体素水平，因为手动分割无法解释每个体素内的隐藏细节。整合显微镜使深度学习能够超越MRI分辨率增强分割。我们能够精炼和改善MR图像的分辨率，在MRI中揭示接近微观的血管结构信息。我们的AI驱动分析有望使用BRIDGE的体素精确配准来训练模型。随着这些技术的发展，BRIDGE可以转化到人类组织研究，为全面的体内成像和诊断开辟新的临床机会。我们在本手稿中展示了如何将人类胶质瘤组织配准到MRI的概念验证，为BRIDGE的临床转化铺平了道路。
此外，BRIDGE能够提取相关的体素强度值，提供对结构随时间变化的定量见解。我们评估了不同MRI序列中脑血管的可见性，并将这些发现与高分辨率2P成像相关联。使用低温线圈能够检测到小至20 µm的微血管结构，改善了血管分割和定量分析。TOF、T2w和T2*w序列与血管直径和血流速度之间观察到的不同相关性模式，为每种模态在活体脑组织血管成像中的优势和局限性提供了有价值的见解。
在脑转移瘤的背景下，我们的技术平台能够表征红细胞停滞和微血管变化在T2w低信号病变中的作用。T2图阳性与转移灶周围血流减少之间的关联表明，血管功能障碍可能促进转移进展。此外，离体分析证实了T2w低信号病变中转移细胞和红细胞簇形成的增加，加强了血管病理与转移之间的联系。这些见解强调了基于MRI的血管生物标志物在监测肿瘤相关血管变化和指导未来治疗策略方面的潜力。重要的是，我们也在人类患者中观察到类似的T2w低信号病变，这将在未来需要进一步研究。
BRIDGE能够追踪胶质母细胞瘤进展过程中单个体素的动态MR信号强度变化。GG16和S24的独特MRI特征反映了它们不同的生长模式，GG16在2P中即使胶质瘤密度相似也表现出更高的归一化T2w信号强度。纵向分析显示，T2w变化取决于胶质瘤密度、注射后时间以及肿瘤生长速率，将高信号和等信号胶质瘤浸润区细分。这些发现支持基于体素的MR分析作为监测胶质母细胞瘤进展和改善基于影像的肿瘤评估的有价值工具。
总之，BRIDGE提供了MRI与体内和离体显微镜的纵向、体素精确相关。通过克服多模态配准中长期存在的挑战并扩展高分辨率成像的潜力，BRIDGE作为转化研究的有力工具，并将通过基于真实标记的深度学习改善MR成像，影响临床诊断。
方法
研究参与者详情
人类组织经当地监管机构批准后获得。人类患者样本已手动去标识化。
患者来源的原代肿瘤细胞系培养及Illumina 850k甲基化阵列表征
患者来源的胶质母细胞瘤细胞系按照先前研究所述从切除的肿瘤中培养。这些细胞在无血清、非贴壁、“干细胞样”条件下，在DMEM/F-12中生长，并补充B27、胰岛素、肝素、表皮生长因子和成纤维细胞生长因子。
脑转移性JIMT-1（人乳腺癌，ER-、PR-、HER2扩增、曲妥珠单抗耐药、p53-/-，由Patricia Steeg惠赠）在补充有10%胎牛血清和1%青霉素/链霉素的DMEM中培养。
本研究使用的肿瘤异种移植模型的分子分类见补充表S1。使用Illumina Infinium Methylation EPIC试剂盒在德国海德堡德国癌症研究中心的基因组学和蛋白质组学核心设施对所有细胞系中超过850,000个CpG位点进行DNA甲基化分析。在干细胞样条件下维持的胶质母细胞瘤细胞系和JIMT-1使用pLego-T2-mGFP构建体转导表达膜结合GFP的慢病毒载体。脑转移性细胞系为了成像目的稳定转导慢病毒载体，通过使用pLKO.1-puro-CMV-TurboGFP或细胞质tdTomato转导实现细胞质GFP或tdTomato的表达。在整个研究过程中，所有细胞系每三个月通过PCR检测支原体污染。
定期使用FACSAria Fusion 2或FACSAria Fusion系统对转导细胞进行FACS分选。使用BL530/30滤光片分选GFP阳性细胞。
动物实验
所有动物实验均按照欧洲动物实验指令、实验动物科学协会指南和机构实验室动物研究指南进行。该研究由德国卡尔斯鲁厄地区委员会批准，许可证号为G50-19和G220-16。
使用雄性NMRI裸鼠（8-12周龄）进行涉及人类患者来源的原代胶质母细胞瘤细胞的研究。S24细胞系表现出人类疾病恶性肿瘤的特征性浸润性生长模式，而GG16代表在MRI上清晰可见的肿瘤。
使用雌性无胸腺裸鼠和NSG小鼠（8-12周龄）进行所有涉及脑转移模型的研究。JIMT-1细胞在补充有FBS和青霉素/链霉素的DMEM高糖培养基中作为贴壁培养物培养，如前所述。所有细胞系在动物实验前定期进行荧光分选。
动物饲养在德国海德堡德国癌症研究中心的动物设施中。
手术程序按照既定方案进行。使用定制的特氟龙环代替传统的钛环，并建立跨模态体内和离体成像的定制对齐，以确保MRI兼容性和初始图像配准。对于MR成像，使用由特氟龙制成的定制环代替传统上用于无痛头部固定的定制钛环。先前研究报告称，颅窗手术后不久，窗口下出现由局部水肿或疤痕组织引起的高信号区域。我们的观察表明，这些伪影在术后2-3周消退，使其成为相关成像的最佳时间。
在异种移植胶质瘤模型中，在颅窗手术后1-3周，将50,000至100,000个肿瘤细胞立体定向注射到小鼠皮层约500 µm深度。20只小鼠注射了S24胶质瘤细胞，四只小鼠注射了GG16胶质瘤细胞。或者，在没有颅窗手术的情况下，将胶质瘤细胞立体定向注射到纹状体中。
对于脑转移模型，将经过脑向性训练的肿瘤细胞悬浮于磷酸盐缓冲盐水中，并按照既定方案注入左心室。四只小鼠接受了JIMT-1乳腺癌转移细胞的经心内注射。
活体显微镜
先前接受过颅窗手术和肿瘤注射的小鼠在肿瘤植入后在胶质瘤模型中进行了长达150天、在脑转移模型中进行了长达28天的活体观察。使用Zeiss 7MP显微镜和配备有Airyscan2的Zeiss LSM 980进行成像，两者均配备脉冲Ti:Sapphire激光器。使用850 nm和960 nm波长分别对荧光标记（包括GFP、tdTomato、FITC和TRITC葡聚糖）进行成像。显微镜配置了500-550 nm和575-610 nm的带通滤光片组。使用10倍、0.45 NA和20倍、1.0 NA、复消色差、工作距离均为1.7 mm的水浸物镜进行成像。使用低噪声、高灵敏度光电倍增管检测荧光发射。
小鼠用稀释在100% O2中的异氟烷气体麻醉。用3-5%异氟烷诱导麻醉，成像期间降至0.5-1.5%维持，通过呼吸频率监测。麻醉诱导后涂抹眼膏保护眼睛。在整个成像过程中，使用温度传感器和加热板将小鼠体温维持在37°C。通过监测小鼠姿势和呼吸频率定期评估麻醉深度。
对于血管造影，将TRITC-葡聚糖（500,000 g/mol）以10 mg/ml的浓度溶解在0.9% NaCl溶液中。成像前，将100 µl TRITC或FITC溶液注入尾静脉。
使用10倍物镜、0.45 NA、复消色差、水浸，像素大小为1.1838 µm，采集整个脑表面的拼图扫描用于相关流程。
对于Airyscan成像，使用TRITC可视化血管，同时根据GFP通道选择感兴趣区域，特别突出JIMT-1 mGFP表达细胞。使用20倍、1.0 NA、复消色差、水浸物镜，工作距离1.7 mm。使用的像素大小为59.54 nm，提供高分辨率成像。
对于血流速度测量，如前所述使用TRITC进行静脉内血管造影进行活体成像。使用20倍、1.0 NA、复消色差、水浸物镜，工作距离1.7 mm。选择包含感兴趣血管的感兴趣区域。将一条线扫描平行于血管放置，由128个像素组成，像素大小为1.1838 µm，总线长为10.6066 µm。以0.15 ms的帧间隔重复扫描该线1秒。
数据在Zen软件中处理以生成xy图像。随后使用Fiji中自定义编写的宏进行分析，其中每个线扫描手动绘制10条线，对应记录的血液流动角度。计算平均血流速度和标准差。
体内MRI
使用配备675 mT/m梯度强度的9.4T水平孔小动物MRI扫描仪进行MRI扫描。对于S24小鼠，使用8.4 cm体线圈进行发射，使用仅接收的4通道表面阵列线圈进行采集。使用配备低温射频线圈的扫描仪采集GG16和JIMT-1小鼠的扫描。使用4%异氟烷在100%氧气中诱导麻醉。扫描期间，通过鼻锥给予1-1.5%异氟烷在100%氧气中。持续监测呼吸频率，并将动物放置在带有集成水循环加热系统的Bruker标准MRI床上以维持体温。实验动物静脉内注射最多0.1 ml造影剂。序列列于补充表S2中。
人体MRI
在两个3T临床扫描仪上进行MRI检查。Magnetom Skyra eco配备45 mT/m梯度，转换率200 T/m/s；Magnetom Prisma在200 T/m/s下提供最大梯度强度80 mT/m，并包含XR 80/200梯度线圈。所有参与者的成像方案包括在注射钆基造影剂前后进行的3D T1加权MmPRAGE采集，以及3D FLAIR和SWI序列。
经心灌注
如前所述进行脑灌注。使用氯胺酮和赛拉嗪的混合物麻醉荷瘤小鼠。确认指间反射消失后，用4%多聚甲醛和PBS进行经心灌注。取出脑组织后，在4% PFA中固定过夜，然后储存在PBS中。
3D打印装置
我们使用FreeCAD和UltiMaker Cura软件以及UltiMaker 2 3D打印机创建了一个自行设计、易于打印和使用的重切片参考平面。该装置由PLA细丝制成。该装置的主要目的是在MRI和显微镜中找到相同的切片角度。除此之外，该装置解决了脑组织的固定问题以减少MRI伪影，并尽可能使脑组织靠近线圈。使用该装置时，首先在中脑和小脑之间切割脑组织以创建平坦表面。将切割后的脑组织用超级胶水粘贴在自行设计的装置上。随后，将其推入15 ml离心管中，完美贴合。管中充满PBS并密封，以便尽可能少的空气留在管中。然而，由于管中可能残留少量空气，3D打印装置在MRI扫描期间也用作气泡陷阱。为了将脑组织从管中取出，使用一根简单的电线拉动装置上的小开口。随后，在相同的装置上切片脑组织，以在显微镜中找到相同的重切片角度。
离体9.4T MRI采集
使用与体内扫描相同的扫描仪进行离体9.4T MRI扫描。使用低温射频线圈进行采集。为了将组织尽可能靠近线圈放置，将组织粘贴在3D打印装置上。序列列于补充表S3中。
脑组织的振动切片机切片
离体MRI采集后，将粘在3D打印装置上的脑组织从15 ml离心管中取出。然后将3D打印装置直接连接到振动切片机固定装置上。使用振动切片机切割80-100 µm厚的脑切片（取决于MRI体素大小），以与MRI的体素大小对齐。
免疫组化
脑切片或用5% FBS和1% Triton X-100在室温下透化2小时，或使用20 mM柠檬酸钠在60°C进行抗原修复1小时。抗原修复后，用10% FBS洗涤切片。
一抗在1% FBS和0.2% TX100中于4°C在摇床上孵育过夜。然后切片在2% FBS中洗涤两次，然后在1% FBS和0.2% TX100中以1:500稀释度与二抗在室温下孵育至少3小时。二抗孵育后，用1% FBS洗涤三次，然后用PBS洗涤三次。最后，在宽场显微镜之前用1:10000 DAPI在PBS中洗涤切片。切片用SlowFade gold封片。
人类免疫组化
脑切片或通过在微波炉中加热20 mM柠檬酸钠缓冲液直至沸腾进行抗原修复，立即将热缓冲液转移到含有组织的孔中，然后在60°C孵育30分钟；或用5% FBS和1% Triton次Triton X-100在室温下透化2小时。
一抗孵育在含有1% FBS和0.2% Triton X-100的PBS中于4°C在摇床上过夜进行（抗Nestin，小鼠，1:300，Abcam，ab22035；抗CD31，山羊，R&D systems，AF3628，1:100）。孵育后，切片用2% FBS/PBS洗涤三次，每次10-15分钟。
二抗（Alexa Fluor 488 驴抗小鼠用于Nestin；Alexa Fluor 647 驴抗大鼠用于CD31）以1:500稀释于1% FBS/PBS（不含Triton X-100）中，在摇床上于4°C过夜或室温孵育3小时。二抗孵育后，切片用1% FBS/PBS洗涤三次，每次10-15分钟，最后单独用PBS洗涤10-15分钟。对于扩张显微镜，仅使用Nestin染色切片，并将Alexa Fluor 488偶联二抗替换为Alexa Fluor 568。最后，所有切片用含有DAPI的SlowFade Gold封片，并使用宽场荧光显微镜成像。
离体切片的宽场显微镜
使用宽场显微镜（Leica DM6000，Leica Mica，Zeiss AxioScanZ1）采集染色离体切片的多通道拼图扫描。对于定量分析，在AxioScanZ1显微镜上使用20倍（NA 0.8）物镜以325 nm像素大小成像脑切片。
扩张显微镜
按照免疫组化部分所述制备和染色脑切片，不同之处在于使用Atto 647N代替Alexa 647，并如前所述使用抗GFP染色内源性mGFP。一抗和二抗孵育时间均延长至24小时。染色后，使用宽场荧光显微镜筛选切片，并用手术刀切出约1 cm x 1 cm大小的感兴趣区域。对于样品锚定，将修剪后的组织在0.1 mg/ml Acryloyl-X SE溶液中于室温下无摇动孵育过夜。在凝胶化程序前，准备一个凝胶化室，将两个用金刚石刀切割的1.5盖玻片分别放置在石蜡膜包被的载玻片边缘。然后将样品放置在Poly-L-Lysin包被的载玻片上。
制备凝胶化溶液：将470 μl单体溶液与10 μl 0.5 wt% 4-HT、10 μl 10 wt% TEMED和10 μl 10 wt% APS混合。所有储备液均用MilliQ水制备。然后，在垫片之间施加60 μl新鲜制备的凝胶化溶液，并将带有组织的Poly-L-Lysin载玻片放在凝胶化溶液上。通过在37°C孵育凝胶化室2小时引发自由基聚合。聚合后，将凝胶修剪成梯形以区分样品方向，并转移到含有1 ml消化缓冲液的12孔板中，在室温下于摇床上孵育过夜。次日，用1x PBS洗涤凝胶两次，每次30分钟。随后，将凝胶转移到含有MilliQ水的6孔板中。每10分钟更换一次水，共三次，然后额外洗涤30分钟。然后修剪样品，安装在Poly-L-Lysin包被的玻璃底培养皿上进行成像，并覆盖MilliQ水。对于Airyscan显微镜，使用配备40倍、1.2 NA水浸物镜的LSM900 Airyscan NIR显微镜成像。以59.54 nm像素大小采集图像。使用Zen Blue软件进行Airyscan后处理。
电子显微镜
样品制备程序按照先前建立的方法进行，本研究中重新分析了Venkataramani等人2024年的实验数据。
内容感知图像恢复
对于内容感知恢复，按照既定方法收集训练数据，并使用CSBDeep进行训练。预测输出用作Ilastik中的预测图。随后，使用Ilastik Autocontext分割原始数据。配准的概率图在Fiji中使用阈值10000二值化为0和1值，并转换为32位。2P堆栈沿z轴通过平均分组以匹配MRI体素深度，使得单个2P体素表示0到1的胶质瘤体积密度。
体内配准流程
配准流程包括以下步骤：（1）通过分组重新采样2P z切片以匹配MRI体素深度；（2）使用颅窗玻璃作为共同重切片平面对齐2P和MR图像的方向；（3）在xy中对MRI进行空间分辨率重采样以匹配2P像素大小；（4）基于弹性、标志的配准，实现精确的体素-体素相关。具体而言，MRI和2P数据均在Fiji中手动重切片。使用Reslice函数将数据平行于颅窗对齐，确保MRI和2P图像共享相同的3D方向，这对我们的流程尤为重要。然后将MRI数据上采样以匹配x和y轴上2P数据的分辨率。随后，在3D Slicer中使用“Landmark registration”模块的薄板模式进行弹性配准。仿射和刚性变换按照标准方法实施，而弹性配准使用自由形变进行。基于标志的配准遵循薄板样条原理。MR图像用作固定体积，2P图像用作移动体积。T2w图像用于胶质瘤队列的配准，T2*图用于转移瘤队列的配准。使用在MRI和2P成像中均可识别的血管解剖标志进行手动标志配准，使得血管和肿瘤通道的精确配准与MRI相匹配。对于局部精化，选择Simple ITK选项。通过使用3D Slicer模块“Resample Scalar/Vector/DWI Volume”进行最终变换，提供前一个模块生成的变换文件，MRI图像作为固定体积，2P图像作为移动体积。
MRI图像处理
为了确保体内2P-MRI相关中加权成像序列在不同数据集之间的一致性，使用正常表现灰质z归一化进行MR归一化，因为仅分析了灰质。因此，基于2P信号为每个配准数据集创建自定义掩膜，排除肿瘤信号、血管、注射引起的损伤伪影和其他伪影，并将掩膜分为两类：正常表现灰质和胶质瘤。这些掩膜也用于确定定量分析的体素。使用Fiji插件FijiRelax拟合映射序列。不同序列使用依赖于旋转和平移的自定义代码配准Fiji宏进行配准。
体素强度提取
为了实现体素-体素相关定量，通过双线性插值将2P的x和y轴降采样以匹配MRI分辨率。生成的降采样2P图像包含0到1之间的值，表示该体素内的胶质瘤密度。使用自编写的Fiji宏，在上述掩膜内提取归一化MR和2P图像的体素强度。
纵向配准和肿瘤生长定量
在将每个数据集单独配准后，使用依赖于旋转和平移的自编写Fiji宏将每只小鼠的数据集配准到第一时间点。该步骤使得能够定义每天MRI和2P值的变化。通过重叠每只小鼠每个时间点的掩膜来创建胶质瘤生长定量掩膜。
序列比较的RMSE定量
通过配准后在MRI和2P显微镜中定义5个对应标志来检测序列比较的均方根误差。RMSE计算公式如下：
评分者间可靠性
熟悉该流程的两名评分者将相同的六个2P显微镜数据集配准到已重切片的T2w图像。为了确定评分者间可靠性，将由每切片50列和50行组成的坐标系应用于已分组但未重切片的2P图像。使用该坐标系（在重切片和配准过程中变换），我们能够通过自编写的Fiji宏计算两名评分者配准的相同随机建议坐标之间的每个数据集平均RMSE。
离体配准流程
与体内配准流程类似，在Fiji中使用3D打印装置作为重切片平面对MRI扫描进行重切片。MRI图像的x和y轴上采样以匹配显微镜图像的分辨率。无需重切片显微镜图像，因为由于使用了3D打印装置，它们已经以正确的重切片角度捕获。随后，提取与宽场图像切片堆栈匹配的相应MRI切片。由于MRI的体素深度与脑切片的切片深度相同，后续切片自动对齐。对于弹性配准的下一步，使用MRI图像作为固定体积，显微镜图像作为移动体积。在3D Slicer中使用“Landmark Registration”模块的薄板模式。对于局部精化，选择Simple ITK选项。使用宽场图像的DAPI通道进行配准，以识别解剖标志，如胼胝体或前连合。在大多数情况下，在突出点处的一些关键标志足以实现模态之间的完美配准。通过使用3D Slicer模块“Resample Scalar/Vector/DWI Volume”进行最终变换，提供前一个模块生成的变换文件，MRI图像作为固定体积，显微镜图像作为移动体积。然后将标志配准应用于宽场图像的其他通道。所有配准的宽场图像随后使用Ilastik像素分类进行处理，生成概率图作为输出。
脑转移瘤的半自动定量
将使用抗RFP、抗Ter119和DAPI染色的离体JIMT-1 tdtomato脑切片配准到T2*w MRI，并在Ilastik中训练概率图。绘制手动ROI并根据特定转移灶进行标记。对图像进行阈值处理，并将Analyze Particles函数应用于ROI，以在自定义编写的Fiji宏中量。将生成的测量表随后合并并在R中分析。
体内-离体配准流程
体内和离体MRI在3D Slicer中，使用离体MRI作为固定体积进行弹性配准。由此，通过使用离体MRI作为桥梁，体内MRI自动配准到光镜数据上。
离体图谱配准
为了将脑切片配准到艾伦小鼠脑通用坐标框架，我们使用了QUINT流程。
BRIDGE中的深度学习流程
使用BRIDGE流程配准的数据集被重采样，以在XY平面上实现均匀的体素间距，体素大小为25 µm，同时在Z方向保持100 µm的体素大小。我们为2P数据设置了30 µm的最小血管直径滤器，作为T2w序列中血管近似可见度阈值。这保护了神经网络免受许多小血管可能造成的混淆。直径小于30 µm的小血管被排除，以避免混淆网络。因此，开发了一个自定义的Fiji宏来过滤掉直径低于30 µm的结构。该宏系统地分析每个体素的局部邻域以估计血管宽度。通过仅保留满足尺寸阈值的血管，过滤过程增强了数据对后续分析和模型训练的相关性。从配准精度高、血管清晰可见的区域手动选择单切片裁剪，确保包含具有最佳图像质量和清晰界定的血管系统的区域。血管信号被二值化以创建血管分割。为了增加数据多样性并提高模型泛化能力，应用随机翻转和旋转作为数据增强。这些变换产生了原始数据的额外变体，降低了过拟合风险并增强了训练模型的鲁棒性。总共，我们从22个相关数据集和11只小鼠中生成了74个训练数据集。我们在nnU-Net中使用2D训练流程，用预处理过的真实标记训练MR图像。为了评估训练，我们进行了5折交叉验证。我们使用了扩张Dice系数，因为我们评估的结构小而薄。在计算中，将预测与配准的显微镜真实标记进行比较，因此Dice系数也将包括配准误差。为了补偿配准误差，我们使用扩张Dice系数代替Dice系数。对于扩张，在血管两侧各添加50 µm。此外，还计算了平均绝对表面距离。扩张Dice系数和平均绝对表面距离的计算公式如下：
扩张Dice系数：Dice = (2 * |D(A) ∩ D(B)|) / (|D(A)| + |D(B)|)
其中A是显微镜真实标记，B是预测，D(A)是显微镜真实标记的扩张，D(B)是预测的扩张。
平均绝对表面距离：MASD = (1/|A|) * Σ_{a∈A} d(a, B) + (1/|B|) * Σ_{b∈B} d(b, A)
其中A是显微镜真实标记，B是预测。a是显微镜真实标记中的体素，b是预测中的体素。d(a, B)是真实标记中体素到预测中最近体素的距离。d(b, A)是预测中体素到真实标记中最近体素的距离。|A|是真实标记体素数。|B|是预测体素数。
此外，MR图像和预测中的所有血管被分为三类：“强烈可见”、“几乎不可见”和“不可见”。它们的直径也与真实标记进行了比较。MRI中的血管直径通过对MR图像进行阈值处理来确定。
血管可见性变化的定量评估
为了评估T2w序列中的血管变化，将时间点2和3的比例分布与作为参考的时间点1进行比较。定义了±5%的先验等效范围。为了确认可比的血管对比增强，我们量化了T1加权图像上乙状窦在对比前后的信号强度变化。百分比信号增强计算如下：PSE = (SI_post - SI_pre)/SI_pre × 100%，以评估造影剂的均匀分布。为了评估血管直径分布在不同数据集间是否稳定，对比例数据应用了等效方法。对于每个直径类别，将后期时间点的比例与参考数据集进行比较。定义了±5%的先验等效范围，代表最大生物学上无关的偏差。如果所有时间点与参考比例的最大绝对偏差保持在此等效范围内，则认为该直径类别是稳定的。
统计分析
使用R语言中的ggplot2包生成图，并使用ggpubr进行统计检验。箱线图显示最小值和最大值、中位数以及第一和第三四分位数。对于图的数据可视化，使用了其他包：gridExtra, umap, viridis, fields, RColorBrewer, plotly和cowplot。
- = P < 0.05; ** = P < 0.01, *** = P < 0.001。
3D可视化
将3D图像堆栈加载到arivis 4D中。调整像素大小和对比度阈值。为了在3D中可视化MRI，使用自定义训练的Unet模型进行颅骨剥离。随后在ZEISS arivis软件中拍摄高分辨率图像。
共定位的定量评估
为了评估Nestin/GFP和Nestin/IDH1 p.R132H的共定位，对Nestin、GFP或IDH1 p.R132H阳性细胞的DAPI信号进行分割和提取。随后，对这些阳性细胞核进行计数。
缩写
MRI：磁共振成像；2P：双光子显微镜；SNR：信噪比；FLAIR：液体衰减反转恢复序列；TOF：飞行时间成像；T1w：T1加权序列；T2w：T2加权序列；T2w：T2加权序列；MASD：平均绝对表面距离；NGS：神经元-胶质瘤突触；TC：肿瘤核心；IZ：浸润区；AI：人工智能；ROI：感兴趣区域；ExM：扩张显微镜；IHC：免疫组织化学；VAChT：囊泡乙酰胆碱转运蛋白。
补充材料
补充图、表及电影图例。
补充表格。
补充电影1。
补充电影2。
补充电影3。
致谢
V.V.和M.A.K.获得了欧洲神经肿瘤中心的财政支持，V.V.还获得了德国研究基金会、Else Kröner-Fresenius-Stiftung、海德堡大学医学院、SFB 1389、UNITE Glioblastoma项目（ID 404521405）的支持。J.S., Y.Y.和E.R.获得了德国癌症援助协会的Mildred-Scheel-Scolarship奖学金。M.A.K.获得了德国联邦教育与研究部及DFG的财政支持。M.A.K.还获得了Hertie基金会卓越临床神经科学资助。V.V.获得了Schwiete-Stiftung, Sabrina Kaiser-Stiftung以及Wilhelm-Sander-Stiftung的支持。我们感谢数据存储服务SDS@hd，该服务由巴登-符腾堡州科学、研究和艺术部支持。O.T.A.获得了海德堡大学医学院临床科学家计划的财政支持。对于出版费用，我们感谢海德堡大学的财政支持。
我们感谢Stefan Kegel和Mark Ladd在德国癌症研究中心使用9.4T MRI扫描仪的支持和机会。我们感谢Laura Fankhauser在初始实验中帮助和介绍2P和MRI基础设施。我们感谢Nina Drewa在细胞培养和转导方面的帮助。我们感谢Thomas Kuner, Yvette Dörflinger, Simone Hoppe和Niklas Wißmann在样品制备和电子显微镜图像分析方面的帮助。我们感谢Jovana Bojcevski和Amir Abdollahi提供异种移植脑组织，以及Hannah Fels-Palesandro在离体MRI方面的帮助。我们感谢Volker Sturm在MRI序列对齐方面的帮助。我们感谢Gerald Bendner在抗原修复方面的建议。
我们衷心感谢德国癌症研究中心光镜核心设施的Manuela Schulz, Damir Krunic和Felix Bestvater的支持。我们感谢流式细胞术核心设施的F. Blum, T. Rubner, M. Eich, K. Hexel和S. Schmitt在FACS实验中的帮助。我们感谢德国癌症研究中心精密机械部门的R. Matejka在设计和制造特氟龙头部固定装置方面的帮助。最后，我们感谢K. Dell, A. Riedasch, K. Schmidt和A. Berdel在动物护理和动物实验设计方面的支持。
我们感谢使用AI工具辅助编码和改善手稿可读性。
示意图
实验工作流程的示意图由BioRender.com创建。
大语言模型的使用
为了辅助编码和改善手稿可读性，作者使用了ChatGPT-4o和ChatGPT-5。在使用后，作者彻底审查了内容并进行了必要的编辑。作者对最终结果承担全部责任。
数据可用性
本文提供了源数据。原始数据可根据合理要求提供。
代码可用性
自定义代码可在
作者信息
这些作者对本文贡献相同：Julian Schroers, Yvonne Yang。
作者贡献
监督，V.V.；概念化，J.S., Y.Y.，和 V.V.；方法论，J.S., Y.Y., E.R., E.I.Z., V.V.；项目管理，J.S., Y.Y.，和 V.V.；调查，J.S., Y.Y., E.R., N.S., E.I.Z., A.H., J.G.S., A.P.L., O.T.A., T.M., D.B., F.M.I., M.F.，和 V.V.；正式分析，J.S., Y.Y., E.R., E.I.Z., A.H.，和 V.V.；资源，D.B., J.J., F.M.I., M.A.K., F.L.R., F.T.K.，和 V.V.；可视化，J.S., Y.Y.，和 V.V.；撰写原始草稿，J.S.，和 Y.Y.；撰写-审阅与编辑，J.S., Y.Y., O.T.A., J.J., F.S., B.S., D.H.H., M.A.K., M.O.B., F.T.K.，和 V.V.；资金获取，F.T.K.，和 V.V.。
竞争利益
作者声明不存在竞争利益。
参考文献
- Kabasawa H. MR Imaging in the 21st Century: Technical Innovation over the First Two Decades. Magn Reson Med Sci. 2022;21:71-82
- Langen KJ, Galldiks N, Hattingen E, Shah NJ. Advances in neuro-oncology imaging. Nat Rev Neurol. 2017;13:279-89
- Lemee JM, Clavreul A, Menei P. Intratumoral heterogeneity in glioblastoma: don't forget the peritumoral brain zone. Neuro Oncol. 2015;17:1322-32
- Wen PY, van den Bent M, Youssef G, Cloughesy TF, Ellingson BM, Weller M. et al. RANO 2.0: Update to the Response Assessment in Neuro-Oncology Criteria for High- and Low-Grade Gliomas in Adults. J Clin Oncol. 2023;41:5187-99
- Weinberg BD, Gore A, Shu H-KG, Olson JJ, Duszak R, Voloschin AD. et al. Management-Based Structured Reporting of Posttreatment Glioma Response with the Brain Tumor Reporting and Data System. Journal of the American College of Radiology. 2018;15:767-71
- Parillo M, Mallio CA, Pileri M, Dirawe D, Romano A, Bozzao A. et al. Interrater reliability of Brain Tumor Reporting and Data System (BT-RADS) in the follow up of adult primary brain tumors: a single institution experience in Italy. Quantitative Imaging in Medicine and Surgery. 2023;13:7423-31
- Wen PY, Macdonald DR, Reardon DA, Cloughesy TF, Sorensen AG, Galanis E. et al. Updated Response Assessment Criteria for High-Grade Gliomas: Response Assessment in Neuro-Oncology Working Group. Journal of Clinical Oncology. 2010;28:1963-72
- Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016;278:563-77
- Aerts HJWL, Velazquez ER, Leijenaar RTH, Parmar C, Grossmann P, Carvalho S. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature Communications. 2014;5:4006
- Lambin P, Rios-Velazquez E, Leijenaar R, Carvalho S, van Stiphout RGPM, Granton P. et al. Radiomics: Extracting more information from medical images using advanced feature analysis. European Journal of Cancer. 2012;48:441-6
- Brugnara G, Baumgartner M, Scholze ED, Deike-Hofmann K, Kades K, Scherer J. et al. Deep-learning based detection of vessel occlusions on CT-angiography in patients with suspected acute ischemic stroke. Nature Communications. 2023;14:4938
- Rastogi A, Brugnara G, Foltyn-Dumitru M, Mahmutoglu MA, Preetha CJ, Kobler E. et al. Deep-learning-based reconstruction of undersampled MRI to reduce scan times: a multicentre, retrospective, cohort study. Lancet Oncol. 2024;25:400-10
- Wang X, Leong ATL, Tan SZK, Wong EC, Liu Y, Lim L-W. et al. Functional MRI reveals brain-wide actions of thalamically-initiated oscillatory activities on associative memory consolidation. Nature Communications. 2023;14:2195
- Desjardins M, Kılıç K, Thunemann M, Mateo C, Holland D, Ferri CGL. et al. Awake Mouse Imaging: From Two-Photon Microscopy to Blood Oxygen Level-Dependent Functional Magnetic Resonance Imaging. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 2019;4:533-42
- Karimian-Jazi K, Münch P, Alexander A, Fischer M, Pfleiderer K, Piechutta M. et al. Monitoring innate immune cell dynamics in the glioma microenvironment by magnetic resonance imaging and multiphoton microscopy (MR-MPM). Theranostics. 2020;10:1873-83
- Asan L, Falfán-Melgoza C, Beretta CA, Sack M, Zheng L, Weber-Fahr W. et al. Cellular correlates of gray matter volume changes in magnetic resonance morphometry identified by two-photon microscopy. Scientific Reports. 2021;11:4234
- Bhargava A, Monteagudo B, Kushwaha P, Senarathna J, Ren Y, Riddle RC. et al. VascuViz: a multimodality and multiscale imaging and visualization pipeline for vascular systems biology. Nature Methods. 2022;19:242-54
- Lake EMR, Ge X, Shen X, Herman P, Hyder F, Cardin JA. et al. Simultaneous cortex-wide fluorescence Ca2+ imaging and whole-brain fMRI. Nature Methods. 2020;17:1262-71
- Mandino F, Horien C, Shen X, Desrosiers-Gregoire G, Luo W, Markicevic M. et al. Multimodal identification of the mouse brain using simultaneous Ca2+ imaging and fMRI. bioRxiv. 2025
- Vafaii H, Mandino F, Desrosiers-Gregoire G, O'Connor D, Markicevic M, Shen X. et al. Multimodal measures of spontaneous brain activity reveal both common and divergent patterns of cortical functional organization. Nat Commun. 2024;15:229
- Johnson GA, Tian Y, Ashbrook DG, Cofer GP, Cook JJ, Gee JC. et al. Merged magnetic resonance and light sheet microscopy of the whole mouse brain. Proc Natl Acad Sci U S A. 2023;120:e2218617120
- Schregel K, Heinz L, Hunger J, Pan C, Bode J, Fischer M. et al. A Cellular Ground Truth to Develop MRI Signatures in Glioma Models by Correlative Light Sheet Microscopy and Atlas-Based Coregistration. The Journal of Neuroscience. 2023;43:5574-87
- Breckwoldt MO, Bode J, Sahm F, Krüwel T, Solecki G, Hahn A. et al. Correlated MRI and Ultramicroscopy (MR-UM) of Brain Tumors Reveals Vast Heterogeneity of Tumor Infiltration and Neoangiogenesis in Preclinical Models and Human Disease. Front Neurosci. 2018;12:1004
- Isensee F, Jaeger PF, Kohl SAA, Petersen J, Maier-Hein KH. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods. 2021;18:203-11
- Weigert M, Schmidt U, Boothe T, Muller A, Dibrov A, Jain A. et al. Content-aware image restoration: pushing the limits of fluorescence microscopy. Nat Methods. 2018;15:1090-7
- Li M, Huang W, Chen H, Jiang H, Yang C, Shen S. et al. T2/FLAIR Abnormity Could be the Sign of Glioblastoma Dissemination. Front Neurol. 2022;13:819216
- Radbruch A, Lutz K, Wiestler B, Baumer P, Heiland S, Wick W. et al. Relevance of T2 signal changes in the assessment of progression of glioblastoma according to作者联系
通讯作者：varun.venkataramaniuni-heidelberg.de。
引用风格
APA
Schroers, J., Yang, Y., Reyhan, E., Sivapalan, N., Ismail-Zade, E., Heuer, A., Scheck, J.G., Pourkhalili Langeroudi, A., Alhalabi, O.T., Moghiseh, T., Fischer, M., Batra, D., Jende, J., Sahm, F., Suchorska, B., Ippen, F.M., Heiland, D.H., Karreman, M.A., Ricklefs, F.L., Breckwoldt, M.O., Kurz, F.T., Venkataramani, V. (2026). Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States. Theranostics, 16(10), 5440-5462.
ACS
Schroers, J.; Yang, Y.; Reyhan, E.; Sivapalan, N.; Ismail-Zade, E.; Heuer, A.; Scheck, J.G.; Pourkhalili Langeroudi, A.; Alhalabi, O.T.; Moghiseh, T.; Fischer, M.; Batra, D.; Jende, J.; Sahm, F.; Suchorska, B.; Ippen, F.M.; Heiland, D.H.; Karreman, M.A.; Ricklefs, F.L.; Breckwoldt, M.O.; Kurz, F.T.; Venkataramani, V. Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States. Theranostics 2026, 16 (10), 5440-5462.
NLM
Schroers J, Yang Y, Reyhan E, Sivapalan N, Ismail-Zade E, Heuer A, Scheck JG, Pourkhalili Langeroudi A, Alhalabi OT, Moghiseh T, Fischer M, Batra D, Jende J, Sahm F, Suchorska B, Ippen FM, Heiland DH, Karreman MA, Ricklefs FL, Breckwoldt MO, Kurz FT, Venkataramani V. Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States. Theranostics 2026; 16(10):5440-5462.
CSE
Schroers J, Yang Y, Reyhan E, Sivapalan N, Ismail-Zade E, Heuer A, Scheck JG, Pourkhalili Langeroudi A, Alhalabi OT, Moghiseh T, Fischer M, Batra D, Jende J, Sahm F, Suchorska B, Ippen FM, Heiland DH, Karreman MA, Ricklefs FL, Breckwoldt MO, Kurz FT, Venkataramani V. 2026. Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States. Theranostics. 16(10):5440-5462.
这是一篇开放获取文章，根据知识共享署名许可协议分发。
【全文结束】