Complex three-dimensional structures on cellular surfaces are often damaged during high-resolution imaging of live cells. Now, hopping probe scanning ion conductance microscopy—which uses a hopping nanopipette that 'hops' instead of 'sliding'—protects surface structures from probe-induced damage. We describe hopping mode scanning ion conductance microscopy that allows noncontact imaging of the complex three-dimensional surfaces of live cells with resolution better than 20 nm. We tested the effectiveness of this technique by imaging networks of cultured rat hippocampal neurons and mechanosensory stereocilia of mouse cochlear hair cells. The technique allowed examination of nanoscale phenomena on the surface of live cells under physiological conditions.

Abstract Background Glioblastoma is characterized by extensive invasion into brain parenchymal tissue through white matter tracts. Systematically quantifying invasion, however, is limited by the conventional imaging tools, and could potentially be achieved by a structural connectome approach. Methods Two prospective patient cohorts of newly diagnosed glioblastoma were included for network construction. A fiber template was firstly derived by employing probabilistic tractography on healthy subjects. Through performing tract-based spatial statistics in patients and age-matched controls, the connectivity strength of each fiber was estimated in patients for network construction. Contrast-enhancing and non-enhancing tumors were segmented and overlaid to the network to identify connectome disruption in lesion and distant areas. The connectome disruption probabilities were calculated across all patients. Disruption indices and network topological features were examined using survival models. Results The distant areas accounted for higher proportion of disruption than the contrast-enhancing tumor (16.8 ± 12.0% vs 5.8 ± 5.1%, P < 0.001). Compared to healthy controls, patient networks demonstrated lower clustering coefficient, but higher characteristic path length (each P < 0.001). Higher distant area disruption (HR = 1.43, P = 0.027) and characteristic path length (HR = 1.59, P = 0.031) were associated with worse survival, while higher clustering coefficient (HR = 0.59, P = 0.016) was associated with prolonged survival. Conclusion The occult invasion in glioblastoma could be identified and quantified using structural connectome, which may confer benefits to precise patient management.

Background Primary central nervous system lymphoma (PCNSL) carries a poor prognosis. Radiomics may hold potential value in prognostic assessment. Purpose To develop and validate an MRI‐based radiomics model and combine it with clinical factors to assess progression‐free survival (PFS) and overall survival (OS) of patients with PCNSL. Study Type Retrospective and prospective. Population Three hundred seventy‐nine patients (179 female, 53 ± 7 years) from 2014 to 2022. Field Strength/Sequence T2/fluid‐attenuated inversion recovery, contrast‐enhanced T1WI and diffusion‐weighted echo‐planar imaging sequences on 3.0 T. Assessment Radiomics features were extracted from enhanced tumor regions on preoperative multi‐sequence MRI. Using a least absolute shrinkage and selection operator (LASSO) Cox regression model to select radiomic signatures in training cohort (N = 169). Cox proportional hazards models were constructed for clinical, radiomics, and combined models, with internal (N = 72) and external (N = 32) cohorts validating model performance. Statistical Tests Chi‐squared, Mann–Whitney, Kaplan–Meier, log‐rank, LASSO, Cox, decision curve analysis, time‐dependent Receiver Operating Characteristic, area under the curve (AUC), and likelihood ratio test. P ‐value <0.05 was considered significant. Results Follow‐up duration was 28.79 ± 22.59 months (median: 25). High‐risk patients, determined by the median radiomics score, showed significantly lower survival rates than low‐risk patients. Compared with NCCN‐IPI, conventional imaging and clinical models, the combined model achieved the highest C‐index for both PFS (0.660 internal, 0.802 external) and OS (0.733 internal, 0.781 external) in validation. Net benefit was greater with radiomics than with clinical alone. The combined model exhibited performance with AUCs of 0.680, 0.752, and 0.830 for predicting 1‐year, 3‐year, and 5‐year PFS, and 0.770, 0.789, and 0.863 for OS in internal validation, with PFS AUCs of 0.860 and 0.826 and OS AUCs of 0.859 and 0.748 for 1‐year and 3‐year survival in external validation. Data Conclusion Incorporating a multi‐sequence MR‐based radiomics model into clinical models enhances the assess accuracy for the prognosis of PCNSL. Evidence Level 4 Technical Efficacy Stage 2

Introduction: Glioblastoma is characterized by its remarkable heterogeneity and dismal prognosis. Histogram analysis of quantitative magnetic resonance imaging (MRI) is an important in vivo method to study intratumoral heterogeneity. With large amounts of histogram features generated, integrating these modalities effectively for clinical decision remains a challenge. Methods: A total of 80 patients with supratentorial primary glioblastoma were recruited. All patients received surgery and standard regimen of temozolomide chemoradiotherapy. Diagnosis was confirmed by pathology. Anatomical T2-weighted, T1-weighted post-contrast and FLAIR images, as well as dynamic susceptibility contrast (DSC), diffusion tensor imaging (DTI) and chemical shift imaging were acquired preoperatively using a 3T MRI scanner. DTI-p, DTI-q, relative cerebral blood volume (rCBV), mean transit time (MTT) and relative cerebral blood flow (rCBF) maps were generated. Contrast-enhancing (CE) and non-enhancing (NE) regions of interest were manually delineated. Voxel intensity histograms were constructed from the CE and NE regions independently. Patient clustering was performed by the Multi-View Biological Data Analysis (MVDA) approach. Kaplan-Meier and Cox proportional hazards regression analyses were performed to evaluate the relevance of the patient clustering to survival. The histogram features selected from MVDA approach were evaluated using receiver operator characteristics (ROC) curve analysis. The metabolic signatures of the patient clusters were analyzed by multivoxel MR spectroscopy (MRS). Results: The MVDA approach yielded two final patient clusters, consisting of 53 and 27 patients respectively. The two patient subgroups showed significance for overall survival (p = 0.007, HR = 0.32) and progression-free survival (p < 0.001, HR = 0.33) in multivariate Cox regression analysis. Among the features selected by MVDA, higher mean value of DTI-q in the non-enhancing region contributed to a worse OS (HR = 1.40, p = 0.020) and worse PFS (HR = 1.36, p = 0.031). Multivoxel MRS showed N-acetylaspartate/creatine (NAA/Cr) ratio between the two clusters, both in the CE region (p < 0.001) and NE region (p = 0.013). Glutamate/Cr (Glu/Cr) ratio and glutamate + glutamine/Cr (Glx/Cr) of the cluster 1 was significantly lower than cluster 2 (p = 0.037, and 0.027 respectively) In the NE region. Discussion: This study demonstrated that integrating multi-parametric and multi-regional MRI histogram features may help to stratify patients. The histogram features selected from the proposed approach may be used as potential imaging markers in personalized treatment strategy and response determination.

Introduction. Glioblastoma exhibits profound tumor heterogeneity, which causes inconsistent treatment response. The aim of this study was to propose an interpretation method of diffusion tensor imaging (DTI) using joint histogram analysis of DTI-p and -q. With this method we explored the patterns of tumor infiltration which causes disruption of brain microstructure, and examined the prognostic value of tumor infiltrative patterns for patient survival. Materials and methods. A total of 115 primary glioblastoma patients (mean age 59.3 years, 87 males) were prospectively recruited from July 2010 to August 2015. Patients underwent preoperative MRI scans and maximal safe resection. DTI was processed and decomposed into p and q components. The univariate and joint histograms of DTI-p and -q were constructed using the voxels of contrast-enhancing and non-enhancing regions respectively. Eight joint histogram features were obtained and correlated with tumor progression and patient survival. Their prognostic values were compared with clinical factors using receiver operating characteristic curves. Results. The subregion of increased DTI-p and decreased DTI-q accounted for the largest proportion. Additional diffusion patterns can be identified via joint histogram analysis. Particularly, higher proportion of decreased DTI-p and increased DTI-q in non-enhancing region contributed to worse progression-free survival (hazard ratio = 1.08, p < 0.001) and overall survival (hazard ratio = 1.11, p < 0.001). Conclusions. Joint histogram analysis of DTI can provide a comprehensive measure of tumor infiltration and microstructure change, which showed prognostic values. The subregion of decreased DTI-p and increased DTI-q in non-enhancing regions may indicate a more invasive habitat.

Background: Glioblastoma exhibits profound intratumoral heterogeneity in blood perfusion, which may cause inconsistent therapy response. Particularly, low perfusion may create hypoxic microenvironment and induce resistant clones. Thus, developing validated imaging approaches that define low perfusion compartments is crucial for clinical management. Methods: A total of 112 newly-diagnosed supratentorial glioblastoma patients were prospectively recruited for maximal safe resection. Preoperative MRI included anatomical, dynamic susceptibility contrast (DSC), diffusion tensor imaging (DTI) and chemical shift imaging (CSI). The apparent diffusion coefficient (ADC) and relative cerebral blood volume (rCBV) were calculated from DTI and DSC respectively. Using thresholding methods, two low perfusion compartments (ADCH-rCBVL and ADCL-rCBVL) were identified. Volumetric analysis was performed. Lactate and macromolecule/lipid levels were determined from multivoxel spectroscopy. Progression-free survival (PFS) and overall survival (OS) were analysed using Kaplan-Meier and multivariate Cox regression analyses. Results: Two compartments displayed higher lactate and macromolecule/lipid levels than normal controls (each P < 0.001), suggesting hypoxic and pro-inflammatory microenvironment. The proportional volume of ADCL-rCBVL compartment was associated with a larger infiltration area (P < 0.001, rho = 0.42). Lower lactate in this compartment was associated with a less invasive phenotype visualized on DTI. Multivariate Cox regression showed higher lactate level in the ADCL-rCBVL compartment was associated with a worse survival (PFS: HR 2.995, P = 0.047; OS: HR 4.974, P = 0.005). Conclusions: The ADCL-rCBVL compartment represent a treatment resistant sub-region associated with glioblastoma invasiveness. This approach was based on clinically available imaging modalities and could thus provide crucial pretreatment information for clinical decision making.