مقالة منهجية

الدماغ كل تجزئة وتحليل التغيير-نقطة من الدماغ التشريحية التصوير بالرنين المغناطيسي – التطبيق في مرض هنتنغتون بريمانيفيست

DOI:

10.3791/57256

⸱

يونيو 9, 2018

 ,  ,  ,  ,  , 
1The Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine, 2Center for Imaging Science, Johns Hopkins University, 3Institute for Computational Medicine, Johns Hopkins University, 4Department of Applied Mathematics and Statistics, Johns Hopkins University, 5Division of Neurobiology, Departments of Psychiatry, Neurology, Neuroscience and Pharmacology, and Program in Cellular and Molecular Medicine, Johns Hopkins University School of Medicine, 6F.M. Kirby Research Center for Functional Brain Imaging, Kennedy Krieger Institute, 7Department of Biomedical Engineering, Johns Hopkins University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وتصف هذه الورقة نموذج إحصائي لتحليل بيانات التصوير بالرنين المغناطيسي الحجمي، الذي يحدد أن "التغيير نقطة" عندما يبدأ ضمور الدماغ في بريمانيفيست مرض هنتنغتون. ويتحقق رسم خرائط الدماغ كل النقاط التي التغير استناداً إلى حجم الدماغ التي تم الحصول عليها باستخدام خط أنابيب تجزئة المستندة إلى أطلس الصور T1 المرجحة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التقدم الذي أحرز مؤخرا في التصوير بالرنين المغناطيسي توفر مجموعة متنوعة من علامات مفيدة للتعرف على أمراض الأعصاب. في مرض هنتنغتون (HD)، يبدأ ضمور المخ الإقليمية سنوات عديدة قبل ظهور السيارات (أثناء فترة "بريمانيفيست")، ولكن لا تتميز تماما نمط الزمانية المكانية من ضمور الإقليمية عبر الدماغ. هنا نظهر منصة على إنترنت سحابة الحوسبة، "مريكلود"، الذي يوفر المستندة إلى أطلس الدماغ كل تجزئة الصور T1 المرجحة على مستويات متعددة من التفاصيل، والتالي، تمكننا من الوصول إلى خصائص إقليمية في تشريح المخ. ثم يصف لنا نموذج انحدار الذي يكشف نقطة انعطاف يعتد به إحصائيا، يبدأ ضمور الدماغ الإقليمي الذي يمكن ملاحظته، أي "نقطة التغيير،" فيما يتعلق بمؤشر تطور مرض. كنا كاج-عمر المنتج (CAP) النقاط مؤشر تطور المرض في المرضى عالية الدقة. ولذلك، يوفر نقطة تغير تحليل القياسات الحجمية من خط أنابيب تجزئة، معلومات هامة للنظام ونمط من ضمور الهيكلية عبر الدماغ. الورقة يوضح استخدام هذه التقنيات على بيانات التصوير بالرنين المغناطيسي T1 المرجحة بريمانيفيست هد المواضيع من دراسة متعددة المراكز كبيرة هد التنبؤ بها. هذا التصميم يحتمل أن تكون له تطبيقات واسعة في طائفة من أمراض الأعصاب للتحقيق في التغيرات الدينامية لتشريح الدماغ.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التصوير بالرنين المغناطيسي (التصوير بالرنين المغناطيسي) عزز إلى حد كبير قدرتنا على دراسة تشريح الدماغ ووظائف الأعصاب من الأمراض1،،من23. اعتمدت الهيكلية T1 المرجحة الرنين المغناطيسي واحدة من أوسع أدوات التصوير في الممارسة السريرية الروتينية لتقييم تشريح الدماغ والأمراض ذات الصلة. ويوفر التحليل الكمي للصور ذات الدقة العالية T1 المرجحة علامات مفيدة لقياس التغيرات التشريحية خلال تنكس الدماغ. على وجه الخصوص، تقسيم على أساس النهج الكمي يقلل فعالية أبعاد الصورة من مستوى فوكسل (في أمر من (106)) على المستوى الهيكلي التشريحية ((102)) نيوروينفورماتيكس الفائق4 , 5-تجزئة الدماغ الآلي يمكن تحقيقه باستخدام الأساليب المستندة إلى أطلس6،7،،من89 أن خريطة التسميات التشريحية المحددة مسبقاً من أطلس على الصور المريض . من بين الأساليب المستندة إلى نظام أطلس، أثمرت خوارزميات متعددة أطلس10،11،12،،من1314 تجزئة فائقة الدقة ومتانة. مجموعتنا ووضعت خط أنابيب تجزئة أطلس متعدد T1 مؤتمتة بالكامل، مع ديفيومورفيك متقدمة صورة التسجيل خوارزميات15والانصهار أطلس متعدد الأساليب16،17وغنية متعددة أطلس المكتبات 18-خط الأنابيب قد وزعت على منصة سحابة الحوسبة، مريكلود19، منذ عام 2015، وأنها قد استخدمت لدراسة أمراض الأعصاب، مثل مرض الزهايمر (AD)20،21، الابتدائية حبسه التدريجي22، ومرض هنتنغتون23.

حالما يتم تقسيم الصور ذات الدقة العالية إلى هياكل الدماغ، يمكن استخدام الخصائص الإقليمية، مثل وحدات التخزين، إنشاء النماذج الرياضية لوصف التغييرات التي نيورواناتوميكال. أسلوب تحليل نقطة تغير أنشئت مؤخرا بمجموعتنا لتحليل الترتيب الزمني، التي تحدث فيها تغييرات شكلي الدماغ يعتد به إحصائيا، استناداً إلى بيانات التصوير بالرنين المغناطيسي طولية و/أو المشتركة بين القطاعات. طور هذا النموذج الإحصائي أولاً كمياً على أساس الشكل ديفيومورفوميتري على مدى العمر في الإعلان المرضى21،24؛ وأنه كان في وقت لاحق تتكيف مع التحقيق في الدماغ التغييرات الهيكلية في مرض هنتنغتون (HD)، فضلا عن وصف التغيرات الإنمائية الدماغ في أدمغة الأطفال حديثي الولادة25. في المرضى عالية الدقة، عرف أن التغير النقطة الدخول فيما يتعلق بنقاط كاج-عمر المنتج (CAP)، كمؤشر لمدى التعرض لتوسيع المساعدة النقدية في HTT 26. فمن المعروف جيدا أن ضمور سترياتال واحدة من علامات أقرب في HD، تليها pallidus جلوبس27. ومع ذلك، التغييرات في المخطط فيما يتعلق بالهياكل الأخرى مسألة الأبيض والرمادي عبر الدماغ لا يزال غير واضح. هذه العلاقة حاسمة بالنسبة لنا لفهم تطور المرض. يرجح أن سيوفر التحليل نقطة التغيير الحجمي التغيرات في هياكل الدماغ جميع المعلومات المنتظمة من ضمور الدماغ في مرحلة بريمانيفيست عالية الدقة.

هنا نظهر إجراءات القيام بتجزئة الدماغ كلياً باستخدام مريكلود (www.mricloud.org)، والخطوات المتخذة لإجراء تحليل نقطة تغير البيانات الحجمي في بريمانيفيست هد المواضيع. وجمعت بيانات التصوير بالرنين المغناطيسي من متعددة عدد كبير من سكان هد التنبؤ بها-دراسة28،29 مع حوالي 400 من عناصر التحكم وبريمانيفيست هد المواضيع. أن الجمع بين التحليل تجزئة ونقطة التغيير القائم على أطلس يجلب معلومات فريدة من نوعها حول أمر الزمانية المكانية للتغيرات الهيكلية في الدماغ ونمط تطور المرض عبر الدماغ. التقنيات قابلة للتطبيق المحتمل لمجموعة من أمراض الأعصاب مع مختلف المؤشرات الحيوية خريطة تنكس الدماغ.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. المستندة إلى أطلس الدماغ كله تجزئة

  1. إعداد البيانات
    1. تحويل صور ثلاثية الأبعاد (3D) T1 المرجحة، اكتسبت عادة مع تسلسل (أعد مغنطة السريع التدرج-صدى) مبرج، من بائعي DICOM (التصوير الرقمي والاتصالات) تنسيق إلى تنسيق تحليلها. لاحظ أن حساب سحابة يتطلب بيانات المستخدمين لنقلها إلى مجموعات البعيد. وفقا "قابلية التأمين الصحي" وقانون المساءلة (HIPPA)، قم بإزالة معلومات تعريف شخصية المرضى من ملفات الصور.
      ملاحظة: مريكلود يوفر محول DICOM لتحليل (https://braingps.mricloud.org/t1prep) لتحويل تنسيق الملف، فضلا عن تحديد إزالة المعلومات الصحية الشخصية.
      1. انقر نقراً مزدوجاً لفتح Dcm2Analyze.exe. سيتم فتح نافذة منبثقة (الشكل 1A).
      2. تحديد مسار الدليل بيانات DICOM الإدخال كإدخال وتحليل الصور اسم الملف والمسار كإخراج.
      3. انقر فوق "انتقال" لإكمال عملية التحويل.
        ملاحظة: التحويل الاحتياجات التي يمكن القيام بها لكل مريض على حدة، وسيكون من المفيد لإخراج جميع الصور المحولة في مجلد دراسة واحدة للمعالجة (1.2.2.1) دفعة واحدة.
  2. أطلس متعددة على أساس تجزئة الصورة T1 باستخدام مريكلود19.
    1. قم بتسجيل الدخول "لتحديد المواقع الدماغ" (السجل لأول مرة للمستخدمين) من https://mricloud.org. حدد أداة "تجزئة" من القائمة الرئيسية (الشكل 1B). هناك خياران تطبيق برمجة واجهة (API) تحت "تجزئة": "T1-مولتياتلاس" لواحدة تجزئة الصورة T1، و "T1--مولتياتلاس المجموعة" لتجهيز الدفعات. يتطلب تحليل نقطة تغير البيانات السكانية الكبيرة، ومما، تجهيز الدفعات هو غالباً الخيار.
    2. تقديم وظائف API "دفعة T1-مولتياتلاس".
      1. ضغط ملفات الصورة تحليل متعددة في ملف مضغوط. انقر فوق "+.zip" في الشكل 1B تحميل ملف مضغوط.
        ملاحظة: البوابة سحابة الحالي يحد من عدد الصور إلى 30 في كل مجلد مضغوط. يمكن تقسيم مجموعات البيانات الكبيرة إلى عدة مجلدات الرمز البريدي بحيث تتم معالجتها. يمكن التقدم بطلب خاص لاستيعاب المزيد من الصور في ملف مضغوط. في المستقبل، ونحن قد يحتمل أن تزيد عدد محدود أو إزالة الحد الأقصى حتى عندما تتوفر الموارد الحسابية أكثر بعدا.
      2. ملء الحقول المطلوبة في الشكل 1B.
        1. تجهيز الخادم: اختر "عبارة علم التشريح الحسابية".
        2. نوع الشريحة: اختر من "السهمي"، أو "المحوري"، أو "السهمي تحويلها إلى المحوري".
          ملاحظة: "السهمي" يشير إلى الصور المكتسبة مع اتجاه السهمي مع عرض بالطائرة في الخلفي Anterior وتوجيهات رئيس--سيرا على الأقدام. "محورية" يشير إلى اتجاه محوري الصور المكتسبة مع عرض بالطائرة في اتجاه اليسار واليمين والخلفي Anterior. "السهمي اعتنق المحوري" يشير إلى الصور التي اكتسبت أصلاً في اتجاه محوري ولكن بعد تحويلها إلى صور السهمي (تلك هي الصور عادة "محورية" بمنطقة الرقبة طويلة).
        3. مكتبة أطلس متعددة: اختر مكتبة أطلس مع العمرية الأقرب إلى بيانات المستخدم لتحسين دقة تجزئة. يمكننا توفير مجموعات بيانات أطلس المتعددة التي سبق إنشاؤها18 مع النطاقات العمرية المختلفة، مثل "طب الأطفال 4-8 سنة"، "طب الأطفال 8-12 سنة"، "الكبار 22-50"، و "الكبار 50-" 90 "، فضلا عن إصدارات مختلفة من نظام أطلس. يمكن العثور على معلومات حول إصدارات الأطلس في https://braingps.mricloud.org/atlasrepo.
    3. التحقق من حالة المهمة من خلال "وضعي الوظيفي" (الشكل 1). بمجرد الانتهاء من الوظائف، سوف تظهر زر "تحميل النتائج" التي تسمح للمستخدمين بتحميل نتائج تجزئة كملف.zip.
    4. تصور النتائج. لموضوع واحد، يمكن تصور وحدات التخزين التي تم الحصول عليها من نتيجة التجزئة على الإنترنت (غير مجدية لمعالجة نتائج المجموعة).
      1. انقر فوق زر "عرض النتيجة" في الشكل 1. صفحة ويب سوف تتحول إلى واجهة التصور (الشكل 1). هي تتداخل آراء الاكليلية السهمي والمحوري لخريطة تقسيم على الصورة التشريحية T1 المرجحة. عرض ثلاثي الأبعاد لهياكل الدماغ مجزأة تظهر في الإطار الأيسر العلوي. لون من تجزئة تتراكب تبين الخريطة z-النقاط لوحدات التخزين الهيكلية.
      2. ضبط خيارات التصور، بما في ذلك تراكب ON/OFF، عتامة التغشية، التكبير والتصغير، وشريحة المواقف من اللوحة اليسرى العلوية في الشكل 1.
      3. مجموعة أروع تجزئة الطرود إلى تقسيمات مختلفة. وحددنا في أعمالنا اﻷطالس، خمسة مستويات من التفاصيل مع هذين النوعين علم الوجود العلاقات18،30. يتم عرض طريقة عرض شجرة للتعاريف تشريحية متعددة المستويات الهرمية في اللوحة اليسرى السفلي (الشكل 1). انقر فوق الأرقام المستوى لتوسيع الهياكل على مستوى علم الوجود المقابلة. خرائط تقسيم في نفس الوقت ستتحول إلى مستوى علم الوجود المقابلة.
        ملاحظة: حلقات مريكلود نصف شهرية مساعدة في "جامعة جونز هوبكنز كلية للطب" لتقديم دروس التدريب العملي على عمليات الإنترنت الموصوفة أعلاه. يمكن الاطلاع على المعلومات ورشة عمل من https://braingps.mricloud.org/workshops.
    5. تحميل نتائج تجزئة للتحليل اللاحق. فك النتائج إلى دليل دراسة مستخدم، مثلاً، وضعت نتائج تجزئة من جميع المواضيع في دليل دراسة واحدة، كل منهما في المجلدات الفردية في هذا الموضوع.
      ملاحظة: تشمل النتائج
    • example.img: الصورة الأصلية T1 في اتجاه محوري.
    • example_MNI.img: صورة T1 في الفضاء منين بعد الإحداثيات تالايراتش.
    • example_7Labels.img و example_7Labels_MNI.img: تجزئة الخشنة مع الطرود 7 (السنجابية والمسألة الأبيض والسائل الدماغي النخاعي، البطين الجانبي، والجمجمة والخلفية) في أصلي ومنين الفضاء، على التوالي.
    • example_283Labels_M2.img و example_283Labels_M2_MNI.img: تجزئة مع الطرود 283 (إصدار أطلس V9B) في الفضاء منين، والأم بشكل جيد على التوالي. العدد الدقيق لتسميات تعتمد على إصدار أطلس.
    • example_corrected_MNI_stats.txt و example_MNI_stats.txt: الإحصاءات من وحدات التخزين لكل الدماغ الطرود في الفضاء منين وأصلي.
    • multilevel_lookup_table.txt: تعريف علم الوجود متعدد المستويات للطرود الدماغ.
  3. القيام بتجهيز دفعة للحصول على وحدات تخزين الدماغ في عدد سكان. استخدام دفعة Matlab (www.mathworks.com) داخلية معالجة البرنامج النصي لاستخراج كميات الدماغ من المجلدات الفردية نتيجة والجمع بين البيانات الحجمي لجميع المواضيع في جميع مستويات الحبوبية إلى جدول بيانات. يتم استخدام واجهة مستخدم الرسومية (GUI) لتحديد الإدخال والإخراج.
    1. وسوف تخرج Matlab.exe المفتوحة، تشغيل Main.fig، وواجهة المستخدم الرسومية (الشكل 2A).
    2. في "استخراج حجم T1 من مريكلود" لوحة (اللوحة العلوية في الشكل 2 ألف)، تحديد المدخلات، بما في ذلك دراسة الدليل حيث تم تحميلها تجزئة يتم حفظ النتائج (انظر 1.2.5)؛ وجدول البحث متعدد المستويات ملف المسار واسم الملف.
    3. حدد جدول البيانات اسم ملف الإخراج ومسار الملف حيث أن حجم البيانات سوف تكون الكتابة إلى.
    4. انقر فوق زر "استخراج وحدة التخزين" لتشغيل التحليل. يمكن التحقق من النتائج في جدول البيانات المعرفة من قبل المستخدم.
      ملاحظة: بالإضافة إلى ذلك، هو وضع حزمة R لعملية مريكلود النواتج وأداء المزيد من التحليل الإحصائي، قدمها الدكتور برايان كافو31. ويمكن تحميل الحزمة من https://github.com/bcaffo/MRIcloudT1volumetrics.

2-تغيير نقطة تحليل البيانات الحجمي

ملاحظة: يرجى الرجوع النظرية وتفاصيل رياضية نموذج تغيير نقطة لأعمالنا السابقة منشورات24،،من2123. بإيجاز، الذي يتم فيه إنشاء نموذج انحدار لبيانات عالية الدقة، لتحديد تغيير نقطة حاسمة (من حيث درجة CAP)، بدءاً من خلالها، يصبح الانحدار الخطي بين كاب وحجم الإحصائية الهامة، أثناء تصحيح لآثار عمر المريض، بين الجنسين، وحجم داخل الجمجمة. مخطوطات Matlab داخلية، جنبا إلى جنب مع واجهة المستخدم الرسومية (الشكل 2A، لوحة أقل)، وضعت لحساب النقاط التي التغير الهياكل الفردية وإجراء التحليل الإحصائي. البرامج النصية تتوفر للمستخدمين عند الطلب.

  1. حساب نقاط التغيير لهياكل الدماغ الفردية.
    1. في لوحة "تحليل نقطة التغيير" في الشكل 2 ألف، حدد مسار الملف واسم وحدة التخزين متعددة المستويات جدول البيانات، التي يتم إنشاؤها وفقا 1.3.
    2. تحديد مسار الملف واسم الملف النصي الإخراج، الذي ستتم كتابة نتائج التغيير-نقطة.
    3. اختيار مستوى التفاصيل ونوع من تعريف علم الوجود في مربع القائمة المنسدلة (المستوى 1-5)، الساعة التي سيتم إجراء تحليل نقطة التغيير.
    4. انقر على الزر "تغيير حساب نقطة" لتنفيذ تحليل نقطة التغيير، كما هو موضح في مرجع23، وما يترتب على ذلك التغيير-النقاط سيتم حفظ في ملف نص الإخراج.
  2. التقييمات الإحصائية للتغيير-النقاط.
    1. في Matlab GUI (الشكل 2A، لوحة أقل)، تعيين المعلمات للاختبارات الإحصائية، بما في ذلك عدد التباديل (الافتراضي 10,000) وعدد bootstrap (الافتراضي 10,000)، وعتبة قيمة p (بعد التصحيح فرانكلين روزفلت، الافتراضي 0.05).
    2. انقر فوق الزر "اختبار الإحصائية" لتشغيل الاختبارات. بعد هذه الخطوة، قيمة p (بواسطة اختبار التباديل)، قبل وبعد معدل اكتشاف خطأ تصحيح (فرانكلين روزفلت)، وكذلك الانحراف المعياري وفاصل الثقة 95% (بواسطة bootstrap) التغيير-النقاط ستتم كتابة إلى ملف نص الإخراج كأعمدة إضافية . راجع تفاصيل عن إجراءات الاختبار الإحصائي في23،24.
  3. توليد خرائط نقطة التغيير (اختياري). في Matlab GUI (الشكل 2A، لوحة أقل)، انقر فوق الزر "خريطة التغيير نقطة" لتوليد خرائط نقطة التغيير. سيتم تعيين قيم نقطة تغيير يعتد به إحصائيا على منين-مساحة الصورة التشريحية لتصور النمط المكاني. يمكن أن يتم هذا التعيين على المستويات تقسيمات مختلفة، تبعاً لمستوى التشريحية المحددة في 2.1. يمكن تراكب نقطة تغيير الخرائط على الصور T1 المرجحة باستخدام مريكرو (الشكل 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

باستخدام الإجراءات الموضحة في 1.1-1.3، يمكن الحصول على خرائط تقسيم الدماغ كله من مريكلود. في الإصدار الحالي من نظام أطلس (V9B)، هي مجزأة الطرود 283 على أرقى مستوى (المستوى 5)، التي يمكن تجميعها على مستويات مختلفة من التفاصيل، على سبيل المثال-، من نصف الكرة الغربي إلى الفصيصات والطرود، ووفقا لتعريفات محددة علم الوجود. ويبين الشكل 3 نوعين من الانقسامات متعدد المستويات على خمسة مستويات، في طرق محورية والاكليليه. على سبيل المثال، على مستوى كوارسيست، اكتب...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كما هو موضح في هذه الورقة، تجزئة الدماغ الجامع للدماغ بالرنين المغناطيسي مريح يمكن استخدام موقعنا على الإنترنت منصة مريكلود. وقد أظهرت T1 المرجحة الرنين المغناطيسي على أساس علامة الحجمي لتكون قوية وحساسة لمجموعة من الأعصاب الأمراض1،،من23. التدابير الحجمي تستخدم لتحليل المتلقين للمعلومات المختلفة، مثل النمذجة الرياضية، وتحليل الميزة-التحديد والتصنيف لمساعدة التشخيص السريري والتشخيص. ويتيح تحليل نقطة تغير أحجام المخ الوصف الكمي لض...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الكتاب ليس لها علاقة بالكشف عن.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ونحن نشكر المحققون هد التنبؤ بها، لا سيما الدكتور هانز جونسون والدكتور جين س. باوسلين من جامعة آيوا، لسخائها في تبادل بيانات التصوير بالرنين المغناطيسي ومناقشة بناءة بشأن تحليل البيانات والنتائج.

يتم دعم هذا العمل بالمعاهد الوطنية للصحة منح R21 NS098018، P50 NS16375، NS40068، R01 NS086888، R01 NS084957، P41 EB015909، P41 EB015909، R01 EB000975، R01 EB008171 و U01 NS082085.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
MATLABMathworksN / Aالإصدار 2015b والإصدارات الأحدث
عملDell Precision T5500 (وحدة المعالجة المركزية Intel Xeon)
محطة Dell

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Paulsen, J. S., et al. Clinical and Biomarker Changes in Premanifest Huntington Disease Show Trial Feasibility: A Decade of the PREDICT-HD Study. Front Aging Neurosci. 6, 78(2014).
  2. Jack, C. R. Jr, et al. Hypothetical model of dynamic biomarkers of the Alzheimer's pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
  3. Laakso, M. P., et al. Hippocampal volumes in Alzheimer's disease, Parkinson's disease with and without dementia, and in vascular dementia: An MRI study. Neurology. 46 (3), 678-681 (1996).
  4. Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31(2013).
  5. Mori, S., Oishi, K., Faria, A. V., Miller, M. I. Atlas-based neuroinformatics via MRI: harnessing information from past clinical cases and quantitative image analysis for patient care. Annu Rev Biomed Eng. 15, 71-92 (2013).
  6. Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7(2005).
  7. Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion. Neuroimage. 33 (1), 115-126 (2006).
  8. Artaechevarria, X., Munoz-Barrutia, A., Ortiz-de-Solorzano, C. Combination strategies in multi-atlas image segmentation: application to brain MR data. IEEE Trans Med Imaging. 28 (8), 1266-1277 (2009).
  9. Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
  10. Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocol microscopy images of bee brains. Neuroimage. 21 (4), 1428-1442 (2004).
  11. Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
  12. Collins, D. L., Holmes, C. J., Peters, T. M., Evans, A. C. Automatic 3-D model-based neuroanatomical segmentation. Human Brain Mapping. 3 (3), 190-208 (1995).
  13. Dawant, B. M., et al. Automatic 3-D segmentation of internal structures of the head in MR images using a combination of similarity and free-form transformations: Part I, methodology and validation on normal subjects. Ieee Transactions on Medical Imaging. 18 (10), 909-916 (1999).
  14. Wu, G., et al. A generative probability model of joint label fusion for multi-atlas based brain segmentation. Med Image Anal. 18 (6), 881-890 (2014).
  15. Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
  16. Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591(2013).
  17. Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
  18. Wu, D., et al. Resource atlases for multi-atlas brain segmentations with multiple ontology levels based on T1-weighted MRI. Neuroimage. 125, 120-130 (2015).
  19. Mori, S., et al. MRICloud: Delivering High-Throughput MRI Neuroinformatics as Cloud-Based Software as a Service. Computing in Science & Engineering. 18 (5), 21-35 (2016).
  20. Wu, D., Ceritoglu, C., Miller, M. I., Mori, S. Direct estimation of patient attributes from anatomical MRI based on multi-atlas voting. Neuroimage-Clinical. 12, 570-581 (2016).
  21. Miller, M. I., et al. Network Neurodegeneration in Alzheimer's Disease via MRI Based Shape Diffeomorphometry and High-Field Atlasing. Front Bioeng Biotechnol. 3, 54(2015).
  22. Faria, A. V., et al. Content-based image retrieval for brain MRI: an image-searching engine and population-based analysis to utilize past clinical data for future diagnosis. Neuroimage Clin. 7, 367-376 (2015).
  23. Wu, D., et al. Mapping the order and pattern of brain structural MRI changes using change-point analysis in premanifest Huntington's disease. Hum Brain Mapp. , (2017).
  24. Younes, L., Albert, M., Miller, M. I., Team, B. R. Inferring changepoint times of medial temporal lobe morphometric change in preclinical Alzheimer's disease. Neuroimage Clin. 5, 178-187 (2014).
  25. Wu, D., et al. Mapping the critical gestational age at birth that alters brain development in preterm-born infants using multi-modal MRI. NeuroImage. 149, 33-43 (2017).
  26. Zhang, Y., et al. Indexing disease progression at study entry with individuals at-risk for Huntington disease. Am J Med Genet B Neuropsychiatr Genet. 156b (7), 751-763 (2011).
  27. Vonsattel, J. P., et al. Neuropathological classification of Huntington's disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
  28. Paulsen, J. S., et al. Detection of Huntington's disease decades before diagnosis: the Predict-HD study. J Neurol Neurosurg Psychiatry. 79 (8), 874-880 (2008).
  29. Paulsen, J. S., et al. Prediction of manifest Huntington's disease with clinical and imaging measures: a prospective observational study. Lancet Neurol. 13 (12), 1193-1201 (2014).
  30. Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
  31. Caffo, B. A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1. , Available from: https://github.com/bcaffo/MRIcloudT1volumetrics (2017).
  32. Aljabar, P., Heckemann, R. A., Hammers, A., Hajnal, J. V., Rueckert, D. Multi-atlas based segmentation of brain images: atlas selection and its effect on accuracy. Neuroimage. 46 (3), 726-738 (2009).
  33. Huntington Study Group. Unified Huntington's Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
  34. Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533(2015).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

T1 MRICloud CAP MATLAB

مقالات ذات صلة