Name: 解剖性脑 MRI 的全脑分割及变化点分析--Premanifest 亨廷顿病的应用 (视频) | JoVE Journal
Uploaded: 2018-06-09T13:00:00.000+00:00
Duration: 9 min 6 s
Description: 学习基于图谱分割的全脑MRI体积分析方法，用于识别亨廷顿病临床前期脑萎缩的关键变化点。该技术结合MRICloud自动化处理与变化点统计，为神经退行性疾病研究提供时空动态信息。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

我们感谢PREDICT-HD研究团队，特别是爱荷华大学的Hans Johnson博士和Jane S. Pauslen博士，感谢他们慷慨分享MRI数据，并在数据分析与结果讨论中提供了建设性意见。
本工作由美国国立卫生研究院（NIH）资助，资助项目编号为 R21 NS098018、P50 NS16375、NS40068、R01 NS086888、R01 NS084957、P41 EB015909、P41 EB015909、R01 EB000975、R01 EB008171 和 U01 NS082085。

1. 基于图谱的全脑分割
<ol>
	<li>数据准备
	<ol>
		<li>将通常使用MPRAGE（磁化准备快速梯度回波）序列采集的三维（3D）T1加权图像，从厂商特定的DICOM（医学数字成像与通信）格式转换为Analyze格式。请注意，云端计算需要将用户数据传输至远程集群。根据《健康保险可携性和责任法案》（HIPAA），需从图像文件中移除患者的个人身份信息。 
		注：MRICloud提供了一个DICOM转Analyze转换器（https://braingps.mricloud.org/t1prep），可用于文件格式转换以及去除个人健康信息的去标识化处理。
		<ol>
			<li>双击打开Dcm2Analyze.exe，将弹出一个窗口（图1A）。</li>
			<li>指定输入的DICOM数据目录路径，以及输出的Analyze图像路径和文件名。</li>
			<li>点击 &#34;Go&#34; 完成转换。 
			注：每位患者均需单独执行一次转换操作，建议将所有转换后的图像输出至同一个研究文件夹中，以便进行批量处理（1.2.2.1）。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>基于多图谱的T1图像分割（使用MRICloud19）
	<ol>
		<li>登录 https://mricloud.org 上的 &#34;Brain GPS&#34;（首次使用者需注册）。从主菜单中选择 &#34;Segmentation&#34; 工具（图1B）。在 &#34;Segmentation&#34; 下有两个应用程序编程接口（API）选项：&#34;T1-MultiAtlas&#34; 用于单个T1图像的分割，&#34;T1-MultiAtlas Batch&#34; 用于批量处理。由于变点分析需要大规模人群数据，因此通常选择批量处理方式。</li>
		<li>在 &#34;T1-MultiAtlas Batch&#34; API 上提交任务。
		<ol>
			<li>将多个Analyze格式图像文件压缩为一个zip文件。点击 图1B 中的 &#34;+.zip&#34; 按钮上传该zip文件。 
			注：当前云平台限制每个zip文件夹中最多包含30幅图像。对于大型数据集，可将其拆分为多个zip文件夹分别处理。如有特殊需求，可申请增加单个zip文件中的图像数量。未来随着远程计算资源的扩展，我们可能会提高此限制甚至取消限制。</li>
			<li>填写 图1B 中的必填字段。
			<ol>
				<li>处理服务器：选择 &#34;Computational Anatomy Science Gateway&#34;。</li>
				<li>切片类型：从 &#34;Sagittal&#34;、&#34;Axial&#34; 或 &#34;Sagittal converted to Axial&#34; 中选择。 
				注：&#34;Sagittal&#34; 指以矢状面方向采集的图像，其平面内视图为前-后（Anterior-Posterior）和头-足（Head-Foot）方向。&#34;Axial&#34; 指以轴向（横断面）方向采集的图像，其平面内视图为左-右（Left-Right）和前-后（Anterior-Posterior）方向。&#34;Sagittal converted to Axial&#34; 指原本以轴向采集但后来被转换为矢状面图像的数据（这类图像通常为具有较长颈部区域的 &#34;Axial&#34; 图像）。</li>
				<li>多图谱库：选择与用户数据年龄范围最接近的图谱库，以优化分割准确性。我们提供了不同年龄范围的预构建多图谱数据集18，例如 &#34;Pediatric 4-8yr&#34;、&#34;Pediatric 8-12yr&#34;、&#34;Adult 22-50&#34; 和 &#34;Adult 50-90&#34;，以及不同版本的图谱。有关图谱版本的信息可访问 https://braingps.mricloud.org/atlasrepo 查询。</li>
			</ol>
			</li>
		</ol>
		</li>
		<li>通过 &#34;My job status&#34;（图1C）查看任务状态。任务完成后，将出现一个 &#34;Download Results&#34; 按钮，允许用户下载分割结果的.zip文件。</li>
		<li>可视化结果。对于单个受试者，可在线查看分割结果所得体积（批量处理结果不支持此功能）。
		<ol>
			<li>点击 图1C 中的 &#34;View result&#34; 按钮，页面将跳转至可视化界面（图1D）。分割图的轴向、矢状和冠状视图将叠加在T1加权解剖图像上。左上窗口显示分割脑结构的三维渲染图像。叠加分割图的颜色表示结构体积的z分数。</li>
			<li>通过 图1D 右上方面板调整可视化选项，包括叠加显示开关、叠加透明度、缩放以及切片位置。</li>
			<li>将精细分割分区按不同粒度层级进行归类。在我们的图谱中，定义了五种粒度层级和两种本体关系18,30。分层多级解剖定义的树状视图显示在左下面板（图1D）。点击层级编号可展开对应本体层级的结构，分割图将同步切换至相应层级。 
			注：约翰·霍普金斯大学医学院定期每两个月举办一次MRICloud工作坊，提供上述在线操作的手把手教程。工作坊信息请访问 https://braingps.mricloud.org/workshops 查询。</li>
		</ol>
		</li>
		<li>下载分割结果以供后续分析。将结果解压至用户研究目录中，例如将所有受试者的分割结果统一存放于一个研究目录下，每个受试者各自拥有独立的子文件夹。 
		注：结果包括</li>
	</ol>
	<ul style="margin-left: 40px;">
		<li>example.img：轴向方向的原始T1图像。</li>
		<li>example_MNI.img：遵循Talairach坐标的MNI空间中的T1图像。</li>
		<li>example_7Labels.img 和 example_7Labels_MNI.img：分别在原始空间和MNI空间中的粗略分割结果，包含7个分区（灰质、白质、脑脊液、侧脑室、颅骨和背景）。</li>
		<li>example_283Labels_M2.img 和 example_283Labels_M2_MNI.img：分别在原始空间和MNI空间中的精细分割结果，包含283个分区（图谱版本V9B）。标签的确切数量取决于所使用的图谱版本。</li>
		<li>example_corrected_MNI_stats.txt 和 example_MNI_stats.txt：分别在原始空间和MNI空间中各脑部分区体积的统计信息。</li>
		<li>multilevel_lookup_table.txt：脑部分区的多层级本体定义表。</li>
	</ul>
	</li>
	<li>进行批量处理以获取人群中的脑体积。使用内部开发的Matlab（www.mathworks.com）批量处理脚本，从各个结果文件夹中提取脑体积，并将所有受试者在各个粒度层级上的体积数据整合到一个电子表格中。通过图形用户界面（GUI）指定输入和输出路径。
	<ol>
		<li>打开Matlab.exe，运行Main.fig，将弹出一个GUI界面（图2A）。</li>
		<li>在 &#34;T1 Volume extraction from MRICloud&#34; 面板（图2A 上方面板）中指定输入项，包括保存已下载分割结果的研究目录（见1.2.5）；以及多层级查找表文件的路径和文件名。</li>
		<li>指定输出电子表格的文件路径和文件名，体积数据将写入该文件。</li>
		<li>点击 &#34;Extract volume&#34; 按钮运行分析。结果可在用户定义的电子表格中查看。 
		注：此外，Brian Caffo博士团队开发了一个R语言包，用于处理MRICloud输出结果并进行进一步的统计分析31。该软件包可从 https://github.com/bcaffo/MRIcloudT1volumetrics 下载。</li>
	</ol>
	</li>
</ol>
2. 体积数据的变点分析
注意：有关变点模型的理论和数学细节，请参考我们之前的发表文献21,24,23。简而言之，对于亨廷顿病（HD）数据，建立了一个回归模型以定义一个关键的变点（以CAP评分表示），从该点开始，在校正了患者的年龄、性别和颅内体积的影响后，CAP与体积之间的线性回归变得具有统计学显著性。我们自主开发了Matlab脚本及图形用户界面（GUI）（图2A，下图），用于计算各个结构的变点并进行统计分析。这些脚本可根据请求向用户提供。
<ol>
	<li>计算各个脑结构的变点。
	<ol>
		<li>在 图2A 的“&#34;变点分析&#34;”面板中，指定多层级体积电子表格的文件路径和文件名，该表格根据步骤1.3生成。</li>
		<li>指定输出文本文件的文件路径和文件名，变点分析结果将写入该文件。</li>
		<li>在下拉框中选择进行变点分析的解剖学定义层级和粒度级别（第1–5级）。</li>
		<li>点击&#34;计算变点&#34;按钮，执行变点分析（方法见参考文献23），分析所得的变点结果将保存至输出文本文件中。</li>
	</ol>
	</li>
	<li>对变点进行统计评估。
	<ol>
		<li>在Matlab图形用户界面（图2A，下方面板）中，设置统计检验参数，包括置换次数（默认10,000次）、自助抽样次数（默认10,000次）以及p值阈值（经错误发现率FDR校正后，默认为0.05）。</li>
		<li>点击&#34;统计检验&#34;按钮运行检验。此步骤完成后，置换检验得到的p值、FDR校正前后的p值，以及变点的标准差和95%置信区间（通过自助法计算）将作为额外列写入输出文本文件。统计检验方法的详细信息见参考文献23,24。</li>
	</ol>
	</li>
	<li>生成变点图谱（可选）。在Matlab图形用户界面（图2A，下方面板）中，点击&#34;绘制变点图&#34;按钮生成变点图谱。具有统计学显著性的变点值将被映射到MNI空间的解剖图像上，以可视化其空间分布模式。该映射可在不同粒度级别上进行，具体取决于步骤2.1中指定的解剖层级。可使用MRIcro软件将变点图谱叠加在T1加权图像上（图2B）（http://www.cabi.gatech.edu/mricro/mricro/）。</li>
</ol>

<ol><li>Paulsen, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+and+Biomarker+Changes+in+Premanifest+Huntington+Disease+Show+Trial+Feasibility%3A+A+Decade+of+the+PREDICT-HD+Study%5BTitle%5D)+AND+%22Front+Aging+Neurosci%22%5BJournal%5D)">Clinical and Biomarker Changes in Premanifest Huntington Disease Show Trial Feasibility: A Decade of the PREDICT-HD Study.</a> Front Aging Neurosci. 6, 78(2014).</li>
<li>Jack, C. R. Jr, et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hypothetical+model+of+dynamic+biomarkers+of+the+Alzheimer%27s+pathological+cascade%5BTitle%5D)+AND+%22Lancet+Neurol%22%5BJournal%5D)">Hypothetical model of dynamic biomarkers of the Alzheimer's pathological cascade.</a> Lancet Neurol. 9 (1), 119-128 (2010).</li>
<li>Laakso, M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hippocampal+volumes+in+Alzheimer%27s+disease%2C+Parkinson%27s+disease+with+and+without+dementia%2C+and+in+vascular+dementia%3A+An+MRI+study%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Hippocampal volumes in Alzheimer's disease, Parkinson's disease with and without dementia, and in vascular dementia: An MRI study.</a> Neurology. 46 (3), 678-681 (1996).</li>
<li>Miller, M. I., Faria, A. V., Oishi, K., Mori, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High-throughput+neuro-imaging+informatics%5BTitle%5D)+AND+%22Front+Neuroinform%22%5BJournal%5D)">High-throughput neuro-imaging informatics.</a> Front Neuroinform. 7, 31(2013).</li>
<li>Mori, S., Oishi, K., Faria, A. V., Miller, M. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Atlas-based+neuroinformatics+via+MRI%3A+harnessing+information+from+past+clinical+cases+and+quantitative+image+analysis+for+patient+care%5BTitle%5D)+AND+%22Annu+Rev+Biomed+Eng%22%5BJournal%5D)">Atlas-based neuroinformatics via MRI: harnessing information from past clinical cases and quantitative image analysis for patient care.</a> Annu Rev Biomed Eng. 15, 71-92 (2013).</li>
<li>Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mindboggle%3A+automated+brain+labeling+with+multiple+atlases%5BTitle%5D)+AND+%22BMC+Med+Imaging%22%5BJournal%5D)">Mindboggle: automated brain labeling with multiple atlases.</a> BMC Med Imaging. 5, 7(2005).</li>
<li>Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+anatomical+brain+MRI+segmentation+combining+label+propagation+and+decision+fusion%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Automatic anatomical brain MRI segmentation combining label propagation and decision fusion.</a> Neuroimage. 33 (1), 115-126 (2006).</li>
<li>Artaechevarria, X., Munoz-Barrutia, A., Ortiz-de-Solorzano, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combination+strategies+in+multi-atlas+image+segmentation%3A+application+to+brain+MR+data%5BTitle%5D)+AND+%22IEEE+Trans+Med+Imaging%22%5BJournal%5D)">Combination strategies in multi-atlas image segmentation: application to brain MR data.</a> IEEE Trans Med Imaging. 28 (8), 1266-1277 (2009).</li>
<li>Lotjonen, J. M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+and+robust+multi-atlas+segmentation+of+brain+magnetic+resonance+images%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Fast and robust multi-atlas segmentation of brain magnetic resonance images.</a> Neuroimage. 49 (3), 2352-2365 (2010).</li>
<li>Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+atlas+selection+strategies+for+atlas-based+image+segmentation+with+application+to+confocol+microscopy+images+of+bee+brains%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocol microscopy images of bee brains.</a> Neuroimage. 21 (4), 1428-1442 (2004).</li>
<li>Fischl, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Whole+brain+segmentation%3A+Automated+labeling+of+neuroanatomical+structures+in+the+human+brain%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain.</a> Neuron. 33 (3), 341-355 (2002).</li>
<li>Collins, D. L., Holmes, C. J., Peters, T. M., Evans, A. C. <a target="_blank" href="http://onlinelibrary.wiley.com/doi/10.1002/hbm.460030304/abstract">Automatic 3-D model-based neuroanatomical segmentation.</a> Human Brain Mapping. 3 (3), 190-208 (1995).</li>
<li>Dawant, B. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+3-D+segmentation+of+internal+structures+of+the+head+in+MR+images+using+a+combination+of+similarity+and+free-form+transformations%3A+Part+I%2C+methodology+and+validation+on+normal+subjects%5BTitle%5D)+AND+%22Ieee+Transactions+on+Medical+Imaging%22%5BJournal%5D)">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.</a> Ieee Transactions on Medical Imaging. 18 (10), 909-916 (1999).</li>
<li>Wu, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+generative+probability+model+of+joint+label+fusion+for+multi-atlas+based+brain+segmentation%5BTitle%5D)+AND+%22Med+Image+Anal%22%5BJournal%5D)">A generative probability model of joint label fusion for multi-atlas based brain segmentation.</a> Med Image Anal. 18 (6), 881-890 (2014).</li>
<li>Miller, M. I., Trouve, A., Younes, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Diffeomorphometry+and+geodesic+positioning+systems+for+human+anatomy%5BTitle%5D)+AND+%22Technology%22%5BJournal%5D)">Diffeomorphometry and geodesic positioning systems for human anatomy.</a> Technology. 2, (2013).</li>
<li>Tang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bayesian+Parameter+Estimation+and+Segmentation+in+the+Multi-Atlas+Random+Orbit+Model%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model.</a> PLoS One. 8 (6), e65591(2013).</li>
<li>Wang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-Atlas+Segmentation+with+Joint+Label+Fusion%5BTitle%5D)+AND+%22IEEE+Trans+Pattern+Anal+Mach+Intell%22%5BJournal%5D)">Multi-Atlas Segmentation with Joint Label Fusion.</a> IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).</li>
<li>Wu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resource+atlases+for+multi-atlas+brain+segmentations+with+multiple+ontology+levels+based+on+T1-weighted+MRI%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Resource atlases for multi-atlas brain segmentations with multiple ontology levels based on T1-weighted MRI.</a> Neuroimage. 125, 120-130 (2015).</li>
<li>Mori, S., et al. <a target="_blank" href="http://ieeexplore.ieee.org/document/7548994/">MRICloud: Delivering High-Throughput MRI Neuroinformatics as Cloud-Based Software as a Service.</a> Computing in Science & Engineering. 18 (5), 21-35 (2016).</li>
<li>Wu, D., Ceritoglu, C., Miller, M. I., Mori, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Direct+estimation+of+patient+attributes+from+anatomical+MRI+based+on+multi-atlas+voting%5BTitle%5D)+AND+%22Neuroimage-Clinical%22%5BJournal%5D)">Direct estimation of patient attributes from anatomical MRI based on multi-atlas voting.</a> Neuroimage-Clinical. 12, 570-581 (2016).</li>
<li>Miller, M. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+Neurodegeneration+in+Alzheimer%27s+Disease+via+MRI+Based+Shape+Diffeomorphometry+and+High-Field+Atlasing%5BTitle%5D)+AND+%22Front+Bioeng+Biotechnol%22%5BJournal%5D)">Network Neurodegeneration in Alzheimer's Disease via MRI Based Shape Diffeomorphometry and High-Field Atlasing.</a> Front Bioeng Biotechnol. 3, 54(2015).</li>
<li>Faria, A. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Content-based+image+retrieval+for+brain+MRI%3A+an+image-searching+engine+and+population-based+analysis+to+utilize+past+clinical+data+for+future+diagnosis%5BTitle%5D)+AND+%22Neuroimage+Clin%22%5BJournal%5D)">Content-based image retrieval for brain MRI: an image-searching engine and population-based analysis to utilize past clinical data for future diagnosis.</a> Neuroimage Clin. 7, 367-376 (2015).</li>
<li>Wu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+the+order+and+pattern+of+brain+structural+MRI+changes+using+change-point+analysis+in+premanifest+Huntington%27s+disease%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Mapping the order and pattern of brain structural MRI changes using change-point analysis in premanifest Huntington's disease.</a> Hum Brain Mapp. , (2017).</li>
<li>Younes, L., Albert, M., Miller, M. I., Team, B. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+changepoint+times+of+medial+temporal+lobe+morphometric+change+in+preclinical+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Neuroimage+Clin%22%5BJournal%5D)">Inferring changepoint times of medial temporal lobe morphometric change in preclinical Alzheimer's disease.</a> Neuroimage Clin. 5, 178-187 (2014).</li>
<li>Wu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+the+critical+gestational+age+at+birth+that+alters+brain+development+in+preterm-born+infants+using+multi-modal+MRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Mapping the critical gestational age at birth that alters brain development in preterm-born infants using multi-modal MRI.</a> NeuroImage. 149, 33-43 (2017).</li>
<li>Zhang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Indexing+disease+progression+at+study+entry+with+individuals+at-risk+for+Huntington+disease%5BTitle%5D)+AND+%22Am+J+Med+Genet+B+Neuropsychiatr+Genet%22%5BJournal%5D)">Indexing disease progression at study entry with individuals at-risk for Huntington disease.</a> Am J Med Genet B Neuropsychiatr Genet. 156b (7), 751-763 (2011).</li>
<li>Vonsattel, J. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuropathological+classification+of+Huntington%27s+disease%5BTitle%5D)+AND+%22J+Neuropathol+Exp+Neurol%22%5BJournal%5D)">Neuropathological classification of Huntington's disease.</a> J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).</li>
<li>Paulsen, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+Huntington%27s+disease+decades+before+diagnosis%3A+the+Predict-HD+study%5BTitle%5D)+AND+%22J+Neurol+Neurosurg+Psychiatry%22%5BJournal%5D)">Detection of Huntington's disease decades before diagnosis: the Predict-HD study.</a> J Neurol Neurosurg Psychiatry. 79 (8), 874-880 (2008).</li>
<li>Paulsen, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+manifest+Huntington%27s+disease+with+clinical+and+imaging+measures%3A+a+prospective+observational+study%5BTitle%5D)+AND+%22Lancet+Neurol%22%5BJournal%5D)">Prediction of manifest Huntington's disease with clinical and imaging measures: a prospective observational study.</a> Lancet Neurol. 13 (12), 1193-1201 (2014).</li>
<li>Djamanakova, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tools+for+multiple+granularity+analysis+of+brain+MRI+data+for+individualized+image+analysis%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Tools for multiple granularity analysis of brain MRI data for individualized image analysis.</a> Neuroimage. 101, 168-176 (2014).</li>
<li>Caffo, B. A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1. , Available from:
 <a target="_blank" href="https://github.com/bcaffo/MRIcloudT1volumetrics">https://github.com/bcaffo/MRIcloudT1volumetrics</a> (2017).</li>
<li>Aljabar, P., Heckemann, R. A., Hammers, A., Hajnal, J. V., Rueckert, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-atlas+based+segmentation+of+brain+images%3A+atlas+selection+and+its+effect+on+accuracy%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Multi-atlas based segmentation of brain images: atlas selection and its effect on accuracy.</a> Neuroimage. 46 (3), 726-738 (2009).</li>
<li>Huntington Study Group. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unified+Huntington%27s+Disease+Rating+Scale%3A+reliability+and+consistency%5BTitle%5D)+AND+%22Mov+Disord%22%5BJournal%5D)">Unified Huntington's Disease Rating Scale: reliability and consistency.</a> Mov Disord. 11 (2), 136-142 (1996).</li>
<li>Liang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+Cross-Protocol+Stability+of+a+Fully+Automated+Brain+Multi-Atlas+Parcellation+Tool%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool.</a> PLoS One. 10 (7), e0133533(2015).</li>
</ol>

作者无任何利益冲突需要披露。

如本文所示，利用我们的在线平台MRICloud可便捷地实现脑部MRI的全脑分割。基于T1加权MRI的体积标记物已被证明对多种神经退行性疾病具有良好的稳健性和敏感性1,2,3体积测量可用于多种下游分析，例如数学建模、特征选择与分类分析，以辅助临床诊断与预后判断。脑体积的变点分析可对疾病进展过程中脑萎缩进行定量表征。该统计分析采用包含非线性成分的回归模型，以确定在疾病指数进程中脑萎缩的变点。 例如，亨廷顿病（HD）中的CAP评分。与目前大多数研究中广泛采用的传统群体分析相比，变点模型旨在识别脑萎缩的确切起始点，因而能够提供更为精确的脑退变信息。结合自动化全脑分割流程，可获得变点的空间分布图，揭示亨廷顿病进展的时空模式。这一点在亨廷顿病的前症状期尤为重要，因为该阶段是实施治疗干预最有效的时期。
在基于多图谱的图像分割中，提供了多种粒度的脑部分割结果，从而使体积分析能够灵活且可扩展地适用...

磁共振成像（MRI）显著提升了我们研究神经退行性疾病中脑解剖结构与功能的能力1,2,3。T1加权结构MRI是临床常规实践中最广泛采用的成像工具之一，用于评估脑部解剖结构及相关病理变化。对高分辨率T1加权图像进行定量分析，可提供有效的生物标志物，用于测量脑退变过程中的解剖学改变。特别是基于分割的量化方法，能将图像维度从体素水平（约106量级）有效降低至解剖结构水平（约102量级），从而支持高通量的神经信息学分析4,5。自动脑部分割可通过基于图谱的方法实现6,7,8,9，这些方法将预定义的解剖标签从图谱映射到患者图像上。在基于图谱的方法中，多图谱算法10,11,12,13,14表现出更优的分割准确性和鲁棒性。我们团队开发了一套完全自动化的T1多图谱分割流程，结合先进的微分同胚图像配准算法15、多图谱融合方法16,17以及丰富的多图谱数据库18。该流程自2015年起已在云计算平台MRICloud19上公开发布，并已被用于研究阿尔茨海默病（AD）20,21、原发性进行性失语症22和亨廷顿病23等神经退行性疾病。
在将高分辨率图像分割为脑结构后，可利用区域特征（如体积）建立数学模型，以表征神经解剖学变化。我们研究团队近期建立了一种变点分析方法，用于基于纵向和/或横断面磁共振成像（MRI）数据，分析在统计学上显著的脑形态测量变化发生的时间顺序。该统计模型最初被开发用于量化阿尔茨海默病（AD）患者中基于形态的微分形态测量学随年龄的变化21,24；随后被改进用于研究亨廷顿病（HD）中的脑结构变化，以及描述新生儿大脑的发育变化25。在HD患者中，变点是相对于CAG重复次数与年龄的乘积（CAP）评分定义的，作为HTT基因中CAG扩增暴露程度的指标26。众所周知，纹状体萎缩是HD最早期的标志之一，随后出现苍白球的萎缩27。然而，纹状体与其他全脑灰质和白质结构之间的变化关系仍不明确。这种关系对于我们理解疾病进展至关重要。对全脑所有结构体积变化的变点分析，有望系统地揭示HD前驱期脑萎缩的信息。
本文演示了使用 MRICloud（www.mricloud.org）进行全脑分割的操作步骤，以及对临床前亨廷顿病（premanifest HD）受试者的体积数据进行变点分析的步骤。MRI 数据来自一项大规模多中心 PREDICT-HD 研究28,29，包含约 400 名对照组和临床前 HD 受试者。基于图谱的分割与变点分析相结合，能够提供关于脑结构变化时空顺序及全脑疾病进展模式的独特信息。这些技术可潜在应用于多种神经退行性疾病，结合不同的生物标志物以描绘脑部退行性变化。

<table><tbody><tr><td>MATLAB</td><td>Mathworks</td><td>N/A</td><td>版本 2015b 及以上</td></tr><tr><td>Dell 工作站</td><td>Dell</td><td></td><td>Dell Precision T5500（Intel Xeon CPU）</td></tr></tbody></table>

全脑分割与解剖学脑部mri的变点分析——在亨廷顿病前驱期中的应用

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI&#8212;Application in Premanifest Huntington's Disease

近年来，磁共振成像（MRI）技术的进步提供了多种有用的生物标志物，可用于识别神经退行性疾病。在亨廷顿病（Huntington's disease, HD）中，脑区萎缩在运动症状出现前数年即已开始（即处于 &#34;前显症&#34; 时期），但全脑区域萎缩的时空模式尚未被充分表征。本文中，我们展示了一个在线云计算平台， &#34;MRICloud&#34;，该方法可对T1加权图像进行基于图谱的全脑分割，并提供多个精细程度水平的结果，从而让我们能够获取大脑解剖的区域特征。随后，我们描述了一种回归模型，用于检测具有统计学意义的拐点，即区域脑萎缩开始显著显现的时间点 即 的 &#34;变点&#34;，相对于疾病进展指数而言。我们采用CAG年龄乘积（CAP）评分来表征亨廷顿病（HD）患者的疾病进展。因此，基于分割流程所得体积测量数据的变点分析，可提供关于全脑结构萎缩顺序与模式的重要信息。本文以大规模多中心PREDICT-HD研究中前症状期HD受试者的T1加权MRI数据为例，展示了这些技术的应用。该设计在多种神经退行性疾病中具有广泛的应用潜力，可用于研究脑解剖结构的动态变化。

根据1.1-1.3节所述步骤，可从MRICloud获得全脑分割图谱。在当前版本的图谱（V9B）中，最精细的粒度（第5级）共分割出283个脑区，这些脑区可根据特定的本体定义，按不同粒度层级进行归类，例如，从半球到小叶及更小的脑区单元。图3展示了在轴向和冠状面视图中，五种不同粒度层级的两种多层级分割方式。例如，在最粗略的层级上，I型分割定义了端脑、间脑、中脑、后脑和末脑等经典脑区（图3A），而II型分割则采用临床上和影像学中常用的半球、小脑和脑干等结构划分方式（图3B）。本文后续分析采用II型定义，并对左右半球的体积取平均值，因为在亨廷顿病（HD）病理中尚无已知的偏侧性差异。
基于第2.1-2.2节的分割结果，对脑体积进行变点分析。<strong class="...

本文描述了一种用于容积性磁共振成像（MRI）数据分析的统计模型，该模型可识别在亨廷顿病临床前阶段脑萎缩开始的&#34;变化点&#34;。基于采用T1加权图像的图谱引导分割流程所获得的脑体积数据，实现了全脑范围内的变化点定位图谱绘制。

全脑分割与解剖学脑部MRI的变点分析——在亨廷顿病前驱期中的应用

磁共振成像（MRI）的最新进展提供了多种有用的生物标志物，可用于识别神经退行性疾病。在亨廷顿病（Huntington's disease, HD）中，局部脑萎缩……

本图像分析流程的总体目标是对T1加权磁共振图像进行定量体积分析，并确定神经退行性疾病中脑萎缩开始的关键变化点。该方法有助于回答神经退行性疾病病程中脑解剖结构变化的定量分析中的关键问题。例如，亨廷顿病中脑萎缩的顺序和模式。该技术的主要优势在于，基于图谱的分割与变点分析相结合，能够从大量研究中提供关于脑退变的独特时空信息。脑部 MRI 的体积分析通过 MRICloud 实现，该平台通过远程计算和基于网页的用户界面提供全自动的图像分割与定量分析。脑部 MRI 的变点分析为我们提供了关于全脑范围内疾病进展的系统性视角。该技术的应用范围涵盖多种神经退行性疾病。开始此操作时，将厂商特定的 DICOM 格式三维 T1 加权图像转换为分析格式。双击打开 Dcm2Analyze.exe。将弹出一个窗口。指定输入的DICOM数据目录路径作为输入，分析后的图像文件路径和名称作为输出。然后，点击“go”以完成转换。使用 MRICloud 进行基于多图谱的 T1 图像分割时，登录 BrainGPS 后从主菜单中选择分割工具。在分割工具下有两个选项：用于单个 T1 图像分割的 T1-MultiAtlas，以及用于批量处理的 T1-MultiAtlas Batch。通过将多个待分析的图像文件压缩为一个 ZIP 文件，然后点击“zip”上传该 ZIP 文件，即可在 T1-MultiAtlas Batch API 上提交任务。现在填写必填字段。对于处理服务器，选择计算解剖学科学网关。对于切片类型，从矢状面、轴向面或由矢状面转换为轴向面中选择。对于MultiAtlas图谱库，请选择与用户数据年龄范围最接近的图谱库，以优化分割准确性。通过“我的作业状态”查看作业状态。当作业完成后，将出现“下载结果”按钮，允许用户以ZIP文件形式下载分割结果。结果将保存在单独的文件夹中。点击“查看结果”按钮以查看结果，网页将跳转至可视化界面。分割图的轴向、矢状和冠状视图叠加在T1加权的解剖图像上。左上窗口显示了分割后脑结构的三维渲染图像。叠加分割图的颜色表示脑结构体积的z分数。在右上方面板中调整可视化选项，包括叠加层的开启/关闭、叠加层的不透明度、放大与缩小，以及切片位置。如需批量处理以获取群体中的脑体积数据，请使用内部开发的 MATLAB 程序提取各个脑体积，并将其汇总至电子表格中。在 MATLAB 中运行 main。米，此时将弹出一个图形用户界面。在 MRICloud 的 T1 体积提取面板中，指定输入内容，包括保存已下载分割结果的研究目录、多级查找表文件路径及文件名。指定电子表格文件的输出目录，体积数据将写入该目录中。点击提取体积按钮以运行分析。成功完成后将显示一条消息。结果可在电子表格中查看，其中每一行包含单个受试者的数据，每一列包含这些受试者在多个解剖精细度下定义的结构体积。为了计算各个脑结构的变点，请使用相同的 MATLAB 图形用户界面。在变点分析面板中，指定包含多水平体积数据及相关诊断信息的电子表格。然后，指定输出文本文件的目录，变点分析结果将写入该文件。随后，在下拉框中选择粒度级别和本体定义类型，以确定进行变点分析的层级。同时，选择变点分析中使用的主要抑制因子，例如亨廷顿病的 CAP 评分。点击“计算变点”按钮执行分析，所得的变点结果将保存在用户自定义的输出 Excel 文件中。在 MATLAB 图形用户界面中对变点进行统计评估时，需设定统计检验的参数，包括置换次数和自举次数。点击统计检验按钮以运行检验。完成此步骤后，置换检验的 p 值以及自举运算得到的均值和标准差将作为额外列写入输出文本文件中。可选地，若要将变点映射到大脑及三维空间，请点击“map change-point”。完成此步骤后，系统将生成变点图，并通过叠加在T1加权图像上来进行可视化。此处展示的是基于图谱的全脑分割在多个粒度水平上的代表性结果。多层级分割图的轴向和冠状面视图叠加在T1加权的解剖图像上。三维图像展示了大脑半球、大脑核团、大脑核团中的基底节、基底节中的纹状体和苍白球，以及纹状体中的壳核和尾状核之间的层次解剖关系。此处的散点图展示了这些结构的变点分析结果，其中蓝色圆点表示在对年龄、性别和颅内体积进行校正后，体积数据的z分数。黑色曲线为拟合的z分数，通过回归得到依赖于变点的CAP分数，红线表示变点的位置。以下是多尺度水平下的全脑变点图。显示出显著变点的区域被映射到T1加权图像上，颜色表示以CAP分数为单位的变点值。一旦掌握，该流程的图像分割部分可在数小时内完成，具体时间取决于云端资源的可用性；而变点分析部分则需另需数小时，具体时长取决于用户自定义的解剖学精细程度。在执行该流程时，务必在进行变点分析之前，始终检查原始图像的质量以及图像分割的准确性。该技术发展之后，为医学影像分析领域的研究人员探索神经退行性疾病大规模MRI研究中的全脑解剖结构变化及其时空模式铺平了道路。观看本视频后，您应能够充分理解如何对T1加权图像进行自动分割，以及如何使用MATLAB图形用户界面（GUI）对光度数据运行变点分析。

whole-brain-segmentation-change-point-analysis-anatomical-brain

Research

科研

JoVE Journal

Medicine

医学

解剖性脑 MRI 的全脑分割及变化点分析--Premanifest 亨廷顿病的应用

本文介绍了多变量分析的基本原理，并将其与更常用的基于体素的单变量分析进行对比。这两种分析方法均应用于一个临床神经科学数据集。补充的半分模拟结果显示，多变量分析结果在独立数据集中的可重复性更优。...

神经影像数据中多变量分析的基础

包括主成分分析（PCA）在内的多变量技术已被用于识别功能脑成像中区域变化的特征模式。我们开发了一种算法，用于识别神经退行性疾病诊断、疾病进展评估以及患者群体治疗效果客观评价中的可重复性网络生物标志物。...

利用神经影像数据识别与疾病相关的空间协变模式

弥散张量成像（DTI）基本上是一种基于磁共振成像（MRI）的技术，用于识别 体内...

神经退行性疾病分析中的弥散张量磁共振成像

病灶探查者：一种基于视频指导的标准化方案，用于阿尔茨海默病及正常老年人群中准确可靠的磁共振成像衍生体积测量

本论文的目的是利用磁共振成像（MRI）研究海马体及其亚区。本文描述了一种用于分割海马体及五个海马亚结构的方案：阿蒙角（cornu ammonis, CA）1、CA2/CA3、CA4/齿状回、辐射层/ lacunosum /moleculare...

高分辨率 体内 手动分割方案：基于3T磁共振成像的人类海马亚区分析

利用磁共振成像（人类）、3D成像软件以及免疫组织化学分析，我们记录了大脑侧脑室的变化。随后在小鼠模型中模拟人类大脑因衰老或疾病引起的侧脑室体积的纵向3D图谱变化，以及脑室周围细胞变化的特征。...

人和小鼠侧脑室的三维建模及室周组织的组织学表征

本文描述了如何实施心理生理交互分析，以揭示所选种子区域与大脑其他区域体素之间功能连接在任务依赖条件下的变化。心理生理交互分析是一种研究任务对脑连接影响的常用方法，不同于传统的单变量激活效应分析。...

阿尔茨海默病遗传风险个体记忆相关脑连接的广义心理生理交互（PPI）分析

基于静息态功能磁共振成像结合格兰杰因果分析，我们研究了阿尔茨海默病（AD）患者、轻度认知障碍（MCI）患者以及健康对照组中后扣带皮层与全脑之间定向功能连接的改变。...

阿尔茨海默病与轻度认知障碍中定向功能连接的格兰杰因果分析应用

本方案描述了将七种不同的自动化分割工具应用于结构T1加权MRI扫描，以勾画可用于灰质体积定量的灰质区域的过程。...

基于T1加权MRI图像的皮层灰质自动分割

本文提供了一个开放获取的、标准化的影像处理流程实用教程，旨在用于病灶-症状映射。教程逐步介绍了每个处理步骤，从在CT/MRI上进行人工梗死分割，到后续将图像配准至标准空间，并结合典型病例提供了实用建议和图示说明。...

脑梗死病灶在MRI或CT上的分割与配准用于病灶-症状映射

尽管脉络丛在大脑中具有关键作用，但由于缺乏可靠的自动化分割工具，针对该结构的神经影像学研究仍然十分有限。本方案旨在实现脉络丛的金标准手动分割，为未来的神经影像学研究提供依据。...

使用脑部 MRI 手动分割人类脉络丛

学习基于图谱分割的全脑MRI体积分析方法，用于识别亨廷顿病临床前期脑萎缩的关键变化点。该技术结合MRICloud自动化处理与变化点统计，为神经退行性疾病研究提供时空动态信息。

全脑分割与解剖学脑部MRI的变点分析——在亨廷顿病前驱期中的应用

探索更多视频