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
2018年6月9日
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"变化点"。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。
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。
查看完整文字稿并访问数千部科学视频
概述
本研究提出了一种用于分析容积性磁共振成像（MRI）数据的统计模型，以识别亨廷顿病发病前期脑萎缩的起始时间。该方法采用基于图谱的分割流程，实现对脑体积变化点的全脑映射。
关键研究要素
科学领域
- 神经科学
- 神经影像学
- 神经退行性疾病
背景
- 对脑部解剖结构变化进行定量分析对于理解神经退行性疾病至关重要。
- 识别脑萎缩中的变化点可为疾病进展提供见解。
- 亨廷顿病是研究脑萎缩模式的模型疾病。
- 基于图谱的分割可提高体积分析的准确性。
研究目的
- 开发一种用于检测脑萎缩关键变化点的方法。
- 提供脑内疾病进展的系统性视图。
- 利用自动图像分割技术实现高效分析。
使用的方法
- T1加权磁共振图像的体积分析。
- 基于图谱的脑体积测量分割流程。
- 利用变点分析识别萎缩起始时间。
- 使用MRICloud进行自动化图像处理。
主要结果
- 成功识别脑萎缩中的变化点。
- 全脑范围内萎缩模式的绘制。
- 在大规模人群研究中验证该方法的有效性。
- 提供关于脑退变的独特时空信息。
结论
- 该方法为研究神经退行性疾病提供了一种稳健的途径。
- 它有助于加深对亨廷顿病中脑萎缩动态变化的理解。
- 分割分析与变点分析的结合对未来研究具有重要价值。
常见问题
行业重要性概述
该方法通过识别脑区萎缩中的统计学显著拐点，使生物制药研发团队能够检测神经退行性疾病中的早期结构生物标志物。利用全脑分割和变点分析描绘萎缩的时空进展，该方法可支持临床前项目中的靶点验证和机制去风险化。其提供的定量、可重复的读数可用于指导中枢神经系统药物研发中的立项/终止决策及项目组合优先级排序。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：通过揭示脑区结构萎缩的顺序和模式，实现对治疗假设的验证。
- 操作价值：通过基于图谱的分割提供标准化、可重复的体积测量，支持生物学层面的风险降低。
- 预测价值：通过将变化点与疾病进展指数（如 CAP 评分）关联，促进先导目标的识别，提高对靶点结合的信心。
筛选与检测方法开发
- 科学价值：通过在多个解剖学精细程度上提供定量的结构读数，为下游工作流程准备经过验证的生物系统。
- 操作价值：通过自动化的 MRICloud 分割和基于 MATLAB 的体积提取，确保检测的标准化和可重复性。
- 筛选准备性：通过从大规模人群研究中生成可扩展、平台可复用的体积数据集，实现对化合物的可靠评估。
转化与临床前研究
- 转化连续性：通过绘制与疾病相关系统相一致的萎缩模式，将发现成果与临床前验证相连接。
- 风险调整后推进：通过识别早于运动症状出现的早期变化节点，支持决策制定，从而实现主动干预策略。
- 机制性降风险：通过揭示退变的空间-时间模式以指导生物标志物的匹配，提升预测可信度。
流程与工作流整合
该方法可融入从早期靶点验证到临床前开发的整个发现流程，提供一种可扩展的方法，用于监测神经退行性疾病模型中的解剖学变化。
- 发现生物学：通过检测与疾病进展相关的区域性萎缩起始，支持假设验证和通路阐明。
- 筛选：通过自动分割和定量体积输出，提供适用于高重复性筛选的检测就绪功能。
- 分析：提供统计输出结果，包括来自置换检验的变点位置和 p 值，支持跨条件比较。
- 转化研究：通过绘制模拟人类疾病进展的萎缩模式，与临床前研究形成衔接，支持生物标志物的对齐。
- 企业级复用：作为可重复使用的基于云的功能，支持多种神经退行性疾病适应症的纵向研究。
运营与企业影响
- 科学价值：通过降低神经退行性疾病模型中的机制模糊性，提高预测可信度。
- 操作价值：通过自动化的 MRICloud 处理和批量分析工作流程，增强标准化和可扩展性。
- 战略价值：提供早期可量化的靶点结合生物标志物，从而改善决策判断。
- 项目组合影响：通过在疾病不同阶段对结构生物标志物进行纵向追踪，实现基于风险调整的优先级排序。
实施注意事项
- 需要具备神经影像分析、MATLAB 编程以及统计变点建模方面的专业知识。
- 依赖于对 MRICloud 的访问权限，以进行图像分割，以及用于置换检验和自助法检验的计算基础设施。
- 需要跨团队在图像预处理、分割参数和变点阈值方面实现标准化。
- 在将该方法应用于除人类亨廷顿病数据以外的不同模型系统或物种时，需考虑适应性调整。
- 存在实际限制，例如在可靠开展变点分析之前，依赖图像质量和分割准确性。
