Name: Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit (Video) | JoVE Journal
Uploaded: 2018-06-09T13:00:00.000+00:00
Duration: 9 min 6 s
Description: Erfahren Sie die atlasbasierte Segmentierung und Change-Point-Analyse von T1-gewichteten MRT-Daten zur Erkennung von Hirnatrophie bei prämanifester Huntington-Krankheit. Diese Methode liefert räumlich-zeitliche Informationen über neurodegenerative Veränderungen.

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

Wir danken der PREDICT-HD Ermittler, insbesondere Dr. Hans Johnson und Dr. Jane S. Pauslen von der University of Iowa für ihre Großzügigkeit in der MRT-Daten und konstruktive Diskussion über die Analyse der Daten und Ergebnisse teilen.
Diese Arbeit wird unterstützt durch NIH R21 NS098018, P50-NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 und U01 NS082085 gewährt.

1. Atlas-basierte Whole Brain Segmentierung
<ol><li>Aufbereitung der Daten
	<ol>
<li>Dreidimensionale (3D) T1-gewichteten Bilder, in der Regel erworben mit MPRAGE (Magnetisierung vorbereitet schnelle Gradienten-Echo) Reihenfolge von herstellerspezifischen DICOM (Digital Imaging and Communication) Format analysiert-Format zu konvertieren. Beachten Sie, dass die Wolke Berechnung erfordert Benutzerdaten auf remote-Cluster übertragen werden. Entfernen Sie nach der Health Insurance Portability and Accountability Act (HIPAA) die Patienten personenbezogene Daten von Image-Dateien. Hinweis: MRICloud bietet einen analysieren DICOM Konverter (https://braingps.mricloud.org/t1prep) für die Datei-Format-Konvertierung sowie die Anonymisierung von Gesundheitsdaten.<ol>
<li>Doppelklicken Sie auf Dcm2Analyze.exe. Ein Popup-Fenster öffnet sich (Abbildung 1A).</li>
			<li>DICOM Daten Verzeichnis Eingabepfad als Input und analysiert Image-Pfad und Dateinamen Namen als Ausgabe angeben.</li>
			<li>Klicken Sie auf "Go", um die Konvertierung abzuschließen. Hinweis: Die Konvertierung muss für jeden einzelnen Patienten durchgeführt werden, und es wäre vorteilhaft für alle konvertierten Bilder im Ordner "eine Studie" für Batch-Verarbeitung (1.2.2.1) ausgeben.</li>
		</ol>
</li>
	</ol></li>
	<li>Multi-Atlas Basis T1 Bild Segmentierung mit MRICloud19.
	<ol>
<li>Log-in "Gehirn GPS" (Register für Erstbenutzer) ab https://mricloud.org. Wählen Sie "Segmentierung" Werkzeug aus dem Hauptmenü (Abbildung 1 b). Es gibt zwei Anwendung Programmier-Schnittstelle (API) Optionen unter "Segmentierung": "T1-MultiAtlas" für einzelne T1 Image Segmentation und "T1-MultiAtlas Batch" für die Stapelverarbeitung. Die Wechselpunkt Analyse erfordert große Bevölkerungsdaten und Batch-Verarbeitung ist dabei oft die Wahl.</li>
		<li>Senden Sie Aufträge auf "T1-MultiAtlas Batch" API.<ol>
<li>Komprimieren Sie mehrere analysiert-Image-Dateien in eine Zip-Datei. Klicken Sie auf "+ .zip" in Abbildung 1 b die Zip-Datei hochladen. Hinweis: Die aktuelle Cloud-Portal beschränkt die Anzahl der Bilder bis 30 in jeder Zip-Ordner. Große Datenmengen können in mehrere Zip-Ordner zu bearbeitenden getrennt werden. Besonderen Antrag kann gestellt werden, um mehr Bilder pro Zip-Datei unterzubringen. In Zukunft können wir möglicherweise erhöhen die begrenzte Anzahl oder sogar die Grenze zu entfernen, wenn die weiter entfernte computational Ressourcen verfügbar sind.</li>
			<li>Füllen Sie die erforderlichen Felder in Figur 1 b.<ol>
<li>Verarbeitenden Server: Wählen Sie "Computational Anatomie Wissenschaft Gateway".</li>
				<li>Slice-Typ: Wählen Sie aus "Sagittal", "Axial" oder "Sagittal in Axial umgewandelt". Hinweis: "Sagittal" bezieht sich auf Bilder mit sagittaler Ausrichtung mit Blick auf einer Ebene im Anterior-posterioren und Kopf-Fuß Richtungen erworben. "Axial" bezieht sich auf Bilder erworben axiale Ausrichtung mit Blick in die Ebene in Links-Rechts und Anterior-posterioren Richtungen. "Sagittal in Axial konvertiert" bezieht sich auf Bilder, die ursprünglich in axialer Richtung erworben waren, aber später umgewandelt in sagittaler Bilder (das sind in der Regel "Axial" Bilder mit langem Hals-Bereich).</li>
				<li>Multi-Atlas-Bibliothek: Wählen Sie die Atlas-Bibliothek mit engsten Altersspanne auf die Benutzerdaten, die Segmentierung Genauigkeit zu optimieren. Wir bieten vorgefertigte Multi-Atlas Datasets18 verschiedener Altersstufen, z. B. "Pädiatrische 4-8 yr", "Pädiatrische 8-12 Jahre", "Erwachsene 22-50" und "Erwachsene 50-90", sowie verschiedene Atlas-Versionen. Informationen über Atlas-Versionen finden Sie im https://braingps.mricloud.org/atlasrepo.</li>
			</ol>
</li>
		</ol>
</li>
		<li>Überprüfen Sie den Status über "Mein Auftragsstatus" (Abbildung 1). Sobald die Aufträge fertig sind, erscheint eine Schaltfläche "Download Ergebnisse", die Benutzern erlaubt, die Segmentierung Ergebnisse als ZIP-Datei herunterladen.</li>
		<li>Visualisieren Sie die Ergebnisse. Für einzelne Subjekt, die Bände aus der Segmentierung Ergebnis gewonnen online visualisiert werden können (nicht möglich für Batch-Verarbeitung Ergebnisse).<ol>
<li>Klicken Sie auf "Ergebnis anzeigen" in Abbildung 1. Die Webseite schaltet auf der visualisierungsoberfläche (Abbildung 1). Die axialen, sagittalen und koronalen Ansichten der Segmentierung Karte sind im T1-gewichteten anatomischen Bild überlappt. 3D-Rendering der segmentierten Gehirnstrukturen werden im oberen linken Fenster angezeigt. Farbe der Überlagerung Segmentierung Karte zeigt die Z-Score der strukturellen Bände.</li>
			<li>Passen Sie die Visualisierungsoptionen, einschließlich Overlay ein-/Deckkraft der Überlagerung, vergrößern Sie und verkleinern und schneiden Sie Positionen aus den oberen rechten Bereich in Abbildung 1in Scheiben.</li>
			<li>Gruppieren Sie feinste Segmentierung Parzellen in unterschiedlicher Granularität. In unseren Atlanten haben wir fünf Ebenen der Granularität zwei Arten Ontologie Beziehungen18,30definiert. Eine Strukturansicht der hierarchischen mehrstufigen anatomische Definitionen zeigt im unteren linken Bereich (Abbildung 1). Klicken Sie auf das Niveau Zahlen um die Strukturen auf der entsprechenden Ebene der Ontologie zu erweitern. Die Segmentierung Karten schaltet gleichzeitig die entsprechenden Ontologie-Level. Hinweis: Alle zwei Monate MRICloud Workshops sind Hilfe bei Johns Hopkins University School of Medicine, Hands-on-Tutorials der oben beschriebenen Online-Operationen bieten. Werkstatt-Informationen finden Sie aus https://braingps.mricloud.org/workshops.</li>
		</ol>
</li>
		<li>Die Segmentierung Ergebnisse für spätere Analysen herunterladen. Entpacken Sie die Ergebnisse einer Studie Benutzerverzeichnis, z.B., zusammenstellen Sie die Segmentierung Ergebnisse aus allen Fächern in einem Studienverzeichnis, jeweils in ihren individuellen Subjekt-Ordnern. Hinweis: Die Ergebnisse enthalten</li>
	</ol>
<ul style="margin-left: 40px;">
<li>example.img: T1 Originalbild in axialer Richtung.</li>
		<li>example_MNI.img: T1 Bild im MNI Raum nach dem Talairach-Koordinaten.</li>
		<li>example_7Labels.img und example_7Labels_MNI.img: grobe Unterteilung mit 7 Parzellen (graue Substanz, weiße Substanz, Liquor cerebrospinalis, seitlichen Ventrikel, Schädel und Hintergrund) in Native und MNI Raum, beziehungsweise.</li>
		<li>example_283Labels_M2.img und example_283Labels_M2_MNI.img: feine Segmentierung mit 283 Parzellen (Atlasversion V9B) in Native und MNI Raum, beziehungsweise. Die genaue Anzahl der Etiketten ist von der Atlasversion abhängig.</li>
		<li>example_corrected_MNI_stats.txt und example_MNI_stats.txt: Statistik der Mengen an jedes Gehirn Parzellen in Native und MNI Raum.</li>
		<li>multilevel_lookup_table.txt: Multi-Level-Ontologie Definition des Gehirns Parzellen.</li>
	</ul></li>
	<li>Führen Sie die Batch-Verarbeitung um Gehirn Bände in einer Population zu erhalten. Eine hauseigene Matlab (www.mathworks.com) Stapelverarbeitung Skript zum Gehirn Bände aus Einzelergebnis Ordner extrahieren und kombinieren die volumetrische Daten aller Fächer an allen Ebenen Granularität in eine Kalkulationstabelle verwenden. Eine grafische Benutzeroberfläche (GUI) wird verwendet, um die ein- und Ausgänge angeben.
	<ol>
<li>Offene Matlab.exe, Main.fig und eine GUI laufen wird (Abbildung 2A) herausspringen.</li>
		<li>In "T1 Volumen Extraktion von MRICloud" Panel (oberen Bereich in Abbildung 2A), Eingänge, einschließlich das Studienverzeichnis angeben wo die heruntergeladene die Segmentierung Ergebnisse gespeichert werden (siehe 1.2.5); und die Multi-level-Lookup-Tabelle Datei-Pfad und Dateinamen.</li>
		<li>Geben Sie die Kalkulationstabelle Pfad und Dateiname der Name der Ausgabedatei wo schreiben Sie das Volumen, die Daten werden an.</li>
		<li>Klicken Sie auf "Extract Volume"-Taste, um die Analyse zu starten. Ergebnisse können in der benutzerdefinierten Tabelle überprüft werden. Hinweis: darüber hinaus ist eine R-Paket entwickelt zum Prozess der MRICloud Ausgänge und weitere statistische Auswertung zur Verfügung gestellt von Dr. Brian Caffo31durchführen. Das Paket kann von https://github.com/bcaffo/MRIcloudT1volumetrics heruntergeladen werden.</li>
	</ol></li>
</ol>2. Change-Point-Analyse der volumetrischen Daten
Hinweis: Lesen Sie bitte die Theorie und die mathematischen Details des Modells Wechselpunkt unsere bisherigen Veröffentlichungen21,24,23. Kurz, für HD-Daten entsteht ein Regressionsmodell, definieren Sie einen kritischen Änderung-Punkt (im Sinne von CAP-Score), ab, die die lineare Regression zwischen Kappe und Volumen wird statistische signifikant, während die Korrektur für die Auswirkungen von Alter des Patienten, Geschlecht und intrakranielle Volumen. Hauseigene Matlab-Skripte, zusammen mit einer GUI (Abb. 2A, untere Leiste), wurde entwickelt, um die wechselpunkte für individuelle Strukturen zu berechnen und statistische Analysen durchführen. Die Skripte sind für Benutzer auf Anfrage verfügbar.
<ol><li>
Änderung-Punkte für die einzelnen Hirnstrukturen zu berechnen.
	<ol>
<li>Geben Sie im Fenster "Change-Point-Analyse" in Abbildung 2Aden Dateipfad und-Namen der mehrstufige Volume-Tabelle, die nach 1.3 erzeugt wird.</li>
		<li>Geben Sie den Dateipfad und-Namen des Ausgabe-Text-Datei, die den Wechselpunkt Ergebnisse geschrieben werden sollen.</li>
		<li>Wählen Sie die Ebene der Granularität und Art der Ontologie-Definition in der Dropdown-Box (Level 1-5), bei denen die Wechselpunkt Analyse durchgeführt wird.</li>
		<li>Klicken Sie "Berechnen Wechselpunkt" Durchführung die Wechselpunkt Analyse, wie in Referenz23und die daraus resultierende wechselpunkte beschrieben wird in der Ausgabe-Text-Datei gespeichert werden.</li>
	</ol>
</li>
	<li>
Statistische Auswertungen der wechselpunkte.
	<ol>
<li>Legen Sie in der Matlab GUI (Abb. 2A, untere Leiste) Parameter für statistische Tests, einschließlich der Anzahl der Permutation (Standard 10.000), Anzahl der Bootstrap (Standard 10.000) und p-Wert-Schwelle (nach der FDR-Korrektur, Standard 0,05).</li>
		<li>Klicken Sie auf "Statistische test" um die Tests auszuführen. Nach diesem Schritt wird der p-Wert (von Permutationstest), vor und nach False Discovery rate (FDR)-Korrektur, sowie die Standardabweichung und der 95 %-Konfidenzintervall (von Bootstrap) die wechselpunkte geschrieben werden in die Ausgabedatei Text als zusätzliche Spalten . Finden Sie die Details des statistischen Testverfahren in23,24.</li>
	</ol>
</li>
	<li>Wechselpunkt Karten (optional) zu generieren. Klicken Sie im Matlab GUI (Abb. 2A, untere Leiste) "Map Change-Point" Wechselpunkt Karten zu generieren. Statistisch signifikante Veränderung-Punktwerte werden auf der MNI-Raum anatomische Bild zu visualisieren, das räumliche Muster abgebildet werden. Diese Zuordnung kann auf unterschiedliche Granularität Ebenen, je nach anatomischen gemäß 2.1 erfolgen. Wechselpunkt Karten können auf T1-gewichteten Bildern mit MRIcro (Abb. 2 b) (http://www.cabi.gatech.edu/mricro/mricro/) überlagert werden.</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>

Die Autoren haben nichts preisgeben.

Wie in dieser Arbeit gezeigt hat, kann ganze Gehirn Segmentierung der Gehirn-MRT bequem über unsere Online-Plattform MRICloud erreicht werden. T1-gewichteten MRT basierte Volumetrische Marker hat gezeigt, robust und empfindlich gegen eine Reihe von neurodegenerativen Krankheiten1,2,3. Die volumetrische Maßnahmen dienen zur Unterstützung der klinischen Diagnose und Prognose für verschiedene nachgelagerte Analyse, wie mathematisch...

Magnetresonanz-Bildgebung (MRI) wurde wesentlich verbessert, unsere Fähigkeit zu prüfen, die Anatomie des Gehirns und Funktionen bei neurodegenerativen Krankheiten1,2,3. T1-gewichteten strukturelle MRI ist einer der am weitesten verbreitete Annahme imaging-Tools im klinischen Alltag zur Beurteilung der Anatomie des Gehirns und damit verbundene Pathologie. Quantitative Analyse von hochauflösenden T1-gewichteten Bildern bietet nützliche Marker um anatomische Veränderungen während der Degeneration des Gehirns messen. Insbesondere Segmentierung basierend Quantifizierung Ansätze reduziert effektiv die Bild-Dimensionalität von Voxel-Ebene (in der Größenordnung von (106)), anatomische Strukturebene ((102)) für Hochdurchsatz-Neuroinformatik4 , 5. automatisierte Gehirn Segmentierung erreicht werden kann, mit Atlas-basierte Methoden6,7,8,9 , die die vordefinierten anatomischen Beschriftungen aus einem Atlas auf den Patienten Bilder zuordnen . Unter den Atlas-basierte Methoden ergab Algorithmen für Multi-Atlas10,11,12,13,14 überlegene Segmentierung Genauigkeit und Robustheit. Unsere Gruppe hat eine vollautomatische T1 Multi-Atlas Segmentierung Pipeline mit fortgeschrittenen Diffeomorphic Bild Anmeldung Algorithmen15, Multi-Atlas Fusion Methoden16,17und reiche Multi-Atlas-Bibliotheken entwickelt. 18. die Pipeline wurde auf eine Cloud-computing-Plattform, MRICloud19, seit 2015 verteilt und es wurde verwendet, um Neurodegenerative Erkrankungen wie Alzheimer-Krankheit (AD)20,21, Grundschule studieren Progressive Aphasie22und Chorea Huntington23.
Sobald die hochauflösenden Bilder in Gehirnstrukturen segmentiert sind, können regionale Besonderheiten, wie Volumen, werden zum Herstellen verwendet mathematische Modelle, um die neuroanatomischen Veränderungen zu charakterisieren. Eine Änderung-Punkt-Analyse-Methode wurde vor kurzem eingerichtet, von unserer Fraktion, die zeitliche Ordnung, in der statistisch signifikanten gehirnveränderungen morphometrische auftreten, anhand von längs- bzw. Querschnitt MRI-Daten zu analysieren. Diese statistischen Modell wurde zuerst entwickelt, um Form-basierte Diffeomorphometry älter als AD Patienten21,24zu quantifizieren; und es wurde später angepasst, um strukturelle Veränderungen im Gehirn bei der Huntington Krankheit (HD), sowie um Entwicklungsstörungen gehirnveränderungen im neonatalen Gehirn25beschreiben zu untersuchen. Bei Huntington-Patienten wurde der Wechselpunkt mit Respekt auf die CAG-Alter Produkt (CAP) Partitur, als Indikator für das Ausmaß der Exposition gegenüber der CAG-Ausbau in HTT 26definiert. Es ist bekannt, dass striatalen Atrophie einer der frühesten Marker in HD ist, gefolgt von der Globus Pallidus27. Doch die Veränderungen im Striatum in Bezug auf andere Strukturen der grauen und weißen Substanz in das Gehirn bleibt unklar. Diese Beziehung ist entscheidend für uns, das Fortschreiten der Erkrankung zu verstehen. Wechselpunkt Analyse der volumetrischen Veränderungen in allen Hirnstrukturen wird wahrscheinlich systematische Hirnatrophie in prämanifesten Phase der Huntington-Krankheit informieren.
Hier zeigen wir die Verfahren um ganze Gehirn Segmentierung mit MRICloud (www.mricloud.org), und Schritte zu Wechselpunkt volumetrischer Daten in prämanifesten HD Themen analysieren durchzuführen. Die MRT-Daten wurden gesammelt von einem Großteil der Bevölkerung multizentrischen PREDICT-HD Studie28,29 mit ca. 400 Kontrollen und prämanifesten HD Themen. Die Kombination von Atlas-Segmentierung und Wechselpunkt Analyse bringt einzigartige Informationen über die räumlich-zeitliche Reihenfolge der die strukturellen Veränderungen im Gehirn und das Krankheitsbild Fortschreiten über das Gehirn. Die Techniken sind potenziell für eine Reihe von neurodegenerativen Erkrankungen mit verschiedene Biomarker, die Degeneration des Gehirns abzubilden.

<table><tbody><tr><td>MATLAB</td><td>Mathworks</td><td>N/A</td><td>Version 2015b und höher</td></tr><tr><td>Dell Workstation</td><td>Dell</td><td></td><td>Dell Precision T5500 (Intel Xeon CPU)</td></tr></tbody></table>

gesamte gehirn segmentierung und change-point-analyse der anatomischen gehirn mri-anwendung in prämanifesten huntington-krankheit

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

Jüngste Fortschritte in der MRT bieten eine Vielzahl nützlicher Marker, Neurodegenerative Erkrankungen zu identifizieren. Bei der Huntington-Krankheit (HD) regionale Hirnatrophie beginnt viele Jahre vor dem motor auftreten (während der "prämanifesten" Periode), aber das räumlich-zeitliche Muster der regionalen Atrophie über das Gehirn nicht vollständig charakterisiert. Hier zeigen wir eine Online-Cloud-computing-Plattform, "MRICloud", die Atlas-basierte ganze Gehirn Segmentierung von T1-gewichteten Bildern auf mehreren Ebenen der Granularität, und dabei kann wir auf die regionalen Besonderheiten der Anatomie des Gehirns zuzugreifen. Dann beschreiben wir ein Regressionsmodell, das statistisch signifikante Wendepunkte bei denen regionale Hirnatrophie beginnt erkennt zu spüren, d. h. der "Change-Point", im Hinblick auf eine Krankheit Fortschreiten Index. Wir verwendet die CAG-Alter Produkt (CAP) Partitur, um das Fortschreiten der Krankheit bei Huntington-Patienten zu indizieren. Wechselpunkt Analyse der volumetrischen Messungen aus der Segmentierung Pipeline liefert wichtige Informationen und Muster der strukturelle Atrophie daher über das Gehirn. Das Papier zeigt die Verwendung dieser Techniken auf T1-gewichteten MRT-Daten aus einer großen multizentrischen Studie der PREDICT-HD prämanifesten HD-Themen. Dieses Design hat breite Anwendungen möglicherweise in einer Reihe von neurodegenerativen Erkrankungen, die dynamischen Veränderungen der Anatomie des Gehirns zu untersuchen.

Verwenden die nachfolgend beschriebenen 1.1-1.3, ganze gehirnkarten Segmentierung von MRICloud erhalten. In der aktuellen Version des Atlas (V9B), 283 Parzellen sind segmentiert feinster Granularität (Stufe 5), die sich auf verschiedenen Ebenen der Granularität, z.B.einteilen lassen., Hemisphäre, Läppchen und Pakete nach bestimmten Ontologie Definitionen. Abbildung 3 zeigt zwei Arten von mehrstufigen Segmentierungen auf fünf Ebenen, axiale und korona...

Dieses Whitepaper beschreibt ein statistisches Modell für Volumetrische MRI-Daten-Analyse, die "Wechselpunkt" identifiziert, wenn Hirnatrophie im Premanifest Chorea Huntington beginnt. Ganz-Brain Mapping von die wechselpunkte erfolgt basierend auf Gehirn Volumen mit einer Atlas-basierte Segmentierung-Pipeline von T1-gewichteten Bildern erzielt.

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit

Recent advances in MRI offer a variety of useful markers to identify neurodegenerative diseases. In Huntington&#39;s disease (HD), regional brain atrophy ...

Das übergeordnete Ziel dieser Bildanalyse-Pipeline ist es, eine quantitative volumetrische Analyse von T1-gewichteten MRT-Bildern durchzuführen und kritische Veränderungspunkte zu identifizieren, wenn die Hirnatrophie bei neurodegenerativen Erkrankungen beginnt. Diese Methode kann helfen, Schlüsselfragen in der quantitativen Analyse von anatomischen Veränderungen des Gehirns im Verlauf neurodegenerativer Erkrankungen zu beantworten. Zum Beispiel die Reihenfolge und das Muster der Hirnatrophie bei der Huntington-Krankheit.Der Hauptvorteil dieser Technik besteht darin, dass die Kombination aus Atlas-basierter Segmentierung und Change-Point-Analyse einzigartige räumlich-zeitliche Informationen über die Degeneration des Gehirns aus einer großen Population von Studien liefert. Die volumetrische Analyse der Hirn-MRT wurde mit MRICloud durchgeführt, das eine vollautomatische Bildsegmentierung und -quantifizierung durch Fernberechnung und eine webbasierte Benutzeroberfläche ermöglicht. Die Change-Point-Analyse der Hirn-MRT ermöglicht uns einen systematischen Überblick über den Krankheitsverlauf im gesamten Gehirn.Die Anwendungen dieser Technik erstrecken sich auf eine Reihe von neuronalen

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

Research

Forschung

JoVE Journal

Medicine

Medizin

Der aktuelle Artikel beschreibt die Grundlagen der multivariaten Analyse und Kontraste es am häufigsten verwendeten Voxel-weise univariaten Analyse. Beide Arten der Analyse sind zu einem klinisch-neurowissenschaftliche Datensatz angelegt. Ergänzende Split-half-Simulationen zeigen, besser Replikation der multivariaten Ergebnisse in unabhängigen Datensätzen.

Grundlagen der multivariaten Analyse in Neuroimaging-Daten

Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Diffusion Tensor Imaging (DTI) dient im wesentlichen als eine MRT-basiertes Tool zur...

Diffusion Tensor Magnetic Resonance Imaging in der Analyse von neurodegenerativen Erkrankungen

Läsion Explorer (LE) ist eine regional entwickelt, um Hirngewebe und subkortikalen Hyper Läsion Volumetrie von strukturellen MRT der Alzheimer-Krankheit und normalen älteren erhalten halbautomatisch, Bildverarbeitungs-Pipeline. Um ein hohes Maß an Genauigkeit und Zuverlässigkeit zu gewährleisten, ist das folgende eine Video-geführt, standardisiertes Protokoll für LE manuellen Verfahren.

Läsion Explorer: Ein Video-geführt, standardisiertes Protokoll für genaue und zuverlässige MRI-abgeleiteten Volumetrics in der Alzheimer-Krankheit und Normale Ältere

Das Ziel dieses Manuskripts ist es, den Hippocampus und die Hippocampus-Teilbereiche mittels MRT zu untersuchen. Das Manuskript beschreibt ein Protokoll zur Segmentierung des Hippocampus und der fünf hippokampalen Substrukturen: cornu ammonis (CA) 1, CA2/CA3, CA4/Gyrus dentatus, Strata radiatum/Lacunosum/moleculare und Subiculum.

Hohe Auflösung In-vivo- Manuelle Segmentierung Protokoll für Menschen Hippocampus Teilfelder Verwenden von 3T Kernspintomographie

Mit Hilfe von MRT-Scans (Mensch), 3D-Bildgebungssoftware und immunhistologischer Analyse dokumentieren wir Veränderungen an den Seitenventrikeln des Gehirns. Die longitudinale 3D-Kartierung von Volumenänderungen des lateralen Ventrikels und die Charakterisierung periventrikulärer zellulärer Veränderungen, die im menschlichen Gehirn aufgrund von Alterung oder Krankheit auftreten, werden dann an Mäusen modelliert.

3D-Modellierung der Seitenventrikel und histologische Charakterisierung Periventrikuläre Tissue in Mensch und Maus

Dieses Manuskript beschreibt das Implementieren eines psychophysiologischen Interaktionsanalyse um Aufgabe-abhängige Änderungen in funktionelle Verknüpfung zwischen einem ausgewählten Samen Region und Voxel in anderen Regionen des Gehirns sichtbar zu machen. Psychophysiologische Interaktionsanalyse ist eine beliebte Methode zur Aufgabe Auswirkungen auf Gehirn-Konnektivität, unterscheidet sich von traditionellen Univariate Aktivierung Auswirkungen zu untersuchen.

Generalisierte psychophysiologische (PPI) Interaktionsanalyse des Speichers im Zusammenhang mit Konnektivität bei Personen auf genetischen Risiko für die Alzheimer-Krankheit

Basierend auf ruhenden Zustand funktionelle Magnetresonanztomographie mit Granger Kausalität Analyse, untersuchten wir die Änderungen in die gezielte funktionelle Verknüpfung zwischen den hinteren cingulären Kortex und ganze Gehirn bei Patienten mit Alzheimer-Krankheit (AD), Patienten mit Mild Cognitive Impairment (MCI) und gesunden Kontrollpersonen.

Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Hier ist ein praktisches Tutorial für eine offene, standardisierte Bildverarbeitungspipeline zum Zwecke der Läsion-Symptom-Mapping. Für jeden Verarbeitungsschritt wird eine schrittweise Vorgehensweise angeboten, von der manuellen Infarktsegmentierung auf CT/MRT über die anschließende Registrierung bis hin zum Standardraum sowie praktische Empfehlungen und Illustrationen mit beispielhaften Fällen.

Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom Mapping

Trotz der entscheidenden Rolle des Plexus choroideus im Gehirn sind Neuroimaging-Studien dieser Struktur aufgrund des Mangels an zuverlässigen automatisierten Segmentierungswerkzeugen rar. Das vorliegende Protokoll zielt darauf ab, eine manuelle Segmentierung des Aderhautplexus nach Goldstandard zu gewährleisten, die in zukünftige Neuroimaging-Studien einfließen kann.

Manuelle Segmentierung des menschlichen Aderhautplexus mittels Hirn-MRT

Erfahren Sie die atlasbasierte Segmentierung und Change-Point-Analyse von T1-gewichteten MRT-Daten zur Erkennung von Hirnatrophie bei prämanifester Huntington-Krankheit. Diese Methode liefert räumlich-zeitliche Informationen über neurodegenerative Veränderungen.

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit (Video) | JoVE Journal

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit

Weitere Videos entdecken