Artículo de método

Todo cerebro segmentación y análisis de punto de cambio anatómico cerebral MRI — aplicación asintomático enfermedad de Huntington

DOI:

10.3791/57256

⸱

9 de junio de 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

En este artículo

Resumen

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

Este papel describe un modelo estadístico para el análisis de datos volumétrico MRI, que identifica el "punto de cambio" cuando la atrofia del cerebro comienza en presintomáticos la enfermedad de Huntington. Mapeo cerebral de conjunto de los puntos de cambio se logra basado en volúmenes cerebrales obtenidos mediante una tubería de segmentación basada en el atlas de imágenes de T1-weighted.

Resumen

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

Los recientes avances en RM ofrecen una variedad de marcadores útiles para identificar las enfermedades neurodegenerativas. La enfermedad de Huntington (HD), atrofia cerebral regional comienza muchos años antes de la aparición del motor (durante el período "asintomático"), pero el patrón espacio-temporal de atrofia regional en el cerebro no se ha caracterizado completamente. Aquí demostramos una plataforma online de cloud computing, "MRICloud", que proporciona el atlas entero del cerebro segmentación de imágenes de T1-weighted en varios niveles de granularidad y por lo tanto, nos permite acceder a las características regionales de la anatomía del cerebro. A continuación describimos un modelo de regresión que detecta puntos de inflexión estadísticamente significativa, en la que atrofia cerebral regional comienza a notarse, es decir, el "punto de cambio," con respecto a un índice de progresión de la enfermedad. Se utilizó la puntuación de producto (CAP) de CAG-edad para índice de la progresión de la enfermedad en pacientes con EH. Análisis de punto de cambio de las mediciones volumétricas de la tubería de la segmentación, por lo tanto, proporciona información importante de la orden y patrón de la atrofia estructural en el cerebro. El documento muestra el uso de estas técnicas en los datos de T1-weighted MRI de sujetos asintomáticos de HD de un gran estudio multicéntrico de PREDICT-HD. Potencialmente, este diseño tiene amplias aplicaciones en una variedad de enfermedades neurodegenerativas para investigar los cambios dinámicos de la anatomía del cerebro.

Introducción

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

La proyección de imagen de resonancia magnética (MRI) ha mejorado sustancialmente nuestra capacidad de examinar la anatomía del cerebro y funciones en neurodegenerativas enfermedades1,2,3. Estructural de T1-weighted que MRI es uno de los más ampliamente adoptado herramientas de imagen en la práctica clínica habitual para evaluar la anatomía del cerebro y la patología relacionada. Análisis cuantitativo de las imágenes de T1-weighted alta resolución proporciona marcadores útiles para medir cambios anatómicos durante la degeneración cerebral. En particular, enfoques de segmentación basado en la cuantificación efectivamente reduce la dimensionalidad de la imagen de voxel nivel (en la orden de (106)) a nivel estructural anatómico ((102)) para alto rendimiento Neuroinformática4 , 5. segmentación del cerebro automático se logra utilizando métodos basados en el atlas6,7,8,9 que mapean las etiquetas anatómicas previamente definidas de un atlas sobre las imágenes de paciente . Entre los métodos basados en el atlas, atlas múltiples algoritmos10,11,12,13,14 han producido segmentación superior precisión y robustez. Nuestro grupo ha desarrollado una tubería de varios atlas segmentación totalmente automatizada de T1, diffeomorphic avanzado imagen registro algoritmos15fusión atlas múltiples métodos16,17y ricas bibliotecas de varios atlas 18. la tubería se ha distribuido en una plataforma de cloud computing, MRICloud19, desde 2015, y se ha utilizado para el estudio de enfermedades neurodegenerativas como la enfermedad de Alzheimer (AD)20,21, primaria Afasia progresiva22y23de la enfermedad de Huntington.

Una vez que las imágenes de alta resolución están segmentadas en estructuras del cerebro, características regionales, tales como volúmenes, pueden utilizarse para establecer modelos matemáticos para caracterizar los cambios neuroanatomical. Un método de análisis de punto de cambio fue establecido recientemente por nuestro grupo para analizar el orden temporal, en el que estadísticamente significativo cerebro morfométricos cambios, basado en datos del MRI longitudinales y transversales. Este modelo estadístico fue desarrollado primero para cuantificar diffeomorphometry basada en la forma más años en AD pacientes21,24; y fue más tarde adaptado para investigar cambios estructurales en el cerebro en la enfermedad de Huntington (HD), así como para describir los cambios del desarrollo cerebral en el cerebro neonatal25. En pacientes con EH, se definió el punto de cambio con respecto a la puntuación de producto (CAP) de CAG-edad, como indicador del grado de exposición a la expansión de CAG en el HTT 26. Es bien sabido que la atrofia del estriado es uno de los primeros marcadores en HD, seguido por el globus pallidus27. Sin embargo, los cambios en el cuerpo estriado en relación con otras estructuras de la materia gris y blanca en el cerebro aún no está claro. Tal relación es crucial para comprender la progresión de la enfermedad. Análisis de punto de cambio de cambios volumétricos en todas las estructuras del cerebro probablemente proporcionará información sistemática de atrofia cerebral en fase asintomático de HD.

Aquí muestran los procedimientos para realizar la segmentación de todo el cerebro usando MRICloud (www.mricloud.org) y los pasos para realizar el análisis de punto de cambio de datos volumétricos en sujetos asintomáticos de HD. Los datos de MRI fueron recogidos de un estudio multicéntrico de gran población28,29 con aproximadamente 400 controles y sujetos asintomáticos de HD de estudio PREDICT-HD. La combinación de análisis de segmentación y punto de cambio basado en el atlas trae información única sobre el orden espacio-temporal de los cambios estructurales del cerebro y el patrón de progresión de la enfermedad en el cerebro. Las técnicas son potencialmente aplicables a una gama de enfermedades neurodegenerativas con varios biomarcadores a la degeneración del cerebro.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

1. Atlas basada en todo el cerebro segmentación

  1. Preparación de datos
    1. Convertir tridimensionales (3D) imágenes de T1-weighted, normalmente adquiridas con secuencia de MPRAGE (preparado magnetización rápida gradiente eco-), de formato DICOM (Digital Imaging and comunicación) específicos de proveedores formato analizadas. Observe que el cómputo de nube requiere datos de los usuarios para transferir a grupos remotos. Según la Health Insurance Portability y Accountability Act (HIPPA), quitar la información de identificación personal de los pacientes de los archivos de imagen.
      Nota: MRICloud ofrece un conversor de DICOM a analizar (https://braingps.mricloud.org/t1prep) para la conversión de formato de archivo así como la identificación de información personal de salud.
      1. Haga doble clic para abrir Dcm2Analyze.exe. Abrirá una ventana de popup (figura 1A).
      2. Especificar la ruta de acceso de directorio de datos DICOM entrada como entrada y nombre de ruta de acceso y archivo de imagen analizadas como salida.
      3. Haga clic en "Go" para completar la conversión.
        Nota: La conversión debe realizarse para cada paciente, y que sería beneficioso para todas las imágenes se puede convertir en un estudio de carpeta para (1.2.2.1) de procesamiento por lotes de salida.
  2. Varios atlas basado en segmentación de imagen T1 utilizando MRICloud19.
    1. Inicie sesión en "GPS cerebral" (registro de usuarios de primera vez) de https://mricloud.org. Seleccione la herramienta de "Segmentación" en el menú principal (figura 1B). Hay dos opciones de aplicación programación interfaz (API) bajo "Segmentación": "T1-MultiAtlas" solo segmentación de la imagen de T1 y ""T1-MultiAtlas por lotes para procesamiento por lote. El análisis del punto de cambio requiere datos de población, y de tal modo, procesamiento por lotes es a menudo la elección.
    2. Enviar sus trabajos en API ""T1-MultiAtlas por lotes.
      1. Comprimir múltiples archivos de imagen analizadas en un archivo zip. Haga clic en "+ .zip" en la figura 1B para cargar el archivo zip.
        Nota: El portal de nube actual limita el número de imágenes a 30 en cada carpeta zip. Grandes conjuntos de datos pueden dividirse en varias carpetas del zip para ser procesados. Pedido especial se puede hacer para dar cabida a más imágenes al archivo zip. En el futuro, podemos aumentar potencialmente el número limitado o incluso eliminar el límite cuando disponga de más recursos computacionales.
      2. Rellene los campos requeridos en la figura 1B.
        1. Servidor de procesamiento: elegir "Gateway de ciencia anatomía computacional".
        2. Rodaja tipo: Elegir "Sagital", "Axial" o "Convertidas en Axial sagital".
          Nota: "Sagital" se refiere a imágenes adquiridas con orientación sagital con vista en el plano Anterior Posterior y cabeza-pie direcciones. "Axial" se refiere a la orientación axial de imágenes adquiridas con vista en el plano en dirección izquierda-derecha y Anterior-Posterior. "Sagital convertido a Axial" se refiere a imágenes que eran originalmente adquiridos en orientación axial pero convertidos más adelante a imágenes sagitales (ésos son típicamente "Axial" imágenes con el área del cuello largo).
        3. Biblioteca de varios atlas: elegir la biblioteca atlas con rango de edad más cercana a los datos del usuario para optimizar la precisión de la segmentación. Ofrecemos precompilados en conjuntos de datos múltiples atlas18 con rangos de edad diferentes, por ejemplo, "Pediatría 4-8 años", "Pediatría 8-12 años", "adulto 22-50", y "adulto 50-90", así como atlas diferentes versiones. Información sobre versiones de atlas puede encontrarse en https://braingps.mricloud.org/atlasrepo.
    3. Compruebe el estado del trabajo a través de "Mi condición de trabajo" (figura 1). Se acaban los puestos de trabajo, que permite a los usuarios descargar los resultados de la segmentación como un archivo .zip aparecerá un botón de "Descargar resultados".
    4. Visualizar los resultados. Para solo tema, se pueden visualizar en línea los volúmenes obtenidos el resultado de la segmentación (no factible para resultados de procesamiento por lotes).
      1. Haz clic en el botón "Ver resultado" en la figura 1. La página web se convertirá en la interfaz de visualización (figura 1). Las vistas axiales, sagitales y coronales de la mapa de segmentación se superponen sobre la imagen anatómica de T1-weighted. Render 3D de las estructuras del cerebro segmentado se muestran en la ventana superior izquierda. Color la segmentación de la sobreposición del mapa indica la puntuación z de los volúmenes estructurales.
      2. Ajuste las opciones de visualización, incluyendo recubrimiento ON/OFF, opacidad de la superposición, acercar y alejar y cortar puestos del panel derecho superior en la figura 1.
      3. Grupo mejores parcelas de la segmentación en diferente granularidad. En nuestros Atlas, se definieron cinco niveles de granularidad con dos tipos de relaciones ontología18,30. En el panel izquierdo inferior (figura 1) se muestra una vista de árbol de las definiciones anatómicas múltiples niveles jerárquicas. Haga clic en los números de nivel para ampliar las estructuras en el nivel correspondiente de la ontología. Los mapas de segmentación cambiará simultáneamente al nivel correspondiente de la ontología.
        Nota: Talleres bimestrales MRICloud son ayuda en Johns Hopkins University School of Medicine para ofrecer Tutoriales prácticos de las operaciones en línea que se describe anteriormente. Encontrará la información de taller de https://braingps.mricloud.org/workshops.
    5. Descargar los resultados de segmentación para el análisis posterior. Descomprimir los resultados a un directorio de estudio de usuario, por ejemplo, poner juntos los resultados de la segmentación de todos los temas en un estudio de directorio, cada uno en sus carpetas de tema individual.
      Nota: Los resultados son
    • Example.img: imagen T1 original en orientación axial.
    • example_MNI.img: imagen T1 en el espacio MNI siguiendo las coordenadas de Talairach.
    • example_7Labels.img y example_7Labels_MNI.img: segmentación gruesa con 7 paquetes (materia gris, materia blanca, líquido cerebroespinal, ventrículo lateral, cráneo y fondo) en nativo y MNI espacio, respectivamente.
    • example_283Labels_M2.img y example_283Labels_M2_MNI.img: fina segmentación con 283 parcelas (atlas versión V9B) nativo y MNI espacio, respectivamente. El número exacto de las etiquetas depende de la versión del atlas.
    • example_corrected_MNI_stats.txt y example_MNI_stats.txt: estadísticas de volúmenes de cada cerebro parcelas en nativo y MNI espacio.
    • multilevel_lookup_table.txt: definición de ontología de niveles múltiples de las parcelas de cerebro.
  3. Realizar el procesamiento por lotes para obtener volúmenes de cerebro en una población. Uso un interno Matlab (www.mathworks.com) procesamiento por lotes de comandos para extraer volúmenes cerebrales de carpetas resultado individual y combinar los datos volumétricos de todas las asignaturas en todos los niveles de granularidad a una hoja de cálculo. Una interfaz gráfica de usuario (GUI) se utiliza para especificar la entrada y salida.
    1. Abre Matlab.exe, ejecutar Main.fig y un GUI saltará (figura 2A).
    2. En la "extracción de volumen de T1 de MRICloud" panel (panel superior en la figura 2A), especifique las entradas, incluyendo el directorio de estudio dónde el descargar los resultados de segmentación se guardan (véase 1.2.5); y la búsqueda multinivel archivo ruta de acceso y nombre de la tabla.
    3. Especifique la hoja de cálculo archivo ruta de acceso y nombre de salida donde escribir el volumen de los datos.
    4. Haga clic en el botón "Extraer volumen" para ejecutar el análisis. Los resultados pueden comprobarse en la hoja de cálculo definido por el usuario.
      Nota: Además, se desarrolla un paquete de R al proceso de la MRICloud salidas y realizar otros análisis estadísticos, proporcionado por el Dr. Brian Caffo31. El paquete puede ser descargado de https://github.com/bcaffo/MRIcloudT1volumetrics.

2. punto de cambio análisis de los datos volumétricos

Nota: Consulte la teoría y los detalles matemáticos del modelo de punto de cambio de nuestras anteriores publicaciones21,24,23. Brevemente, para los datos del HD, un modelo de regresión se establece para definir un cambio-punto crítico (en términos de puntuación de la tapa), a partir de que, la regresión lineal entre la tapa y el volumen se convierte en estadística significativa, mientras que corregir los efectos de la edad del paciente, Género y el volumen intracraneal. En secuencias de comandos de Matlab, junto con una interfaz gráfica (figura 2A, panel inferior), fue desarrollado para calcular los puntos de cambio de estructuras individuales y realizar análisis estadístico. Las secuencias de comandos están disponibles para los usuarios a petición.

  1. Calcular los puntos de cambio de las estructuras cerebrales individuales.
    1. En el panel "análisis del punto de cambio" en la figura 2A, especifique la ruta del archivo y el nombre de la hoja de cálculo de volumen multinivel, que se genera según 1.3.
    2. Especificar la ruta del archivo y el nombre del texto del archivo de salida, que se escribirán los resultados de punto de cambio.
    3. Elegir el nivel de granularidad y el tipo de definición de la ontología en el cuadro de lista desplegable (nivel 1-5), en el que se realizará el análisis de punto de cambio.
    4. Haga clic en "Calcular punto de cambio" para realizar el análisis del punto de cambio, como se describe en la referencia23y los puntos de cambio resultantes se guardará en el archivo de texto de salida.
  2. Evaluaciones estadísticas de los puntos de cambio.
    1. En el GUI de Matlab (figura 2A, panel inferior), especificar parámetros para pruebas estadísticas, incluyendo el número de permutación (por defecto 10.000), número de manos a la obra (por defecto 10.000) y umbral de valor p (después de la corrección de la FDR, defecto 0.05).
    2. Haz clic en el botón "Estadístico de prueba" para ejecutar las pruebas. Después de este paso, el valor de p (por prueba de permutación), antes y después de falso descubrimiento tasa de corrección (FDR), así como la desviación estándar y el intervalo de confianza de 95% (de arranque) de los puntos de cambio se escribirá en el archivo de texto de salida como columnas adicionales . Ver detalles de los procedimientos de prueba estadística en23,24.
  3. Generar mapas de puntos de cambio (opcional). En el GUI de Matlab (figura 2A, panel inferior), haz clic en botón de "Punto de cambio de mapa" para generar mapas de puntos de cambio. Punto de cambio estadísticamente significativo valores se asignan a la imagen anatómica de MNI-espacio para visualizar el patrón espacial. Esta asignación puede hacerse en niveles de granularidad diferente, según el nivel anatómico especificado en 2.1. Los mapas de puntos de cambio pueden ser overlaid en imágenes de T1-weighted con MRIcro (figura 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Utilizando los procedimientos descritos en 1.1-1.3, todo cerebro segmentación mapas pueden obtenerse de MRICloud. En la versión actual de atlas (V9B), 283 parcelas están segmentadas en la granularidad más fina (nivel 5), que puede agruparse en diferentes niveles de granularidad, por ejemplo., del hemisferio en lóbulos y de la parcelas, según definiciones de ontología específica. La figura 3 muestra dos tipos de niveles múltiples segmentaciones en cin...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Como se demuestra en este trabajo, segmentación de todo el cerebro de MRI del cerebro convenientemente posible utilizando nuestra plataforma online MRICloud. T1-weighted MRI base volumétrica marcador ha demostrado ser robusta y sensible a una gama de enfermedades de neurodegenerative1,2,3. Las medidas volumétricas se utilizan para diversos análisis posteriores, tales como modelos matemáticos y análisis de función de selección y ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen nada que revelar.

Agradecimientos

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

Agradecemos a los investigadores PREDICT-HD, en particular, el Dr. Hans Johnson y el Dr. Jane S. Pauslen de la Universidad de Iowa, por su generosidad en compartir los datos de MRI y debate constructivo sobre el análisis de los datos y resultados.

Este trabajo es financiado por los NIH concede R21 NS098018, P50 NS16375, NS40068, NS086888 R01, NS084957 R01, EB015909 P41, EB015909 P41, R01 EB000975, R01 EB008171 y NS082085 U01.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
MATLABMathworksN/Aversión 2015b y superior
Dell WorkstationDellDell Precision T5500 (CPU Intel Xeon)

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

IRM ponderada en T1Plataforma MRICloudsegmentaci n basada en atlasan lisis volum tricopuntuaci n CAPprocesamiento por lotes MultiAtlasGUI de MATLAB

Artículos relacionados