Todo cerebro segmentación y análisis de punto de cambio anatómico cerebral MRI — aplicación asintomático enfermedad de Huntington
9 de junio de 2018
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.
El objetivo general de esta línea de análisis de imágenes es realizar un análisis volumétrico cuantitativo de imágenes de resonancia magnética ponderadas en T1 e identificar puntos de cambio críticos cuando comienza la atrofia cerebral en enfermedades neurodegenerativas. Este método puede ayudar a responder preguntas clave en el análisis cuantitativo de los cambios anatómicos cerebrales durante el curso de la enfermedad neurodegenerativa. Por ejemplo, el orden y el patrón de atrofia cerebral en la enfermedad de Huntington.
La principal ventaja de esta técnica es que la combinación de la segmentación basada en Atlas y el análisis de puntos de cambio aporta información espacio-temporal única sobre la degeneración cerebral a partir de una gran población de estudios. El análisis volumétrico de la resonancia magnética cerebral se logró mediante MRICloud, que proporciona una segmentación y cuantificación de imágenes totalmente automatizada a través de la computación remota y la interfaz de usuario basada en la web. El análisis de puntos de cambio de la resonancia magnética cerebral nos proporciona una visión sistemática de la progresión de la enfermedad en todo el cerebro.
Las aplicaciones de esta técnica se extienden hacia una variedad de enfermedades neurodegenerativas. Para comenzar este procedimiento, convierta imágenes tridimensionales ponderadas T1 del formato DICOM específico del proveedor al formato analizado. Haga doble clic para abrir Dcm2Analyze.exe.
Se abrirá una ventana emergente. Especifique la ruta del directorio de datos DICOM de entrada como entrada y la ruta y el nombre del archivo de imagen analizado como salida. A continuación, haga clic en Ir para completar la conversión.
Para la segmentación de imágenes T1 basada en MultiAtlas utilizando MRICloud, inicie sesión en BrainGPS y seleccione la herramienta de segmentación en el menú principal. Hay dos opciones en la segmentación, T1-MultiAtlas para la segmentación de una sola imagen T1 y T1-MultiAtlas Batch para el procesamiento por lotes. Envíe trabajos en la API de T1-MultiAtlas Batch comprimiendo varios archivos de imagen analizados en un archivo ZIP y, a continuación, haga clic en zip para cargar el archivo ZIP.
Ahora, rellene los campos obligatorios. En processing server (servidor de procesamiento), elija Computational Anatomy Science Gateway. En Tipo de corte, elija entre Sagital, Axial o Sagital convertido a Axial.
En Biblioteca MultiAtlas, elija la biblioteca Atlas con el rango de edad más cercano a los datos del usuario para optimizar la precisión de la segmentación. Verifique el estado del trabajo a través de mi estado de trabajo. Una vez finalizados los trabajos, aparecerá un botón de descarga de resultados que permite a los usuarios descargar los resultados de la segmentación como un archivo ZIP.
Los resultados se guardarán en carpetas individuales. Visualice los resultados haciendo clic en el botón ver resultados. La página web pasará a la interfaz de visualización.
Las vistas axial, sagital y coronal del mapa de segmentación se superponen en la imagen anatómica ponderada T1. La representación en 3D de las estructuras cerebrales segmentadas se muestra en la ventana superior izquierda. El color del mapa de segmentación superpuesto indica la puntuación z de los volúmenes estructurales.
Ajuste las opciones de visualización, incluida la activación/desactivación de la superposición, la opacidad de la superposición, el acercamiento y alejamiento y las posiciones de corte desde el panel superior derecho. Para realizar el procesamiento por lotes con el fin de obtener volúmenes cerebrales en una población, utilice un programa interno de MATLAB para extraer volúmenes cerebrales individuales y combinarlos en una hoja de cálculo. En MATLAB, ejecute main.
m, y aparecerá una interfaz gráfica de usuario. En la extracción de volumen T1 del panel MRICloud, especifique las entradas, incluido el directorio de estudio donde se guardan los resultados de segmentación descargados, y la ruta del archivo de la tabla de búsqueda de varios niveles y el nombre del archivo. Especifique el directorio de salida del archivo de hoja de cálculo en el que se escribirán los datos de volumen.
Haga clic en el botón extraer volumen para ejecutar el análisis. Se mostrará un mensaje después de que se complete con éxito. Los resultados se pueden verificar en la hoja de cálculo, donde las filas contienen datos de sujetos individuales y las columnas contienen los volúmenes estructurales de estos individuos definidos en múltiples granularidades anatómicas.
Para calcular los puntos de cambio de estructuras cerebrales individuales, utilice la misma interfaz gráfica de usuario de MATLAB. En el panel de análisis de punto de cambio, especifique las hojas de cálculo que contienen los datos de volumen de varios niveles y la información de diagnóstico asociada. A continuación, especifique el directorio del archivo de texto de salida, en el que se escribirán los resultados del punto de cambio.
A continuación, elija el nivel de granularidad y el tipo de definición de ontología en el cuadro desplegable, en el que se realizará el análisis del punto de cambio. Además, elija el represor principal que se utilizará en el análisis de puntos de cambio, por ejemplo, la puntuación CAP para la enfermedad de Huntington. Haga clic en el botón calcular punto de cambio para realizar el análisis y los puntos de cambio resultantes se guardarán en el archivo de Excel de salida definido por el usuario.
Para realizar evaluaciones estadísticas de los puntos de cambio en la GUI de MATLAB, especifique los parámetros para las pruebas estadísticas, incluido el número de permutaciones y el número de bootstrap. Haga clic en el botón de prueba estadística para ejecutar las pruebas. Después de este paso, los valores p de la prueba de permutación, así como la media y la desviación estándar de la operación de arranque, se escribirán en el archivo de texto de salida como columnas adicionales.
Opcionalmente, para mapear los puntos de cambio en el cerebro y el espacio 3D, haga clic en mapear punto de cambio. Después de este paso, se generará y visualizará un mapa de puntos de cambio superpuesto a la imagen ponderada T1. A continuación se muestran los resultados representativos de la segmentación del cerebro completo basada en Atlas a múltiples niveles de granularidad.
Las vistas axiales y coronales de los mapas de segmentación de varios niveles se superponen en imágenes anatómicas ponderadas en T1. Las relaciones anatómicas jerárquicas entre el hemisferio, los núcleos cerebrales, los ganglios basales de los núcleos cerebrales, el cuerpo estriado y el globo pálido de los ganglios basales, y el putamen y el caudado del cuerpo estriado se ilustran en 3-D. Aquí, los diagramas de dispersión demuestran el análisis de puntos de cambio de estas estructuras, donde los puntos azules denotan las puntuaciones z de los datos volumétricos después de corregir la edad, el sexo y los volúmenes intercraneales.
Las curvas negras son las puntuaciones z ajustadas, con regresión a las puntuaciones CAP dependientes del punto de cambio, y las líneas rojas indican las posiciones de los puntos de cambio. Estos son los mapas de puntos de cambio de todo el cerebro en múltiples niveles de granularidad. Las regiones que muestran puntos de cambio significativos se asignan a una imagen ponderada T1 y los colores indican los valores de los puntos de cambio en unidades de puntuación CAP.
Una vez dominado, este procedimiento se puede realizar en varias horas para la parte de segmentación de imágenes, dependiendo de la disponibilidad del recurso en la nube. Y unas horas más para el análisis de los puntos de cambio, en función del nivel de granularidad anatómica definido por el usuario. Al intentar este procedimiento, es importante comprobar siempre la calidad de la imagen original y la precisión de la segmentación de la imagen antes de proceder al análisis de puntos de cambio.
Después de su desarrollo, esta técnica allanó el camino para que los investigadores en el campo del análisis de imágenes médicas exploraran el cambio anatómico de todo el cerebro y su patrón temporal espacial en grandes estudios de resonancia magnética de enfermedades degenerativas neuronales. Después de ver este vídeo, debería tener una buena comprensión de cómo realizar la segmentación automatizada de imágenes ponderadas en T1 y cómo utilizar la GUI de MATLAB para ejecutar análisis de puntos de cambio de datos fotométricos.
Vea la transcripción completa y acceda a miles de videos científicos
Resumen
Este estudio presenta un modelo estadístico para analizar datos de MRI volumétrica con el fin de identificar el inicio de la atrofia cerebral en la enfermedad de Huntington premanifiesta. El método utiliza una canalización de segmentación basada en un atlas para lograr la cartografía cerebral completa de los puntos de cambio en los volúmenes cerebrales.
Componentes Clave del Estudio
Área de la ciencia
- Neurociencia
- Neuroimagen
- Enfermedades neurodegenerativas
Antecedentes
- El análisis cuantitativo de los cambios anatómicos en el cerebro es fundamental para comprender las enfermedades neurodegenerativas.
- La identificación de puntos de cambio en la atrofia cerebral puede proporcionar información sobre la progresión de la enfermedad.
- La enfermedad de Huntington sirve como modelo para estudiar los patrones de atrofia cerebral.
- La segmentación basada en atlas mejora la precisión del análisis volumétrico.
Objetivo del estudio
- Desarrollar un método para detectar puntos críticos de cambio en la atrofia cerebral.
- Proporcionar una visión sistemática de la progresión de la enfermedad en todo el cerebro.
- Utilizar la segmentación automatizada de imágenes para un análisis eficiente.
Métodos Utilizados
- Análisis volumétrico de imágenes de resonancia magnética ponderadas en T1.
- Secuencia de segmentación basada en atlas para la medición del volumen cerebral.
- Análisis de puntos de cambio para identificar el inicio de la atrofia.
- Uso de MRICloud para el procesamiento automatizado de imágenes.
Resultados principales
- Identificación exitosa de puntos de cambio en la atrofia cerebral.
- Cartografía de los patrones de atrofia en todo el cerebro.
- Demuestra la eficacia del método en estudios poblacionales amplios.
- Proporciona información espaciotemporal única sobre la degeneración cerebral.
Conclusiones
- El método propuesto ofrece un enfoque robusto para estudiar las enfermedades neurodegenerativas.
- Mejora la comprensión de la dinámica de la atrofia cerebral en la enfermedad de Huntington.
- La combinación de segmentación y análisis de puntos de cambio es valiosa para investigaciones futuras.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
Este método permite a los equipos de I+D de biofármacos detectar biomarcadores estructurales tempranos en enfermedades neurodegenerativas mediante la identificación de puntos de inflexión estadísticamente significativos en la atrofia cerebral regional. Al cartografiar la progresión espacio-temporal de la atrofia mediante segmentación de todo el cerebro y análisis de puntos de cambio, el enfoque apoya la validación de dianas y la reducción del riesgo mecanicista en programas preclínicos. Proporciona lecturas cuantitativas y reproducibles que pueden orientar las decisiones de avance o interrupción de proyectos y la priorización de carteras en el descubrimiento de fármacos para el sistema nervioso central.
Aplicaciones Estratégicas en I+D de Biofármacos
Descubrimiento Temprano y Validación de Blancos
- Valor científico: Permite la evaluación de hipótesis terapéuticas al revelar el orden y el patrón de atrofia estructural en diversas regiones cerebrales.
- Valor operativo: Apoya la reducción del riesgo biológico mediante la segmentación basada en atlas, que proporciona mediciones volumétricas estandarizadas y reproducibles.
- Valor predictivo: Facilita la identificación de compuestos prometedores al vincular los puntos de cambio con índices de progresión de la enfermedad como la puntuación CAP, mejorando la confianza en la interacción con el objetivo.
Desarrollo de ensayos y cribado
- Valor científico: Prepara sistemas biológicos validados para flujos de trabajo posteriores al proporcionar lecturas estructurales cuantitativas a múltiples niveles anatómicos.
- Valor operativo: Asegura la estandarización y reproducibilidad del ensayo mediante la segmentación automatizada en MRICloud y la extracción de volúmenes basada en MATLAB.
- Preparación para cribado: Permite la evaluación confiable de compuestos al generar conjuntos de datos volumétricos escalables y reutilizables en plataformas a partir de estudios poblacionales extensos.
Investigación Traductiva y Preclínica
- Continuidad Translacional: Conecta los hallazgos del descubrimiento con la validación preclínica mediante la identificación de patrones de atrofia que se alinean con sistemas relevantes para la enfermedad.
- Avance Ajustado al Riesgo: Apoya la toma de decisiones al identificar puntos iniciales de cambio que preceden al inicio motor, permitiendo estrategias de intervención proactivas.
- Reducción de Riesgos Mecanicistas: Se centra en la confianza predictiva al revelar patrones espacio-temporales de degeneración que orientan el alineamiento de biomarcadores.
Integración de la Canalización y Flujo de Trabajo
El método se integra en la continuación del descubrimiento, desde la validación inicial del blanco hasta el desarrollo preclínico, ofreciendo un enfoque escalable para monitorear cambios anatómicos en modelos de enfermedades neurodegenerativas.
- Biología del Descubrimiento: Apoya la comprobación de hipótesis y la aclaración de vías al detectar el inicio de atrofia específica de región en relación con la progresión de la enfermedad.
- Detección: Ofrece listo para ensayos mediante segmentación automatizada y salidas cuantitativas volumétricas adecuadas para cribado de alta reproducibilidad.
- Análisis: Proporciona salidas estadísticas que incluyen ubicaciones de puntos de cambio y valores p obtenidos de pruebas de permutación, permitiendo comparaciones entre diferentes condiciones.
- Investigación Traducional: Se vincula con la continuidad preclínica mediante el mapeo de patrones de atrofia que reflejan la progresión de la enfermedad humana, apoyando la alineación de biomarcadores.
- Reutilización Empresarial: Funciona como una capacidad reutilizable basada en la nube para estudios longitudinales en múltiples indicaciones neurodegenerativas.
Impacto Operativo y Empresarial
- Valor Científico: Aumenta la confianza predictiva al reducir la ambigüedad mecanicista en los modelos de neurodegeneración.
- Valor Operativo: Mejora la estandarización y escalabilidad mediante el procesamiento automatizado en MRICloud y flujos de trabajo de análisis por lotes.
- Valor Estratégico: Mejora las decisiones de avance/no avance al proporcionar biomarcadores cuantificables tempranos de la interacción con el blanco.
- Impacto en la Cartera: Permite la priorización ajustada al riesgo mediante el seguimiento longitudinal de biomarcadores estructurales a través de las etapas de la enfermedad.
Consideraciones de Implementación
- Requiere experiencia en análisis de neuroimágenes, programación en MATLAB y modelado estadístico de puntos de cambio.
- Depende del acceso a MRICloud para la segmentación y de infraestructura computacional para pruebas de permutación y bootstrap.
- Necesita la estandarización entre equipos de los parámetros de preprocesamiento de imágenes, segmentación y umbrales de puntos de cambio.
- Implica consideraciones de adaptación al aplicar el método a diferentes sistemas modelo u otras especies además de datos humanos de EH.
- Incluye limitaciones prácticas, como la dependencia de la calidad de las imágenes y la precisión de la segmentación antes de que pueda realizarse de forma confiable el análisis de puntos de cambio.
