Ensemble-cerveau Segmentation et analyse des points de changement d’IRM anatomique cérébrale — Application dans Premanifest la maladie de Huntington
9 juin 2018
Cet article décrit un modèle statistique pour l’analyse de données de MRI volumétrique, qui identifie le point « changement » lors de l’atrophie cérébrale commence en premanifest la maladie de Huntington. Ensemble-cerveau cartographie des changements-points est atteint basée sur les volumes de cerveau obtenues à l’aide d’un pipeline de segmentation basée sur atlas d’images pondérées en T1.
L’objectif global de ce pipeline d’analyse d’images est d’effectuer une analyse volumétrique quantitative d’images MR pondérées en T1 et d’identifier les points de changement critiques lorsque l’atrophie cérébrale commence dans les maladies neurodégénératives. Cette méthode peut aider à répondre à des questions clés dans l’analyse quantitative des changements anatomiques du cerveau au cours de la maladie neurodégénérative. Par exemple, l’ordre et le modèle de l’atrophie cérébrale dans la maladie de Huntington.
Le principal avantage de cette technique est que la combinaison de la segmentation basée sur Atlas et de l’analyse des points de changement apporte des informations spatio-temporelles uniques sur la dégénérescence cérébrale à partir d’une large population d’études. L’analyse volumétrique de l’IRM cérébrale a été réalisée par MRICloud, qui fournit une segmentation et une quantification d’images entièrement automatisées grâce au calcul à distance et à l’interface utilisateur Web. L’analyse des points de changement de l’IRM cérébrale nous fournit une vue systématique de la progression de la maladie dans l’ensemble du cerveau.
Les applications de cette technique s’étendent à une gamme de maladies dégénératives neuronales. Pour commencer cette procédure, convertissez les images tridimensionnelles pondérées T1 du format DICOM spécifique au fournisseur en format analysé. Double-cliquez pour ouvrir Dcm2Analyze.exe.
Une fenêtre contextuelle s’ouvrira. Spécifiez le chemin d’accès au répertoire de données DICOM d’entrée en entrée et le chemin d’accès et le nom du fichier image analysé en sortie. Ensuite, cliquez sur Aller pour terminer la conversion.
Pour la segmentation d’images T1 basée sur MultiAtlas à l’aide de MRICloud, connectez-vous à BrainGPS et sélectionnez l’outil de segmentation dans le menu principal. Il existe deux options dans le cadre de la segmentation : le T1-MultiAtlas pour la segmentation d’une seule image T1 et le T1-MultiAtlas Batch pour le traitement par lots. Soumettez des tâches sur l’API T1-MultiAtlas Batch en compressant plusieurs fichiers image analysés dans un fichier ZIP, puis cliquez sur zip pour télécharger le fichier ZIP.
Maintenant, remplissez les champs obligatoires. Pour Serveur de traitement, choisissez Computational Anatomy Science Gateway. Pour le type de tranche, choisissez entre Sagittal, Axial ou Sagittal converti en Axial.
Pour Bibliothèque MultiAtlas, choisissez la bibliothèque Atlas avec la tranche d’âge la plus proche des données utilisateur afin d’optimiser la précision de la segmentation. Vérifiez l’état de la tâche via mon statut de tâche. Une fois les tâches terminées, un bouton de téléchargement des résultats s’affiche et permet aux utilisateurs de télécharger les résultats de la segmentation sous forme de fichier ZIP.
Les résultats seront enregistrés dans des dossiers individuels. Visualisez les résultats en cliquant sur le bouton Afficher les résultats. La page Web se tournera vers l’interface de visualisation.
Les vues axiale, sagittale et coronale de la carte de segmentation se chevauchent sur l’image anatomique pondérée T1. Le rendu 3D des structures cérébrales segmentées est montré dans la fenêtre supérieure gauche. La couleur de la carte de segmentation superposée indique le score z des volumes structurels.
Ajustez les options de visualisation, y compris l’activation/la désactivation de l’incrustation, l’opacité de l’incrustation, le zoom avant et arrière et les positions de découpe à partir du panneau supérieur droit. Pour effectuer un traitement par lots afin d’obtenir les volumes cérébraux d’une population, utilisez un programme MATLAB interne pour extraire les volumes cérébraux individuels et les combiner dans une feuille de calcul. Dans MATLAB, exécutez main.
m, et une interface graphique apparaîtra. Dans le panneau Extraction de volume T1 à partir de MRICloud, spécifiez les entrées, y compris le répertoire d’étude où les résultats de segmentation téléchargés sont enregistrés, ainsi que le chemin d’accès et le nom de fichier de la table de recherche à plusieurs niveaux. Spécifiez le répertoire de sortie du fichier de feuille de calcul dans lequel les données de volume seront écrites.
Cliquez sur le bouton d’extraction du volume pour exécuter l’analyse. Un message s’affichera une fois l’achèvement réussi. Les résultats peuvent être vérifiés dans la feuille de calcul, où les lignes contiennent des données individuelles sur le sujet et les colonnes contiennent les volumes structurels de ces individus définis à plusieurs granularités anatomiques.
Pour calculer les points de changement pour des structures cérébrales individuelles, utilisez la même interface graphique MATLAB. Dans le panneau d’analyse des points de changement, spécifiez les feuilles de calcul qui contiennent les données de volume à plusieurs niveaux et les informations de diagnostic associées. Ensuite, spécifiez le répertoire du fichier texte de sortie, dans lequel les résultats du point de changement seront écrits.
Ensuite, choisissez le niveau de granularité et le type de définition d’ontologie dans la liste déroulante à laquelle l’analyse des points de changement sera effectuée. Choisissez également le répresseur principal à utiliser dans l’analyse des points de changement, par exemple, le score CAP pour la maladie de Huntington. Cliquez sur le bouton calculer le point de changement pour effectuer l’analyse et les points de changement résultants seront enregistrés dans le fichier Excel de sortie défini par l’utilisateur.
Pour effectuer des évaluations statistiques des points de changement dans l’interface graphique de MATLAB, spécifiez les paramètres des tests statistiques, y compris le nombre de permutations et le nombre de bootstrap. Cliquez sur le bouton de test statistique pour exécuter les tests. Après cette étape, les valeurs p du test de permutation ainsi que la moyenne et l’écart type de l’opération bootstrap seront écrits dans le fichier texte de sortie sous forme de colonnes supplémentaires.
Si vous le souhaitez, pour mapper les points de changement dans le cerveau et l’espace 3D, cliquez sur cartographier le point de changement. Après cette étape, une carte de point de changement sera générée et visualisée en superposition sur l’image pondérée T1. Voici les résultats représentatifs de la segmentation du cerveau entier basée sur Atlas à plusieurs niveaux de granularité.
Les vues axiale et coronale des cartes de segmentation à plusieurs niveaux sont superposées sur des images anatomiques pondérées en T1. Les relations anatomiques hiérarchiques entre l’hémisphère, les noyaux cérébraux, les noyaux gris centraux des noyaux cérébraux, le striatum et le globus pallidus des noyaux gris centraux, et le putamen et le caudé du striatum sont illustrées en 3D. Ici, les nuages de points illustrent l’analyse des points de changement de ces structures, où les points bleus indiquent les scores z des données volumétriques après correction pour l’âge, le sexe et les volumes intercrâniens.
Les courbes noires sont les scores z ajustés, avec régression vers les scores CAP dépendants des points de changement, et les lignes rouges indiquent les positions des points de changement. Voici les cartes des points de changement de l’ensemble du cerveau à plusieurs niveaux de granularité. Les régions qui présentent des points de changement significatifs sont mappées sur une image pondérée T1, et les couleurs indiquent les valeurs des points de changement en unité de score CAP.
Une fois maîtrisée, cette procédure peut être accomplie en plusieurs heures pour la partie segmentation d’image, en fonction de la disponibilité de la ressource cloud. Et encore quelques heures pour l’analyse du point de changement, en fonction du niveau de granularité anatomique défini par l’utilisateur. Lors de cette procédure, il est important de toujours vérifier la qualité de l’image d’origine et l’exactitude de la segmentation de l’image avant de procéder à l’analyse du point de changement.
Après son développement, cette technique a ouvert la voie aux chercheurs dans le domaine de l’analyse d’images médicales pour explorer les changements anatomiques du cerveau entier et son modèle temporel spatial dans de grandes études IRM de maladies dégénératives neuronales. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la manière d’effectuer la segmentation automatisée d’images pondérées T1 et d’utiliser l’interface graphique de MATLAB pour exécuter une analyse de point de changement des données photométriques.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cette étude présente un modèle statistique pour l'analyse de données IRM volumétriques afin d'identifier le début de l'atrophie cérébrale dans la maladie de Huntington prémanifeste. La méthode utilise un pipeline de segmentation basé sur un atlas afin d'obtenir une cartographie cérébrale complète des points de changement des volumes cérébraux.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Imagerie cérébrale
- Maladies neurodégénératives
Contexte
- L'analyse quantitative des modifications anatomiques cérébrales est essentielle pour comprendre les maladies neurodégénératives.
- La détection de points de changement dans l'atrophie cérébrale peut fournir des informations sur la progression de la maladie.
- La maladie de Huntington sert de modèle pour l'étude des profils d'atrophie cérébrale.
- La segmentation basée sur un atlas améliore la précision de l'analyse volumétrique.
Objectif de l'étude
- Développer une méthode permettant de détecter les points de changement critiques dans l'atrophie cérébrale.
- Fournir une vue systématique de la progression de la maladie à travers le cerveau.
- Utiliser la segmentation automatisée d'images pour une analyse efficace.
Méthodes utilisées
- Analyse volumétrique d'images IRM pondérées en T1.
- Procédure de segmentation basée sur un atlas pour la mesure du volume cérébral.
- Analyse de changement de phase pour identifier le début de l'atrophie.
- Utilisation de MRICloud pour le traitement automatisé des images.
Résultats principaux
- Identification réussie des points de changement dans l'atrophie cérébrale.
- Cartographie des profils d'atrophie à l'échelle de tout le cerveau.
- Démonstration de l'efficacité de la méthode dans des études de population à grande échelle.
- Fourniture d'informations spatio-temporelles uniques concernant la dégénérescence cérébrale.
Conclusions
- La méthode proposée offre une approche robuste pour l'étude des maladies neurodégénératives.
- Elle améliore la compréhension des dynamiques d'atrophie cérébrale dans la maladie de Huntington.
- La combinaison de la segmentation et de l'analyse des points de rupture est précieuse pour les recherches futures.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
Cette méthode permet aux équipes de recherche et développement en biopharmacie de détecter précocement des biomarqueurs structuraux dans les maladies neurodégénératives en identifiant des points d'inflexion statistiquement significatifs dans l'atrophie cérébrale régionale. En cartographiant la progression spatiotemporelle de l'atrophie à l'aide de la segmentation cérébrale complète et d'une analyse des points de rupture, cette approche soutient la validation des cibles thérapeutiques et la réduction des risques mécanistiques dans les programmes précliniques. Elle fournit des mesures quantitatives et reproductibles pouvant guider les décisions d'orientation (go/no-go) et la priorisation des portefeuilles dans la découverte de médicaments pour le système nerveux central.
Applications stratégiques en recherche et développement en biopharmaceutique
Début de la découverte et validation de la cible
- Valeur scientifique : Permet d'interroger des hypothèses thérapeutiques en révélant l'ordre et le modèle d'atrophie structurelle à travers les régions cérébrales.
- Valeur opérationnelle : Soutient la réduction des risques biologiques grâce à une segmentation basée sur un atlas, fournissant des mesures volumétriques standardisées et reproductibles.
- Valeur prédictive : Facilite l'identification de composés candidats en reliant les points de changement à des indices de progression de la maladie tels que le score CAP, renforçant ainsi la confiance dans l'engagement de la cible.
Développement de criblages et de tests
- Valeur scientifique : Prépare des systèmes biologiques validés pour des flux de travail en aval en fournissant des lectures structurelles quantitatives à plusieurs niveaux de granularité anatomique.
- Valeur opérationnelle : Assure la standardisation et la reproductibilité des tests grâce à la segmentation automatisée via MRICloud et à l'extraction de volumes basée sur MATLAB.
- Préparation au criblage : Permet une évaluation fiable des composés en générant des jeux de données volumétriques évolutifs et réutilisables sur différentes plateformes à partir d'études de populations importantes.
Recherche translationnelle et préclinique
- Continuité translationnelle : Relie les découvertes à la validation préclinique en cartographiant les profils d'atrophie qui s'alignent sur les systèmes pertinents pour la maladie.
- Progression ajustée au risque : Soutient la prise de décision en identifiant les points de changement précoces qui précèdent l'apparition des symptômes moteurs, permettant ainsi des stratégies d'intervention proactives.
- Réduction du risque mécanistique : Se concentre sur la fiabilité prédictive en révélant les profils spatio-temporels de dégénérescence qui orientent l'alignement des biomarqueurs.
Intégration des pipelines et des flux de travail
La méthode s'intègre dans le continuum de découverte, depuis la validation précoce de cibles jusqu'au développement préclinique, offrant une approche évolutible pour surveiller les changements anatomiques dans les modèles de maladies neurodégénératives.
- Biologie de la découverte : Facilite la vérification d'hypothèses et la clarification des voies biologiques en détectant l'apparition d'atrophie spécifique aux régions par rapport à la progression de la maladie.
- Dépistage : Assure la préparation des tests grâce à une segmentation automatisée et à des sorties quantitatives volumétriques adaptées à un dépistage à haute reproductibilité.
- Analyse : Fournit des résultats statistiques incluant les emplacements des points de changement et les valeurs-p issues de tests de permutation, permettant des comparaisons entre différentes conditions.
- Recherche translationnelle : Établit un lien avec la continuité préclinique en cartographiant des profils d'atrophie qui reflètent la progression de la maladie humaine, soutenant ainsi l'harmonisation des biomarqueurs.
- Réutilisation en entreprise : Fonctionne comme une capacité réutilisable basée sur le cloud pour des études longitudinales couvrant plusieurs indications de maladies neurodégénératives.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive en réduisant l'ambiguïté mécanistique dans les modèles de neurodégénérescence.
- Valeur opérationnelle : Améliore la standardisation et l'évolutivité grâce au traitement automatisé via MRICloud et aux flux de travail d'analyse par lots.
- Valeur stratégique : Affine les décisions d'aller/arrêt en fournissant des biomarqueurs quantifiables précoces de l'engagement de la cible.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque par le suivi longitudinal de biomarqueurs structuraux à travers les stades de la maladie.
Considérations relatives à la mise en œuvre
- Requiert une expertise en analyse d'imagerie cérébrale, en programmation MATLAB et en modélisation statistique de points de rupture.
- Dépend de l'accès à MRICloud pour la segmentation ainsi que d'une infrastructure informatique pour les tests de permutation et de bootstrap.
- Nécessite une standardisation interéquipes des protocoles de prétraitement des images, des paramètres de segmentation et des seuils de détection des points de rupture.
- Implique des adaptations à prendre en compte lors de l'application de la méthode à d'autres systèmes modèles ou espèces que les données humaines sur la maladie de Huntington.
- Comprend des limites pratiques telles que la dépendance à la qualité des images et à la précision de la segmentation avant de pouvoir réaliser de façon fiable une analyse de points de rupture.
