Segmentazione del intero-cervello e analisi del punto di svolta di anatomico del cervello MRI — applicazione in premanifesti sulla malattia di Huntington
9 giugno 2018
Questo articolo descrive un modello statistico per analisi di dati di MRI volumetrica, che identifica il "punto di svolta" quando l'atrofia del cervello inizia in pre malattia di Huntington. Intero-cervello mapping dei punti di cambiamento viene realizzato sulla base dei volumi di cervello ottenute tramite una pipeline di segmentazione basata su Atlante delle immagini di T1-weighted.
L'obiettivo generale di questa pipeline di analisi delle immagini è quello di eseguire l'analisi volumetrica quantitativa delle immagini RM pesate in T1 e di identificare i punti di cambiamento critici quando inizia l'atrofia cerebrale nelle malattie neurodegenerative. Questo metodo può aiutare a rispondere a domande chiave nell'analisi quantitativa dei cambiamenti anatomici cerebrali durante il decorso della malattia neurodegenerativa. Ad esempio, l'ordine e il modello di atrofia cerebrale nella malattia di Huntington.
Il vantaggio principale di questa tecnica è che la combinazione della segmentazione basata su Atlante e dell'analisi dei punti di cambiamento fornisce informazioni spazio-temporali uniche sulla degenerazione cerebrale da un'ampia popolazione di studi. L'analisi volumetrica della risonanza magnetica cerebrale è stata ottenuta da MRICloud, che fornisce una segmentazione e quantificazione delle immagini completamente automatizzata attraverso il calcolo remoto e l'interfaccia utente basata sul web. L'analisi del punto di cambiamento della risonanza magnetica cerebrale ci fornisce una visione sistematica della progressione della malattia in tutto il cervello.
Le applicazioni di questa tecnica si estendono a una serie di malattie neurali degenerative. Per iniziare questa procedura, convertire le immagini tridimensionali pesate in T1 dal formato DICOM specifico del fornitore al formato analizzato. Fare doppio clic per aprire Dcm2Analyze.exe.
Si aprirà una finestra pop-up. Specificare il percorso della directory dei dati DICOM di input come input e il percorso e il nome del file immagine analizzato come output. Quindi, fai clic su Vai per completare la conversione.
Per la segmentazione di immagini T1 basata su MultiAtlas utilizzando MRICloud, accedi a BrainGPS e seleziona lo strumento di segmentazione dal menu principale. Ci sono due opzioni in fase di segmentazione, il T1-MultiAtlas per la segmentazione di immagini T1 singole e il T1-MultiAtlas Batch per l'elaborazione batch. Inviare i lavori sull'API batch T1-MultiAtlas comprimendo più file di immagine analizzati in un file ZIP, quindi fare clic su zip per caricare il file ZIP.
Ora compila i campi richiesti. Per il server di elaborazione, scegliere Computational Anatomy Science Gateway. Per il tipo di sezione, scegliere tra Sagittale, Assiale o Sagittale convertito in Assiale.
Per la libreria MultiAtlas, scegli la libreria Atlas con l'intervallo di età più vicino ai dati utente per ottimizzare la precisione della segmentazione. Controllare lo stato del processo tramite il mio stato del processo. Una volta terminati i lavori, apparirà un pulsante di download dei risultati che consente agli utenti di scaricare i risultati della segmentazione come file ZIP.
I risultati verranno salvati in singole cartelle. Visualizza i risultati facendo clic sul pulsante Visualizza risultati. La pagina web passerà all'interfaccia di visualizzazione.
Le viste assiale, sagittale e coronale della mappa di segmentazione sono sovrapposte nell'immagine anatomica pesata T1. Il rendering 3D delle strutture cerebrali segmentate è mostrato nella finestra in alto a sinistra. Il colore della mappa di segmentazione sovrapposta indica lo z-score dei volumi strutturali.
Regola le opzioni di visualizzazione, tra cui l'attivazione/disattivazione della sovrapposizione, l'opacità della sovrapposizione, lo zoom avanti e indietro e le posizioni delle sezioni dal pannello in alto a destra. Per eseguire l'elaborazione batch per ottenere i volumi cerebrali in una popolazione, utilizzare un programma MATLAB interno per estrarre i singoli volumi cerebrali e combinarli in un foglio di calcolo. In MATLAB, eseguire main.
m, e verrà visualizzata una GUI. Nell'estrazione del volume T1 dal pannello MRICloud, specificare gli ingressi, inclusa la directory dello studio in cui vengono salvati i risultati della segmentazione scaricati, il percorso e il nome del file della tabella di ricerca multilivello. Specificare la directory di output del file del foglio di calcolo in cui verranno scritti i dati del volume.
Fare clic sul pulsante del volume di estrazione per eseguire l'analisi. Verrà visualizzato un messaggio dopo il completamento con successo. I risultati possono essere verificati nel foglio di calcolo, dove le righe contengono i dati dei singoli soggetti e le colonne contengono i volumi strutturali di questi individui definiti a più granularità anatomiche.
Per calcolare i punti di modifica per le singole strutture cerebrali, utilizzare la stessa GUI di MATLAB. Nel pannello di analisi del punto di modifica, specificare i fogli di calcolo che contengono i dati del volume multilivello e le informazioni diagnostiche associate. Quindi, specificare la directory del file di testo di output, in cui verranno scritti i risultati del punto di modifica.
Successivamente, scegli il livello di granularità e il tipo di definizione dell'ontologia nella casella a discesa, in cui verrà eseguita l'analisi del punto di modifica. Inoltre, scegli il repressore principale da utilizzare nell'analisi del punto di cambiamento, ad esempio il punteggio CAP per la malattia di Huntington. Fare clic sul pulsante Calcola punto di modifica per eseguire l'analisi e i punti di modifica risultanti verranno salvati nel file excel di output definito dall'utente.
Per eseguire valutazioni statistiche dei punti di modifica nell'interfaccia grafica di MATLAB, specificare i parametri per i test statistici, incluso il numero di permutazioni e il numero di bootstrap. Fare clic sul pulsante del test statistico per eseguire i test. Dopo questo passaggio, i valori p del test di permutazione, nonché la media e la deviazione standard dell'operazione di bootstrap verranno scritti nel file di testo di output come colonne aggiuntive.
Facoltativamente, per mappare i punti di modifica nel cervello e nello spazio 3D, fare clic su Mappa punto di modifica. Dopo questo passaggio, verrà generata e visualizzata una mappa del punto di cambio sovrapposta all'immagine pesata T1. Di seguito sono riportati i risultati rappresentativi della segmentazione dell'intero cervello basata su Atlas a più livelli di granularità.
Le viste assiali e coronali delle mappe di segmentazione multilivello sono sovrapposte alle immagini anatomiche pesate in T1. Le relazioni anatomiche gerarchiche tra l'emisfero, i nuclei cerebrali, i gangli della base dei nuclei cerebrali, lo striato e il globo pallido dei gangli della base, il putamen e il caudato dello striato sono illustrate in 3-D. Qui, i grafici a dispersione dimostrano l'analisi del punto di cambiamento di queste strutture, dove i punti blu denotano i punteggi z dei dati volumetrici dopo la correzione per età, sesso e volumi intercranici.
Le curve nere sono gli z-score adattati, con la regressione ai punteggi CAP dipendenti dal punto di modifica, e le linee rosse indicano le posizioni dei punti di modifica. Ecco le mappe dei punti di cambiamento dell'intero cervello a più livelli di granularità. Le regioni che mostrano punti di modifica significativi vengono mappate su un'immagine pesata T1 e i colori indicano i valori dei punti di modifica in unità di punteggio CAP.
Una volta padroneggiata, questa procedura può essere eseguita in diverse ore per la parte di segmentazione dell'immagine, a seconda della disponibilità della risorsa cloud. E ancora qualche ora per l'analisi del punto di modifica, a seconda del livello di granularità anatomica definito dall'utente. Durante il tentativo di questa procedura, è importante verificare sempre la qualità dell'immagine originale e l'accuratezza della segmentazione dell'immagine prima di procedere all'analisi del punto di modifica.
Dopo il suo sviluppo, questa tecnica ha aperto la strada ai ricercatori nel campo dell'analisi delle immagini mediche per esplorare il cambiamento anatomico dell'intero cervello e il suo modello temporale spaziale in ampi studi di risonanza magnetica delle malattie neurali degenerative. Dopo aver visto questo video, dovresti avere una buona comprensione di come eseguire la segmentazione automatica di immagini pesate T1 e di come utilizzare l'interfaccia grafica di MATLAB per eseguire l'analisi del punto di modifica dei dati fotometrici.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio presenta un modello statistico per l'analisi di dati MRI volumetrici volto a identificare l'inizio dell'atrofia cerebrale nella fase premanifesta della malattia di Huntington. Il metodo utilizza una pipeline di segmentazione basata su atlante per ottenere una mappatura a livello dell'intero cervello dei punti di cambiamento nei volumi cerebrali.
Componenti Chiave dello Studio
Area della Scienza
- Neuroscienze
- Neuroimmagini
- Malattie neurodegenerative
Sfondo
- L'analisi quantitativa dei cambiamenti anatomici del cervello è fondamentale per comprendere le malattie neurodegenerative.
- L'identificazione dei punti di cambiamento nell'atrofia cerebrale può fornire informazioni sul decorso della malattia.
- La malattia di Huntington rappresenta un modello per lo studio dei modelli di atrofia cerebrale.
- La segmentazione basata su atlante migliora l'accuratezza dell'analisi volumetrica.
Scopo dello studio
- Sviluppare un metodo per rilevare i punti critici di cambiamento nell'atrofia cerebrale.
- Fornire una visione sistematica della progressione della malattia attraverso il cervello.
- Utilizzare la segmentazione automatica delle immagini per un'analisi efficiente.
Metodi Utilizzati
- Analisi volumetrica di immagini RM pesate in T1.
- Pipeline di segmentazione basata su atlante per la misurazione del volume cerebrale.
- Analisi dei punti di cambiamento per identificare l'inizio dell'atrofia.
- Utilizzo di MRICloud per l'elaborazione automatizzata delle immagini.
Risultati principali
- Identificazione efficace dei punti di cambiamento nell'atrofia cerebrale.
- Mappatura dei modelli di atrofia in tutto il cervello.
- Dimostrazione dell'efficacia del metodo in ampi studi di popolazione.
- Fornitura di informazioni spaziali e temporali uniche riguardo alla degenerazione cerebrale.
Conclusioni
- Il metodo proposto offre un approccio robusto allo studio delle malattie neurodegenerative.
- Migliora la comprensione della dinamica dell'atrofia cerebrale nella malattia di Huntington.
- La combinazione di segmentazione e analisi dei punti di cambiamento è preziosa per la ricerca futura.
Domande frequenti
Rilevanza Industriale del Progetto
Questo metodo consente ai team di ricerca e sviluppo biofarmaceutici di rilevare precoci biomarcatori strutturali nelle malattie neurodegenerative identificando punti di flesso statisticamente significativi nell'atrofia cerebrale regionale. Mappando la progressione spaziotemporale dell'atrofia mediante segmentazione dell'intero cervello e analisi dei punti di cambiamento, l'approccio supporta la validazione degli obiettivi terapeutici e la riduzione del rischio meccanicistico nei programmi preclinici. Fornisce letture quantitative e riproducibili che possono guidare decisioni di avanzamento o interruzione dei progetti e la priorizzazione del portafoglio nella scoperta di farmaci per il sistema nervoso centrale.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Prima Fase della Scoperta e Validazione del Target
- Valore scientifico: Permette l'analisi di ipotesi terapeutiche rivelando l'ordine e il modello di atrofia strutturale attraverso le regioni cerebrali.
- Valore operativo: Supporta la riduzione del rischio biologico mediante segmentazione basata su atlante, che fornisce misurazioni volumetriche standardizzate e riproducibili.
- Valore predittivo: Facilita l'identificazione dei composti promettenti collegando i punti di cambiamento a indici di progressione della malattia come il punteggio CAP, migliorando la certezza sull'interazione con il bersaglio.
Sviluppo di screening e saggi
- Valore scientifico: Prepara sistemi biologici validati per flussi di lavoro successivi fornendo letture strutturali quantitative a diverse granularità anatomiche.
- Valore operativo: Garantisce standardizzazione e riproducibilità del saggio mediante segmentazione automatizzata tramite MRICloud ed estrazione volumetrica basata su MATLAB.
- Prontezza per lo screening: Permette una valutazione affidabile dei composti generando set di dati volumetrici scalabili e riutilizzabili sulla piattaforma a partire da ampi studi su popolazioni.
Ricerca Translazionale e Preclinica
- Continuità Translazionale: Collega i risultati della scoperta alla validazione preclinica mappando i modelli di atrofia che si allineano con sistemi rilevanti per la malattia.
- Avanzamento Corretto per il Rischio: Supporta il processo decisionale identificando precoci punti di cambiamento che precedono l'esordio motorio, consentendo strategie di intervento proattive.
- Riduzione del Rischio Meccanicistica: Si concentra sulla fiducia predittiva rivelando modelli spaziotemporali di degenerazione che informano l'allineamento dei biomarcatori.
Integrazione di Pipeline e Flusso di Lavoro
Il metodo si integra nel percorso di scoperta, dalla validazione iniziale della proteina bersaglio fino allo sviluppo preclinico, offrendo un approccio scalabile per monitorare i cambiamenti anatomici nei modelli di malattie neurodegenerative.
- Biologia della scoperta: Supporta la verifica delle ipotesi e la chiarificazione dei percorsi identificando l'insorgenza di atrofia regione-specifica in relazione al progresso della malattia.
- Screening: Garantisce la prontezza del saggio mediante segmentazione automatizzata e output volumetrici quantitativi adatti a screening ad alta riproducibilità.
- Analisi: Fornisce output statistici, inclusi i punti di cambiamento e i valori p derivati da test di permutazione, consentendo confronti tra diverse condizioni.
- Ricerca traslazionale: Si collega alla continuità preclinica mappando modelli di atrofia che rispecchiano il progresso della malattia umana, sostenendo l'allineamento dei biomarcatori.
- Riutilizzo aziendale: Funziona come capacità riutilizzabile basata sul cloud per studi longitudinali in diverse indicazioni neurodegenerative.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva riducendo l'ambiguità meccanicistica nei modelli di neurodegenerazione.
- Valore operativo: Migliora la standardizzazione e la scalabilità grazie all'elaborazione automatizzata tramite MRICloud e ai flussi di lavoro per l'analisi in batch.
- Valore strategico: Migliora le decisioni di avanzamento o interruzione dello sviluppo fornendo biomarcatori quantificabili precoci dell'interazione con il bersaglio.
- Impatto sul portafoglio: Permette una priorizzazione adeguata al rischio mediante il monitoraggio longitudinale di biomarcatori strutturali attraverso le diverse fasi della malattia.
Considerazioni sull'Implementazione
- Richiede competenze nell'analisi delle neuroimmagini, nella programmazione MATLAB e nella modellazione statistica dei punti di cambiamento.
- È vincolato all'accesso a MRICloud per la segmentazione e a un'infrastruttura computazionale per i test di permutazione e di bootstrap.
- Necessita di una standardizzazione tra i gruppi di lavoro riguardo al preelaborazione delle immagini, ai parametri di segmentazione e alle soglie dei punti di cambiamento.
- Comporta considerazioni di adattamento nell'applicare il metodo a diversi sistemi modello o specie oltre ai dati umani relativi alla malattia di Huntington.
- Comprende limitazioni pratiche, come la dipendenza dalla qualità delle immagini e dall'accuratezza della segmentazione, prima che l'analisi dei punti di cambiamento possa essere eseguita in modo affidabile.
