Methodenartikel

Geheel-hersenen segmentatie en verandering-punt analyse van anatomische hersenen MRI — toepassing in Premanifest de ziekte van Huntington

DOI:

10.3791/57256

⸱

9 juni 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

In dit artikel

Samenvatting

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

Dit witboek beschrijft een statistisch model voor volumetrische MRI data-analyse, waarmee de "verandering-point" wanneer de atrofie van de hersenen in premanifest de ziekte van Huntington begint. Geheel-brain mapping van de verandering-punten wordt bereikt op basis van hersenen volumes verkregen met behulp van een atlas gebaseerde segmentatie pijpleiding van T1-gewogen beelden.

Samenvatting

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

Recente vooruitgang in MRI bieden een verscheidenheid aan nuttige markeringen te identificeren van neurodegeneratieve ziekten. In de ziekte van Huntington (HD), atrofie van de regionale hersenen begint vele jaren voorafgaand aan de motor inleiding (de periode "premanifest"), maar de spatio patroon van regionale atrofie in de hersenen niet volledig gekenmerkt. Hier tonen we een online on-demand platform, "MRICloud", die biedt atlas gebaseerde geheel-hersenen segmentatie van T1-gewogen beelden op meerdere niveaus van de granulariteit, en daarmee kan we toegang tot de regionale kenmerken van de anatomie van de hersenen. Vervolgens beschrijven we een regressiemodel die statistisch significant buigpunten detecteert, waartegen regionale hersenen atrofie begint te het merkbaar, d.w.z. de "verandering-point", met betrekking tot een ziekte progressie index. We gewend de CAG-leeftijd product (CAP) score index van de progressie van de ziekte in HD patiënten. Belangrijke informatie van de orde en patroon van de atrofie van de structurele biedt verandering-punt analyse van de volumetrische metingen van de segmentatie pijpleiding, daarom over de hersenen. Het papier illustreert het gebruik van deze technieken op T1-gewogen MRI gegevens premanifest HD onderwerpen van een grote multicenter studie van PREDICT-HD. Dit ontwerp heeft potentieel breed toepassingen in een assortiment van neurodegeneratieve ziekten te onderzoeken van de dynamische veranderingen van anatomie van de hersenen.

Inleiding

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

Magnetische resonantie beeldvorming (MRI) heeft ons vermogen de anatomie van de hersenen en functies in neurodegeneratieve ziekten,1,,2,3te onderzoeken aanzienlijk verbeterd. T1-gewogen structurele die MRI één van meest is aangenomen imaging tools in de gangbare klinische praktijk de anatomie van de hersenen en gerelateerde pathologie te beoordelen. Kwantitatieve analyse van de hoge resolutie T1-gewogen beelden biedt nuttige markeringen voor het meten van anatomische veranderingen tijdens de degeneratie van de hersenen. In het bijzonder benaderingen van de kwantificering van de segmentatie op basis effectief vermindert het dimensionaliteit van de afbeelding van voxel niveau (op de orde van (106)) naar anatomische structurele niveau ((102)) voor high-throughput neuroinformatics4 , 5. Automated hersenen segmentatie kan worden bereikt met behulp van atlas gebaseerde methoden6,7,8,9 dat de vooraf gedefinieerde anatomische labels van een atlas op de patiënt beelden kaart . Onder de atlas gebaseerde methoden, hebben multi atlas algoritmen10,11,12,13,14 opgeleverd, de segmentering van de superieure nauwkeurigheid en degelijkheid. Onze fractie heeft ontwikkeld een volledig geautomatiseerde T1 multi atlas segmentatie pijpleiding, met geavanceerde diffeomorf afbeelding registratie algoritmen15, multi atlas fusion methoden16,17, en rijke multi atlas bibliotheken 18. de pijpleiding is rondgedeeld op een on-demand platform, MRICloud19, sinds 2015, en het is gebruikt voor het bestuderen van neurodegeneratieve ziekten, zoals de ziekte van Alzheimer (AD)20,21, primaire Progressieve afasie22en23van de ziekte van Huntington.

Zodra de hoge resolutie beelden zijn onderverdeeld in breinstructuur, kunnen regionale kenmerken, zoals volumes, worden gebruikt om wiskundige modellen te karakteriseren de neuroanatomische wijzigingen. De methode van de analyse van een verandering-punt werd onlangs opgericht door onze fractie voor het analyseren van de wereldlijke volgorde, waarin statistisch significant hersenen Morfometrische veranderingen optreden, op basis van longitudinale en/of transversale MRI-gegevens. Dit statistisch model werd aanvankelijk ontwikkeld om te kwantificeren vorm gebaseerde diffeomorphometry over leeftijd in AD patiënten21,24; en het werd later aangepast voor het onderzoek naar de structurele veranderingen van de hersenen in de ziekte van Huntington (HD), alsook over het beschrijven van de hersenen developmental veranderingen in neonatale hersenen25. In HD patiënten, werd de verandering-punt met betrekking tot de CAG-leeftijd product (CAP) score, gedefinieerd als een indicator van de mate van blootstelling aan de CAG-uitbreiding in HTT 26. Het is bekend dat striatale atrofie één van de vroegste markers in HD is, gevolgd door de globus pallidus27. Toch, de veranderingen in het striatum ten opzichte van andere structuren van de grijze en witte stof in de hersenen blijft onduidelijk. Deze relatie is cruciaal voor ons om te begrijpen van de progressie van de ziekte. Verandering-punt analyse van de volumetrische veranderingen in alle breinstructuur zorgt waarschijnlijk voor systematische informatie van de atrofie van de hersenen in de premanifest fase van HD.

Hier tonen we de procedures voor het uitvoeren van geheel-hersenen segmentatie gebruik MRICloud (www.mricloud.org) en de stappen voor het uitvoeren van verandering-punt analyse van volumetrische gegevens in premanifest HD onderwerpen. De MRI-gegevens werden verzameld uit een grote populatie multicentrische PREDICT-HD studeren28,,29 met ongeveer 400 controles en premanifest HD onderwerpen. De combinatie van atlas gebaseerde segmentatie en verandering-punt analyse brengt unieke informatie over de spatio volgorde van de structurele veranderingen van de hersenen en het ziektepatroon progressie in de hersenen. De technieken zijn mogelijk van toepassing op een reeks neurodegeneratieve ziekten met verschillende biomerkers om de degeneratie van de hersenen in kaart.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

1. Atlas gebaseerde Whole Brain segmentatie

  1. Gegevensvoorbereiding
    1. Driedimensionale (3D) T1-gewogen beelden, meestal verworven met MPRAGE (magnetisatie-bereid snelle verloop-echo) volgorde, van leverancierspecifieke DICOM (Digital Imaging en communicatie) formaat naar Analyzed formaat te converteren. Merk op dat de berekening van de wolk vereist gegevens van de gebruikers worden overgeheveld naar remote clusters. Volgens de Health Insurance Portability and Accountability Act (HIPPA), persoonlijke identificatiegegevens van de patiënten uit de afbeeldingsbestanden te verwijderen.
      Opmerking: MRICloud biedt een DICOM--analyseren converter (https://braingps.mricloud.org/t1prep) voor de conversie van bestandsindeling evenals de-identificatie van persoonlijke medische gegevens.
      1. Dubbelklik op Dcm2Analyze.exe. Een pop-upvenster wordt geopend (figuur 1A).
      2. Geef de DICOM data directory invoerpad als input en Analyzed afbeelding pad en bestandsnaam als output.
      3. Klik op "Go" om de conversie te voltooien.
        Opmerking: De conversie moet worden uitgevoerd voor elke individuele patiënt, en het zou zinvol zijn voor de uitvoer van alle geconverteerde afbeeldingen in één studie map voor batch-verwerking (1.2.2.1).
  2. Multi atlas gebaseerd T1 beeldsegmentatie met behulp van MRICloud19.
    1. Log-in "Hersenen GPS" (register voor first-time gebruikers) van https://mricloud.org. "Segmentatie" gereedschap selecteren in het hoofdmenu (figuur 1B). Er zijn twee application programming interface (API) opties onder "Segmentatie": "T1-MultiAtlas" voor één T1 beeldsegmentatie, en "T1-MultiAtlas partij", voor batch-verwerking. De analyse van de verandering-punt grote populatie gegevens vereist, en daarmee, batch-verwerking is vaak de keuze.
    2. Opdrachten op "T1-MultiAtlas partij" API versturen.
      1. Meerdere Analyzed afbeeldingsbestanden comprimeren in een zip-bestand. Klik op "+ .zip" in figuur 1B het zipbestand te uploaden.
        Opmerking: De huidige cloud portal beperkt het aantal afbeeldingen tot 30 in elke zip-map. Grote gegevenssets kunnen worden gescheiden in meerdere zip mappen moeten worden verwerkt. Speciale verzoeken kan worden gemaakt voor meer beelden per zip-bestand. In de toekomst kunnen we potentieel verhogen van het aantal of zelfs verwijderen van de limiet wanneer meer afgelegen computationele middelen beschikbaar komen.
      2. Vul de vereiste velden in figuur 1B.
        1. Verwerking server: Kies "Computational anatomie wetenschap Gateway".
        2. Segmenttype: Kies uit "Sagittale", "Axiale" of "Sagittale geconverteerd naar axiaal".
          Opmerking: "Sagittale" verwijst naar de beelden verkregen met Sagittaal oriëntatie met-plane weergave in anterieure-Posterior en hoofd-voet richtingen. "Axiale" verwijst naar de axiale oriëntatie van de beelden verkregen met-plane weergave in links-rechts en anterieure-Posterior richtingen. "Sagittale geconverteerd naar axiaal" verwijst naar beelden die waren oorspronkelijk verworven in axiale richting maar later omgebouwd tot Sagittaal beelden (die zijn meestal "axiale" beelden met lange nek gebied).
        3. Multi atlas bibliotheek: Kies de bibliotheek van de atlas met dichtst leeftijdsbereik tot de gebruikersgegevens voor het optimaliseren van de nauwkeurigheid van de segmentatie. Wij vooraf gebouwde multi atlas datasets18 voorzien in verschillende leeftijdscategorieën, bijvoorbeeld "Pediatric 4-8 jaar", "Pediatric 8-12 jaar", "volwassene 22-50", en "volwassen 50-90", evenals verschillende atlas versies. Informatie over atlas versies kan worden gevonden in https://braingps.mricloud.org/atlasrepo.
    3. Controleer de status van de baan via "Mijn taakstatus" (Figuur 1 c). Zodra de banen zijn voltooid, verschijnt een knop "Download resultaten" die gebruikers toestaat om de segmentering van de resultaten als een .zip-bestand downloaden.
    4. Visualiseren van de resultaten. Voor één onderwerp, kunnen de volumes die de segmentatie resultaat verkregen online worden gevisualiseerd (niet haalbaar voor batch-verwerking van de resultaten).
      1. Klik op "Bekijk resultaat" knop in Figuur 1 c. De webpagina zal wenden tot de visualisatie-interface (Figuur 1 d). De axiale Sagittaal en coronale standpunten van de segmentatie-kaart zijn op de T1-gewogen anatomische afbeelding overlapt. 3D rendering van de gesegmenteerde breinstructuur worden weergegeven in het bovenste linker venster. Kleur voor de overlay-segmentatie kaart toont u de z-score van de structurele volumes.
      2. Pas de Visualisatieopties, met inbegrip van overlay ON/OFF, dekking van de bedekking, in-en uitzoomen en snijd posities van het bovenste rechter paneel in Figuur 1 d.
      3. Beste segmentatie percelen in verschillende granulariteit groeperen. In onze atlassen, hebben we vijf detailniveaus met twee typen ontologie betrekkingen18,30gedefinieerd. Een boom-weergave van de hiërarchische meerdere niveaus anatomische definities wordt weergegeven in het lagere linker paneel (Figuur 1 d). Klik op het niveau cijfers om uit te breiden van de structuren op het overeenkomstige niveau van de ontologie. De segmentatie kaarten wordt gelijktijdig overgeschakeld naar het overeenkomstige niveau van de ontologie.
        Opmerking: Bi-maandelijkse MRICloud workshops zijn hulp bij Johns Hopkins University School of Medicine te bieden hands-on leerprogramma's van de online verrichtingen hierboven beschreven. Workshop informatie kan van https://braingps.mricloud.org/workshops worden gevonden.
    5. Downloaden van de resultaten van de segmentatie voor latere analyse. Unzip de resultaten naar een studie-map van de gebruiker, bijvoorbeeld, de segmentering van de resultaten van alle onderwerpen in één studie directory, elk in hun individuele certificaathouder mappen samen te stellen.
      Opmerking: De resultaten omvatten
    • example.img: origineel T1 in axiale richting.
    • example_MNI.img: T1 afbeelding in MNI ruimte na de coördinaten van de Talairach.
    • example_7Labels.img en example_7Labels_MNI.img: grof segmentatie met 7 percelen (grijze stof, witte stof, cerebrospinale vloeistof, laterale ventrikel, schedel en achtergrond) in native en MNI ruimte, respectievelijk.
    • example_283Labels_M2.img en example_283Labels_M2_MNI.img: fijne segmentatie met 283 percelen (atlas versie V9B) in native en MNI ruimte, respectievelijk. Het exacte aantal etiketten is afhankelijk van de versie van de atlas.
    • example_corrected_MNI_stats.txt en example_MNI_stats.txt: Statistieken van volumes van elke hersenen percelen in native en MNI ruimte.
    • multilevel_lookup_table.txt: Multilevel ontologie definitie van de percelen van de hersenen.
  3. Het uitvoeren van batch-verwerking om te verkrijgen van de hersenen volumes in een populatie. Gebruik een in-house Matlab (www.mathworks.com) batch-verwerking script te uittreksel van hersenen volumes van individuele resultaat mappen en combineren de volumetrische gegevens van alle vakken op alle granulariteit niveaus naar een werkblad. Een grafische gebruikersinterface (GUI) wordt gebruikt voor het opgeven van de input en output.
    1. Open Matlab.exe, Main.fig, en een GUI zal pop uit (figuur 2A).
    2. In de "T1 Volume extractie van MRICloud" opgeven deelvenster (bovenste deelvenster in figuur 2A), de ingangen, inclusief de studie map waar de gedownloade de segmentatie resultaten worden opgeslagen (zie 1.2.5); en de multi-level opzoektabel bestand pad en de bestandsnaam.
    3. De uitvoer werkblad pad en de bestandsnaam bestandsnaam opgeven waarbij het volume gegevens zullen naar schrijven.
    4. Klik op "Uittreksel volume" knop voor het uitvoeren van de analyse. Resultaten kunnen worden gecontroleerd in het door de gebruiker gedefinieerde werkblad.
      Opmerking: Daarnaast is een R-pakket ontwikkeld proces de MRICloud uitgangen en verdere statistische analyse, geboden door Dr. Brian Caffo31uitvoeren. Het pakket kan worden gedownload van https://github.com/bcaffo/MRIcloudT1volumetrics.

2. verandering-punt analyse volumetrische vangegevens

Opmerking: Raadpleeg de theorie en wiskundige details van de verandering-punt-model tot en met onze eerdere publicaties21,24,-23. Kort, voor HD gegevens, een regressiemodel is gevestigd als u wilt definiëren een essentiële verandering-punt (in termen van CAP score), die vanaf de lineaire regressie tussen CAP en volume wordt statistisch significante, terwijl het corrigeren voor de effecten van leeftijd van de patiënt, gender en intracraniële volume. In-House Matlab scripts, samen met een GUI (figuur 2A, lagere paneel), werd ontwikkeld om te berekenen van de verandering-punten voor individuele structuren en statistische analyses uit te voeren. De scripts zijn beschikbaar voor gebruikers op aanvraag.

  1. Bereken de verandering-punten voor individuele breinstructuur.
    1. Geef het bestandspad en de naam van het werkblad multilevel volume, die wordt gegenereerd volgens 1.3 in het deelvenster "verandering-punt analyse" in figuur 2A.
    2. Geef het bestandspad en de naam van het uitvoerbestand tekst, die de resultaten van de verandering-punt zal worden geschreven.
    3. Kies het niveau van granulatie en soort ontologie definitie in de drop-down box (niveau 1-5), op die de verandering-punt analyse zal worden uitgevoerd.
    4. Klik op "Bereken verandering-point" knop voor het uitvoeren van de analyse van de verandering-punt, zoals beschreven in verwijzing23, en de daaruit voortvloeiende verandering-punten worden opgeslagen in het uitvoerbestand voor de tekst.
  2. Statistische evaluaties van de verandering-punten.
    1. Geef bij de Matlab-GUI (figuur 2A, lagere paneel), parameters voor statistische proeven, met inbegrip van het aantal permutatie (standaard 10.000), aantal bootstrap (standaard 10.000) en p-waarde drempel (na de correctie van de FDR, standaard 0,05).
    2. Klik op "Statistische functies test" knop om het uitvoeren van de tests. Na deze stap, wordt de p-waarde (door permutatie test), vóór en na valse-discovery stem (FDR) correctie, evenals de standaarddeviatie en het 95% betrouwbaarheidsinterval (door bootstrap) van de verandering-punten weggeschreven naar het uitvoerbestand voor de tekst als extra kolommen . Zie details voor statistische testprocedures in23,24.
  3. Genereren van verandering-punt kaarten (optioneel). In de Matlab-GUI (figuur 2A, lagere paneel), klik op "Kaart wijzigen-point" voor het genereren van verandering-punt kaarten. Statistisch significante verandering-puntenwaarden zal worden toegewezen op de MNI-ruimte anatomische afbeelding te visualiseren het ruimtelijk patroon. Deze toewijzing kan worden gedaan op verschillende granulariteit niveaus, afhankelijk van de anatomische niveau gespecificeerd in punt 2.1. De verandering-punt-kaarten kunnen worden overlay op T1-gewogen beelden met behulp van MRIcro (figuur 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Met behulp van de in 1.1-1.3, beschreven procedures kunnen hele hersenen segmentatie kaarten worden verkregen bij MRICloud. In de huidige versie van de atlas (V9B), 283 percelen zijn gesegmenteerd op de mooiste granulariteit (niveau 5), die kan worden gegroepeerd om verschillende detailniveaus, bv., van halfrond naar melkklieren en de pakjes, overeenkomstig de definities van de specifieke ontologie. Figuur 3 toont twee soorten multi-level segmentatie...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Zoals aangetoond in deze paper, worden geheel-hersenen segmentatie van de hersen-MRI gemakkelijk bereikt met behulp van onze online platform MRICloud. T1-gewogen MRI gebaseerd volumetrische marker heeft aangetoond dat robuust en gevoelig voor een reeks neurodegeneratieve ziekten,1,,2,3. De volumetrische maatregelen worden gebruikt voor verschillende downstream analyse, zoals wiskundige modellering en functie-selectie en indeling...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Wij danken de PREDICT-HD onderzoekers, in het bijzonder Dr. Hans Johnson en Dr. Jane S. Pauslen van Universiteit van Iowa, voor hun gulheid in het delen van de MRI-gegevens en constructieve discussie over de data-analyse en resultaten.

Dit werk wordt ondersteund door de NIH verleent R21 NS098018 P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 en U01 NS082085.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
MATLABMathworksN/AVersie 2015b en hoger
Dell WorkstationDellDell Precision T5500 (Intel Xeon CPU)

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

T1 gewogen MRIMRICloud platformatlasgebaseerde segmentatievolumetrische analyseCAP scoreMultiAtlas BatchMATLAB GUI

Gerelateerde artikelen