Geheel-hersenen segmentatie en verandering-punt analyse van anatomische hersenen MRI — toepassing in Premanifest de ziekte van Huntington
9 juni 2018
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.
Het algemene doel van deze beeldanalysepijplijn is om een kwantitatieve volumetrische analyse van T1 gewogen MR-beelden uit te voeren en kritieke veranderingspunten te identificeren wanneer hersenatrofie begint bij neurodegeneratieve ziekten. Deze methode kan helpen bij het beantwoorden van belangrijke vragen in kwantitatieve analyse van anatomische hersenveranderingen tijdens het beloop van neurodegeneratieve ziekten. Bijvoorbeeld, de volgorde en het patroon van hersenatrofie bij de ziekte van Huntington.
Het belangrijkste voordeel van deze techniek is dat de combinatie van Atlas-gebaseerde segmentatie en veranderingspuntanalyse unieke ruimtelijk-temporele informatie geeft over hersenafbraak uit een grote populatie van onderzoeken. De volumetrische analyse van hersen-MRI werd bereikt door MRICloud, dat volledig geautomatiseerde beeldsegmentatie en kwantificering biedt via externe berekening en webgebaseerde gebruikersinterface. Veranderingspuntanalyse van de hersen-MRI geeft ons een systematische weergave van de ziekteprogressie door de hele hersenen.
De toepassingen van deze techniek strekken zich uit tot een reeks neurale degeneratieve ziekten. Om deze procedure te beginnen, converteer driedimensionale T1 gewogen beelden van vendor-specifiek DICOM-formaat naar geanalyseerd formaat. Dubbelklik om Dcm2Analyze.exe te openen.
Er verschijnt een pop-upvenster. Geef de pad van de invoer DICOM-gegevensdirectory als invoer op en het pad en de naam van het geanalyseerde beeldbestand als uitvoer. Klik vervolgens op 'gaan' om de conversie te voltooien.
Voor MultiAtlas-gebaseerde T1-beeldsegmentatie met behulp van MRICloud, log in op BrainGPS en selecteer het segmentatietool vanuit het hoofdmenu. Er zijn twee opties onder segmentatie, de T1-MultiAtlas voor segmentatie van een enkele T1-afbeelding, en T1-MultiAtlas Batch voor batchverwerking. Dien taken in op T1-MultiAtlas Batch API door meerdere geanalyseerde beeldbestanden in een ZIP-bestand te comprimeren en klik vervolgens op 'zip' om het ZIP-bestand te uploaden.
Vul nu de vereiste velden in. Kies voor de verwerkingsserver Computationele Anatomie Science Gateway. Kies voor slice-type uit Sagittaal, Axiaal of Sagittaal omgezet in Axiaal.
Voor MultiAtlas-bibliotheek, kies de Atlas-bibliotheek met het dichtstbijzijnde leeftijdsbereik naar de gebruikersgegevens om de segmentatie-nauwkeurigheid te optimaliseren. Controleer de taakstatus via mijn taakstatus. Zodra de taken zijn voltooid, verschijnt er een knop om de resultaten te downloaden die gebruikers toestaan de segmentatieresultaten als een ZIP-bestand te downloaden.
Resultaten worden opgeslagen in afzonderlijke mappen. Visualiseer de resultaten door op de knop 'resultaten bekijken' te klikken. De webpagina verandert in de visualisatie-interface.
De axiale, sagittale en coronale weergaven van de segmentatiekaart worden over elkaar gelegd op de T1 gewogen anatomische afbeelding. 3-D weergave van de gesegmenteerde hersenstructuren worden getoond in het venster linksboven. De kleur van de overliggende segmentatiekaart geeft de z-score van de structurele volumes aan.
Pas de visualisatie-opties aan, inclusief overleggen aan/uit, de dekking van de overlegging, in- en uitzoomen en plakposities vanuit het paneel rechtsboven. Om batchverwerking uit te voeren om hersenvolumes in een populatie te verkrijgen, gebruik een in-house MATLAB-programma om individuele hersenvolumes te extraheren en ze te combineren in een spreadsheet. In MATLAB, voer main uit.
m, en er verschijnt een GUI. In het paneel T1 volume-extractie vanuit MRICloud, specificeer de inputs, inclusief de studiedirectory waar de gedownloade segmentatieresultaten zijn opgeslagen, en het pad en de naam van het multi-level lookup-tabelbestand. Specificeer het uitvoerdirectory van het spreadsheetbestand waarin de volumegegevens zullen worden geschreven.
Klik op de knop volume extraheren om de analyse uit te voeren. Er verschijnt een bericht na succesvolle voltooiing. Resultaten kunnen worden gecontroleerd in de spreadsheet, waarin de rijen individuele onderwerpsgegevens bevatten en de kolommen de structurele volumes van deze individuen bevatten die gedefinieerd zijn op meerdere anatomische granulariteiten.
Om veranderingspunten voor individuele hersenstructuren te berekenen, gebruik dezelfde MATLAB GUI. In het veranderingspuntanalysepaneel, specificeer de spreadsheets die de multi-level volumegegevens en de bijbehorende diagnostische informatie bevatten. Specificeer vervolgens de directory van het uitvoertekstbestand, waarin de veranderingspuntresultaten zullen worden geschreven.
Kies vervolgens het niveau van granulariteit en het type ontologiedefinitie in de vervolgkeuzelijst, waarop de veranderingspuntanalyse zal worden uitgevoerd. Kies ook de belangrijkste repressor die zal worden gebruikt in de veranderingspuntanalyse, bijvoorbeeld CAP-score voor de ziekte van Huntington. Klik op de knop veranderingspunt berekenen om de analyse uit te voeren en de resulterende veranderingspunten worden opgeslagen in het door de gebruiker gedefinieerde uitvoer-excelbestand.
Om statistische evaluaties van de veranderingspunten in de MATLAB GUI uit te voeren, specificeer de parameters voor statistische tests, inclusief het aantal permutatie en het aantal bootstrap. Klik op de knop statistische test om de tests uit te voeren. Na deze stap zullen de p-waarden van de permutatietest evenals de gemiddelde en standaarddeviatie van de bootstrap-bewerking worden geschreven naar het uitvoertekstbestand als extra kolommen.
Optioneel, om de veranderingspunten in de hersenen en 3-D ruimte te mappen, klik op veranderingspunt mappen. Na deze stap wordt een veranderingspuntkaart gegenereerd en gevisualiseerd door deze over de T1 gewogen afbeelding te leggen. Hier worden de representatieve resultaten van de Atlas-gebaseerde hele hersensegmentatie op meerdere granulariteitsniveaus getoond.
Axiale en coronale weergaven van multi-level segmentatiekaarten worden over T1 gewogen anatomische afbeeldingen gelegd. De hiërarchische anatomische relaties tussen het hersenhemisfeer, de cerebrum nucleï, de basale ganglia van de cerebrum nucleï, de striatum en globus pallidus van de basale ganglia en putamen en caudate van de striatum worden geïllustreerd in 3-D. Hier tonen de spreidingsgrafieken de veranderingspuntanalyse van deze structuren, waarbij de blauwe stippen de z-scores van volumetrische gegevens na correctie voor leeftijd, geslacht en intercraniale volumes aangeven.
De zwar
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een statistisch model voor het analyseren van volumetrische MRI-gegevens om het begin van hersenatrofie bij premanifeste ziekte van Huntington te identificeren. De methode maakt gebruik van een atlas-gebaseerde segmentatiepijplijn om een mapping van veranderingspunten in hersenvolumes voor de gehele hersenen te bereiken.
Belangrijkste componenten van de studie
Wetenschapsgebied
- Neurowetenschap
- Neuroimaging
- Neurodegeneratieve ziekten
Achtergrond
- Kwantitatieve analyse van anatomische veranderingen in de hersenen is cruciaal voor het begrijpen van neurodegeneratieve ziekten.
- Het identificeren van omslagpunten in hersenatrofie kan inzicht bieden in de progressie van de ziekte.
- De ziekte van Huntington dient als model voor het bestuderen van patronen van hersenatrofie.
- Atlas-gebaseerde segmentatie verbetert de nauwkeurigheid van de volumetrische analyse.
Doel van de studie
- Om een methode te ontwikkelen voor het detecteren van kritieke omslagpunten in hersenatrofie.
- Om een systematisch overzicht te bieden van de ziekteprogressie in de hersenen.
- Om gebruik te maken van geautomatiseerde beeldsegmentatie voor een efficiënte analyse.
Gebruikte methoden
- Volumetrische analyse van T1-gewogen MR-beelden.
- Atlas-gebaseerde segmentatiepijplijn voor de meting van het hersenvolume.
- Change-point-analyse om het begin van atrofie te identificeren.
- Gebruik van MRICloud voor geautomatiseerde beeldverwerking.
Belangrijkste resultaten
- Succesvolle identificatie van omslagpunten in hersenatrofie.
- Kartering van atrofiepatronen in de gehele hersenen.
- Demonstratie van de effectiviteit van de methode in grootschalige populatiestudies.
- Verstrekking van unieke spatio-temporele informatie over hersendegeneratie.
Conclusies
- De voorgestelde methode biedt een robuuste benadering voor het bestuderen van neurodegeneratieve ziekten.
- Het vergroot het begrip van de dynamiek van hersenatrofie bij de ziekte van Huntington.
- De combinatie van segmentatie en change-point-analyse is waardevol voor toekomstig onderzoek.
Veelgestelde vragen
Industriële relevantie voor directie
Deze methode stelt R&D-teams in de biofarmaceutica in staat om vroege structurele biomarkers bij neurodegeneratieve ziekten te detecteren door statistisch significante buigpunten in regionale hersenatrofie te identificeren. Door de spatiotemporele progressie van atrofie in kaart te brengen met behulp van全-hersensegmentatie en change-point-analyse, ondersteunt deze benadering de targetvalidatie en mechanistische risicoreductie in preklinische programma's. Het biedt kwantitatieve, reproduceerbare resultaten die go/no-go-beslissingen en portfolio-prioritering bij de ontwikkeling van geneesmiddelen voor het centrale zenuwstelsel kunnen onderbouwen.
Strategische toepassingen in biofarmaceutisch R&D
Vroege ontdekking & targetvalidatie
- Wetenschappelijke waarde: Maakt het toetsen van therapeutische hypothesen mogelijk door de volgorde en het patroon van structurele atrofie in verschillende hersengebieden te onthullen.
- Operationele waarde: Ondersteunt biologische risicoreductie door middel van atlas-gebaseerde segmentatie, die gestandaardiseerde en reproduceerbare volumetrische metingen biedt.
- Voorspellende waarde: Faciliteert de identificatie van lead-candidates door omslagpunten te koppelen aan indices voor ziekteprogressie, zoals de CAP-score, wat het vertrouwen in target engagement verhoogt.
Screening & Assay-ontwikkeling
- Wetenschappelijke waarde: Bereidt gevalideerde biologische systemen voor op downstream-workflows door kwantitatieve structurele read-outs te leveren op meerdere anatomische granulariteitsniveaus.
- Operationele waarde: Garandeert standaardisatie en reproduceerbaarheid van assays via geautomatiseerde MRICloud-segmentatie en MATLAB-gebaseerde volume-extractie.
- Screeninggereedheid: Maakt betrouwbare evaluatie van verbindingen mogelijk door schaalbare, platform-herbruikbare volumetrische datasets te genereren uit grootschalige populatiestudies.
Translationeel & Preklinisch Onderzoek
- Translationele Continuïteit: Verbindt ontdekkingsresultaten met preklinische validatie door atrofiepatronen in kaart te brengen die overeenkomen met ziekte-relevante systemen.
- Risico-gecorrigeerde Vooruitgang: Ondersteunt de besluitvorming door vroege omslagpunten te identificeren die voorafgaan aan het begin van motorische symptomen, waardoor proactieve interventiestrategieën mogelijk worden.
- Mechanische Risicoreductie: Richt zich op voorspellende betrouwbaarheid door ruimtelijk-temporele degeneratiepatronen te onthullen die de afstemming van biomarkers informeren.
Integratie van pipeline en workflow
De methode is geïntegreerd in het ontdekkingscontinuüm, van vroege targetvalidatie tot preklinische ontwikkeling, en biedt een schaalbare benadering voor het monitoren van anatomische veranderingen in modellen van neurodegeneratieve ziekten.
- Discovery Biology: Ondersteunt hypothesetoetsing en het verduidelijken van pathways door het detecteren van het begin van regio-specifieke atrofie in relatie tot de ziekteprogressie.
- Screening: Maakt assays gereed door middel van geautomatiseerde segmentatie en kwantitatieve volumetrische output die geschikt zijn voor screening met een hoge reproduceerbaarheid.
- Analytics: Levert statistische output, waaronder locaties van omslagpunten en p-waarden uit permutatietests, waardoor vergelijkingen tussen verschillende condities mogelijk zijn.
- Translational Research: Verbindt met preklinische continuïteit door atrofiepatronen in kaart te brengen die de menselijke ziekteprogressie spiegelen, wat de afstemming van biomarkers ondersteunt.
- Enterprise Reuse: Fungeert als een herbruikbare cloud-gebaseerde functionaliteit voor longitudinale studies naar meerdere neurodegeneratieve indicaties.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen door mechanistische ambiguïteit in neurodegeneratiemodellen te verminderen.
- Operationele waarde: Verbetert de standaardisatie en schaalbaarheid via geautomatiseerde MRICloud-verwerking en batchanalyse-workflows.
- Strategische waarde: Verbetert go/no-go-beslissingen door het verschaffen van vroege, kwantificeerbare biomarkers voor target engagement.
- Portfolio-impact: Maakt risico-gecorrigeerde prioritering mogelijk door longitudinale tracking van structurele biomarkers over verschillende ziektestadia.
Overwegingen voor Implementatie
- Vereist expertise in neuroimaging-analyse, MATLAB-programmering en statistische change-point-modellering.
- Is afhankelijk van toegang tot MRICloud voor segmentatie en computationele infrastructuur voor permutatie- en bootstrap-testen.
- Necessiteert standaardisatie tussen teams van beeldvoorbehandeling, segmentatieparameters en change-point-drempelwaarden.
- Omvat overwegingen voor aanpassing bij het toepassen van de methode op verschillende modelsystemen of soorten buiten menselijke HD-data.
- Omvat praktische beperkingen zoals de afhankelijkheid van beeldkwaliteit en segmentatienauwkeurigheid voordat een betrouwbare change-point-analyse kan worden uitgevoerd.
