Artykuł metodologiczny

Segmentacja całego mózgu i analiza punktów zmian w anatomicznym rezonansie magnetycznym mózgu — zastosowanie w przedmanifestacyjnej chorobie Huntingtona

DOI:

10.3791/57256

⸱

9 czerwca 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

W tym artykule

Podsumowanie

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

Ten artykuł opisuje model statystyczny do analizy danych z wolumetrycznego rezonansu magnetycznego, który identyfikuje "punkt zmiany", kiedy zaczyna się atrofia mózgu w przedmanifestacyjnej chorobie Huntingtona. Mapowanie punktów zmian w całym mózgu uzyskuje się na podstawie objętości mózgu uzyskanych za pomocą opartego na atlasie potoku segmentacji obrazów zależnych od T1.

Streszczenie

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

Ostatnie osiągnięcia w dziedzinie MRI dostarczają wielu użytecznych markerów do identyfikacji chorób neurodegeneracyjnych. W chorobie Huntingtona (HD) regionalny zanik mózgu zaczyna się na wiele lat przed początkiem choroby motorycznej (w okresie "przedmanifestacyjnym"), ale czasoprzestrzenny wzorzec atrofii regionalnej w mózgu nie został w pełni scharakteryzowany. W tym miejscu demonstrujemy internetową platformę przetwarzania w chmurze "MRICloud", która zapewnia opartą na atlasie segmentację całego mózgu obrazów T1 zależnych od T1 na wielu poziomach szczegółowości, a tym samym umożliwia nam dostęp do regionalnych cech anatomii mózgu. Następnie opisujemy model regresji, który wykrywa statystycznie istotne punkty przegięcia, w których zaczyna być zauważalny regionalny zanik mózgu, czyli "punkt zmiany" w odniesieniu do wskaźnika progresji choroby. Użyliśmy skali CAG-age product (CAP) do indeksowania progresji choroby u pacjentów z HD. Analiza punktu zmiany pomiarów wolumetrycznych z potoku segmentacji dostarcza zatem ważnych informacji na temat kolejności i wzorca atrofii strukturalnej w mózgu. Artykuł ilustruje zastosowanie tych technik na danych MRI zależnych od T1 u osób z przedmanifestacyjną chorobą Huntingtona z dużego wieloośrodkowego badania PREDICT-HD. Projekt ten może mieć szerokie zastosowanie w wielu chorobach neurodegeneracyjnych w celu zbadania dynamicznych zmian anatomii mózgu.

Wprowadzenie

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

Obrazowanie metodą rezonansu magnetycznego (MRI) znacznie zwiększyło nasze możliwości badania anatomii i funkcji mózgu w chorobach neurodegeneracyjnych1,2,3. Strukturalny rezonans magnetyczny zależny od T1 jest jednym z najczęściej stosowanych narzędzi obrazowania w rutynowej praktyce klinicznej do oceny anatomii mózgu i związanej z nią patologii. Analiza ilościowa obrazów o wysokiej rozdzielczości T1-zależnych dostarcza użytecznych markerów do pomiaru zmian anatomicznych podczas zwyrodnienia mózgu. W szczególności podejścia kwantyfikacji oparte na segmentacji skutecznie redukują wymiarowość obrazu z poziomu woksela (rzędu (106)) do poziomu struktury anatomicznej ((102)) dla neuroinformatyki o wysokiej przepustowości4,5. Zautomatyzowaną segmentację mózgu można osiągnąć za pomocą metod opartych na atlasie6,7,8,9, które odwzorowują predefiniowane etykiety anatomiczne z atlasu na obrazy pacjenta. Wśród metod opartych na atlasie, algorytmy wieloatlasowe 10,11,12,13,14 zapewniają doskonałą dokładność i solidność segmentacji. Nasza grupa opracowała w pełni zautomatyzowany potok segmentacji T1 z wieloma atlasami, z zaawansowanymi algorytmami rejestracji obrazów dyfeomorficznych15, metodami fuzji wielu atlasów16,17 oraz bogatymi bibliotekami multiatlasów18. Od 2015 roku potok jest dystrybuowany na platformie przetwarzania w chmurze, MRICloud19, i jest używany do badania chorób neurodegeneracyjnych, takich jak choroba Alzheimera (AD)20,21, Primary Progressive Aphasia22 oraz Huntington's Disease23.

Po podziale obrazów o wysokiej rozdzielczości na struktury mózgu, cechy regionalne, takie jak objętości, mogą być wykorzystane do stworzenia modeli matematycznych do scharakteryzowania zmian neuroanatomicznych. Nasza grupa opracowała niedawno metodę analizy punktów zmian w celu analizy kolejności czasowej, w której zachodzą statystycznie istotne zmiany morfometryczne mózgu, na podstawie podłużnych i/lub przekrojowych danych MRI. Ten model statystyczny został po raz pierwszy opracowany w celu ilościowego określenia dyfeomorfometrii opartej na kształcie w zależności od wieku u pacjentów z chorobą Alzheimera21,24; a później został zaadaptowany do badania zmian strukturalnych mózgu w chorobie Huntingtona (HD), a także do opisywania zmian rozwojowych mózgu w mózgach noworodków25. U pacjentów z HD punkt zmiany został zdefiniowany w odniesieniu do wyniku CAG-age product (CAP), jako wskaźnik stopnia ekspozycji na ekspansję CAG w HTT 26. Powszechnie wiadomo, że atrofia prążkowia jest jednym z najwcześniejszych markerów HD, a następnie gałka blada (globus pallidus27. Jednak zmiany w prążkowiu w stosunku do innych struktur istoty szarej i białej w mózgu pozostają niejasne. Taka zależność jest dla nas kluczowa dla zrozumienia postępu choroby. Analiza punktów zmian objętościowych we wszystkich strukturach mózgu prawdopodobnie dostarczy systematycznych informacji na temat atrofii mózgu w fazie przedmanifestacyjnej HD.

Tutaj demonstrujemy procedury przeprowadzania segmentacji całego mózgu za pomocą MRICloud (www.mricloud.org), oraz kroki do przeprowadzania analizy punktu zmiany danych wolumetrycznych u osób przed manifestacją HD. Dane MRI zostały zebrane z dużego wieloośrodkowego badania PREDICT-HD28,29 z około 400 osobami kontrolnymi i osobami przed manifestacją HD. Połączenie segmentacji opartej na atlasie i analizy punktów zmian dostarcza unikalnych informacji na temat czasoprzestrzennego porządku zmian strukturalnych mózgu i wzorca postępu choroby w całym mózgu. Techniki te mogą mieć zastosowanie w wielu chorobach neurodegeneracyjnych z różnymi biomarkerami do mapowania zwyrodnienia mózgu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Segmentacja całego mózgu oparta na atlasie

  1. Przygotowanie danych
    1. Konwertuj trójwymiarowe (3D) obrazy T1-ważone, zwykle uzyskiwane za pomocą sekwencji MPRAGE (magnetyzacja przygotowana do szybkiego echa gradientowego), z formatu DICOM (Digital Imaging and Communication) specyficznego dla dostawcy na format analizowany. Należy pamiętać, że obliczenia w chmurze wymagają przesyłania danych użytkowników do klastrów zdalnych. Zgodnie z ustawą o przenośności i odpowiedzialności w ubezpieczeniach zdrowotnych (HIPPA) usuń dane osobowe pacjentów z plików graficznych.
      UWAGA: MRICloud oferuje konwerter DICOM-to-Analyze (https://braingps.mricloud.org/t1prep) do konwersji formatu pliku, a także deidentyfikacji osobistych informacji zdrowotnych.
      1. Kliknij dwukrotnie, aby otworzyć Dcm2Analyze.exe. Otworzy się wyskakujące okienko (Rysunek 1A).
      2. Określ ścieżkę katalogu danych wejściowych DICOM jako dane wejściowe oraz ścieżkę analizowanego obrazu i nazwę pliku jako dane wyjściowe.
      3. Kliknij "Przejdź", aby zakończyć konwersję.
        UWAGA: Konwersja musi być przeprowadzona dla każdego pacjenta z osobna i korzystne byłoby wydrukowanie wszystkich przekonwertowanych obrazów w jednym folderze badania do przetwarzania wsadowego (1.2.2.1).
  2. Segmentacja obrazów T1 w oparciu o wiele atlasów przy użyciu MRICloud19.
    1. Zaloguj się "Brain GPS" (zarejestruj się dla początkujących użytkowników) z https://mricloud.org. Wybierz narzędzie "Segmentacja" z menu głównego (Rysunek 1B). W sekcji "Segmentacja" dostępne są dwie opcje interfejsu programowania aplikacji (API): "T1-MultiAtlas" do segmentacji pojedynczego obrazu T1 i "T1-MultiAtlas Batch" do przetwarzania wsadowego. Analiza punktu zmiany wymaga dużych danych populacyjnych, w związku z czym często wybiera się przetwarzanie wsadowe.
    2. Przesyłanie zadań w interfejsie API "T1-MultiAtlas Batch".
      1. Skompresuj wiele analizowanych plików graficznych do pliku zip. Kliknij "+.zip" w Rysunek 1B, aby przesłać plik zip.
        UWAGA: Bieżący portal w chmurze ogranicza liczbę obrazów do 30 w każdym folderze zip. Duże zestawy danych można rozdzielić na wiele folderów zip w celu przetworzenia. Można złożyć specjalne życzenie, aby pomieścić więcej obrazów w pliku zip. W przyszłości możemy potencjalnie zwiększyć ograniczoną liczbę lub nawet usunąć limit, gdy dostępne staną się bardziej odległe zasoby obliczeniowe.
      2. Wypełnij wymagane pola w polu Rysunek 1B.
        1. Serwer przetwarzania: Wybierz "Computational Anatomy Science Gateway".
        2. Typ plasterka: Wybierz "Strzałkowy", "Osiowy" lub "Strzałkowy przekształcony w Osiowy".
          UWAGA: "Strzałkowy" odnosi się do obrazów uzyskanych w orientacji strzałkowej z widokiem w płaszczyźnie w kierunku przednim-tylnym i głowy-stopy. "Osiowy" odnosi się do obrazów uzyskanych w orientacji osiowej z widokiem w płaszczyźnie w kierunku lewo-prawo i przednio-tylny. "Strzałkowy przekształcony w osiowy" odnosi się do obrazów, które pierwotnie zostały uzyskane w orientacji osiowej, ale później przekonwertowane na obrazy strzałkowe (są to zazwyczaj obrazy "osiowe" z długim obszarem szyi).
        3. Biblioteka wielu atlasów: wybierz bibliotekę atlasu z najbliższym zakresem wiekowym danych użytkownika, aby zoptymalizować dokładność segmentacji. Udostępniamy gotowe zestawy danych z wieloma atlasami18 z różnymi przedziałami wiekowymi, np. "Pediatric 4-8 lat", "Pediatric 8-12 lat", "Adult 22-50" i "Adult 50-90", a także różne wersje atlasu. Informacje o wersjach atlasu można znaleźć w https://braingps.mricloud.org/atlasrepo.
    3. Sprawdź status zadania za pomocą opcji "Mój status zadania" (Rysunek 1C). Po zakończeniu zadań pojawi się przycisk "Pobierz wyniki", który umożliwia użytkownikom pobranie wyników segmentacji jako pliku .zip.
    4. Wizualizuj wyniki. W przypadku pojedynczego obiektu objętości uzyskane z wyniku segmentacji mogą być wizualizowane online (niewykonalne w przypadku wyników przetwarzania wsadowego).
      1. Kliknij przycisk "Zobacz wynik" w Rysunek 1C. Strona internetowa przejdzie do interfejsu wizualizacji (Rysunek 1D). Widoki osiowe, strzałkowe i czołowe mapy segmentacji nakładają się na obraz anatomiczny T1-zależny. Renderowanie 3D segmentowanych struktur mózgu jest pokazane w lewym górnym oknie. Kolor nakładającej się mapy segmentacji wskazuje wskaźnik Z objętości strukturalnych.
      2. Dostosuj opcje wizualizacji, w tym włączanie/wyłączanie nakładki, przezroczystość nakładki, powiększanie i pomniejszanie oraz pozycje przekrojów z prawego górnego panelu w Rysunek 1D.
      3. Grupuj najdrobniejsze działki segmentacyjne o różnym stopniu szczegółowości. W naszych atlasach zdefiniowaliśmy pięć poziomów szczegółowości z dwoma typami relacji ontologii18,30. Widok drzewa hierarchicznych wielopoziomowych definicji anatomicznych jest pokazany w lewym dolnym panelu (Rysunek 1D). Kliknij numery poziomów, aby rozwinąć struktury na odpowiednim poziomie ontologii. Mapy segmentacji zostaną jednocześnie przełączone na odpowiedni poziom ontologii.
        UWAGA: Odbywające się co dwa miesiące warsztaty MRICloud są pomocą w Johns Hopkins University School of Medicine, oferując praktyczne samouczki dotyczące operacji online opisanych powyżej. Informacje o warsztacie można znaleźć na stronie https://braingps.mricloud.org/workshops.
    5. Pobierz wyniki segmentacji do późniejszej analizy. Rozpakuj wyniki do katalogu badań użytkowników, np. zbierz wyniki segmentacji wszystkich uczestników w jednym katalogu badań, każdy w osobnych folderach tematycznych.
      UWAGA: Wyniki obejmują
    • example.img: oryginalny obraz T1 w orientacji osiowej.
    • example_MNI.img: Obraz T1 w przestrzeni MNI podążający za współrzędnymi Talairach.
    • example_7Labels.img i example_7Labels_MNI.img: Zgrubna segmentacja z 7 działkami (istota szara, istota biała, płyn mózgowo-rdzeniowy, komora boczna, czaszka i tło) odpowiednio w przestrzeni natywnej i MNI.
    • example_283Labels_M2.img i example_283Labels_M2_MNI.img: dokładna segmentacja z 283 działkami (wersja atlasu V9B) odpowiednio w przestrzeni natywnej i MNI. Dokładna liczba etykiet zależy od wersji atlasu.
    • example_corrected_MNI_stats.txt i example_MNI_stats.txt: statystyki objętości każdej paczki mózgowej w przestrzeni natywnej i MNI.
    • multilevel_lookup_table.txt: Wielopoziomowa definicja ontologii pakietów mózgowych.
  3. Wykonaj przetwarzanie wsadowe, aby uzyskać objętość mózgu w populacji. Użyj wewnętrznego skryptu przetwarzania wsadowego Matlab (www.mathworks.com), aby wyodrębnić woluminy mózgu z poszczególnych folderów wyników i połączyć dane wolumetryczne wszystkich badanych na wszystkich poziomach szczegółowości w arkuszu kalkulacyjnym. Graficzny interfejs użytkownika (GUI) służy do określania danych wejściowych i wyjściowych.
    1. Otwórz Matlab.exe, uruchom Main.fig, a pojawi się GUI (Rysunek 2A).
    2. W panelu "Ekstrakcja woluminu T1 z MRICloud" (górny panel w Rysunek 2A) określ dane wejściowe, w tym katalog badań, w którym zapisywane są pobrane wyniki segmentacji (patrz 1.2.5); oraz ścieżkę do pliku i nazwę pliku wielopoziomowej tabeli przeglądowej.
    3. Określ ścieżkę wyjściowego pliku arkusza kalkulacyjnego i nazwę pliku, w którym zostaną zapisane dane woluminu.
    4. Kliknij przycisk "Wyodrębnij wolumin", aby uruchomić analizę. Wyniki można sprawdzić w arkuszu kalkulacyjnym zdefiniowanym przez użytkownika.
      UWAGA: Ponadto opracowano pakiet R do przetwarzania danych wyjściowych MRICloud i przeprowadzania dalszych analiz statystycznych, dostarczony przez Dr. Briana Caffo31. Pakiet można pobrać ze strony https://github.com/bcaffo/MRIcloudT1volumetrics.

2. Analiza punktów zmian danych wolumetrycznych

UWAGA: Proszę zapoznać się z teorią i szczegółami matematycznymi modelu punktu zmiany w naszych poprzednich publikacjach21,24,23. Krótko mówiąc, dla danych HD ustanawia się model regresji w celu zdefiniowania krytycznego punktu zmiany (pod względem wyniku CAP), zaczynając od którego, regresja liniowa między CAP a objętością staje się statystycznie istotna, przy jednoczesnej korekcji o wpływ wieku, płci i objętości wewnątrzczaszkowej pacjenta. Wewnętrzne skrypty Matlaba, wraz z graficznym interfejsem użytkownika (Rysunek 2A, dolny panel), zostały opracowane w celu obliczenia punktów zmian dla poszczególnych struktur i przeprowadzenia analizy statystycznej. Skrypty są dostępne dla użytkowników na żądanie.

  1. Obliczanie punktów zmian dla poszczególnych struktur mózgu.
    1. W panelu "Analiza punktów zmiany" w Rysunek 2A określ ścieżkę pliku i nazwę wielopoziomowego arkusza kalkulacyjnego, który jest generowany zgodnie z 1.3.
    2. Określ ścieżkę pliku i nazwę wyjściowego pliku tekstowego, w którym zostaną zapisane wyniki punktu zmiany.
    3. Wybierz poziom szczegółowości i typ definicji ontologii w polu rozwijanym (Poziom 1–5), na którym zostanie przeprowadzona analiza punktu zmiany.
    4. Kliknij przycisk "Oblicz punkt zmiany", aby przeprowadzić analizę punktu zmiany, zgodnie z opisem w reference23, a wynikowe punkty zmian zostaną zapisane w wyjściowym pliku tekstowym.
  2. Analizy statystyczne punktów zmian.
    1. W graficznym interfejsie użytkownika Matlaba (Rysunek 2A, dolny panel) określ parametry testów statystycznych, w tym liczbę permutacji (domyślnie 10 000), liczbę bootstrapów (domyślnie 10 000) i próg wartości p (po korekcie FDR, domyślnie 0,05).
    2. Kliknij przycisk "Test statystyczny", aby uruchomić testy. Po tym kroku wartość p (za pomocą testu permutacji), przed i po korekcie współczynnika fałszywych wykryć (FDR), a także odchylenie standardowe i 95% przedział ufności (według bootstrap) punktów zmian zostaną zapisane w wyjściowym pliku tekstowym jako dodatkowe kolumny. Zobacz szczegóły statystycznych procedur testowych w23,24.
  3. Generuj mapy punktów zmian (opcjonalnie). W graficznym interfejsie użytkownika Matlaba (Rysunek 2A, dolny panel) kliknij przycisk "Punkt zmiany mapy", aby wygenerować mapy punktów zmiany. Statystycznie istotne wartości punktów zmian zostaną odwzorowane na obrazie anatomicznym przestrzeni MNI w celu wizualizacji wzorca przestrzennego. Mapowanie to można przeprowadzić na różnych poziomach szczegółowości, w zależności od poziomu anatomicznego określonego w ppkt 2.1. Mapy punktów zmian można nakładać na obrazy ważone T1 za pomocą MRIcro (Rysunek 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Korzystając z procedur opisanych w punktach 1.1-1.3, można uzyskać mapy segmentacji całego mózgu z MRICloud. W obecnej wersji atlasu (V9B) 283 działki są podzielone na segmenty o najdrobniejszym stopniu szczegółowości (poziom 5), które można grupować do różnych poziomów szczegółowości, np. od półkuli do zrazików i działek, zgodnie z określonymi definicjami ontologii. Rysunek 3 pokazuje dwa rodzaje wielopoziomowych segmentacji na pięciu poziomach, w w...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Jak wykazano w tym artykule, segmentację całego mózgu w rezonansie magnetycznym mózgu można wygodnie osiągnąć za pomocą naszej platformy internetowej MRICloud. Wykazano, że marker wolumetryczny oparty na rezonansie magnetycznym zależnym od T1 jest wytrzymały i wrażliwy na szereg chorób neurodegeneracyjnych 1,2,3. Miary wolumetryczne są wykorzystywane do różnych dalszych analiz, takich jak modelowanie matematyczne oraz analiza wy...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Dziękujemy badaczom PREDICT-HD, szczególnie dr Hansowi Johnsonowi i dr Jane S. Pauslen z University of Iowa, za ich hojność w dzieleniu się danymi MRI i konstruktywną dyskusję na temat analizy danych i wyników.

Ta praca jest wspierana przez granty NIH R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 i U01 NS082085.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MATLABMathworksN/Aw wersji 2015b i nowszej
Stacja robocza DellDell Precision T5500 (procesor Intel Xeon)

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

MRI z obrazowaniem T1 zale nymplatforma MRICloudsegmentacja oparta na atlasieanaliza wolumetrycznawynik CAPMultiAtlas Batchinterfejs graficzny MATLAB

Powiązane artykuły