Artykuł metodologiczny

Trójwymiarowe modelowanie kształtów i analiza struktur mózgu

DOI:

10.3791/59172

⸱

14 listopada 2019

 ,  , 
1School of Computer Science and Engineering, Kyungpook National University, 2Centre for Clinical Brain Sciences, University of Edinburgh, 3School of Computing and KI for Health Science and Technology (KIHST), Korea Advanced Institute of Science and Technology (KAIST)

W tym artykule

Podsumowanie

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

Wprowadzamy półautomatyczny protokół do analizy kształtów struktur mózgu, w tym segmentację obrazu za pomocą otwartego oprogramowania i dalszą grupową analizę kształtów za pomocą zautomatyzowanego pakietu do modelowania. W tym miejscu demonstrujemy każdy krok protokołu analizy kształtu 3D z segmentacją hipokampa na podstawie obrazów MR mózgu.

Streszczenie

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

Statystyczna analiza kształtu struktur mózgu została wykorzystana do zbadania związku między ich zmianami strukturalnymi a procesami patologicznymi. Opracowaliśmy pakiet oprogramowania do dokładnego i solidnego modelowania kształtów oraz analizy grupowej. W tym miejscu przedstawiamy potok analizy kształtów, od indywidualnego modelowania kształtów 3D po ilościową analizę kształtów grupowych. Opisujemy również etapy wstępnego przetwarzania i segmentacji przy użyciu otwartych pakietów oprogramowania. Ten praktyczny przewodnik pomoże naukowcom zaoszczędzić czas i wysiłek związany z analizą kształtów 3D struktur mózgu.

Wprowadzenie

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

Analiza kształtu struktur mózgu stała się preferowanym narzędziem do badania ich zmian morfologicznych w procesach patologicznych, takich jak choroby neurodegeneracyjne i starzenie się1. Potrzebne są różne metody obliczeniowe, aby 1) dokładnie wyznaczyć granice struktur docelowych na podstawie obrazów medycznych, 2) zrekonstruować kształt docelowy w postaci siatki powierzchniowej 3D, 3) zbudować zgodność między obiektami w poszczególnych modelach kształtów poprzez parametryzację kształtu lub rejestrację powierzchni oraz 4) ilościowo ocenić regionalne różnice kształtów między osobami lub grupami. W ciągu ostatnich kilku lat w badaniach neuroobrazowych wprowadzono wiele metod dla każdego z tych etapów. Jednak pomimo niezwykłych postępów w tej dziedzinie, nie ma wielu ram, które można bezpośrednio zastosować w badaniach. W tym artykule opisujemy każdy etap analizy kształtu struktur mózgu przy użyciu naszych niestandardowych narzędzi do modelowania kształtów i publicznie dostępnych narzędzi do segmentacji obrazów.

Tutaj demonstrujemy ramy analizy kształtu struktur mózgu poprzez analizę kształtu lewego i prawego hipokampa, korzystając z zestawu danych dorosłych osób kontrolnych i pacjentów z chorobą Alzheimera. Atrofia hipokampa jest uznawana za krytyczny biomarker obrazowania w chorobach neurodegeneracyjnych2,3,4. W naszym frameworku analizy kształtu wykorzystujemy model szablonowy struktury docelowej oraz deformowalną rejestrację szablonu do obrazu w procesie modelowania kształtu. Model szablonowy koduje ogólne cechy kształtu struktury docelowej w populacji, a także stanowi punkt odniesienia do ilościowego określania różnic kształtów między poszczególnymi modelami poprzez ich przechodnią relację z modelem szablonowym. W przypadku rejestracji szablonu do obrazu opracowaliśmy metodę deformacji powierzchni Laplace'a, aby dopasować model szablonu do struktury docelowej na poszczególnych obrazach, jednocześnie minimalizując zniekształcenia rozkładu punktów w modelu szablonu5,6,7. Wykonalność i solidność proponowanej ramy zostały potwierdzone w ostatnich badaniach neuroobrazowania starzenia się poznawczego8, wczesne wykrywanie łagodnych zaburzeń poznawczych9, oraz w celu zbadania powiązań między zmianami strukturalnymi mózgu a poziomem kortyzolu10. Takie podejście ułatwiłoby wykorzystanie metod modelowania i analizy kształtu w dalszych badaniach neuroobrazowych.

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

Protokół

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

Obrazy MR mózgu zostały pozyskane zgodnie z protokołem zatwierdzonym przez lokalną komisję rewizyjną i komisję etyki.

UWAGA: Narzędzia do modelowania i analizy kształtów można pobrać z repozytorium NITRC: https://www.nitrc.org/projects/dtmframework/. Oprogramowanie GUI (DTMModeling.exe) można uruchomić po ekstrakcji. Zobacz Rysunek 1.

1. Segmentacja obrazu MR mózgu

  1. Pozyskiwanie obrazów MR mózgu poszczególnych osób i masek segmentacji mózgu.
    nuta: Zazwyczaj pozyskujemy obrazy MR T1 do analizy struktur mózgu. Zakładamy, że obrazy MR są wstępnie przetworzone pod kątem korekcji nieliniowości gradientu i korekcji niejednorodności intensywności przy użyciu N311, ulepszonych metod N312 lub FSL-FAST13. Niektóre ogólnodostępne narzędzia do automatycznej segmentacji struktur mózgu człowieka wymieniono w tabeli 1.
  2. Ręczne korygowanie wyników segmentacji.
    nuta: Otwarte oprogramowanie GUI obsługujące ręczną segmentację przedstawiono w tabeli 2. Protokoły ręcznej segmentacji struktur mózgu można znaleźć tutaj14,15,16. Przewodnik wideo na temat ręcznej segmentacji hipokampa znajduje się tutaj17. Protokół segmentacji hipokampa opisujemy w następnej sekcji.
    1. Otwórz rezonans magnetyczny T1 i wyniki automatycznej segmentacji za pomocą menu Otwórz plik.
    2. Załaduj wtyczkę Segmentation, klikając Menu okna | Pokaż | Segmentacja.
    3. Popraw maskę segmentacji za pomocą narzędzi Dodaj, Odejmij i Korekta we wtyczce Segmentacja.
    4. Zapisz poprawioną maskę segmentacji w formacie Nifti za pomocą menu Zapisz.

2. Ręczna edycja segmentacji hipokampa

UWAGA: Wprowadzamy protokół do ręcznej edycji segmentacji mózgu za pomocą oprogramowania do modelowania GUI opartego na środowisku pracy MITK (http://www.mitk.org/). Stół warsztatowy MITK zapewnia różne funkcje do ręcznej i automatycznej segmentacji oraz wizualizacji obrazów medycznych. Pokazujemy ręczny proces edycji dla lewego i prawego hipokampa. Kroki ręcznej edycji18 Wynik automatycznej segmentacji hipokampa jest następujący.

  1. Otwórz obraz MR T1 i wyniki automatycznej segmentacji hipokampa za pomocą oprogramowania MITK Workbench.
  2. Załaduj wtyczkę Segmentation w środowisku pracy MITK, klikając menu Okno | Pokaż widok | Segmentacja.
  3. Wybierz widok koronalny, klikając ikonę po prawej stronie, która pojawi się w prawym górnym rogu okna Wyświetlacz.
  4. Edytuj maskę binarną każdego hipokampa (tj. po lewej i prawej stronie) w widoku koronalnym, zaczynając od głowy hipokampa do ciała w następujący sposób.
    1. Przewiń cały tom, aż znajdziesz uncus. Umieść uncus w masce hipokampa, w miejscu, w którym jest obecny.
    2. Edytuj maskę ciała hipokampa po ustąpieniu uncus za pomocą funkcji Dodaj i odejmij we wtyczce Segmentation.
    3. Kontynuuj edycję maski hipokampa, aż zostanie znaleziony ogon hipokampa. Gdy jądro płucne wzgórza cofa się wyżej od hipokampa, wyłania się sklepienie.
    4. Zakończ edycję ostatniego wycinka koronalnego hipokampa, w którym widoczna jest cała długość sklepienia, ale jeszcze nie ciągła się ze śledzioną ciała modzelowatego.
      nuta: Przestrzenie płynu mózgowo-rdzeniowego (CSF) mogą znajdować się w obszarach hipokampa. Przestrzenie płynu mózgowo-rdzeniowego można usunąć z masek hipokampa za pomocą narzędzia Odejmij we wtyczce segmentacji środowiska roboczego MITK. może być łatwiej całkowicie zdefiniować regiony hipokampa, a następnie przejść przez wszystkie wycinki koronalne od głowy do ogona hipokampa w celu usunięcia przestrzeni płynu mózgowo-rdzeniowego.
    5. Postępuj zgodnie z tym samym procesem, aby edytować maski binarne obu hippocampi.
      nuta: Narzędzia Dodaj, Odejmij i Korekta wtyczki Segmentacja w środowisku roboczym MITK mogą być używane do ręcznej edycji. Narzędzie Korekcja jest łatwe do obsługi drobnych błędów w masce segmentacji, wykonując dodawanie i odejmowanie zgodnie z danymi wejściowymi użytkownika oraz maskę segmentacji bez dodatkowego wyboru narzędzia.
  5. Zapisz maski binarne dla lewego i prawego hipokampa w formacie Nifti (nii lub nii.gz) za pomocą menu Zapisz w oprogramowaniu środowiska pracy MITK.
    nuta: Binarne maski lewego i prawego hipokampa powinny być zapisane osobno dla kolejnych kroków modelu kształtu hipokampa.

3. Budowa szablonu grupy

UWAGA: Po segmentacji i ręcznej edycji dla wszystkich tematów, indywidualne modelowanie kształtu wymaga szablonowego modelu struktury docelowej. Model szablonu konstruujemy z przeciętnej maski binarnej dla populacji, pozyskanej za pomocą wtyczki "ShapeModeling" w MITK Workbench. Etapy budowy modelu szablonu za pomocą oprogramowania GUI są następujące.

  1. Załaduj wtyczkę ShapeModeling za pomocą funkcji menu: Okno | Pokaż widok | Modelowanie kształtów.
  2. Otwórz katalog zawierający maski binarne badanej populacji, klikając przycisk Otwórz katalog we wtyczce ShapeModeling.
  3. Kliknij przycisk Template Construction (Budowa szablonu) we wtyczce ShapeModeling.
  4. Zaznacz siatkę o średnim kształcie i zapisz ją w formacie stereolitografii (STL) za pomocą menu Zapisz.

4. Rekonstrukcja indywidualnego kształtu

UWAGA: Na tym etapie wykonujemy modelowanie kształtów dla poszczególnych tematów za pomocą przycisku Rozpocznij modelowanie kształtu we wtyczce "ShapeModeling". Parametry oprogramowania tej wtyczki podajemy w tabeli 3. Szczegółowe wyjaśnienie każdego parametru można znaleźć tutaj5. Etapy rekonstrukcji indywidualnego kształtu za pomocą oprogramowania GUI są następujące.

  1. Załaduj obraz MR T1 i jego maskę segmentacji za pomocą menu Otwórz plik.
    nuta: Do walidacji wizualnej używamy obrazu MR T1-ważonego.
  2. Sprawdź parametry modelowania we wtyczce ShapeModeling i zmodyfikuj w razie potrzeby.
    nuta: Jeśli model szablonu nie jest zdeformowany lub odległość między modelem szablonu a granicą obrazu jest duża, zaleca się zwiększenie zakresu wyszukiwania granic. Jeśli zostaną znalezione zniekształcenia geometryczne, zwiększenie wartości maxAlpha i minAlpha za pomocą kroku 0,5 pomoże rozwiązać problem. Ważne jest, aby sprawdzić intensywność woksela dla obiektu docelowego w masce segmentacji. Jeśli wartość jest różna od 1, parametr intensywności należy odpowiednio zmienić.
  3. Kliknij przycisk Modelowanie kształtu, aby uruchomić proces modelowania kształtu i sprawdzić wynik w widoku 3D środowiska pracy MITK.
  4. Powtórz kroki 4.2 i 4.3, gdy model szablonu nie jest ściśle dopasowany do granicy obrazu.
    nuta: Model szablonu jest wizualizowany za pomocą maski segmentacji w widoku strzałkowym, czołowym, osiowym i 3D środowiska pracy MITK. Powierzchnia szablonu nie ulega deformacji, gdy odległość między modelem szablonu a granicą obrazu jest mniejsza niż próg, który wynosi jedną dziesiątą najmniejszego rozmiaru woksela.
  5. Zapisz wynik modelowania w formacie stereolitografii (STL) za pomocą menu Zapisz w strukturze MITK.

5. Grupowa normalizacja kształtu i pomiar różnicy kształtów

UWAGA: Na tym etapie wyrównujemy poszczególne modele kształtów do modelu szablonu i obliczamy punktową deformację kształtu między odpowiednimi wierzchołkami między modelem szablonu a indywidualnym modelem kształtu. Kroki pomiaru deformacji kształtu są następujące.

  1. Wybierz model kształtu obiektu w Menedżerze danych środowiska pracy MITK.
    nuta: Użytkownicy mogą wybrać wiele modeli do pomiaru deformacji.
  2. Wykonaj pomiar deformacji, klikając przycisk Pomiar we wtyczce ShapeModeling.

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

Wyniki

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

Opisany tutaj proces modelowania kształtu został wykorzystany w różnych badaniach neuroobrazowania dotyczących starzenia się6,8,10 i choroba Alzheimera5,9. W szczególności ta metoda modelowania kształtu wykazała swoją dokładność i czułość w analizie kształtu hipokampa dla starzejącej się populacji 654 badanych8. An...

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

Dyskusja

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

Podsumowując, opisaliśmy potok oprogramowania do analizy kształtu struktur mózgu, w tym (1) segmentację obrazu MR za pomocą otwartych narzędzi, (2) rekonstrukcję indywidualnego kształtu przy użyciu odkształcalnego modelu szablonowego oraz (3) ilościowy pomiar różnicy kształtów poprzez przechodnią zgodność kształtu z modelem szablonowym. Analizę statystyczną z korekcją współczynnika fałszywych odkryć (FDR) przeprowadza się z deformacją kształtu w celu zbadania znaczenia zmian morfologicznych struktur mózgu, związanych z p...

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

Oświadczenia

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

Autorzy oświadczają, że nie występuje konflikt interesów.

Podziękowania

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

Praca została sfinansowana przez Narodową Fundację Badawczą Korei (JP jako kierownik projektu). JK jest finansowany przez Kyungpook National University Research Fund; a MCVH jest finansowany przez Row Fogo Charitable Trust i Royal Society of Edinburgh. Segmentacja hipokampa została zaadaptowana z wewnętrznych wytycznych napisanych przez dr Karen Ferguson z Centrum Klinicznych Nauk o Mózgu w Edynburgu w Wielkiej Brytanii.

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

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56 (1), 212-219 (2011).
  2. Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer's Disease. Neuroinformatics. , 1-19 (2018).
  3. Valdés Hernández, M. D. C., et al. Rationale, design, and methodology of the image analysis protocol for studies of patients with cerebral small vessel disease and mild stroke. Brain and behavior. 5 (12), e00415(2015).
  4. Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
  5. Kim, J., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Hippocampal Shape Modeling Based on a Progressive Template Surface Deformation and its Verification. IEEE Transactions on Medical Imaging. 34 (6), 1242-1261 (2015).
  6. Kim, J., et al. 3D shape analysis of the brain's third ventricle using a midplane encoded symmetric template model. Computer Methods and Programs in Biomedicine. 129, 51-62 (2016).
  7. Kim, J., Ryoo, H., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Brain Ventricular Morphology Analysis Using a Set of Ventricular-Specific Feature Descriptors. International Symposium on Biomedical Simulation. , 141-149 (2014).
  8. Valdés Hernández, M. D. C., et al. Hippocampal morphology and cognitive functions in community-dwelling older people: the Lothian Birth Cohort 1936. Neurobiology of Aging. 52, 1-11 (2017).
  9. Lee, P., Ryoo, H., Park, J., Jeong, Y. Morphological and Microstructural Changes of the Hippocampus in Early MCI: A Study Utilizing the Alzheimer's Disease Neuroimaging Initiative Database. Journal of Clinical Neurology. 13 (2), 144-154 (2017).
  10. Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
  11. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17 (1), 87-97 (1998).
  12. Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29 (6), 1310-1320 (2010).
  13. Zhang, Y., Brady, M., Smith, S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging. 20 (1), 45-57 (2001).
  14. Wardlaw, J. M., et al. Brain aging, cognition in youth and old age and vascular disease in the Lothian Birth Cohort 1936: rationale, design and methodology of the imaging protocol. International Journal of Stroke. 6 (6), 547-559 (2011).
  15. Morey, R. A., et al. A comparison of automated segmentation and manual tracing for quantifying hippocampal and amygdala volumes. NeuroImage. 45 (3), 855-866 (2009).
  16. Boccardi, M., et al. Survey of protocols for the manual segmentation of the hippocampus: preparatory steps towards a joint EADC-ADNI harmonized protocol. Journal of Alzheimer's Disease. 26 (s3), 61-75 (2011).
  17. Winterburn, J., et al. High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging. Journal of Visualized Experiments. (105), e51861(2015).
  18. MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59 (2), 169-174 (2002).
  19. Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40 (1), 33-51 (1975).
  20. Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. , 163-169 (1987).

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

3D Shape ModelingBrain Structure AnalysisStatistical Shape AnalysisGroup wise Template ConstructionHippocampal Segmentation EditingShape Deformity ComputationIndividual Shape ReconstructionTemplate Model ConstructionShape Difference VectorsMATLAB Code Analysis

Powiązane artykuły