Todo cérebro-segmentação e análise de ponto de mudança de anatômico cérebro MRI — aplicação em Premanifest a doença de Huntington
9 de junho de 2018
Este artigo descreve um modelo estatístico para análise de dados volumétrico MRI, que identifica o "ponto de mudança", quando começa a atrofia do cérebro em premanifest a doença de Huntington. Cérebro de todo o mapeamento dos pontos de mudança é alcançado com base nos volumes de cérebro obtidos usando um pipeline de segmentação baseados em atlas de imagens ponderadas em T1.
O objetivo geral deste pipeline de análise de imagens é realizar análises volumétricas quantitativas de imagens de RM ponderadas em T1 e identificar pontos críticos de mudança quando a atrofia cerebral começa em doenças neurodegenerativas. Este método pode ajudar a responder a questões-chave na análise quantitativa das alterações anatômicas cerebrais durante o curso da doença neurodegenerativa. Por exemplo, a ordem e o padrão de atrofia cerebral na doença de Huntington.
A principal vantagem dessa técnica é que a combinação de segmentação baseada em Atlas e análise de ponto de mudança traz informações espaço-temporais únicas sobre a degeneração cerebral de uma grande população de estudos. A análise volumétrica da ressonância magnética cerebral foi obtida pelo MRICloud, que fornece segmentação e quantificação de imagens totalmente automatizadas por meio de computação remota e interface de usuário baseada na web. A análise do ponto de mudança da ressonância magnética do cérebro nos fornece uma visão sistemática da progressão da doença em todo o cérebro.
As aplicações dessa técnica se estendem a uma variedade de doenças degenerativas neurais. Para iniciar este procedimento, converta imagens tridimensionais ponderadas T1 do formato DICOM específico do fornecedor para o formato analisado. Clique duas vezes para abrir Dcm2Analyze.exe.
Uma janela pop-up será aberta. Especifique o caminho do diretório de dados DICOM de entrada como entrada e o caminho e o nome do arquivo de imagem analisado como saída. Em seguida, clique em ir para concluir a conversão.
Para segmentação de imagem T1 baseada em MultiAtlas usando MRICloud, faça login no BrainGPS e selecione a ferramenta de segmentação no menu principal. Há duas opções em segmentação, o T1-MultiAtlas para segmentação de imagem T1 única e o T1-MultiAtlas Batch para processamento em lote. Envie trabalhos na API de lote T1-MultiAtlas compactando vários arquivos de imagem analisados em um arquivo ZIP e, em seguida, clique em zip para carregar o arquivo ZIP.
Agora, preencha os campos obrigatórios. Para servidor de processamento, escolha Computational Anatomy Science Gateway. Para o tipo de fatia, escolha entre Sagital, Axial ou Sagital convertido em Axial.
Para a biblioteca do MultiAtlas, escolha a biblioteca do Atlas com a faixa etária mais próxima dos dados do usuário para otimizar a precisão da segmentação. Verifique o status do trabalho por meio do meu status do trabalho. Assim que os trabalhos forem concluídos, aparecerá um botão de download de resultados que permite aos usuários baixar os resultados da segmentação como um arquivo ZIP.
Os resultados serão salvos em pastas individuais. Visualize os resultados clicando no botão exibir resultados. A página da web se voltará para a interface de visualização.
As visualizações axial, sagital e coronal do mapa de segmentação são sobrepostas na imagem anatômica ponderada em T1. A renderização 3D das estruturas cerebrais segmentadas é mostrada na janela superior esquerda. A cor do mapa de segmentação sobreposta indica o z-score dos volumes estruturais.
Ajuste as opções de visualização, incluindo sobreposição/desativação, opacidade da sobreposição, zoom in e out e posições de fatia no painel superior direito. Para realizar o processamento em lote para obter volumes cerebrais em uma população, use um programa MATLAB interno para extrair volumes cerebrais individuais e combiná-los em uma planilha. No MATLAB, execute main.
m, e uma GUI aparecerá. No painel Extração de volume T1 do MRICloud, especifique as entradas, incluindo o diretório de estudo no qual os resultados da segmentação baixados são salvos e o caminho do arquivo da tabela de pesquisa de vários níveis e o nome do arquivo. Especifique o diretório de saída do arquivo de planilha no qual os dados do volume serão gravados.
Clique no botão extrair volume para executar a análise. Uma mensagem será exibida após a conclusão bem-sucedida. Os resultados podem ser verificados na planilha, onde as linhas contêm dados de sujeitos individuais e as colunas contêm os volumes estruturais desses indivíduos definidos em múltiplas granularidades anatômicas.
Para calcular pontos de mudança para estruturas cerebrais individuais, use a mesma GUI do MATLAB. No painel de análise de ponto de alteração, especifique as planilhas que contêm os dados de volume de vários níveis e as informações de diagnóstico associadas. Em seguida, especifique o diretório do arquivo de texto de saída, no qual os resultados do ponto de alteração serão gravados.
Depois, escolha o nível de granularidade e o tipo de definição de ontologia na caixa suspensa, na qual a análise do ponto de mudança será executada. Além disso, escolha o principal repressor a ser usado na análise do ponto de mudança, por exemplo, o escore CAP para a doença de Huntington. Clique no botão calcular ponto de alteração para realizar a análise e os pontos de alteração resultantes serão salvos no arquivo Excel de saída definido pelo usuário.
Para realizar avaliações estatísticas dos pontos de mudança na GUI do MATLAB, especifique os parâmetros para testes estatísticos, incluindo o número de permutação e o número de bootstrap. Clique no botão de teste estatístico para executar os testes. Após esta etapa, os valores de p do teste de permutação, bem como a média e o desvio padrão da operação de bootstrap, serão gravados no arquivo de texto de saída como colunas extras.
Opcionalmente, para mapear os pontos de mudança no cérebro e no espaço 3D, clique em mapear ponto de mudança. Após esta etapa, um mapa de ponto de mudança será gerado e visualizado sobrepondo a imagem ponderada T1. Aqui são mostrados os resultados representativos da segmentação de todo o cérebro baseada em Atlas em vários níveis de granularidade.
As vistas axial e coronal dos mapas de segmentação multinível são sobrepostas nas imagens anatômicas ponderadas em T1. As relações anatômicas hierárquicas entre o hemisfério, os núcleos cerebrais, os gânglios da base dos núcleos cerebrais, o estriado e o globo pálido dos gânglios da base e o putâmen e caudado do estriado são ilustradas em 3-D. Aqui, os gráficos de dispersão demonstram a análise do ponto de mudança dessas estruturas, onde os pontos azuis denotam os escores z dos dados volumétricos após a correção para idade, sexo e volumes intercranianos.
As curvas pretas são os escores z ajustados, com regressão aos escores CAP dependentes do ponto de mudança, e as linhas vermelhas indicam as posições dos pontos de mudança. Aqui estão os mapas de ponto de mudança de todo o cérebro em vários níveis de granularidade. As regiões que mostram pontos de mudança significativos são mapeadas em uma imagem ponderada T1 e as cores indicam os valores dos pontos de mudança na unidade da pontuação CAP.
Uma vez dominado, esse procedimento pode ser realizado em várias horas para a parte de segmentação de imagem, dependendo da disponibilidade do recurso de nuvem. E mais algumas horas para a análise do ponto de mudança, dependendo do nível de granularidade anatômica definido pelo usuário. Ao tentar este procedimento, é importante sempre verificar a qualidade da imagem original e a precisão da segmentação da imagem antes de prosseguir para a análise do ponto de mudança.
Após seu desenvolvimento, essa técnica abriu caminho para pesquisadores no campo da análise de imagens médicas explorarem a mudança anatômica de todo o cérebro e seu padrão espaço-temporal em grandes estudos de ressonância magnética de doenças degenerativas neurais. Depois de assistir a este vídeo, você deve ter uma boa compreensão de como realizar a segmentação automatizada de imagens ponderadas T1 e como usar a GUI do MATLAB para executar a análise de ponto de mudança de dados fotométricos.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Visão Geral
Este estudo apresenta um modelo estatístico para análise de dados de MRI volumétrica com o objetivo de identificar o início da atrofia cerebral na doença de Huntington pré-manifesta. O método utiliza um pipeline de segmentação baseado em atlas para realizar o mapeamento de todo o cérebro dos pontos de mudança nos volumes cerebrais.
Componentes Principais do Estudo
Área da Ciência
- Neurociência
- Neuroimagem
- Doenças Neurodegenerativas
Antecedentes
- A análise quantitativa de alterações anatômicas cerebrais é fundamental para compreender doenças neurodegenerativas.
- A identificação de pontos de mudança na atrofia cerebral pode fornecer informações sobre a progressão da doença.
- A doença de Huntington serve como modelo para estudar padrões de atrofia cerebral.
- A segmentação baseada em atlas aumenta a precisão da análise volumétrica.
Objetivo do Estudo
- Desenvolver um método para detectar pontos críticos de mudança na atrofia cerebral.
- Fornecer uma visão sistemática da progressão da doença em todo o cérebro.
- Utilizar segmentação automatizada de imagens para análise eficiente.
Métodos Utilizados
- Análise volumétrica de imagens de ressonância magnética ponderadas em T1.
- Processo de segmentação baseado em atlas para medição do volume cerebral.
- Análise de pontos de mudança para identificar o início da atrofia.
- Utilização do MRICloud para processamento automatizado de imagens.
Resultados Principais
- Identificação bem-sucedida de pontos de mudança na atrofia cerebral.
- Mapeamento dos padrões de atrofia em todo o cérebro.
- Demonstração da eficácia do método em estudos populacionais extensos.
- Oferecimento de informações espaciais e temporais únicas sobre a degeneração cerebral.
Conclusões
- O método proposto oferece uma abordagem robusta para o estudo de doenças neurodegenerativas.
- Ele aprimora a compreensão da dinâmica da atrofia cerebral na doença de Huntington.
- A combinação de segmentação e análise de pontos de mudança é valiosa para pesquisas futuras.
Perguntas Frequentes
Relevância Executiva para a Indústria
Este método permite que equipes de P&D biofarmacêuticas detectem biomarcadores estruturais precoces em doenças neurodegenerativas, identificando pontos de inflexão estatisticamente significativos na atrofia cerebral regional. Ao mapear a progressão espaçotemporal da atrofia por meio da segmentação de todo o cérebro e análise de pontos de mudança, a abordagem apoia a validação de alvos e a redução de riscos mecanicistas em programas pré-clínicos. Fornece leituras quantitativas e reprodutíveis que podem orientar decisões de seguir/não seguir e a priorização de portfólios na descoberta de fármacos para o sistema nervoso central.
Aplicações Estratégicas em P&D de Biotecnologia Farmacêutica
Descoberta Inicial e Validação de Alvo
- Valor Científico: Permite a investigação de hipóteses terapêuticas ao revelar a ordem e o padrão de atrofia estrutural entre regiões cerebrais.
- Valor Operacional: Apoia a desmistificação biológica por meio da segmentação baseada em atlas, que fornece medidas volumétricas padronizadas e reprodutíveis.
- Valor Preditivo: Facilita a identificação de compostos líderes ao associar pontos de mudança a índices de progressão da doença, como o escore CAP, aumentando a confiança no engajamento do alvo.
Triagem e Desenvolvimento de Ensaios
- Valor Científico: Prepara sistemas biológicos validados para fluxos de trabalho posteriores, fornecendo leituras estruturais quantitativas em múltiplas granularidades anatômicas.
- Valor Operacional: Garante padronização e reprodutibilidade do ensaio por meio da segmentação automatizada no MRICloud e extração de volumes baseada em MATLAB.
- Prontidão para Triagem: Permite avaliação confiável de compostos ao gerar conjuntos de dados volumétricos escalonáveis e reutilizáveis em plataforma a partir de estudos populacionais extensos.
Pesquisa Translacional e Pré-clínica
- Continuidade Translacional: Conecta descobertas a validações pré-clínicas ao mapear padrões de atrofia que se alinham com sistemas relevantes para a doença.
- Avanço Ajustado ao Risco: Apoia a tomada de decisões ao identificar pontos iniciais de mudança que antecedem o início motor, permitindo estratégias de intervenção proativas.
- Redução de Riscos Mecanística: Concentra-se na confiança preditiva ao revelar padrões espaço-temporais de degeneração que orientam o alinhamento de biomarcadores.
Integração de Pipeline e Fluxo de Trabalho
O método integra-se ao continuum de descoberta, desde a validação inicial do alvo até o desenvolvimento pré-clínico, oferecendo uma abordagem escalonável para monitorar alterações anatômicas em modelos de doenças neurodegenerativas.
- Biologia da Descoberta: Apoia a verificação de hipóteses e a clarificação de vias ao detectar o início de atrofia regional específica em relação à progressão da doença.
- Triagem: Oferece prontidão para ensaios por meio de segmentação automatizada e saídas quantitativas volumétricas adequadas para triagem de alta reprodutibilidade.
- Análises: Fornece saídas estatísticas, incluindo localizações de pontos de mudança e valores-p de testes de permutação, permitindo comparações entre diferentes condições.
- Pesquisa Translacional: Conecta-se à continuidade pré-clínica ao mapear padrões de atrofia que refletem a progressão da doença humana, apoiando o alinhamento de biomarcadores.
- Reutilização Empresarial: Funciona como uma capacidade reutilizável baseada em nuvem para estudos longitudinais em múltiplas indicações neurodegenerativas.
Impacto Operacional e Empresarial
- Valor Científico: Aumenta a confiança preditiva ao reduzir a ambiguidade mecanicista em modelos de neurodegeneração.
- Valor Operacional: Melhora a padronização e escalabilidade por meio de processamento automatizado no MRICloud e fluxos de análise em lote.
- Valor Estratégico: Aprimora as decisões de prosseguir/interromper ao fornecer biomarcadores precoces e quantificáveis do engajamento com o alvo.
- Impacto no Portfólio: Permite a priorização ajustada ao risco por meio do acompanhamento longitudinal de biomarcadores estruturais em diferentes estágios da doença.
Considerações de Implementação
- Exige experiência em análise de neuroimagem, programação em MATLAB e modelagem estatística de pontos de mudança.
- Depende do acesso ao MRICloud para segmentação e da infraestrutura computacional para testes de permutação e reamostragem.
- Necessita padronização entre equipes nos procedimentos de pré-processamento de imagens, parâmetros de segmentação e limiares de pontos de mudança.
- Envolve considerações de adaptação ao aplicar o método a diferentes sistemas modelo ou espécies além de dados humanos de DH.
- Inclui limitações práticas, como a dependência da qualidade da imagem e da precisão da segmentação antes que a análise de pontos de mudança possa ser realizada com confiabilidade.
