Методическая статья

Целом мозг сегментации и изменения Пойнт анализ анатомических мозга МРТ — применение в Premanifest болезни Гентингтона

DOI:

10.3791/57256

⸱

9 июня 2018 г.

 ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

Этот документ описывает статистические модели для объемного анализа данных МРТ, который идентифицирует точка «изменения», когда атрофия мозга начинается в premanifest болезни Гентингтона. Целом мозг отображение точек изменения достигается на основе томов мозга, полученных с помощью конвейера на основе Атлас сегментации Т1 взвешенных изображений.

Аннотация

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

Последние достижения в МРТ предлагают целый ряд полезных маркеров для идентификации нейродегенеративных заболеваний. В болезни Гентингтона (HD) атрофия региональных мозга начинает много лет до наступления мотор (в период «premanifest»), но пространственно-временных структура региональных атрофия через мозг, характеризуется не полностью. Здесь мы показываем онлайн платформу облачных вычислений, «MRICloud», которая обеспечивает на основе Атлас целом мозг сегментации Т1 взвешенных изображений на нескольких уровнях гранулярности и тем самым, позволяет нам получить доступ к региональные особенности анатомии мозга. Мы затем описать модель регрессии, обнаруживает статистически перегиба точек, в которых региональные мозга атрофия начинает быть заметным, т.е. «смена точки», в отношении индекса прогрессирование болезни. Мы использовали продукт (CAP) Оценка ЦАГ возраст для индексации прогрессирования заболевания в HD больных. Точка изменения анализа объемного измерения от сегментации трубопровода, таким образом, предоставляет важную информацию заказа и шаблон структурных атрофии через мозг. Этот документ иллюстрирует использование этих методов на Т1 взвешенных МРТ данных субъектов premanifest HD от большое многоцентровое исследование ПРЕДСКАЗАТЬ-HD. Этот дизайн потенциально имеет широкое применение в диапазоне нейродегенеративных заболеваний для изучения динамических изменений мозга анатомии.

Введение

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

Магнитно-резонансная томография (МРТ) существенно расширить наши возможности для изучения анатомии мозга и функции в нейродегенеративных заболеваний1,2,3. T1-взвешенный структурных МРТ является одним из наиболее широко принятых изображений инструменты в обычной клинической практике для оценки анатомии мозга и связанных с ними патологии. Количественный анализ Т1 взвешенных изображений с высоким разрешением обеспечивает полезные маркеры, чтобы измерить анатомические изменения во время дегенерация головного мозга. В частности, подходы на основе сегментации количественная оценка эффективно уменьшает размерность изображения от уровня voxel (на порядке (106)) Анатомические структурного уровня ((102)) для высокой пропускной способности Нейроинформатика4 , 5. Автоматизированная мозга сегментации может быть достигнуто с помощью методов, основанных на Атлас7,6,8,9 , что карта предварительно определенных анатомических этикетки из атласа на пациента изображений . Среди методов, основанных на Атлас, мульти Атлас алгоритмы10,11,12,,1314 дали улучшенный сегментации точность и надежность. Наша группа разработала полностью автоматизированный конвейер мульти Атлас сегментации T1, с передовых diffeomorphic изображения регистрации алгоритмы15, мульти Атлас фьюжн методы16,17и богатые мульти Атлас библиотек 18. трубопровод был распространен на платформе облачных вычислений, MRICloud19, с 2015 года, и он был использован для изучения нейродегенеративных заболеваний, таких как болезнь Альцгеймера (AD)20,21, начальное Прогрессивные афазии22и болезнь Хантингтона23.

После того как изображения с высоким разрешением разбиваются на структуры мозга, региональных особенностей, таких как тома, может использоваться для создания математических моделей для характеристики нейроанатомический изменения. Точка изменения анализа метод недавно был создан нашей группы для анализа временных порядок, в котором происходят статистически мозга морфометрические изменения, основанные на данных МРТ продольного или поперечного сечения. Эта статистическая модель была впервые разработана для количественной оценки на основе формы diffeomorphometry старше21,больных ад24; и позже она была адаптирована для изучения структурных изменений головного мозга в болезни Гентингтона (HD), а также относительно описания развития изменения мозга новорожденных мозги25. В HD пациентов с уважением к ЦАГ возраст Оценка продукта (CAP), как показатель степени подверженности расширением CAG в HTT 26был определен точка изменения. Это хорошо известно, что атрофия полосатой является одним из ранних маркеров в HD, следуют Глобус бледного27. Тем не менее, изменения в Полосатое тело по отношению к другим структурам серого и белого вещества через мозг остается неясным. Такое отношение имеет решающее значение для нас, чтобы понять прогрессирования заболевания. Точка изменения анализ объемных изменений во всех структурах мозга скорее всего обеспечит систематическую информацию атрофии головного мозга в premanifest фазе HD.

Здесь мы показываем, процедуры для выполнения всего мозг сегментации, с помощью MRICloud (www.mricloud.org) и шаги для выполнения изменений Пойнт анализ объемных данных в premanifest HD темы. Были собраны данные МРТ с большой численностью населения многоцентрового ПРЕДСКАЗАТЬ-HD изучения29 28,с приблизительно 400 контроля и premanifest HD темы. Сочетание Атлас сегментации и точка изменения анализа приносит уникальную информацию о пространственно-временных порядок структурных изменений головного мозга и шаблон прогрессирования болезни через мозг. Методы потенциально применимы к ряду нейродегенеративных заболеваний с различными биомаркеров для сопоставления дегенерация головного мозга.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

1. Атлас основе весь мозг сегментации

  1. Подготовка данных
    1. Преобразуйте трехмерные (3D) изображения T1-взвешенный, обычно приобретенные с MPRAGE (подготовлен намагниченности быстрого градиент эхо) последовательности, от поставщика формата DICOM (цифровое изображение и коммуникации) проанализированы формат. Обратите внимание, что облако вычислений требует данные пользователей могут быть переданы удаленных кластеров. По данным медицинского страхования и Закон о подотчетности (HIPPA) удалите пациентов личной идентификационной информации из файлов изображений.
      Примечание: MRICloud предлагает DICOM для анализа преобразователь (https://braingps.mricloud.org/t1prep) для преобразования формата файла, а также де идентификации личной медицинской информации.
      1. Дважды щелкните, чтобы открыть Dcm2Analyze.exe. (Рис. 1A) откроется всплывающее окно.
      2. Укажите путь к каталогу данных ввода DICOM как ввод и анализ изображений путь и имя файла вывода.
      3. Нажмите кнопку «Go» для завершения преобразования.
        Примечание: Преобразования необходимо выполнить для каждого отдельного пациента, и было бы полезно для вывода всех преобразованных изображений в одном исследовании папку для пакетной обработки (1.2.2.1).
  2. Мульти системы «Атлас» на основе T1 сегментации изображений с помощью MRICloud19.
    1. Вход в «Мозг GPS» (регистр для пользователей, впервые) от https://mricloud.org. Выберите инструмент «Сегментация» из главного меню (рис. 1B). Существует два способа программирования интерфейс (API) приложения под «Сегментация»: «T1-MultiAtlas» для одного T1 сегментации изображений и «T1-MultiAtlas партии» для пакетной обработки. Точка изменения анализ требует крупных демографических данных, и таким образом, пакетная обработка часто выбор.
    2. Подать работу на «T1-MultiAtlas партии» API.
      1. Сжатия нескольких файлов изображений проанализированы в zip-файл. Нажмите кнопку «+ ZIP-файл» на рисунке 1B для загрузки zip-файл.
        Примечание: Текущий портал облачная ограничивает количество изображений до 30 в каждом zip-папку. Большие наборы данных могут быть разделены на несколько zip папки для обработки. Специальный запрос может производиться для размещения более изображений в zip-файл. В будущем мы можем потенциально увеличить ограниченное число или даже удалить предел, когда станут доступны более отдаленных вычислительных ресурсов.
      2. Заполните необходимые поля в Рисунок 1B.
        1. Сервер обработки: выберите «Вычислительная анатомии науки шлюза».
        2. Тип фрагмента: Выберите от «Сагиттальной», «Axial» или «Сагиттальной преобразованы в осевой».
          Примечание: «Сагиттальной» относится к изображения, полученные с сагиттальной ориентации с видом в плоскости в передней и задней и голова-ноги направлениях. «Осевой» относится к осевой ориентации изображения, полученные с видом в плоскости влево-вправо и передней и задней направлениях. «Сагиттальной преобразованы в осевой» относится к изображениям, которые были приобретены в осевой ориентации, но позже преобразован в сагиттальной изображения (это обычно «Axial» изображения с Длинные шеи).
        3. Мульти Атлас библиотека: выберите Библиотека Атлас с ближайшим возрастной диапазон для пользовательских данных для оптимизации точности сегментации. Мы предоставляем готовые наборы мульти Атлас18 различных возрастных диапазонов, например, «Педиатрических 4-8yr», «Педиатрических 8-12yr», «Взрослый 22-50», и «взрослый 50-90», а также различные Атлас версии. Сведения о версиях Атлас можно найти в https://braingps.mricloud.org/atlasrepo.
    3. Проверка состояния задания через «Мой статус задания» (рис. 1 c). После завершения задания, появится кнопка «Скачать результаты», которая позволяет пользователям загружать результаты сегментации как ZIP-файл.
    4. Визуализируйте результаты. Для одного предмета, томов, полученные в результате сегментации могут быть визуализированы онлайн (не представляется возможным для пакетной обработки результатов).
      1. Нажмите кнопку «Просмотр результатов» на рисунке 1 c. Веб-страница будет обратиться к визуализации интерфейса (рис. 1 d). Осевой, сагиттальной и корональные просмотров карта сегментации перекрываются на Т1 взвешенных анатомическое изображение. 3D-рендеринга сегментирована мозговых структур показаны в верхнем левом окне. Цвет наложение сегментации карта указывает z скор структурных томов.
      2. Настройте параметры визуализации, включая наложение вкл/выкл, непрозрачность наложения, просигналить внутри и вне и нарежьте позиции от верхней правой панели в Рисунок 1 d.
      3. Группа лучших сегментации посылок в разной зернистости. В нашем атласы мы определили пять уровней детализации с двумя типами онтологии отношений18,30. Представление в виде дерева иерархические многоуровневые анатомические определений показано на нижней левой панели (рис. 1 d). Нажмите номера уровней для расширения структур на уровне соответствующего онтологии. Сегментации карты одновременно будет переключаться на соответствующий уровень онтологии.
        Примечание: MRICloud Би Ежемесячный семинары являются помощь на Джона Хопкинса Школа медицины университета предложить практические уроки онлайн операций, описанных выше. Из https://braingps.mricloud.org/workshops можно найти информацию семинар.
    5. Скачайте результаты сегментации для последующего анализа. Распаковать результаты исследования каталог пользователя, например, положить вместе результаты сегментации от всех субъектов, в одном исследовании каталог, каждый в их папках отдельного субъекта.
      Примечание: Результаты включают
    • example.img: исходное изображение T1 в осевой ориентации.
    • example_MNI.img: изображение T1 в MNI пространстве после Talairach координаты.
    • example_7Labels.img и example_7Labels_MNI.img: грубая сегментации с 7 посылок (серого вещества, белого вещества, спинномозговой жидкости, боковой желудочек, череп и фона) в родной и MNI пространства, соответственно.
    • example_283Labels_M2.img и example_283Labels_M2_MNI.img: штраф сегментации с 283 посылок (версия V9B Атлас) в собственном режиме и MNI пространства, соответственно. Точное количество меток зависит от версии Атлас.
    • example_corrected_MNI_stats.txt и example_MNI_stats.txt: Статистика объемов каждого мозга посылок в MNI пространстве и родной.
    • multilevel_lookup_table.txt: определение многоуровневой онтологии участков мозга.
  3. Выполняйте пакетную обработку для получения мозга томов в популяции. Использование собственных Matlab (www.mathworks.com) пакетной обработки сценария для извлечения мозга томов из отдельных результат папок и сочетать объемные данные всех субъектов на всех уровнях гранулярности в электронную таблицу. Графический пользовательский интерфейс (GUI) используется для указания ввода и вывода.
    1. Открытые Matlab.exe, запустите Main.fig и GUI будет выскочить (рис. 2A).
    2. В «T1 объем добычи из MRICloud» панель (верхний рисунок 2A), укажите входные данные, включая исследование каталог где загруженный сегментации результаты сохраняются (см. 1.2.5); и таблицы подстановки многоуровневый файла путь и имя файла.
    3. Укажите таблицы имя выходного файла путь и где объем данных будет написать.
    4. Нажмите кнопку «Извлечь тома» для запуска анализа. Результаты могут быть проверены в определяемой пользователем таблице.
      Примечание: Кроме того, пакет R разрабатывается процесс MRICloud выходы и далее выполнять статистический анализ, представленная д-р Брайан Caffo31. Пакет можно загрузить с https://github.com/bcaffo/MRIcloudT1volumetrics.

2. изменения Пойнт анализ объемных данных

Примечание: Обратитесь теории и математические детали точка изменения модели в нашей предыдущей публикации21,24,23. Кратко, для HD данных, создается модель регрессии для определения критического изменения точки (с точки зрения Оценка Кап), начиная с которой, линейной регрессии между Колпачком и тома становится статистической значительный, хотя исправление последствий возраст пациента, Пол и внутричерепных тома. Собственных сценариев Matlab, наряду с GUI (рисунок 2A, Нижняя панель), был разработан для вычисления изменения очки для отдельных структур и выполнять статистический анализ. Сценарии доступны пользователям по запросу.

  1. Расчет изменения очки для отдельных мозговых структур.
    1. В панели «точка изменения анализ» на рисунке 2Aукажите путь и имя файла таблицы многоуровневой тома, который генерируется согласно 1.3.
    2. Укажите путь к файлу и имя выходного текстового файла, в который будут записаны результаты точка изменения.
    3. Выберите уровень детализации и тип определения онтологии в раскрывающемся списке (уровень 1-5), на которой будет проведен анализ точка изменения.
    4. Нажмите кнопку «Рассчитать изменения точка» для выполнения анализа точка изменения, как описано в ссылку23и точки результирующей изменения будут сохранены в текстовом файле вывода.
  2. Статистические оценки изменения-точек.
    1. В Matlab GUI (рисунок 2A, Нижняя панель) укажите параметры для статистических тестов, включая количество перестановок (по умолчанию 10 000), количество начальной загрузки (по умолчанию 10 000) и p значение порога (после коррекции ФДР, по умолчанию 0,05).
    2. Нажмите кнопку «Статистический тест» для запуска тестов. После этого шага p значение (перестановка тест), до и после ложь открытие оценить коррекции (ДРД), а также стандартное отклонение и 95% доверительный интервал (путем загрузки) точек изменения записываются в выходной текстовый файл как дополнительные столбцы . Смотрите подробности процедуры статистических испытаний в23,24.
  3. Генерировать точка изменения карты (опционально). В Matlab GUI (рисунок 2A, Нижняя панель) нажмите кнопку «Смена точка на карте» для создания точка изменения карты. Статистически значимых изменений point значения будут сопоставлены на MNI-пространства анатомическое изображение для визуализации пространственной структуры. Это сопоставление может быть сделано на разной степенью гранулярности уровнях, в зависимости от анатомических уровень, указанный в пункте 2.1. Точка изменения карты можно накладывается на Т1 взвешенных изображениях с помощью MRIcro (рис. 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

С помощью процедур, описанных в разделе 1.1-1.3, весь мозг сегментации карты могут быть получены MRICloud. В текущей версии атласа (V9B), 283 посылки разбиваются на лучших гранулярности (уровень 5), которые могут быть сгруппированы в различные уровни гранулярности, например., от полушария долек и посылки, согласно определения конкретных онтологии. Рисунок 3 показывает два вида многоуровневой segmentations на пяти уровнях, в осевом и корональные просм...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Как показано в настоящем документе, сегментация целом мозга МРТ головного мозга может быть удобно достигнуто с помощью нашей онлайн платформы MRICloud. T1-взвешенный МРТ основе объемный маркер показывает, быть надежной и чувствительной к ряду нейродегенеративных заболеваний1,2,3. Объемные меры используются для различных течению анализа, например, математическое моделирование и анализ функции отбора и классификации для клиническо...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы не имеют ничего сообщать.

Благодарности

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

Мы благодарим PREDICT-HD следователи, в частности, д-р Ханс Джонсон и д-р Джейн S. Pauslen из университета штата Айова, за их щедрость в обмене данных МРТ и конструктивное обсуждение по анализу данных и результатов.

Эта работа поддерживается NIH предоставляет R21 NS098018, Р50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41-EB015909, P41 EB015909, R01 EB000975, R01 EB008171 и U01 NS082085.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
MATLABMathworksN/AVersion 2015b и выше
Рабочая станция DellDell Precision T5500 (процессор Intel Xeon)

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

1MRICloudCAPMultiAtlasMATLAB

Похожие статьи