Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

מוח-כל פילוח וניתוח נקודת השינוי האנטומי במוח MRI – היישום ב- Premanifest של מחלת הנטינגטון

Published: June 9, 2018 doi: 10.3791/57256
Automatic Translation
1, 1, 2,3,4, 5, 1,6, 2,3,7
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

Summary

מאמר זה מתאר מודל סטטיסטי עבור נפח ניתוח נתונים MRI, אשר מזהה "השינוי-הצבע" ניוון המוח מתחיל ב premanifest מחלת הנטינגטון. מיפוי מוח-כל השינוי-נקודות מושגת המבוסס על המוח כרכים שהושג באמצעות צינור של פילוח המבוסס על האטלס של תמונות משוקלל T1.

Abstract

התפתחויות אחרונות MRI מציעים מגוון רחב של סמני שימושי לזיהוי מחלות ניווניות. מחלת הנטינגטון (HD), ניוון המוח האזורי מתחיל הרבה לפני שהללו מוטוריים (במהלך תקופת "premanifest"), אך ייתכן קמע תבנית התנועה של ניוון אזוריים ברחבי המוח לא מלא מלווה. כאן אנחנו מדגימים פלטפורמת מחשוב ענן מקוון, "MRICloud", אשר מספק מבוססי אטלס פילוח מוח-כל הדימויים משוקלל T1 ברמות צפיפות רשת מרובים, ובכך, מאפשרת לנו לקבל גישה לתכונות אזורי המוח באנטומיה. לאחר מכן נתאר רגרסיה מודל מזהה נקודות פיתול סטטיסטית, שבו ניוון המוח האזורי מתחיל להיות מורגש, קרי "השינוי-הצבע", ביחס אינדקס התקדמות המחלה. השתמשנו התוצאה מוצר (CAP) חטיבתי-גיל למדד את התקדמות המחלה בחולים HD. שינוי-נקודת ניתוח של המדידות הנפחי מקו הצינורות פילוח, לכן, מספק מידע חשוב של סדר, דפוס של ניוון מבניים על פני המוח. המאמר מדגים שימוש הטכניקות הללו על נתוני MRI T1 משוקלל של נושאים HD premanifest מחקר גדול multicenter לנבא-HD. עיצוב זה יש פוטנציאל יישומים רחב במגוון של מחלות ניווניות לחקור את השינויים הדינמיים של האנטומיה של המוח.

Introduction

דימות תהודה מגנטית (MRI) יש משופרת באופן משמעותי את היכולת שלנו לבחון את המוח אנטומיה והפונקציות ניווניות מחלות1,2,3. מבנה משוקלל T1 ש-MRI הוא אחד הנפוצים ביותר אימצו כלי הדמיה שגרתיות הקלינית להעריך את המוח אנטומיה פתולוגיה קשורים. ניתוח כמותי של תמונות ברזולוציה גבוהה משוקלל T1 מספקת סמנים שימושיים כדי למדוד שינויים אנטומיים במהלך ניוון מוחי. בפרט, פילוח המבוסס על כימות גישות מפחית ביעילות את dimensionality תמונות מרמת voxel (מנת של (106)) לרמה מבניים אנטומיים ((102)) עבור תפוקה גבוהה neuroinformatics4 , 5. פילוח המוח אוטומטית יכולה להיות מושגת באמצעות שיטות מבוססות-אטלס6,7,8,9 הממפות את התוויות אנטומי מוגדרים מראש של אטלס על גבי התמונות החולה . בין השיטות מבוססות-אטלס, אלגוריתמים מרובה אטלס10,11,12,13,14 הניבו פילוח סופריור דיוק ועמידות. הקבוצה שלנו פיתחה אוטומטית לחלוטין T1 אטלס מרובה פילוח צינור, עם diffeomorphic מתקדמות תמונה רישום אלגוריתמים15, פיוז'ן אטלס ריבוי שיטות16,17וספריות אטלס מרובה עשיר 18. הצינור הופצה על פלטפורמת מחשוב ענן, MRICloud19, משנת 2015, ואת זה שימש לחקר מחלות ניווניות כגון מחלת אלצהיימר (AD)20,21ראשי אפזיה פרוגרסיבית22, מחלת הנטינגטון23.

לאחר התמונות ברזולוציה גבוהה הן מקוטע לתוך מבנים במוח, תכונות אזוריים, כגון אמצעי אחסון, יכול לשמש כדי ליצור מודלים מתמטיים כדי לאפיין את השינויים neuroanatomical. שיטת ניתוח נקודת השינוי הוקמה לאחרונה על ידי הקבוצה שלנו כדי לנתח הסדר הטמפורלי, שבו מתרחשים שינויים morphometric המוח סטטיסטית, בהתבסס על נתוני MRI האורך ו/או חתך הרוחב. מודל סטטיסטי זה פותחה לראשונה לכמת diffeomorphometry מבוססת על צורה מעל גיל לספירה חולים21,24; זו הותאמה מאוחר יותר לחקור מחלת הנטינגטון (HD), כמו גם לתיאור שינויים התפתחותיים במוח המוח neonatal25ביצוע שינויים מבניים במוח. בחולים HD, נקודת-השינוי הוגדרה עם כבוד התוצאה מוצר (CAP) חטיבתי-גיל, כמחוון של היקף החשיפה הרחבה חטיבתי HTT 26. זה ידוע כי ניוון striatal הוא אחד הסמנים המוקדמים ב- HD, ואחריו globus pallidus27. עדיין, השינויים סטריאטום ביחס מבנים אחרים חומר אפור ולבן על פני המוח עדיין לא ברור. יחס כזה חיונית לנו להבין את התקדמות המחלה. שינוי-נקודת ניתוח של נפחי שינויים במבנים המוח כל ככל הנראה תספק מידע שיטתית של ניוון מוחי בשלב premanifest של HD.

כאן אנחנו מדגימים את ההליכים כדי לבצע פילוח שלם-מוח באמצעות MRICloud (www.mricloud.org), ואת השלבים לביצוע ניתוח נקודת השינוי של נפחי נתונים בנושאים HD premanifest. MRI הנתונים שנאספו מ multicenter אוכלוסייה גדולה לנבא-HD ללמוד28,29 עם פקדים כ- 400 ונושאים HD premanifest. השילוב של מבוסס-אטלס פילוח נקודת השינוי וניתוח מביא מידע ייחודי על הסדר ייתכן של השינויים המבניים במוח, דפוס התקדמות המחלה ברחבי המוח. הטכניקות ישימות פוטנציאל למגוון של מחלות ניווניות עם סמנים ביולוגיים שונים כדי למפות את ניוון מוחי.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. אטלס המבוסס על כל המוח פילוח

  1. הכנת הנתונים
    1. המרת תמונות תלת-ממדיות (3D) משוקלל T1, רכשה בדרך כלל עם הרצף (מוכן מגנוט מהיר הדרגתי-echo) MPRAGE, ספציפית לספק תבנית DICOM (הדמיה דיגיטלית ותקשורת) לתבנית Analyzed. שימו לב כי חישוב ענן דורש נתונים ממשתמשים תועבר אשכולות מרחוק. על פי ביטוח בריאות הטלטלות דין וחשבון Act (HIPPA), להסיר מידע זיהוי אישי המטופלים קובצי התמונה.
      הערה: MRICloud מציעה ממיר DICOM-כדי-לנתח (https://braingps.mricloud.org/t1prep) עבור המרת תבנית קובץ, כמו גם דה-זיהוי מידע רפואי אישי.
      1. לחץ פעמיים כדי לפתוח Dcm2Analyze.exe. יפתח חלון מוקפץ (איור 1 א').
      2. ציין את הנתיב קלט של מדריך נתונים DICOM קלט ו Analyzed תמונות נתיב ושם קובץ כפלט.
      3. לחץ על "לך" כדי להשלים את ההמרה.
        הערה: ההמרה צריך לבצע עבור כל מטופל בודדים, היא תועיל פלט כל התמונות שעבר המרה בתיקייה מחקר אחד (1.2.2.1) עיבוד אצווה.
  2. אטלס מרובי מבוסס T1 סגמנטציה באמצעות MRICloud19.
    1. להיכנס "המוח GPS" (register עבור משתמשים בפעם הראשונה) מ- https://mricloud.org. בחרו בכלי "פלח" מהתפריט הראשי (איור 1B). ישנם שני יישומים תכנות (API) אפשרויות ממשק תחת "פלח": "T1-MultiAtlas" עבור T1 סגמנטציה יחיד, ו "אצווה T1-MultiAtlas" עבור עיבוד אצווה. ניתוח נקודת השינוי דורש נתוני אוכלוסייה גדולה, ובכך, עיבוד אצווה הוא לעיתים קרובות הבחירה.
    2. להגיש עבודות ב- API "אצווה T1-MultiAtlas".
      1. לדחוס קבצים מרובים של התמונה Analyzed לתוך קובץ ה-zip. לחץ על "+ רוכסן" ב- איור 1B להעלות את הקובץ zip.
        הערה: הפורטל ענן הנוכחית מגבילה את מספר תמונות ל- 30 בכל תיקייה zip. ניתן להפריד אלגוריתמית תיקיות מרובות zip יעובדו. בקשה מיוחדת יכולה להיעשות כדי להכיל תמונות יותר לכל קובץ ה-zip. בעתיד, אנו רשאים העלול להגדיל את מספר מוגבל או אפילו להסיר את מגבלת כאשר למשאבים מרוחקים יותר חישובית הופכים לזמינים.
      2. מלא את השדות הנדרשים איור 1B.
        1. עיבוד השרת: לבחור "שער מדע האנטומיה חישובית".
        2. סוג פרוסה: בחרו "Sagittal", "צירית" או "Sagittal המרה צירית".
          הערה: "Sagittal" מתייחס לתמונות רכשה עם אוריינטציה הסאגיטלי עם נוף בתוך המטוס Anterior-אחוריים וכיוונים בגובה הראש. "ציר" מתייחס תמונות רכשה התמצאות צירית עם נוף בתוך המטוס משמאל לימין, Anterior-אחוריים כיוונים. "הסאגיטלי המרה צירית" מתייחס לתמונות במקור כשקנה בכיוון צירית אך מאוחר יותר המרה לתמונות הסאגיטלי (אלה הם בדרך כלל "צירית" תמונות עם אזור הצוואר ארוך).
        3. אטלס מרובה הספרייה: לבחור בספרייה אטלס עם טווח גילאים הכי קרוב לנתונים המשתמש כדי למטב את הדיוק פילוח. אנו מספקים datasets אטלס מרובה והאינטראקטיביות18 עם טווחי גילאים שונים, למשל, "yr 4-8 ילדים", "ילדים 8-12 שנה", "מבוגר 22-50", ו "למבוגרים 50--90 אינץ ', כמו גם גירסאות שונות אטלס. ניתן למצוא מידע אודות גירסאות אטלס ב- https://braingps.mricloud.org/atlasrepo.
    3. לבדוק את מצב העבודה באמצעות "מצב העבודה שלי" (איור 1C). ברגע שתסיים את העבודות, יופיע כפתור "הורד תוצאות" זה מאפשר למשתמשים להוריד את פילוח התוצאות כקובץ zip.
    4. לדמיין את התוצאות. נושא יחיד, אמצעי האחסון המתקבל כתוצאה פילוח, ניתן לאבחן באינטרנט (לא ריאלי עבור עיבוד תוצאות אצווה).
      1. לחץ על הלחצן "הצג תוצאות" איור 1C. דף האינטרנט יהפכו ממשק חזותי (איור 1D). התצוגות צירית, הווריד ו הילתית של המפה פילוח. הם לא על התמונה אנטומי משוקלל T1. רינדור 3D של המבנים במוח מקוטע מוצגים בחלון השמאלי העליון. צבע של פילוח שכיסה המפה מציינת z-הציון של אמצעי האחסון מבנית.
      2. להתאים את האפשרויות להדמיה, כולל כיסוי ON/OFF, אטימות הכיסוי, זום פנימה והחוצה, וחותכים לפרוסות בתפקידים מהחלונית ' ' נכון העליון באיור 1D.
      3. לקבץ חבילות פילוח מיטב צפיפות שונה. ב אטלסים שלנו, אנחנו מוגדרים חמש רמות של צפיפות רשת עם שני סוגי אונטולוגיה יחסי18,30. תצוגת עץ של הגדרות אנטומי רב ברמת הירארכי מוצג בחלונית השמאלית התחתונה (איור 1D). לחץ על המספרים ברמה כדי להרחיב את המבנים ברמת אונטולוגיה המתאימים. המפות פילוח תתחלף בו זמנית רמת אונטולוגיה המתאימים.
        הערה: סדנאות דו-חודשי MRICloud הם עזרה-ג'ונס הופקינס הספר לרפואה של אוניברסיטת להציע הדרכות על הידיים של פעולות באינטרנט שתוארו לעיל. ניתן למצוא סדנת מידע מ- https://braingps.mricloud.org/workshops.
    5. הורד את פילוח תוצאות עבור ניתוח מאוחר יותר. לפתוח את תוצאות המחקר משתמשים בספריה, למשל, להרכיב את פילוח התוצאות של כל הנושאים בספריית מחקר אחד, אחד בתיקיות שלהן הנושא בודדים.
      הערה: התוצאות לכלול
    • example.img: התמונה המקורית T1 בכיוון צירית.
    • example_MNI.img: T1 תמונה בחלל הזעירה בעקבות הקואורדינטות Talairach.
    • example_7Labels.img, example_7Labels_MNI.img: פילוח גס עם חבילות 7 (האפורים, חומר לבן, הנוזל השדרתי, לרוחב החדר, הגולגולת ורקע) במקורי של השורש MNI רווח, בהתאמה.
    • example_283Labels_M2.img, example_283Labels_M2_MNI.img: בסדר פילוח עם חבילות 283 (אטלס גירסה V9B) יליד ובחלל הזעירה, בהתאמה. המספר המדויק של תוויות תלוי בגירסה אטלס.
    • example_corrected_MNI_stats.txt, example_MNI_stats.txt: סטטיסטיקה של אמצעי אחסון של כל המוח וחבילות מקורי ובחלל הזעירה.
    • multilevel_lookup_table.txt: ההגדרה אונטולוגיה מדורגת של החבילות המוח.
  3. לבצע עיבוד אצווה כדי להשיג אמצעי אחסון מוח באוכלוסיה. שימוש עיבוד התסריט לחלץ המוח כרכים מתיקיות תוצאה נפרדת, לשלב את הנתונים הנפחי של כל הנושאים בכלל אצווה Matlab (www.mathworks.com) שבאתר צפיפות רשת רמות לגיליון אלקטרוני. ממשק משתמש גרפי (GUI) משמש כדי לציין את הקלט והפלט.
    1. Matlab.exe פתוח, הפעל Main.fig, ו- GUI תקפוץ החוצה (איור 2 א).
    2. "T1 אמצעי החילוץ של MRICloud" לוח (פאנל עליון איור2 א), ציין את הקלט, כולל ספריית מחקר שבו שהורדת פילוח התוצאות נשמרות (ראה 1.2.5); ומלא טבלת בדיקת מידע מרובת רמות נתיב ושם קובץ.
    3. ציין את פלט גיליון אלקטרוני קובץ שם הקובץ והנתיב שבו האחסון הנתונים יהיה לכתוב.
    4. לחץ על "להוצאת נפח" כפתור כדי להפעיל את הניתוח. תוצאות ניתן לבדוק על-ידי המשתמש בגיליון האלקטרוני.
      הערה: בנוסף, חבילת R מפותחת לתהליך MRICloud פלטי, לבצע עוד ניתוח סטטיסטי, שסופקו על-ידי ד ר בריאן Caffo31. ניתן להוריד את החבילה https://github.com/bcaffo/MRIcloudT1volumetrics.

2. שינוי-נקודת ניתוח של נתוני נפח

הערה: נא לפנות את התיאוריה ופרטים מתמטי של המודל נקודת השינוי שלנו הקודם פרסומים21,24,23. בקצרה, עבור נתונים HD, מודל רגרסיה נוצר כדי להגדיר קריטי שינוי נקודת (במונחי שווי ציון), החל מאשר, הרגרסיה הליניארית בין שווי נפח הופך סטטיסטי משמעותי, תוך תיקון על ההשפעות של גיל החולה, מגדר, ונפח תוך-גולגולתי. סקריפטים Matlab ללא צורך במיקור חוץ, יחד עם GUI (איור 2 א, החלונית התחתונה), פותחה כדי לחשב את השינוי-נקודות עבור מבנים בודדים ולבצע ניתוח סטטיסטי. קבצי ה-script זמינים למשתמשים על פי בקשה.

  1. לחשב את השינוי-נקודות עבור מבנים במוח בודדים.
    1. בחלונית ' "שינוי-נקודת ניתוח" איור2 א, לציין את נתיב הקובץ ואת שם הגיליון האלקטרוני multilevel נפח, אשר נוצר על-פי 1.3.
    2. לציין את נתיב הקובץ ואת שם הקובץ טקסט פלט, אשר תוצאות נקודת השינוי ייכתבו.
    3. בחר את רמת צפיפות הרשת ואת סוג של הגדרה אונטולוגיה הנפתחת בתיבת (רמה 1-5),-אשר נקודת השינוי יבוצע הניתוח.
    4. לחץ על לחצן "שינוי חישוב נקודות" כדי לבצע הניתוח של נקודת השינוי, כפי שמתואר הפניה23, ואת תוצאות השינוי-הנקודות יישמרו בקובץ טקסט הפלט.
  2. הערכות סטטיסטיות של השינוי-הנקודות.
    1. Matlab GUI (איור 2 א, החלונית התחתונה), ציין פרמטרים לבדיקות סטטיסטיות, לרבות מספר תמורה (ברירת מחדל 10,000), מספר האתחול (ברירת המחדל 10,000), p-ערך הסף (לאחר תיקון רוזוולט, ברירת המחדל 0.05).
    2. לחץ על "מבחן Statistical" כפתור כדי להפעיל את הבדיקות. לאחר שלב זה, ערך p (לפי מבחן תמורה), לפני ואחרי גילוי שקר דרג תיקון (פד), וכן את סטיית התקן של מרווח הביטחון 95% (על-ידי אתחול) של השינוי-הנקודות ייכתבו בקובץ טקסט הפלט עמודות נוספות . ראה פרטים של מבחן סטטיסטי ההליכים בסעיף23,24.
  3. צור מפות נקודת השינוי (אופציונלי). Matlab GUI (איור 2 א, החלונית התחתונה), לחץ על לחצן "שינוי מפת-point" כדי ליצור שינוי-נקודת מפות. ערכי שינוי משמעותי סטטיסטית-נקודה ימופו על גבי התמונה הזעירה-שטח אנטומי להמחיש את התבנית מרחבית. מיפוי זה יכול להיעשות ברמות צפיפות שונות, בהתאם לרמת אנטומי שצוין ב- 2.1. המפות נקודת השינוי יכול להיות בשכבות בתמונות משוקלל T1 באמצעות MRIcro (איור 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

באמצעות ההליכים המתוארים ב- 1.1-1.3, כל המוח פילוח מפות ניתן להשיג MRICloud. בגירסה הנוכחית של אטלס (V9B), חבילות 283 הם מחולקים ב הצפיפות הטובים ביותר (רמה 5), אשר ניתן לקבץ לרמות שונות של צפיפות, למשל., מן האונה האוניות, חבילות, על פי הגדרות ספציפיות אונטולוגיה. איור 3 מראה שני סוגים של segmentations רשתי – בחמש רמות, בתצוגות צירית ו הילתית. לדוגמה, ברמת הגסים ביותר, הקלד-אני פילוח מגדיר אזורים במוח הקלאסית של telencephalon, diencephalon, mesencephalon, metencephalon, myelencephalon (איור 3 א), סוג-II מגדיר קליניות, radiologically בשימוש מוסכמות של ההמיספרות, מוח מאורך גזע המוח (איור 3B). כאן, אנו משתמשים הגדרות סוג-II הניתוח הבא, בממוצע את אמצעי האחסון של ההמיספרות ימינה ושמאלה, כמו שיש laterality לא ידוע בפתולוגיה HD.

שינוי-נקודת ניתוח של אמצעי האחסון המוח מבוצעת בהתבסס על פילוח התוצאות, על פי סעיף 2.1-2.2. איור 4, אנחנו לוקחים בגרעיני הבסיס כדוגמה לבחון את הנקודות-השינוי קשורים ברמות צפיפות שונות. הגדרות תלת-ממד מבניים הירארכי של גרעיני הבסיס מומחשים בשורה העליונה. פיזור החלקות של שינוי-נקודת ניתוח במבנים נפרדים מוצגים בשורה התחתונה, איפה נקודות כחולות מציינות z-עשרות מבני האחסון מן המטופלים HD premanifest (מנורמל לפקדים), לאחר תיקון לגיל, מין, ו תוך-גולגולתי כרכים; עקומות שחור הם אמצעי האחסון מצויד z-ציונים גבוהים, נסוג אל רכיב נקודת השינוי דגם23; הקווים האדומים המציין את המיקום של הנקודות-השינוי שזוהו. ברמה 1, רק ההפרדה המיספרי זמין, העלילה פיזור המתאימים מציגה את הכדור כל יש אטרופיה הדרגתית כמו כובע הניקוד עולה, עם נקודת שינוי-CAP של הסמך 360 ו- 95% של [352.8, 367.2] (p = 0.011 אחרי רוזוולט תיקון). ברמה 2, בגרעיני הבסיס הוא חלק של הגרעינים במוח, גרעינים מוחי מציג נקודת שינוי-CAP של 232 [227.7, 236.3] (p < 0.01 לאחר רוזוולט). ברמה 3, גרעיני הבסיס הוא מבנה עצמאי וזה מראה נקודת שינוי-CAP של 233 [228.6, 237.4] (p < 0.01 לאחר רוזוולט). ברמה 4, גרעיני הבסיס מחולק סטריאטום את globus pallidus, אשר יש שינוי-נקודות-CAP של 230 [225.6, 234.4], 243 [238.6, 247.4], בהתאמה (שניהם p < 0.01 לאחר רוזוולט). ברמה 5, סטריאטום נוסף מחולק המזונבת ו putamen, אשר הראה שינוי-נקודות-CAP של 240 [234.9, 245.1] ו- 211 [206.8, 215.2], בהתאמה (שניהם p < 0.01 לאחר רוזוולט).

לאחר השינוי-נקודות בודדות מחושבים כל מבנים במוח, ניתן להשיג מפות מוח-כל המרחבי של השינוי-הנקודות על פי 2.3. איור 5 מציג שנקודת השינוי-מפות ברמות צפיפות שונות עם הגדרות האונטולוגי מסוג II. שימו לב כי רק את המבנים עם שינוי משמעותי-נקודות (p < 0.05 לאחר תיקון רוזוולט) ממופים. ברמה 1, parenchyma המוח כולו (למעט המוח הקטן) מראה משמעותית אבל מאוחר יחסית שינוי נקודת-CAP של 360 [352.8, 367.2] (p = 0.011 אחרי פד); ואילו נוזל מוחי שדרתי (CSF, כולל לרוחב החדר, החדר III ו- IV וחלל sulci) מציג נקודת שינוי מעט מוקדם יותר-CAP של 319 [313.0, 325.0] (p = 0.022 אחרי רוזוולט). האזורים עם שינוי משמעותי-נקודות הופכים יותר לשפות אחרות כמו רמת צפיפות עולה יותר למעלה, ומתחיל השונות המרחבית לחשוף. לדוגמה, ברמה 3, החומר הלבן נחות המוצגים שינוי-נקודת קודמות (CAP = 305 [298.8, 311.2], p = 0.038 אחרי פד), בהשוואה בחומר הלבן הקדמי (CAP = 371 [363.9, 378.1], p = 0.042 אחרי רוזוולט). ברמה 5, ההבדלים בין putamen, המזונבת, globus pallidus להיות מורגש, עם putamen מציג את המוקדם-נקודת השינוי, ואחריו את המזונבת, globus pallidus.

השינוי-המחירים מחושבים כאחוז מתוך שינויים נפחי (מנורמל לפקדים בריא) לכל ניקוד קאפ, לאחר נקודת-השינוי. שיעור השינוי של המבנים המתאימים ממופים איור 6, הצבעים החמים מצביעים על רחבת הריקודים החדרים, sulci CSF ואיפה קר הצבעים מצביעים על ירידות נפח parenchyma המוח. ברמה 3, המבנים האפורים עמוק מראים שיעור השינוי הגבוה, ואחריו את הקדמי חומר לבן, ואת חומר לבן ואז נחות. ברמה 5, putamen ואת globus pallidus התערוכה של ניוון המהירה (0.1% נפח הפסד לכל כובע), ואחריו את המזונבת (0.07% לפי שווי). כמו צפיפות הרשת הולך גבוה יותר, שיעור השינוי להיות גבוה יותר באזורים יותר לשפות אחרות.

Figure 1
איור 1: איור של משוקלל T1 סגמנטציה-MRICloud. (א) שימוש של Dcm2Analyzed.exe כדי להמיר קובצי DICOM לתבנית Analyzed ולבצע דה-זיהוי. דף האינטרנט לעיבוד "אצווה T1-MultiAtlas" (B). (ג) דף אינטרנט עבור "מצב העבודה שלי". דף אינטרנט עבור ויזואליזציה של פילוח התוצאות (D). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 2
איור 2: ממשק משתמש גרפי (GUI) כדי לבצע ניתוח אמצעי האחסון וכן שינוי-נקודת ניתוח. (א) GUI Matlab לחילוץ אצווה של נפחי נתונים מ MRICloud פילוח פלטי (החלונית העליונה) וניתוח נקודת השינוי (החלונית התחתונה). MRICro (B) ממשק להמחיש את המפות נקודת השינוי. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 3
איור 3: פילוח המבוסס על אטלס את כל המוח ברמות צפיפות רשת מרובים עם שני סוגים של מערכות יחסים האונטולוגית. ותצוגת צירית הילתית של מפות רב ברמת פילוח הערוכים בשכבות על תמונות אנטומיות משוקלל T1, בהתאם לסוג-אני (A) והגדרות סוג-II (B) האונטולוגי. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 4
איור 4: שינוי נקודת ניתוח של בגרעיני הבסיס ברמות צפיפות רשת מרובים. היחסים אנטומי הירארכי בין האונה (רמה 1), גרעינים במוח (רמה 2), גרעיני הבסיס (רמה 3), סטריאטום globus pallidus (רמה 4), ואת putamen ואת המזונבת (רמה 5) מומחשים בשורה העליונה עם עיבוד תלת-ממד. פיזור החלקות להדגים שינוי-נקודת ניתוח של מבנים אלה, איפה נקודות כחולות מציינות z-הציונים של נפחי נתונים (מנורמל לפקדים בריא) לאחר תיקון של גיל, מין תוך-גולגולתי כרכים; עקומות שחור הם מצויד z-הציונים, נסוג אל נקודת השינוי תלוי CAP רכיב; הקווים האדומים מסמנים את העמדות של השינוי-הנקודות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 5
איור 5: נקודת השינוי של כל המוח ממפה ברמות צפיפות רשת מרובים. האזורים המציגים משמעותי לשנות נקודות (ב-5% פד) ממופים אל דמות משוקלל T1, הצבעים מציינות את ערכי נקודת השינוי ביחידת של הציון קאפ. קיצורים: WM:white העניין; LV: לרוחב החדר; AntWM: חומר לבן קדמי; InfWM: חומר לבן נחות; ביל גייטס: גרעיני הבסיס; ST: סטריאטום; GP: globus pallidus; נורית קטס: האיבר הקדמי של הקפסולה פנימי; PLIC: האיבר האחורי של הקפסולה פנימי; Caud: המזונבת; שם: putamen. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 6
איור 6: קצב שינוי כל המוח ממפה ברמות צפיפות רשת מרובים. שינוי-המחירים מחושבים כאחוז של אמצעי האחסון משתנה בכל? קאפ, לאחר השינוי-הנקודה (פקדי מנורמל לבריאים), אזורים שמראים שינוי משמעותי-נקודות (ב-5% פד), הממופה על גבי תמונת משוקלל T1. קיצורים: WM: חומר לבן; LV: לרוחב החדר; AntWM: חומר לבן קדמי; InfWM: חומר לבן נחות; ביל גייטס: גרעיני הבסיס; ST: סטריאטום; GP: globus pallidus; נורית קטס: האיבר הקדמי של הקפסולה פנימי; PLIC: האיבר האחורי של הקפסולה פנימי; Caud: המזונבת; שם: putamen. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

כפי שמתואר במאמר זה, חלוקת השלם-מוח MRI מוח בנוחות המתאפשר באמצעות הפלטפורמה המקוונת שלנו MRICloud. MRI מבוסס משוקלל T1 הנפחי סמן הוכיחו להיות רגיש לטווח של2,1,מחלות ניווניות3ועמיד. האמצעים הנפחי משמשים לניתוח במורד הזרם שונים, כגון מודלים מתימטיים של התכונה בחירה וניתוח סיווג לסייע אבחון קליני והפרוגנוזה. שינוי-נקודת ניתוח של אמצעי אחסון במוח מאפשרת אפיון כמותי של ניוון המוח במהלך התקדמות המחלה. ניתוח סטטיסטי זה מעסיקה מודל הרגרסיה עם מרכיב לא לינארית להגדרת נקודת שינוי במהלך ניוון המוח מעל אינדקס מחלות, למשל, הציון קאפ ב- HD. Compared ניתוח קונבנציונלי קבוצה זו אימצו אותו באופן נרחב ברוב קיימים מחקרים, המודל נקודת השינוי שמחפש הנקודות תחילת המדויק של ניוון המוח, לכן, מציע מידע ספציפי יותר של ניוון מוחי. שילוב עם צינור ממוכנת שלמה-מוח פילוח, מפות מרחביות של השינוי-הנקודות ניתן להשיג, אשר חושפים את דפוס ייתכן של התקדמות המחלה ב- HD. זה חשוב במיוחד בשלב premanifest של HD כאשר התערבויות טיפוליות יכול להיות יעיל ביותר.

ב אטלס מרובי מבוסס סגמנטציה, המוח segmentations-granularities מרובים ניתנים לבצע הניתוח volumetric מדרגיים על מחקרים שונים וגמישים. לדוגמה, עבור מחלת אלצהיימר, מספר מבנים במוח הקטן הם מעניינים במיוחד, כגון ההיפוקמפוס, האמיגדלה או חלוקה מנהלית של קליפת טמפורלית; ואילו עבור ומובהקת, נבדקים המוח-סולמות גס יחסית, כגון הקדמית כולה, הצינוריות. על-פי שלנו הקודם המחקר33, פילוח הדיוק ואת הפארמצבטית אולי התגלה ב צפיפות גבוהה. בנוסף, האתגר סטטיסטי לשם השוואה מרובים יגדל ב צפיפות גבוהה יותר, כמוצג באיור5. בנוסף, הבחירה המתאימה של ספריות אטלס, בהתאם לטווח הגיל וסוגי מחלות של המחקר, חשוב פילוח דיוק18,32. ניתוח נקודת השינוי דורש מספר יחסית גדול של נתונים כדי לבצע את ניתוח רגרסיה, למשל, n > 50 נדרש בדרך כלל בהתבסס על ניסיון אמפירי. פרשנות של תוצאות השינוי-נקודת מסתמך בכבדות. במבחן סטטיסטי, כי המודל יהיה לייצר נקודת שינוי עבור כל סדרת נתונים דינאמי, אשר לעיתים אינו משמעותי. השתמשנו מבחן תמורה להעריך התוספת של נקודת השינוי מפחיתה באופן משמעותי את השגיאה שיורית של הדגם, והשתמשנו פעולת האתחול כדי להמתיק את השפעת ליניאריים.

יכול להיות וריאציות על הדגם נקודת השינוי בהתאם יישומים ספציפיים. לדוגמה, מדד מחלות, אשר שווי ניקוד עבור חולים HD, יכול להיות מוחלף עם משתנים קליניים אחרים, או פשוט גיל. אחרים covariates ניתן לכלול גם הדגם, כגון הדמיה בפרוטוקולי23 וגורמים אחרים כדי להיות אחראים. יתר על כן, המודל הוא החלים על סוגים שונים של סמנים ביולוגיים מעבר מרקר נפחי, כולל סמנים דימות אחרים (מתוך מנגנון ניגודיות שונים כגון דיפוזיה, זלוף או MRI פונקציונלי) וסמנים שאינם הדמיה. בנוסף, ניתן להתאים את ניסוח מתמטי של המודל על פי בהנחות שונות השערות. לקבלת דוגמאות, המודל יכול לכלול רגרסיה לינארית בסיסית לפני השינוי-נקודת, רגרסיה ליניארית נוספים, המתרחשת לאחר נקודת-השינוי, כגון הצעת הפניה24.

במסגרת הניתוח נקודת השינוי המוצע שילוב מבוסס-אטלס מוח שלם-פילוח יכולים להיות יישומים רחב במחקרים קליניים ובסיסיים המדע בשתי מחלות ניווניות. ובכל זאת, קיימות מגבלות עם טכניקות המוצע. השינויים הדינמיים של סמנים ביולוגיים לא יכול להיות ליניארי, ובכך, ליניארי רכיב המשמשים מודל נקודת השינוי הנוכחי לא יכול להיות אופטימלית. ניתן לשלב המודל הוא ליניארי מוכלל שעלולים להתמודד עם מצבים לא-ליניאריות. שנית, ניתוח נקודת השינוי דורש נתונים אורכי ו/או חתך אוכלוסייה גדולה, כגון לנבא-HD רב מרכזי הנתונים המשמשים במחקר זה. פרוטוקולים של רכישת תמונה שונה, רב מרכזי לימודי או מחקרי האורך, רשאי הוא להטיל דעה קדומה במידות נפח. צינור פילוח אטלס מרובה התמונה הראתה להיות חזקות יחסית להבדלים פרוטוקול, לעומת השפעות ביולוגיות, כגון גיל, פתולוגיה34. . עדיין, זה עשוי להיות נחוץ כדי להסיר את ההבדל פרוטוקול מראש, או כדי לכלול את האפקט פרוטוקול כאחת covariates במודל נקודת השינוי כפי שמתואר23. כיום, ניתוח volumetric במורד הזרם אינו כלול MRICloud, משתמשים יהיו צריכים לחלץ כרכים במפות פילוח או להשתמש בארגז הכלים שלנו Matlab לביצוע ניתוח אמצעי האחסון של צפיפות מרובה. אנחנו יכולים פוטנציאל להשתלב שלב עיבוד מקוון זה הצינור ענן בעתיד, אם זה מזוהה כבקשת נפוצים המשתמשים.

במסגרת הניתוח נקודת השינוי המוצע שילוב מבוסס-אטלס מוח שלם-פילוח יכולים להיות יישומים רחב במחקרים קליניים ובסיסיים המדע בשתי מחלות ניווניות.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

המחברים אין לחשוף.

Acknowledgments

אנו מודים לנבא-HD החוקרים, בעיקר, ד ר הנס ג'ונסון ו ד ר ג'יין Pauslen ס מ אוניברסיטת איווה, הנדיבות שלהם שיתוף נתונים MRI ודיון בונה על ניתוח נתונים ועל התוצאות.

עבודה זו נתמכת על ידי NIH מעניקה R21 NS098018 P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, U01 NS082085.

Materials

Name Company Catalog Number Comments
MATLAB Mathworks N/A Version 2015b and above
Dell Workstation Dell Dell Precision T5500 (Intel Xeon CPU)

DOWNLOAD MATERIALS LIST

References

  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).

Tags

רפואה גיליון 136 נקודת השינוי MRI אטלס פילוח צפיפות MRICloud premanifest HD
מוח-כל פילוח וניתוח נקודת השינוי האנטומי במוח MRI – היישום ב- Premanifest של מחלת הנטינגטון
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wu, D., Faria, A. V., Younes, L.,… More

Wu, D., Faria, A. V., Younes, L., Ross, C. A., Mori, S., Miller, M. I. Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease. J. Vis. Exp. (136), e57256, doi:10.3791/57256 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter