Waiting
Login processing...

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

Medicine

Geheel-hersenen segmentatie en verandering-punt analyse van anatomische hersenen MRI — toepassing in Premanifest de ziekte van Huntington

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

Dit witboek beschrijft een statistisch model voor volumetrische MRI data-analyse, waarmee de "verandering-point" wanneer de atrofie van de hersenen in premanifest de ziekte van Huntington begint. Geheel-brain mapping van de verandering-punten wordt bereikt op basis van hersenen volumes verkregen met behulp van een atlas gebaseerde segmentatie pijpleiding van T1-gewogen beelden.

Abstract

Recente vooruitgang in MRI bieden een verscheidenheid aan nuttige markeringen te identificeren van neurodegeneratieve ziekten. In de ziekte van Huntington (HD), atrofie van de regionale hersenen begint vele jaren voorafgaand aan de motor inleiding (de periode "premanifest"), maar de spatio patroon van regionale atrofie in de hersenen niet volledig gekenmerkt. Hier tonen we een online on-demand platform, "MRICloud", die biedt atlas gebaseerde geheel-hersenen segmentatie van T1-gewogen beelden op meerdere niveaus van de granulariteit, en daarmee kan we toegang tot de regionale kenmerken van de anatomie van de hersenen. Vervolgens beschrijven we een regressiemodel die statistisch significant buigpunten detecteert, waartegen regionale hersenen atrofie begint te het merkbaar, d.w.z. de "verandering-point", met betrekking tot een ziekte progressie index. We gewend de CAG-leeftijd product (CAP) score index van de progressie van de ziekte in HD patiënten. Belangrijke informatie van de orde en patroon van de atrofie van de structurele biedt verandering-punt analyse van de volumetrische metingen van de segmentatie pijpleiding, daarom over de hersenen. Het papier illustreert het gebruik van deze technieken op T1-gewogen MRI gegevens premanifest HD onderwerpen van een grote multicenter studie van PREDICT-HD. Dit ontwerp heeft potentieel breed toepassingen in een assortiment van neurodegeneratieve ziekten te onderzoeken van de dynamische veranderingen van anatomie van de hersenen.

Introduction

Magnetische resonantie beeldvorming (MRI) heeft ons vermogen de anatomie van de hersenen en functies in neurodegeneratieve ziekten,1,,2,3te onderzoeken aanzienlijk verbeterd. T1-gewogen structurele die MRI één van meest is aangenomen imaging tools in de gangbare klinische praktijk de anatomie van de hersenen en gerelateerde pathologie te beoordelen. Kwantitatieve analyse van de hoge resolutie T1-gewogen beelden biedt nuttige markeringen voor het meten van anatomische veranderingen tijdens de degeneratie van de hersenen. In het bijzonder benaderingen van de kwantificering van de segmentatie op basis effectief vermindert het dimensionaliteit van de afbeelding van voxel niveau (op de orde van (106)) naar anatomische structurele niveau ((102)) voor high-throughput neuroinformatics4 , 5. Automated hersenen segmentatie kan worden bereikt met behulp van atlas gebaseerde methoden6,7,8,9 dat de vooraf gedefinieerde anatomische labels van een atlas op de patiënt beelden kaart . Onder de atlas gebaseerde methoden, hebben multi atlas algoritmen10,11,12,13,14 opgeleverd, de segmentering van de superieure nauwkeurigheid en degelijkheid. Onze fractie heeft ontwikkeld een volledig geautomatiseerde T1 multi atlas segmentatie pijpleiding, met geavanceerde diffeomorf afbeelding registratie algoritmen15, multi atlas fusion methoden16,17, en rijke multi atlas bibliotheken 18. de pijpleiding is rondgedeeld op een on-demand platform, MRICloud19, sinds 2015, en het is gebruikt voor het bestuderen van neurodegeneratieve ziekten, zoals de ziekte van Alzheimer (AD)20,21, primaire Progressieve afasie22en23van de ziekte van Huntington.

Zodra de hoge resolutie beelden zijn onderverdeeld in breinstructuur, kunnen regionale kenmerken, zoals volumes, worden gebruikt om wiskundige modellen te karakteriseren de neuroanatomische wijzigingen. De methode van de analyse van een verandering-punt werd onlangs opgericht door onze fractie voor het analyseren van de wereldlijke volgorde, waarin statistisch significant hersenen Morfometrische veranderingen optreden, op basis van longitudinale en/of transversale MRI-gegevens. Dit statistisch model werd aanvankelijk ontwikkeld om te kwantificeren vorm gebaseerde diffeomorphometry over leeftijd in AD patiënten21,24; en het werd later aangepast voor het onderzoek naar de structurele veranderingen van de hersenen in de ziekte van Huntington (HD), alsook over het beschrijven van de hersenen developmental veranderingen in neonatale hersenen25. In HD patiënten, werd de verandering-punt met betrekking tot de CAG-leeftijd product (CAP) score, gedefinieerd als een indicator van de mate van blootstelling aan de CAG-uitbreiding in HTT 26. Het is bekend dat striatale atrofie één van de vroegste markers in HD is, gevolgd door de globus pallidus27. Toch, de veranderingen in het striatum ten opzichte van andere structuren van de grijze en witte stof in de hersenen blijft onduidelijk. Deze relatie is cruciaal voor ons om te begrijpen van de progressie van de ziekte. Verandering-punt analyse van de volumetrische veranderingen in alle breinstructuur zorgt waarschijnlijk voor systematische informatie van de atrofie van de hersenen in de premanifest fase van HD.

Hier tonen we de procedures voor het uitvoeren van geheel-hersenen segmentatie gebruik MRICloud (www.mricloud.org) en de stappen voor het uitvoeren van verandering-punt analyse van volumetrische gegevens in premanifest HD onderwerpen. De MRI-gegevens werden verzameld uit een grote populatie multicentrische PREDICT-HD studeren28,,29 met ongeveer 400 controles en premanifest HD onderwerpen. De combinatie van atlas gebaseerde segmentatie en verandering-punt analyse brengt unieke informatie over de spatio volgorde van de structurele veranderingen van de hersenen en het ziektepatroon progressie in de hersenen. De technieken zijn mogelijk van toepassing op een reeks neurodegeneratieve ziekten met verschillende biomerkers om de degeneratie van de hersenen in kaart.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Atlas gebaseerde Whole Brain segmentatie

  1. Gegevensvoorbereiding
    1. Driedimensionale (3D) T1-gewogen beelden, meestal verworven met MPRAGE (magnetisatie-bereid snelle verloop-echo) volgorde, van leverancierspecifieke DICOM (Digital Imaging en communicatie) formaat naar Analyzed formaat te converteren. Merk op dat de berekening van de wolk vereist gegevens van de gebruikers worden overgeheveld naar remote clusters. Volgens de Health Insurance Portability and Accountability Act (HIPPA), persoonlijke identificatiegegevens van de patiënten uit de afbeeldingsbestanden te verwijderen.
      Opmerking: MRICloud biedt een DICOM--analyseren converter (https://braingps.mricloud.org/t1prep) voor de conversie van bestandsindeling evenals de-identificatie van persoonlijke medische gegevens.
      1. Dubbelklik op Dcm2Analyze.exe. Een pop-upvenster wordt geopend (figuur 1A).
      2. Geef de DICOM data directory invoerpad als input en Analyzed afbeelding pad en bestandsnaam als output.
      3. Klik op "Go" om de conversie te voltooien.
        Opmerking: De conversie moet worden uitgevoerd voor elke individuele patiënt, en het zou zinvol zijn voor de uitvoer van alle geconverteerde afbeeldingen in één studie map voor batch-verwerking (1.2.2.1).
  2. Multi atlas gebaseerd T1 beeldsegmentatie met behulp van MRICloud19.
    1. Log-in "Hersenen GPS" (register voor first-time gebruikers) van https://mricloud.org. "Segmentatie" gereedschap selecteren in het hoofdmenu (figuur 1B). Er zijn twee application programming interface (API) opties onder "Segmentatie": "T1-MultiAtlas" voor één T1 beeldsegmentatie, en "T1-MultiAtlas partij", voor batch-verwerking. De analyse van de verandering-punt grote populatie gegevens vereist, en daarmee, batch-verwerking is vaak de keuze.
    2. Opdrachten op "T1-MultiAtlas partij" API versturen.
      1. Meerdere Analyzed afbeeldingsbestanden comprimeren in een zip-bestand. Klik op "+ .zip" in figuur 1B het zipbestand te uploaden.
        Opmerking: De huidige cloud portal beperkt het aantal afbeeldingen tot 30 in elke zip-map. Grote gegevenssets kunnen worden gescheiden in meerdere zip mappen moeten worden verwerkt. Speciale verzoeken kan worden gemaakt voor meer beelden per zip-bestand. In de toekomst kunnen we potentieel verhogen van het aantal of zelfs verwijderen van de limiet wanneer meer afgelegen computationele middelen beschikbaar komen.
      2. Vul de vereiste velden in figuur 1B.
        1. Verwerking server: Kies "Computational anatomie wetenschap Gateway".
        2. Segmenttype: Kies uit "Sagittale", "Axiale" of "Sagittale geconverteerd naar axiaal".
          Opmerking: "Sagittale" verwijst naar de beelden verkregen met Sagittaal oriëntatie met-plane weergave in anterieure-Posterior en hoofd-voet richtingen. "Axiale" verwijst naar de axiale oriëntatie van de beelden verkregen met-plane weergave in links-rechts en anterieure-Posterior richtingen. "Sagittale geconverteerd naar axiaal" verwijst naar beelden die waren oorspronkelijk verworven in axiale richting maar later omgebouwd tot Sagittaal beelden (die zijn meestal "axiale" beelden met lange nek gebied).
        3. Multi atlas bibliotheek: Kies de bibliotheek van de atlas met dichtst leeftijdsbereik tot de gebruikersgegevens voor het optimaliseren van de nauwkeurigheid van de segmentatie. Wij vooraf gebouwde multi atlas datasets18 voorzien in verschillende leeftijdscategorieën, bijvoorbeeld "Pediatric 4-8 jaar", "Pediatric 8-12 jaar", "volwassene 22-50", en "volwassen 50-90", evenals verschillende atlas versies. Informatie over atlas versies kan worden gevonden in https://braingps.mricloud.org/atlasrepo.
    3. Controleer de status van de baan via "Mijn taakstatus" (Figuur 1 c). Zodra de banen zijn voltooid, verschijnt een knop "Download resultaten" die gebruikers toestaat om de segmentering van de resultaten als een .zip-bestand downloaden.
    4. Visualiseren van de resultaten. Voor één onderwerp, kunnen de volumes die de segmentatie resultaat verkregen online worden gevisualiseerd (niet haalbaar voor batch-verwerking van de resultaten).
      1. Klik op "Bekijk resultaat" knop in Figuur 1 c. De webpagina zal wenden tot de visualisatie-interface (Figuur 1 d). De axiale Sagittaal en coronale standpunten van de segmentatie-kaart zijn op de T1-gewogen anatomische afbeelding overlapt. 3D rendering van de gesegmenteerde breinstructuur worden weergegeven in het bovenste linker venster. Kleur voor de overlay-segmentatie kaart toont u de z-score van de structurele volumes.
      2. Pas de Visualisatieopties, met inbegrip van overlay ON/OFF, dekking van de bedekking, in-en uitzoomen en snijd posities van het bovenste rechter paneel in Figuur 1 d.
      3. Beste segmentatie percelen in verschillende granulariteit groeperen. In onze atlassen, hebben we vijf detailniveaus met twee typen ontologie betrekkingen18,30gedefinieerd. Een boom-weergave van de hiërarchische meerdere niveaus anatomische definities wordt weergegeven in het lagere linker paneel (Figuur 1 d). Klik op het niveau cijfers om uit te breiden van de structuren op het overeenkomstige niveau van de ontologie. De segmentatie kaarten wordt gelijktijdig overgeschakeld naar het overeenkomstige niveau van de ontologie.
        Opmerking: Bi-maandelijkse MRICloud workshops zijn hulp bij Johns Hopkins University School of Medicine te bieden hands-on leerprogramma's van de online verrichtingen hierboven beschreven. Workshop informatie kan van https://braingps.mricloud.org/workshops worden gevonden.
    5. Downloaden van de resultaten van de segmentatie voor latere analyse. Unzip de resultaten naar een studie-map van de gebruiker, bijvoorbeeld, de segmentering van de resultaten van alle onderwerpen in één studie directory, elk in hun individuele certificaathouder mappen samen te stellen.
      Opmerking: De resultaten omvatten
    • example.img: origineel T1 in axiale richting.
    • example_MNI.img: T1 afbeelding in MNI ruimte na de coördinaten van de Talairach.
    • example_7Labels.img en example_7Labels_MNI.img: grof segmentatie met 7 percelen (grijze stof, witte stof, cerebrospinale vloeistof, laterale ventrikel, schedel en achtergrond) in native en MNI ruimte, respectievelijk.
    • example_283Labels_M2.img en example_283Labels_M2_MNI.img: fijne segmentatie met 283 percelen (atlas versie V9B) in native en MNI ruimte, respectievelijk. Het exacte aantal etiketten is afhankelijk van de versie van de atlas.
    • example_corrected_MNI_stats.txt en example_MNI_stats.txt: Statistieken van volumes van elke hersenen percelen in native en MNI ruimte.
    • multilevel_lookup_table.txt: Multilevel ontologie definitie van de percelen van de hersenen.
  3. Het uitvoeren van batch-verwerking om te verkrijgen van de hersenen volumes in een populatie. Gebruik een in-house Matlab (www.mathworks.com) batch-verwerking script te uittreksel van hersenen volumes van individuele resultaat mappen en combineren de volumetrische gegevens van alle vakken op alle granulariteit niveaus naar een werkblad. Een grafische gebruikersinterface (GUI) wordt gebruikt voor het opgeven van de input en output.
    1. Open Matlab.exe, Main.fig, en een GUI zal pop uit (figuur 2A).
    2. In de "T1 Volume extractie van MRICloud" opgeven deelvenster (bovenste deelvenster in figuur 2A), de ingangen, inclusief de studie map waar de gedownloade de segmentatie resultaten worden opgeslagen (zie 1.2.5); en de multi-level opzoektabel bestand pad en de bestandsnaam.
    3. De uitvoer werkblad pad en de bestandsnaam bestandsnaam opgeven waarbij het volume gegevens zullen naar schrijven.
    4. Klik op "Uittreksel volume" knop voor het uitvoeren van de analyse. Resultaten kunnen worden gecontroleerd in het door de gebruiker gedefinieerde werkblad.
      Opmerking: Daarnaast is een R-pakket ontwikkeld proces de MRICloud uitgangen en verdere statistische analyse, geboden door Dr. Brian Caffo31uitvoeren. Het pakket kan worden gedownload van https://github.com/bcaffo/MRIcloudT1volumetrics.

2. verandering-punt analyse volumetrische vangegevens

Opmerking: Raadpleeg de theorie en wiskundige details van de verandering-punt-model tot en met onze eerdere publicaties21,24,-23. Kort, voor HD gegevens, een regressiemodel is gevestigd als u wilt definiëren een essentiële verandering-punt (in termen van CAP score), die vanaf de lineaire regressie tussen CAP en volume wordt statistisch significante, terwijl het corrigeren voor de effecten van leeftijd van de patiënt, gender en intracraniële volume. In-House Matlab scripts, samen met een GUI (figuur 2A, lagere paneel), werd ontwikkeld om te berekenen van de verandering-punten voor individuele structuren en statistische analyses uit te voeren. De scripts zijn beschikbaar voor gebruikers op aanvraag.

  1. Bereken de verandering-punten voor individuele breinstructuur.
    1. Geef het bestandspad en de naam van het werkblad multilevel volume, die wordt gegenereerd volgens 1.3 in het deelvenster "verandering-punt analyse" in figuur 2A.
    2. Geef het bestandspad en de naam van het uitvoerbestand tekst, die de resultaten van de verandering-punt zal worden geschreven.
    3. Kies het niveau van granulatie en soort ontologie definitie in de drop-down box (niveau 1-5), op die de verandering-punt analyse zal worden uitgevoerd.
    4. Klik op "Bereken verandering-point" knop voor het uitvoeren van de analyse van de verandering-punt, zoals beschreven in verwijzing23, en de daaruit voortvloeiende verandering-punten worden opgeslagen in het uitvoerbestand voor de tekst.
  2. Statistische evaluaties van de verandering-punten.
    1. Geef bij de Matlab-GUI (figuur 2A, lagere paneel), parameters voor statistische proeven, met inbegrip van het aantal permutatie (standaard 10.000), aantal bootstrap (standaard 10.000) en p-waarde drempel (na de correctie van de FDR, standaard 0,05).
    2. Klik op "Statistische functies test" knop om het uitvoeren van de tests. Na deze stap, wordt de p-waarde (door permutatie test), vóór en na valse-discovery stem (FDR) correctie, evenals de standaarddeviatie en het 95% betrouwbaarheidsinterval (door bootstrap) van de verandering-punten weggeschreven naar het uitvoerbestand voor de tekst als extra kolommen . Zie details voor statistische testprocedures in23,24.
  3. Genereren van verandering-punt kaarten (optioneel). In de Matlab-GUI (figuur 2A, lagere paneel), klik op "Kaart wijzigen-point" voor het genereren van verandering-punt kaarten. Statistisch significante verandering-puntenwaarden zal worden toegewezen op de MNI-ruimte anatomische afbeelding te visualiseren het ruimtelijk patroon. Deze toewijzing kan worden gedaan op verschillende granulariteit niveaus, afhankelijk van de anatomische niveau gespecificeerd in punt 2.1. De verandering-punt-kaarten kunnen worden overlay op T1-gewogen beelden met behulp van MRIcro (figuur 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Met behulp van de in 1.1-1.3, beschreven procedures kunnen hele hersenen segmentatie kaarten worden verkregen bij MRICloud. In de huidige versie van de atlas (V9B), 283 percelen zijn gesegmenteerd op de mooiste granulariteit (niveau 5), die kan worden gegroepeerd om verschillende detailniveaus, bv., van halfrond naar melkklieren en de pakjes, overeenkomstig de definities van de specifieke ontologie. Figuur 3 toont twee soorten multi-level segmentaties op vijf niveaus, in axiale en coronale weergaven. Typ bijvoorbeeld op de grofste niveau-ik segmentatie definieert klassieke hersengebieden van de telencephalon, diencephalon mesencephalon, metencephalon en myelencephalon (figuur 3A), terwijl Type-II klinisch en radiologisch gebruikte definieert conventies van de hemisferen, kleine hersenen en hersenstam (figuur 3B). Hier, we gebruiken Type-II definities voor de volgende analyse, en we gemiddeld de volumes van de linker en rechter hemisferen, want er geen bekende lateralisatie in HD pathologie is.

Analyse van de verandering-punt van de volumes van de hersenen wordt uitgevoerd op basis van de resultaten van de segmentatie, overeenkomstig punt 2.1-2.2. In Figuur 4nemen we de basale ganglia als voorbeeld voor het onderzoeken van de verwante verandering-points op verschillende granulariteit niveaus. De 3D hiërarchische structurele definities van basale ganglia worden geïllustreerd in de bovenste rij. Scatter percelen voor verandering-punt analysis in individuele structuren worden weergegeven in de onderste rij, waar de blauwe stippen de z-scores van de structurele volumes uit de premanifest HD patiënten (genormaliseerd naar besturingselementen), duiden na correctie voor de leeftijd, geslacht, en Intracraniële volumes; de zwarte curven zijn de ingerichte volume z-scores, teruggelopen naar het onderdeel van de verandering-punt in de model23; en de rode lijnen geeft de standpunten van de gedetecteerde verandering-punten. Op niveau 1, alleen hemisferische scheiding beschikbaar is, en de bijbehorende scatterplot het hele halfrond toont heeft een geleidelijke atrofie als CAP score toeneemt, met een verandering-point in CAP van 360 en 95% betrouwbaarheidsinterval van [352.8, 367.2] (p = 0.011 na FDR correctie). Op niveau 2, de basale ganglia is een onderdeel van de cerebrale kernen, en de cerebrale kernen toont een verandering-punt in CAP van 232 [227.7, 236.3] (p < 0,01 na FDR). Op niveau 3, basale ganglia is een onafhankelijke structuur en CAP van 233 [228,6, 237,4] ziet een verandering-punt (p < 0,01 na FDR). Op niveau 4, basale ganglia is verdeeld in het striatum en de globus pallidus, die CAP van 230 [225,6, 234.4] en 243 [238.6, 247.4], respectievelijk wijziging-punten hebben (beide p < 0,01 na FDR). Op niveau 5, het striatum is verder onderverdeeld in Spiegelse en putamen, waaruit verandering-punten in het CAP van 240 [234.9, 245.1] en 211 [206.8, 215.2], respectievelijk (beide p < 0,01 na FDR).

Zodra de afzonderlijke wijziging-punten worden berekend voor alle structuren van de hersenen, kunnen geheel-hersenen ruimtelijke kaarten van de verandering-punten worden verkregen volgens 2.3. Figuur 5 toont dat de verandering-punt kaarten op verschillende granulariteit niveaus met Type-II ontologische definities. Merk op dat alleen de structuren met aanzienlijke verandering-punten (p < 0.05 na correctie van de FDR) worden toegewezen. Op niveau 1, de gehele hersenen parenchym (behalve cerebellum) toont een belangrijke maar relatief late verandering-punt in CAP van 360 [352.8, 367.2] (p = 0.011 na FDR); Overwegende dat uit de cerebrospinale vloeistof (CSF, met inbegrip van laterale ventrikel, III en IV ventrikel en Sulcus (hersenanatomie) ruimte) blijkt een iets eerder verandering punt in CAP van 319 [313.0, 325.0] (p = 0,022 na FDR). De regio's met aanzienlijke verandering-punten worden meer gelokaliseerde aangezien het niveau van granulatie hoger gaat, en de ruimtelijke variantie begint te onthullen. Bijvoorbeeld op niveau 3, de inferieure witte stof vertoont een eerdere wijziging-punt (CAP = 305 [298,8, 311.2], p = 0.038 na FDR), vergeleken met de voorste witte stof (CAP = 371 [363.9, 378.1], p = 0.042 na FDR). Op niveau 5 worden de verschillen tussen de putamen, Spiegelse, en globus pallidus merkbaar, met de putamen toont het vroegste verandering-punt, gevolgd door de Spiegelse en globus pallidus.

De verandering-tarieven worden berekend als het percentage van de volumetrische wijzigingen (genormaliseerd naar gezonde controles) per score CAP, na de verandering-punt. De verandering-tarieven voor de bijbehorende structuren worden toegewezen in Figuur 6, waar de warme kleuren geven aan verhoging van het volume in ventrikels en Sulcus (hersenanatomie) CSF en de koude kleuren geven aan volume vermindert in de hersenen parenchym. Op niveau 3 tonen de diepe grijze stof structuren hoogste snelheid wijzigen, gevolgd door de voorste witte stof, en vervolgens inferieur witte stof. Op niveau 5 vertonen de putamen en globus pallidus de snelste atrofie (volumetrische verlies per CAP 0.1%), gevolgd door de Spiegelse (0.07% per CAP). Als de granulatie hoger gaat, worden de verandering-tarieven hoger in meer gelokaliseerde gebieden.

Figure 1
Figuur 1: illustratie van T1-gewogen beeldsegmentatie op MRICloud. (A) gebruik van Dcm2Analyzed.exe DICOM-bestanden converteren naar Analyzed formaat en uitvoeren van de identificatie. (B) webpagina voor "T1-MultiAtlas batchverwerking". (C) webpagina voor "Mijn baan status". (D) webpagina voor visualisatie van segmentatie resultaten. Klik hier voor een grotere versie van dit cijfer.

Figure 2
Figuur 2: Graphic User Interface (GUI) volume analyses uit te voeren en verandering-punt analyse. (A) Matlab GUI voor batch winning van volumetrische gegevens uit MRICloud segmentatie uitgangen (bovenste deelvenster) en verandering-punt analyse (lagere paneel). (B) MRICro interface voor het visualiseren van de kaarten van de verandering-punt. Klik hier voor een grotere versie van dit cijfer.

Figure 3
Figuur 3: Atlas gebaseerde hele hersenen segmentatie op meerdere niveaus van de granulariteit met twee soorten ontologische relaties. Axiale en coronale uitzicht op meerdere niveaus segmentatie kaarten overlaymodus op anatomische T1-gewogen beelden, afhankelijk van Type-ik (A) en Type-II (B) ontologische definities. Klik hier voor een grotere versie van dit cijfer.

Figure 4
Figuur 4: verandering-punt analyse van de basale ganglia op meerdere niveaus van de granulariteit. De hiërarchische anatomische betrekkingen tussen halfrond (niveau 1), cerebrale kernen (niveau 2), basale ganglia (niveau 3), de striatum en de globus pallidus (niveau 4), en de putamen en de Spiegelse (niveau 5) worden weergegeven in de bovenste rij met 3D rendering. Het scatter percelen tonen verandering-punt analyse van deze structuren, waar de blauwe stippen de z-scores van de volumetrische gegevens (genormaliseerd naar gezonde controles duiden) na correctie voor de leeftijd, geslacht en intracraniële volumes; de zwarte curven zijn de ingerichte z-scores, teruggelopen naar de verandering-punt afhankelijke CAP component; en de rode lijnen geven de standpunten van de verandering-punten. Klik hier voor een grotere versie van dit cijfer.

Figure 5
Figuur 5: Whole brain verandering-punt kaarten op meerdere niveaus van de granulariteit. De regio's die aantonen dat belangrijke punten wijzigen (op 5% FDR) worden toegewezen op een T1-gewogen beeld, en de kleuren geven aan de waarden van de verandering-punt in de eenheid van CAP score. Afkortingen: WM:white onderwerp; LV: laterale ventrikel; AntWM: anterior witte stof; InfWM: inferieur witte stof; BG: basale ganglia; ST: striatum; GP: globus pallidus; ALIC: de voorste ledematen van de interne capsule; PLIC: achterste ledematen van de interne capsule; Caud: Spiegelse; Zetten: putamen. Klik hier voor een grotere versie van dit cijfer.

Figure 6
Figuur 6: Whole brain-snelheid wijzigen kaarten op meerdere niveaus van de granulariteit. Verandering-tarieven worden berekend als het percentage van de veranderingen van het volume per CAP, na de verandering-punt (genormaliseerd naar gezonde controles), in de regio's die aantonen dat belangrijke verandering-punten (op 5% FDR), toegewezen op een T1-gewogen beeld. Afkortingen: WM: witte stof; LV: laterale ventrikel; AntWM: anterior witte stof; InfWM: inferieur witte stof; BG: basale ganglia; ST: striatum; GP: globus pallidus; ALIC: de voorste ledematen van de interne capsule; PLIC: achterste ledematen van de interne capsule; Caud: Spiegelse; Zetten: putamen. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Zoals aangetoond in deze paper, worden geheel-hersenen segmentatie van de hersen-MRI gemakkelijk bereikt met behulp van onze online platform MRICloud. T1-gewogen MRI gebaseerd volumetrische marker heeft aangetoond dat robuust en gevoelig voor een reeks neurodegeneratieve ziekten,1,,2,3. De volumetrische maatregelen worden gebruikt voor verschillende downstream analyse, zoals wiskundige modellering en functie-selectie en indeling analyse ten behoeve van klinische diagnose en prognose. Verandering-punt analyse van hersenen volumes kunt kwantitatieve karakterisering van de atrofie van de hersenen tijdens de progressie van de ziekte. Deze statistische analyse maakt gebruik van een regressiemodel met een niet-lineaire component te definiëren een verandering-punt in de loop van de atrofie van de hersenen over een ziekte index, bijvoorbeeldCAP score in HD. vergeleken met conventionele groep analyse die alom wordt aangenomen in de meeste bestaande studies de verandering-punt-model zoekt voor de exacte begin-punten van de atrofie van de hersenen, en daarom biedt specifiekere informatie van degeneratie van de hersenen. Combineren met een geautomatiseerde geheel-hersenen segmentatie-pijpleiding, kunnen ruimtelijke kaarten van de verandering-points worden verkregen, die onthullen de spatio patroon van progressie van de ziekte in HD. Dit is vooral belangrijk in de premanifest fase van HD als therapeutische ingrepen meest doeltreffend kunnen zijn.

In de multi atlas gebaseerde beeldsegmentatie, hersenen segmentaties op meerdere granularities verstrekt om de volumetric analysis, flexibel en schaalbaar tot verschillende studies. Bijvoorbeeld, voor Alzheimer's disease zijn verschillende kleine breinstructuur van bijzonder belang, zoals Hippocampus en Amygdala onderverdelingen van de temporele cortex; Overwegende dat voor Frontotemporale dementie, hersenen op relatief grof schalen, zoals de volledige frontale en temporale lobben onderzocht zijn. Volgens onze eerdere studie33, kunnen de segmentering van de precisie en de reproduceerbaarheid worden aangetast bij hoge granulariteit. Bovendien, zou de statistische uitdaging voor meerdere vergelijking toenemen op hogere granulariteit, zoals afgebeeld in Figuur 5. Daarnaast is een goede keuze van atlas Bibliotheken, afhankelijk van leeftijd bereik en ziekte typen van de studie, is belangrijk voor de segmentatie nauwkeurigheid18,32. De verandering-punt analyse vereist een relatief groot aantal gegevens voor het uitvoeren van de regressie-analyse, bv, n > 50 is meestal nodig op basis van empirische ervaring. Interpretatie van de resultaten van de verandering-punt afhankelijk sterk van de statistische proef, omdat het model zal produceren een verandering-punt voor elke dynamische gegevens serie, die soms is te verwaarlozen. We gebruikten een permutatie-test om te beoordelen of de toevoeging van verandering-punt aanzienlijk de residuele modelfouten vermindert, en we de bootstrap werking gebruikten ter vermindering van de invloed van uitschieters.

Er kunnen variaties aan het model van de verandering-punt afhankelijk van specifieke toepassingen. Bijvoorbeeld, de ziekte-index, die is CAP score voor HD patiënten, kan worden vervangen door andere klinische variabelen, of gewoon leeftijd. Andere covariates kunnen ook worden opgenomen in het model, zoals beeldvorming protocollen23 en andere factoren om te worden verwerkt. Het model is bovendien van toepassing op verschillende typen van biomarkers buiten volumetrische marker, met inbegrip van andere beeldvorming merkers (van verschillende contrast mechanismen zoals diffusie en perfusie functionele MRI) en niet-imaging markers. Daarnaast kan de wiskundige formulering van het model aangepast worden volgens verschillende aannames en veronderstellingen. Bijvoorbeeld, het model kan betrekking hebben op een lineaire regressie van de basislijn voor de verandering-point en een extra lineaire regressie dat zich na de verandering-punt voordoet, zoals voorgesteld in verwijzing24.

De analyse van de voorgestelde verandering-punt in combinatie atlas gebaseerde geheel-hersenen segmentatie kan breed toepassingen hebben in beide studies van de klinische en fundamentele wetenschap van neurodegeneratieve ziekten. Er zijn echter beperkingen met de voorgestelde technieken. De dynamische wijzigingen van biomarkers niet altijd lineair kan, en daarmee lineaire onderdeel wordt gebruikt in het huidige model van de verandering-punt niet optimaal. Veralgemeende lineaire model kan potentieel voor het afhandelen van niet-lineaire situaties worden geïntegreerd. Ten tweede, de verandering-punt analyse vereist grote populatie longitudinale en/of transversale gegevens, zoals de multi center PREDICT-HD gebruikte gegevens in deze studie. Andere afbeelding overname protocollen, uit meerdere centrum studies of longitudinaal onderzoek, kunnen een vertekening in de volume metingen opleggen. Onze multi atlas image segmentatie pijpleiding gebleken relatief robuust protocol verschillen, in vergelijking met biologische effecten, zoals leeftijd en pathologie34. Toch kan het nodig zijn om het protocol verschil vooraf, of het protocol effect als een van de covariates in de verandering-punt-model, zoals beschreven in23. Momenteel, stroomafwaarts volumetric analyse is niet opgenomen in MRICloud, en gebruikers moeten uitpakken van de volumes van de segmentatie-maps of onze Matlab toolbox gebruiken voor het uitvoeren van de analyse van de volume multi granulariteit. We kunnen potentieel integreren deze off line verwerking stap de wolk pijpleiding in de toekomst, indien dit wordt aangemerkt als een gemeenschappelijk verzoek door gebruikers.

De analyse van de voorgestelde verandering-punt in combinatie atlas gebaseerde geheel-hersenen segmentatie kan breed toepassingen hebben in beide studies van de klinische en fundamentele wetenschap van neurodegeneratieve ziekten.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

Wij danken de PREDICT-HD onderzoekers, in het bijzonder Dr. Hans Johnson en Dr. Jane S. Pauslen van Universiteit van Iowa, voor hun gulheid in het delen van de MRI-gegevens en constructieve discussie over de data-analyse en resultaten.

Dit werk wordt ondersteund door de NIH verleent R21 NS098018 P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 en 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

Geneeskunde kwestie 136 verandering-punt MRI atlas segmentatie granulariteit MRICloud premanifest HD
Geheel-hersenen segmentatie en verandering-punt analyse van anatomische hersenen MRI — toepassing in Premanifest de ziekte van Huntington
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