Waiting
Login processing...

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

Medicine

Hele-hjerne segmentering og viser analyse av anatomiske hjernen MRI-programmet i Premanifest Huntingtons sykdom

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

Dette dokumentet beskriver en statistisk modell for volumetriske MRI dataanalyse, som identifiserer det "viser" når hjernen atrofi begynner i premanifest Huntingtons sykdom. Hele-hjerne kartlegging av endre-poeng oppnås basert på hjernen volumer får en atlas-basert segmentering rørledning T1-vektet bilder.

Abstract

Nylige fremskritt innen MRI tilbyr en rekke nyttige indikatorer for å identifisere nevrodegenerative sykdommer. Huntingtons sykdom (HD), regionale hjernen atrofi begynner mange år før motor utbruddet (under "premanifest" perioden), men spatiotemporal mønster av regionale atrofi over hjernen ikke har vært fullt preget. Her viser vi en online cloud-computing plattform, "MRICloud", som gir atlas-baserte hele-hjerne segmentering av T1-vektet bilder på flere nivåer nivåer, og dermed kan vi tilgang til regionale funksjoner hjernen anatomi. Vi beskriver en regresjonsmodell som oppdager statistisk signifikant Bøyning poeng, som regionale hjernen atrofi begynner å bli merkbar, dvs. det "viser", med hensyn til en sykdom progresjon indeks. Vi brukte CAG-alder produkt (CAP) score indeksere sykdomsprogresjon i HD pasienter. Viser analyse av volumetriske målinger fra segmentering rørledningen, derfor inneholder viktig informasjon for den orden og mønster av strukturelle atrofi over hjernen. Papiret illustrerer bruken av disse teknikkene på T1-vektet MRI data av premanifest HD fag fra en stor FORUTSE-HD multisenterstudie. Denne utformingen har potensielt bred programmer i en rekke nevrodegenerative sykdommer å undersøke de dynamiske endringene av hjernen anatomi.

Introduction

Magnetisk resonans imaging (MRI) har betydelig forbedret vår evne til å undersøke hjernen anatomi og funksjoner i nevrodegenerative sykdommer1,2,3. T1-vektet strukturelle Mr er en av mest vedtatt bildebehandlingsverktøy i rutinemessige klinisk praksis å vurdere hjernen anatomi og relaterte patologi. Kvantitativ analyse av T1-vektet oppløsning gir nyttige indikatorer for å måle anatomiske endringer under brain degenerasjon. Spesielt segmentering basert kvantifisering tilnærminger effektivt reduserer bildet dimensionality fra voxel nivå (på rekkefølgen av (106)) til anatomiske strukturelle nivå ((102)) for høy gjennomstrømming neuroinformatics4 , 5. automatisert hjernen segmentering kan oppnås med atlas-baserte metoder6,7,8,9 som forhåndsdefinerte anatomiske etikettene fra en atlas på pasienten bildene . Blant de atlas-baserte metodene, har flere atlas algoritmer10,11,12,13,14 gitt overlegen segmentering nøyaktighet og robusthet. Vår gruppe har utviklet en helautomatisk T1 multi atlas segmentering rørledning, med avanserte diffeomorphic bilde registrering algoritmer15, flere atlas fusion metoder16,17og rikt multi atlas biblioteker 18. rørledningen har blitt distribuert på en cloud-computing plattform, MRICloud19, siden 2015, og det har blitt brukt til å studere nevrodegenerative sykdommer, som Alzheimers sykdom (AD)20,21, primær Progressiv afasi22og Huntingtons sykdom23.

Når de høyoppløselige bildene er segmentert i hjernen strukturer, kan regionale funksjoner, for eksempel volumer, brukes til å opprette matematiske modeller for å karakterisere nevroanatomi endringene. En viser analysemetode ble nylig etablert av vår gruppe å analysere den timelige rekkefølgen, statistisk signifikant brain morphometric endringer, basert på langsgående og/eller cross-sectional MRI data. Denne statistiske modellen ble først utviklet for å kvantifisere form-basert diffeomorphometry over alder i AD pasienter21,24; og det ble senere gjort for å undersøke hjernen strukturelle endringer i Huntingtons sykdom (HD), samt å beskrive hjernen utviklingsmessige endringer i neonatal hjerner25. I HD pasienter, ble viser definert med hensyn til CAG-alder produkt (CAP) score, som en indikator på omfanget av eksponering for CAG utvidelsen i HTT 26. Det er kjent at striatal atrofi er en av de tidligste markørene i HD, etterfulgt av globus pallidus27. Likevel, endringene i striatum i forhold til andre grå og hvit sak strukturer i hjernen er fortsatt uklart. Slike forhold er avgjørende for oss å forstå sykdomsprogresjon. Viser analyse av volumetriske endringer i alle hjernen strukturer gir systematisk informasjon på hjernen atrofi i premanifest fase av HD.

Her viser vi fremgangsmåtene for å utføre hele-hjerne segmentering bruker MRICloud (www.mricloud.org), og skritt for å utføre viser analyse av volumetriske data i premanifest HD fag. Mr data var samlet inn fra en stor befolkning multisenter FORUTSE-HD studere28,29 med ca 400 kontroller og premanifest HD fag. Kombinasjonen av atlas-basert segmentering og viser analysen gir unik informasjon om spatiotemporal rekkefølgen av hjernen strukturelle endringer og sykdom progresjon mønster over hjernen. Teknikkene er potensielt gjelder en rekke nevrodegenerative sykdommer med ulike biomarkers tilordne brain degenerasjon.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Atlas-baserte hele hjernen segmentering

  1. Data forberedelse
    1. Konverter tredimensjonale (3D) T1-vektet bilder, vanligvis kjøpt med MPRAGE (magnetization forberedt rask forløpning-echo) rekkefølge, fra leverandørspesifikke DICOM (Digital Imaging og kommunikasjon) format til Analyzed format. Merk at skyen beregningen krever brukernes data overføres til ekstern klynger. Ifølge Health Insurance Portability and Accountability Act (HIPPA), fjerne pasientenes personlig identifiserende informasjon fra bildefilene.
      Merk: MRICloud tilbyr en DICOM-å-analysere converter (https://braingps.mricloud.org/t1prep) av konvertering av filformat samt de identifikasjon av personlige helseinformasjon.
      1. Dobbeltklikk for å åpne Dcm2Analyze.exe. Et popup-vindu åpnes (figur 1A).
      2. Angi inndata DICOM data mappebanen som inndata og Analyzed image banen og navnet avgang.
      3. Klikk "Gå" å fullføre konverteringen.
        Merk: Konvertering må utføres for hver enkelt pasient, og det ville være fordelaktig å sende alle konverterte bilder i en studie-mappen for satsvis behandling (1.2.2.1).
  2. Flere atlas basert T1 bildesegmentering bruker MRICloud19.
    1. Innlogging "Hjernen GPS" (register for førstegangsbrukere) fra https://mricloud.org. Velg "Segmentering" verktøyet fra hovedmenyen (figur 1B). Det er to søknad Programmerer Grenseflate (API) alternativer under "Segmentering": "T1-MultiAtlas" for enkelt T1 bildesegmentering og "T1-MultiAtlas bakst" for satsvis behandling. Viser analysen krever store befolkningsdata, og dermed satsvis behandling er ofte valg.
    2. Sende jobber på "T1-MultiAtlas bakst" API.
      1. Komprimere flere Analyzed-bildefiler i en zip-fil. Klikk "+ zip" i figur 1B laste opp zip-filen.
        Merk: Gjeldende Sky portalen begrenser antallet bilder til 30 i hver zip-mappe. Store datasett kan deles inn i flere zip brosjyre behandles. Forespørsel kan gjøres å imøtekomme flere bilder per zip fil. I fremtiden kan vi øke potensielt begrenset eller aften fjerne grensen når fjernere beregningsressurser blir tilgjengelige.
      2. Fyll ut de nødvendige feltene i figur 1B.
        1. Behandling server: Velg "Beregningsorientert anatomi Science inngangsporten".
        2. Stykketype: Velg "Sagittal", "Støpsel" eller "Sagittal konvertert til støpsel".
          Merk: "Sagittal" refererer til bilder ervervet i sagittal retning-plane utsikt i Anterior-Posterior og hodet-fots retninger. "Aksial" refererer til bilder ervervet aksial retning-plane utsikt i venstre høyre og Anterior-Posterior retninger. "Sagittal konvertert til støpsel" refererer til bilder som ble kjøpt i aksial retning, men senere konverteres til sagittal bilder (de er vanligvis "aksial" bilder med lang nakke-området).
        3. Flere atlas bibliotek: Velg atlas biblioteket med nærmeste aldersgruppe til brukerdata å optimalisere segmentering nøyaktigheten. Vi tilby forhåndsbygde multi atlas datasett18 forskjellige aldersspredningen, f.eks "Pediatric 4-8yr", "Pediatric 8-12yr", "voksen 22-50", og "voksen 50-90», samt ulike atlas versjoner. Informasjon om atlas versjoner finnes i https://braingps.mricloud.org/atlasrepo.
    3. Sjekke jobbstatusen gjennom "Min Jobbstatus" (figur 1 c). Når jobbene er ferdige, vises en "Last ned resultater" knappen som lar brukerne laste ned segmentering resultatene som en zip-fil.
    4. Visualisere resultatene. For enkelt emne, volumene fra segmentering resultatet kan bli visualisert online (ikke mulig for satsvis behandling resultater).
      1. Klikk "Vis resultatet" i figur 1 c. Nettsiden vil slå av visualisering grensesnitt (figur 1 d). De aksiale, sagittal og koronale visningene av segmentering er overlappet på T1-vektet anatomiske bildet. 3D-gjengivelse av segmentert hjernen strukturer vises i det øvre venstre vinduet. Farge av overliggende segmentering kart angir z-skåre strukturelle volumene.
      2. Justere effektalternativer, inkludert overlegg på/av, tetthet for overlappingen, zoome inn og ut og skjær posisjoner fra øvre høyre i figur 1 d.
      3. Gruppere fineste segmentering pakker i forskjellige nivåer. På verdenskartet definert vi fem nivåer av detaljnivå med to typer ontologi relasjoner18,30. En trevisning av hierarkiske multi-level anatomiske definisjonene vises i nedre venstre panel (figur 1 d). Klikk på tallene for å utvide strukturer på tilsvarende ontologi nivå. Segmentering kartene vil samtidig bytte til tilsvarende ontologi nivå.
        Merk: Bi-månedlige MRICloud workshops er hjelp ved Johns Hopkins University School of Medicine å tilby praktisk opplæring online operasjoner beskrevet ovenfor. Workshop informasjon kan finnes fra https://braingps.mricloud.org/workshops.
    5. Last ned segmentering resultatene for senere analyse. Unzip resultatene til en studie brukerkatalog, f.eks, sette sammen segmentering resultatene fra alle fag i en studie directory, hver i sine personlige emne-mapper.
      Merk: Resultatene inkluderer
    • example.img: T1 originalbildet i aksial retning.
    • example_MNI.img: T1 bildet i MNI mellomrom etter Talairach koordinatene.
    • example_7Labels.img og example_7Labels_MNI.img: grov segmentering med 7 pakker (grå materie, hvit substans, Cerebrospinalvæske, lateral ventrikkel, skallen og bakgrunn) i native og MNI mellomrom, henholdsvis.
    • example_283Labels_M2.img og example_283Labels_M2_MNI.img: fine segmentering med 283 pakker (atlas versjon V9B) i ukomprimert og MNI plass, henholdsvis. Det nøyaktige antallet etiketter avhenger atlas-versjonen.
    • example_corrected_MNI_stats.txt og example_MNI_stats.txt: statistikk volumer av hver hjernen pakker i native og MNI plass.
    • multilevel_lookup_table.txt: Multilevel ontologi definisjonen av hjernen pakker.
  3. Utføre bakgrunnsbehandling for å få hjernen volumer i en populasjon. Bruk en in-house Matlab (www.mathworks.com) gruppebehandling skript for å hente hjernen volumer fra individuelle resultatet mapper og kombinere volumetriske dataene i alle fag hele detaljnivå nivåer til et regneark. Et grafisk brukergrensesnitt (GUI) brukes til å angi inndata og utdata.
    1. Åpne Matlab.exe, Main.fig, og en GUI ville popmusikk ut (figur 2A).
    2. «T1 volum utvinning fra MRICloud» panelet (øvre panel i figur 2A), angi innganger, inkludert studie katalogen hvor den nedlastede segmentering resultatene er lagret (se 1.2.5); og multi-level oppslagstabellen banen og filnavnet.
    3. Angi navnet på utdatafilen regneark banen og filnavnet der volumet data blir skrive til.
    4. Klikk "Extract volum" for å kjøre analyser. Resultatene kan kontrolleres i brukerdefinerte regnearket.
      Merk: I tillegg en R-pakke er utviklet til MRICloud utganger og utføre ytterligere statistisk analyse, levert av Dr. Brian Caffo31. Pakken kan lastes ned fra https://github.com/bcaffo/MRIcloudT1volumetrics.

2. viser analyse av volumetriske Data

Merk: Se teori og matematiske detaljer om viser modellen til våre tidligere publikasjoner21,24,23. Kort, HD data, en regresjonsmodell er etablert for å definere en kritisk viser (i CAP score), starter, lineær regresjon mellom CAP og volum blir statistisk betydelige, mens korrigere for effekten av pasientens kjønn og intrakranielt volum. Internt Matlab skript, sammen med en GUI (figur 2A, nedre panel) ble utviklet for å beregne endringen-poengene for individuelle strukturer og utføre statistisk analyse. Skript er tilgjengelig for brukere på forespørsel.

  1. Beregne endringen-poeng for individuelle hjernen strukturer.
    1. Angi filbanen og navnet på regnearket multilevel volum som genereres i henhold til 1,3 i "viser analyse"-panelet i figur 2A.
    2. Angi filbanen og navnet på utdatafilen for tekst, som viser resultatene vil bli skrevet til.
    3. Velg hvilket detaljnivå og type ontologi definisjon i rullegardinlisten (nivå 1-5), på som viser analysen vil bli utført.
    4. Klikk "Beregn viser" knappen for å utføre viser analysen, som beskrevet i referanse23, og de resulterende endring-poengene vil bli lagret i tekst utdatafilen.
  2. Statistiske evalueringer av endre-poeng.
    1. I Matlab GUI (figur 2A, nedre panel), kan du angi parametere for statistiske tester, inkludert antallet permutation (standard 10.000), antall bootstrap (standard 10.000) og p-verdien terskelen (etter FDR korreksjon, standard 0,05).
    2. Klikk "Statistisk test" for å kjøre testene. Etter dette trinnet skrives p-verdien (ved permutasjon test), før og etter false oppdagelsen rate (FDR) korreksjon, samt standardavviket og 95% konfidensintervall (av bootstrap) av endre-punktene til utdatafilen tekst som ekstra kolonner . Se detaljer av statistisk testprosedyrer i23,24.
  3. Generere viser kart (valgfritt). I Matlab GUI (figur 2A, nedre panel), klikker du "Kart endre-punkt" for å generere viser kart. Statistisk signifikant viser verdier tilordnes på MNI-space anatomiske bildet å visualisere romlige mønsteret. Denne tilordningen kan gjøres på forskjellige nivåer nivåer, avhengig anatomiske angitt i 2.1. Viser kartene kan overlappes i T1-vektet bilder ved hjelp av MRIcro (figur 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Bruke fremgangsmåtene i 1,1-1,3, kan hele hjernen segmentering kart fås fra MRICloud. I gjeldende versjon av atlas (V9B), 283 pakker er segmentert på de fineste detaljene (nivå 5), som kan grupperes på forskjellige nivåer av detaljnivå, f.eks., fra halvkule lobules former og pakker, i henhold til bestemte ontologi definisjoner. Figur 3 viser to typer multi-level segmentations på fem nivåer, i aksial og koronale. For eksempel på råeste nivå, skriver-jeg segmentering definerer klassisk hjernen regioner telencephalon, diencephalon, mesencephalon, metencephalon og myelencephalon (figur 3A), mens Type-II definerer klinisk og radiologically brukes konvensjoner halvkuler, lillehjernen og hjernestammen (figur 3B). Her bruker vi Type-II definisjoner for følgende analyse, og vi gjennomsnittlig volumene fra venstre og høyre halvkuler, som det er ingen kjente laterality i HD patologi.

Viser analyse av hjernen volumene utføres basert segmentering resultater, i henhold til seksjon 2.1-2.2. I Figur 4tar vi det basal Ganglion eksempel undersøke relaterte endring-punktene tetthet for forskjellige nivåer. 3D hierarkisk strukturelle definisjonene av basal ganglia, vises i den øverste raden. Scatter tomter viser analyse i individuelle strukturer vises i den nederste raden, der de blå prikkene betegne z-resultater av strukturelle volumene fra de premanifest HD pasientene (normalisert kontroller), etter korrigering for alder, kjønn, og intrakranielt volumer; svart kurvene er montert volum z-score, regressed til komponenten viser i modellen23; og de røde linjene indikerer plasseringen av oppdaget endring-poeng. På nivå 1, bare hemisfæriske separasjon er tilgjengelig, og den tilsvarende spredningsdiagram viser den hele halvkulen har en gradvis atrofi som CAP score øker, med en endring-punkt på CAP av 360 og 95% konfidensintervall ved [352.8, 367.2] (p = 0,011 etter FDR korreksjon). På nivå 2, det basal Ganglion er en del av cerebral kjerner, og cerebral kjerner viser en endring-punkt på CAP på 232 [227.7, 236.3] (p < 0,01 etter FDR). På nivå 3, basal ganglia er en uavhengig struktur og viser en endring-punkt på CAP på 233 [228.6, 237.4] (p < 0,01 etter FDR). På nivå 4, basal ganglia er delt inn i striatum og globus pallidus, som har endring-poeng på CAP 230 [225.6, 234.4] og 243 [238.6, 247.4], henholdsvis (begge p < 0,01 etter FDR). På nivå 5, striatum er videre delt inn caudate og putamen, som viser endringen-poeng på CAP 240 [234.9, 245.1] og 211 [206.8, 215.2], henholdsvis (begge p < 0,01 etter FDR).

Når personlige endring-poengene beregnes for alle hjernen strukturer, kan hele-hjerne romlige kart endre-poeng fås ifølge 2.3. Figur 5 viser viser kart på forskjellige nivåer nivåer med Type-II ontologiske definisjoner. Merk at bare strukturer med betydelig endring-poeng (p < 0,05 etter FDR korrigering) er tilordnet. På nivå 1 i hele hjernen parenchyma (unntatt lillehjernen) viser en betydelig men relativt sent endring-punkt på CAP av 360 [352.8, 367.2] (p = 0,011 etter FDR); mens spinalvæske (CSF, inkludert lateral ventrikkel, III og IV ventrikkel og sulci plass) viser en litt tidligere endre punkt på CAP av 319 [313.0, 325.0] (p = 0.022 etter FDR). Områdene med betydelig endring-poeng blir mer lokaliserte hvilket detaljnivå går høyere, og romlig variansen begynner å avsløre. For eksempel på nivå 3, mindreverdige hvit saken viser en tidligere viser (CAP = 305 [298.8, 311.2], p = 0.038 etter FDR), sammenlignet med den fremre hvit substans (CAP = 371 [363.9, 378.1], p = 0.042 etter FDR). På nivå 5 blitt forskjellene mellom putamen, caudate, og globus pallidus merkbart, med putamen viser det tidligste viser, etterfulgt av den caudate og globus pallidus.

Endre-priser beregnes som en prosentandel av volumetriske endringer (normalisert til sunn kontroller) per CAP score, etter viser. Endre-tallene for de tilhørende strukturene tilordnes i figur 6, der varme farger angir volumet øker i ventriklene og sulci CSF og de kalde fargene angir volum nedgang i hjernen parenchyma. På nivå 3 viser dyp hjerneceller strukturer høyeste hastigheten, etterfulgt av fremre hvit substans, og deretter dårligere hvit substans. På nivå 5 utstilling putamen og globus pallidus den raskeste atrofi (0,1% volumetriske tap per CAP), etterfulgt av den caudate (0,07% per CAP). Detaljene går høyere, bli endre-priser høyere i mer lokaliserte områder.

Figure 1
Figur 1: illustrasjon av T1-vektet bildesegmentering på MRICloud. (A) bruk av Dcm2Analyzed.exe å konvertere DICOM-filer til Analyzed format og utføre de identifikasjon. (B) webside for "T1-MultiAtlas" gruppebehandling. (C) nettside for "Min Jobbstatus". (D) webside for visualisering av segmentering resultater. Klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2: grafisk brukergrensesnitt (GUI) å utføre volum analyse og viser analyse. (A) Matlab GUI for satsvis utvinning av volumetriske data fra MRICloud segmentering utganger (øvre panel) og viser analyse (nedre panel). (B) MRICro grensesnitt for å visualisere viser kartene. Klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3: Atlas-baserte hele hjernen segmentering på flere nivåer nivåer med to typer ontologiske relasjoner. Aksial og koronale utsikt over multi-level segmentering kart er kledde på T1-vektet anatomiske bilder, etter Type-jeg (A) og Type-II (B) ontologiske definisjoner. Klikk her for å se en større versjon av dette tallet.

Figure 4
Figur 4: viser analyse av det basal Ganglion på flere nivåer nivåer. Hierarkisk anatomiske forbindelser mellom halvkule (nivå 1), cerebral kjerner (nivå 2), Basalgangliene (nivå 3), striatum og globus pallidus (nivå 4), og putamen og caudate (nivå 5) er illustrert i den øverste raden med 3D-gjengivelse. Scatter tomter demonstrere viser analyse av disse strukturene, der de blå prikkene betegne z-score volumetriske data (normalisert til sunn kontroller) etter korrigering for alder, kjønn og intrakranielt volumer; svart kurvene er montert z-poengene, regressed til viser avhengige CAP komponent; og de røde linjene indikerer plasseringen av endre-poeng. Klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5: Whole brain viser kart på flere nivåer nivåer. Regionene som viser betydelig endre poeng (på 5% FDR) tilordnes til en T1-vektet bilde, og fargene angir viser verdiene i enhet av CAP score. Forkortelser: WM:white saken; LV: lateral ventrikkel; AntWM: fremre hvit substans; InfWM: dårligere hvit substans; BG: basal ganglia; ST: striatum; GP: globus pallidus; ALIC: fremre lem av interne kapselen; PLIC: bakre lemmer av interne kapselen; Caud: caudate; Sette: putamen. Klikk her for å se en større versjon av dette tallet.

Figure 6
Figur 6: Whole brain-hastigheten kart på flere nivåer nivåer. Endre priser beregnes som en prosent av volumet endringer per CAP, etter viser (normalisert til friske kontroller), i regioner som viser betydelig endring-poeng (på 5% FDR), avbildet på en T1-vektet bilde. Forkortelser: WM: hvit substans; LV: lateral ventrikkel; AntWM: fremre hvit substans; InfWM: dårligere hvit substans; BG: basal ganglia; ST: striatum; GP: globus pallidus; ALIC: fremre lem av interne kapselen; PLIC: bakre lemmer av interne kapselen; Caud: caudate; Sette: putamen. Klikk her for å se en større versjon av dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Som vist i dette papiret, oppnås hele-hjerne segmentering av hjernen Mr enkelt ved hjelp av våre online plattform MRICloud. T1-vektet MRI basert volumetriske markør har vist seg for å være robust og sensitive for nevrodegenerative sykdommer1,2,3. Volumetrisk tiltak brukes for ulike nedstrøms analyse, som matematisk modellering og funksjon-utvalg og klassifisering for å hjelpe klinisk diagnose og prognose. Viser analyse av hjernen volumer kan kvantitative karakteristikk av hjernen atrofi under sykdomsprogresjon. Dette statistisk analyse sysselsetter en regresjonsmodell med en ikke-lineær komponent til å definere en viser i hjernen atrofi over en sykdom indeksen, f.ekslue score i HD. forhold til konvensjonelle analyse som er allment vedtatt i de fleste eksisterende studier, viser modellen søker for nøyaktig utbruddet poeng av hjernen atrofi, og derfor gir mer detaljert informasjon om brain degenerasjon. Kombinere med en automatisert hele-hjerne segmentering rørledningen, romlig kart endre-poeng kan fås, som avslører spatiotemporal mønster av sykdomsprogresjon i HD. Dette er spesielt viktig i premanifest fase av HD når terapeutisk intervensjon kan være mest effektivt.

Flere atlas basert avbildning segmentering tilbys hjernen segmentations på flere granularities for å gjøre volumetric analysen fleksibel og skalerbar til ulike studier. For eksempel for Alzheimers sykdom er flere liten hjerne strukturer av spesiell interesse, som Hippocampus, Amygdala eller ruter timelige cortex; mens for frontotemporal demens, hjernen undersøkt på relativt grov skalaer, som hele forfra og temporal lobes. Ifølge våre tidligere studie33, være segmentering presisjon og reproduserbarhet usikker på høyt detaljnivå. I tillegg ville statistiske utfordringen for flere sammenligning øke på høyere detaljnivå, som vist i figur 5. I tillegg er et passende valg av atlas biblioteker, avhengig av alder rekkevidde og sykdom typer studien, viktig for segmentering nøyaktighet18,32. Viser analysen krever et relativt stort antall data å utføre regresjonsanalyse, f.eks, til n > 50 kreves vanligvis basert Erfaringsmessig. Tolkning av viser resultatene avhengig sterkt av statistisk test, fordi modellen vil produsere en viser for den dynamiske data, som noen ganger er ubetydelig. Vi brukte en Permutasjon test til å avgjøre om tillegg av viser reduserer modellens gjenværende feil, og vi brukte bootstrap operasjonen for å redusere innflytelsen til outliers.

Det er variasjoner i viser modellen avhengig av bestemte programmer. For eksempel sykdom indeksen, som er CAP poengsum for HD pasienter, kan erstattes med andre kliniske variabler eller bare alder. Andre covariates kan også inkluderes i modellen, som bildebehandling protokoller23 og andre faktorer regnskapsføres. Videre er modellen gjelder for ulike typer biomarkers utover volumetriske markør, inkludert andre tenkelig markører (fra ulike kontrast mekanismer som spredning, perfusjon eller funksjonell MRI) og ikke-imaging markører. I tillegg kan den matematiske formuleringen av modellen tilpasses ulike forutsetninger og hypoteser. For eksempler, kan modellen innebære en planlagt lineær regresjon før viser og en mer lineær regresjon som oppstår etter viser, som foreslått i referanse24.

Den foreslåtte viser analysen i kombinasjon atlas-baserte hele-hjerne segmentering kan ha bred programmer i både kliniske og grunnleggende studier av nevrodegenerative sykdommer. Likevel er det begrensninger med foreslåtte teknikker. De dynamiske endringene av biomarkers kanskje ikke er lineær, og dermed lineær komponent som brukes i gjeldende viser modell kan ikke være optimal. Generalisert lineær modell kan potensielt integreres for å håndtere ikke-lineære situasjoner. For det andre, viser analysen krever store befolkningen langsgående og/eller cross-sectional data, for eksempel multi-senter FORUTSE-HD dataene som brukes i denne studien. Annet bilde oppkjøpet protokoller, multi-senter studier eller longitudinelle studier, kan pålegge en skjevhet i volum målinger. Våre multi atlas bilde segmentering rørledningen har vist seg for å være relativt robust til protokollen forskjeller, sammenlignet med biologiske effekter, for eksempel alder og patologi34. Likevel kan det være nødvendig å fjerne protokollen forskjellen på forhånd, eller inkludere protokollen effekten som en av covariates i viser modellen som beskrevet i23. Foreløpig nedstrøms volumetric analyse er ikke inkludert i MRICloud, og brukernes ville nød å ekstra volumer fra segmentering kartene eller bruke våre Matlab verktøykassen til å utføre flere detaljnivå volum analysen. Vi kan potensielt integrere denne frakoblede behandlingstrinnet i rørledningen Sky i fremtiden, hvis dette er identifisert som en vanlig forespørsel av brukere.

Den foreslåtte viser analysen i kombinasjon atlas-baserte hele-hjerne segmentering kan ha bred programmer i både kliniske og grunnleggende studier av nevrodegenerative sykdommer.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Vi takker FORUTSE-HD etterforskerne, spesielt Dr. Hans Johnson og Dr. Jane S. Pauslen fra University of Iowa for sin generøsitet i deler MRI data og konstruktiv diskusjon om dataanalyse og resultater.

Dette arbeidet er støttet av NIH gir R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 og 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

Medisin problemet 136 viser MRI atlas segmentering tetthet MRICloud premanifest HD
Hele-hjerne segmentering og viser analyse av anatomiske hjernen MRI-programmet i Premanifest Huntingtons sykdom
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