Waiting
Login processing...

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

Medicine

Hela-hjärnan segmentering och ändra punkt analys av anatomiska hjärnan MRI — tillämpning i Premanifest Huntingtons sjukdom

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

Detta dokument beskriver en statistisk modell för volymetrisk MRI dataanalys som identifierar ”förändring-point” när hjärnan atrofi börjar i premanifest Huntingtons sjukdom. Hela-hjärnan kartläggning av förändring-punkter uppnås utifrån hjärnan volymer erhålls med en atlas-baserade segmentering pipeline av T1-viktade bilder.

Abstract

Senaste framstegen inom MRI erbjuder en mängd användbara markörer för att identifiera neurodegenerativa sjukdomar. Huntingtons sjukdom (HD), regionala hjärnan atrofi börjar många år före motor uppkomsten (under ”premanifest”), men spatiotemporal mönstret av regionala atrofi över hjärnan har inte präglats helt. Här visar vi en online molnbaserade plattform, ”MRICloud”, som ger atlas-baserade hela-hjärnan segmentering av T1-viktade bilder med flera granularitet nivåer, och därmed ger oss tillgång till de regionala funktionerna i hjärnans anatomi. Sedan beskriver vi en regressionsmodell som upptäcker statistiskt signifikant böjningsformer poäng, där regionala hjärnan atrofi börjar märkas, dvs ”förändring-point”, med avseende på ett index för progression av sjukdomen. Vi använde CAG-ålder produkt (CAP) Poäng för att indexera sjukdomsförloppet hos HS-patienter. Förändring-punkt analys av volymetriska mätningarna från rörledningen segmentering, därför ger viktig information av beställer och mönster av strukturella atrofi över hjärnan. Papperet illustrerar användningen av dessa tekniker på T1-viktade MRI data premanifest HD ämnen från en stor multicenterstudie PREDICT-HD. Denna konstruktion har potentiellt breda tillämpningar i olika neurodegenerativa sjukdomar att undersöka de dynamiska förändringarna av hjärnans anatomi.

Introduction

Magnetisk resonanstomografi (MRI) har avsevärt förbättrat vår förmåga att undersöka hjärnans anatomi och funktioner i neurodegenerativa sjukdomar1,2,3. T1-vägd strukturella MRI är en av mest antog bildframställning i rutinmässig klinisk praxis att bedöma hjärnans anatomi och relaterade patologi. Kvantitativ analys av högupplösande T1-viktade bilder ger användbara markörer för att mäta anatomiska förändringar under hjärnans degeneration. I synnerhet segmentering baserad kvantifiering tillvägagångssätt effektivt minskar den bild dimensionalitet från voxel nivå (för på (106)) till anatomiska strukturell nivå ((102)) för hög genomströmning neuroinformatics4 , 5. automatiserad hjärnan segmentering kan uppnås med atlas-baserade metoder6,7,8,9 som karta fördefinierade anatomiska etiketterna från en atlas på patientbilder . Bland de atlas-baserade metoderna, har flera atlas algoritmer10,11,12,13,14 gett överlägsen segmentering noggrannhet och robusthet. Vår grupp har utvecklat en helt automatiserad T1 flera atlas segmentering rörledning, med avancerade diffeomorphic bild registrering algoritmer15, flera atlas fusion metoder16,17och rika flera atlas bibliotek 18. rörledningen har distribuerats på en molnbaserade plattform, MRICloud19, sen 2015, och det har använts för att studera neurodegenerativa sjukdomar som Alzheimers sjukdom (AD)20,21, primär Progressiv afasi22och Huntingtons sjukdom23.

När de högupplösta bilderna är uppdelad i hjärnstrukturer, kan regionala funktioner, såsom volymer, användas att upprätta matematiska modeller för att karakterisera neuroanatomiska ändringarna. En förändring-punkt analysmetod nyligen etablerats av vår grupp att analysera den temporal beställer, som statistiskt signifikant hjärnan morfometriska förändringar utifrån longitudinella eller tvärsnittsdata MRI data. Denna statistiska modell utvecklades först för att kvantifiera form-baserade diffeomorphometry över ålder i AD patienter21,24; och den anpassades senare för att undersöka hjärnan strukturella förändringar i Huntingtons sjukdom (HD), samt att beskriva utvecklingsmässiga förändringar i hjärnan i neonatal hjärnor25. I HS-patienter definierades den förändring-punkten med respekten till CAG-ålder produkt (CAP) poäng, som en indikator på graden av exponering för CAG expansion i HTT 26. Det är välkänt att striatum atrofi är en av de tidigaste markörerna i HD, följt av globus pallidus27. Ännu, förändringarna i striatum i förhållande till andra strukturer som grå och vit substans i hjärnan är fortfarande oklart. Sådant förhållande är viktigt för oss att förstå sjukdomsförloppet. Förändring-punkt analys av volymetriska förändringar i alla hjärnstrukturer kommer sannolikt ge systematisk information hjärnan atrofi i premanifest fasen av HD.

Här visar vi förfarandena för att utföra hela-hjärnan segmentering med hjälp av MRICloud (www.mricloud.org) och steg för att utföra ändra punkt analys av volymetriska data i premanifest HD ämnen. MRI data samlades in från en stor population multicenter PREDICT-HD studien28,29 med ungefärligt 400 kontroller och premanifest HD ämnen. Kombinationen av atlas-baserade segmentering och förändring-punkt analys ger unik information om spatiotemporal ordningen på de strukturella förändringarna i hjärnan och sjukdomsprogression mönstret hela hjärnan. Teknikerna är potentiellt tillämpliga på ett spektrum av neurodegenerativa sjukdomar med olika biomarkörer att kartlägga hjärnans degeneration.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Atlas-baserade hela hjärnan segmentering

  1. Förberedelse av data
    1. Konvertera tredimensionella (3D) T1-viktade bilder, vanligtvis förvärvas med MPRAGE (magnetisering-beredd snabb gradient-echo) sekvens, från leverantörsspecifika DICOM (Digital Imaging och kommunikation) format till Analyzed format. Observera att molnet uträkningen kräver användarnas data ska överföras till fjärråtkomst kluster. Enligt Health Insurance Portability och Accountability Act (HIPPA), ta bort bildfiler patienternas personliga identifieringsinformation.
      Obs: MRICloud erbjuder en DICOM-till-analysera converter (https://braingps.mricloud.org/t1prep) för filformatskonvertering samt avidentifiering av personlig hälsoinformation.
      1. Dubbelklicka på Dcm2Analyze.exe. Ett popup-fönster öppnas (figur 1A).
      2. Ange indatasökvägen DICOM data katalog som indata och Analyzed bild sökväg och filnamn som utgång.
      3. Klicka på ”Go” för att slutföra konverteringen.
        Obs: Konvertering behöver utföras för varje enskild patient, och det skulle vara fördelaktigt att mata alla konverterade bilder i en studie mapp för batch-bearbetning (1.2.2.1).
  2. Flera atlas baserat T1 bild segmentering MRICloud19.
    1. Logga in ”hjärnan GPS” (register för förstagångsanvändare) från https://mricloud.org. Välj ”segmentering” i huvudmenyn (figur 1B). Det finns två application programming interface (API) alternativ under ”segmentering”: ”T1-MultiAtlas” för enda T1 bild segmentering och ”T1-MultiAtlas Batch” för batchbearbetning. Förändring-punkt analysen kräver stor populationsdata, och därmed, batch-bearbetning är ofta valet.
    2. Skicka jobb på ”T1-MultiAtlas Batch” API.
      1. Komprimera flera Analyzed filer till en zip-fil. Klicka på ”+ .zip” i figur 1B Ladda upp zip-filen.
        Obs: Nuvarande molnet portal begränsar antalet bilder till 30 i varje zip-mapp. Stora datamängder kan delas upp i flera zip mappar bearbetas. Särskild begäran kan göras att rymma fler bilder per zip-fil. I framtiden kan potentiellt öka det begränsade antalet eller ens ta bort gränsen när mer avlägsna resurser blir tillgängliga.
      2. Fyll i de obligatoriska fälten i figur 1B.
        1. Bearbetning server: Välj ”Computational anatomi vetenskap Gateway”.
        2. Segmenttypen: Välja från ”pilformigt”, ”axiella” eller ”pilformigt omvandlas till axiell”.
          Obs: ”Pilformigt” refererar till bilder som förvärvats med sagittal riktning med-plane view i Anterior-Posterior och huvud-fots riktningar. ”Axiella” avser bilder förvärvade axiell riktning med-plane view i vänster-höger och Anterior-Posterior riktning. ”Pilformigt omvandlas till axiell” refererar till bilder som ursprungligen förvärvats i axiell riktning men senare konverterade till sagittala bilder (de är oftast ”axiella” bilder med lång hals området).
        3. Flera atlas bibliotek: Välj atlas bibliotek med närmaste åldersintervall till användaren för att kunna optimera segmentering är korrekta. Vi erbjuder färdiga flera atlas datamängder18 med olika åldersgrupper, t.ex., ”Pediatric 4-8 år”, ”Pediatric 8-12 år” ”, vuxen 22-50”, och ”vuxen 50-90”, samt olika atlas versioner. Information om atlas versioner kan hittas i https://braingps.mricloud.org/atlasrepo.
    3. Kontrollera jobbstatus genom ”mitt Jobbstatus” (figur 1 c). När jobben är färdiga, visas en ”hämta resultat”-knappen som tillåter användare att ladda ner segmentering resultaten som en zip-fil.
    4. Visualisera resultaten. För fristående, kan de volymer som erhållits från segmentering resultatet visualiseras online (ej genomförbar för batch-bearbetning resultat).
      1. Klicka på ”Visa resultat” i figur 1 c. Webbsidan kommer att Visa gränssnittet visualisering (figur 1 d). De axiella, sagittal och koronalt visningar av segmentering kartan är överlappade på T1-viktade anatomiska bilden. 3D-rendering av de segmenterade hjärnstrukturer visas i det övre vänstra fönstret. Färg av den överliggande segmenteringen karta indikerar den z-poängen av de strukturella volymerna.
      2. Justera alternativen visualisering, inklusive overlay ON/OFF, opaciteten av overlay, zooma in och ut och skära positioner från den övre högra panelen i figur 1 d.
      3. Gruppera finaste segmentering skiften i olika granularitet. I vår atlaser definierat vi fem nivåer av granularitet med två typer ontologi förbindelserna18,30. En trädvy av hierarkiska multi-level anatomiska definitionerna visas i den nedersta vänstra panelen (figur 1 d). Klicka på nivå siffrorna för att utvidga strukturerna på nivån motsvarande ontologi. Segmentering kartor växlar samtidigt till motsvarande ontologi nivå.
        Obs: Varannan månad MRICloud workshops är hjälp vid Johns Hopkins University School of Medicine att erbjuda praktisk handledning av online operationerna som beskrivs ovan. Workshop Information kan hittas från https://braingps.mricloud.org/workshops.
    5. Ladda ner segmentering resultatet för efterföljande analys. Packa upp resultaten till en användare studie katalog, t.ex., sätta ihop segmentering resultaten från alla försökspersonerna i en studie katalog, var och en i sina enskilda ämne mappar.
      Obs: Resultaten omfatta
    • example.img: T1 originalbilden i axiell riktning.
    • example_MNI.img: T1 bild i MNI utrymme efter de Talairach koordinaterna.
    • example_7Labels.img och example_7Labels_MNI.img: grova segmentering med 7 skiften (grå, vit substans, cerebrospinalvätska, laterala ventrikeln, skalle och bakgrund) i native och MNI utrymme, respektive.
    • example_283Labels_M2.img och example_283Labels_M2_MNI.img: fin segmentering med 283 skiften (atlas version V9B) i inföding och MNI utrymme, respektive. Det exakta antalet etiketter beroende av atlas-versionen.
    • example_corrected_MNI_stats.txt och example_MNI_stats.txt: statistik av volymer av varje hjärna skiften i inföding och MNI utrymme.
    • multilevel_lookup_table.txt: Multilevel ontologi definition av skiftena som hjärnan.
  3. Utföra batch-bearbetning för att få hjärnan volymer i en population. Använd en in-house Matlab (www.mathworks.com) batch-bearbetning skript för att extrahera hjärnan volymer från individuella resultat mappar och kombinera volymetriska data i alla ämnen på alla granularitet nivåer till ett kalkylblad. Ett grafiskt användargränssnitt (GUI) används för att ange indata och utdata.
    1. Öppna Matlab.exe, köra Main.fig och en GUI vilja popmusik ute (figur 2A).
    2. I ”T1 volym utvinning från MRICloud” panel (övre panelen i figur 2A), ange ingångar, inklusive studie katalogen där den nedladdade segmentering sparas resultatet (se 1.2.5); och multi-level uppslagstabellen sökväg och filnamn.
    3. Ange utsignal kalkylblad sökväg och filnamn där volymen data kommer att skriva till.
    4. Klicka ”extrahera volym” för att köra analysen. Resultaten kan kontrolleras i användardefinierade kalkylbladet.
      Obs: dessutom en R-paketet är utvecklad att bearbeta MRICloud utgångar och utföra ytterligare statistisk analys, som tillhandahålls av Dr Brian Caffo31. Paketet kan hämtas från https://github.com/bcaffo/MRIcloudT1volumetrics.

2. ändra punkt analys av volymetriska Data

Obs: Vänligen se teori och matematiska Detaljer för förändring-punkt modellen till våra tidigare publikationer21,24,23. Kort, för HD data, en regressionsmodell upprättas för att definiera en kritisk förändring-punkt (i form av CAP Poäng), start från som den linjära regressionen mellan CAP och volymen blir statistisk signifikant, medan korrigera för effekter av patientens ålder, kön och intrakraniell volym. In-House Matlab skript, tillsammans med ett GUI (figur 2A, nedre panelen), utvecklades för att beräkna förändring-punkterna för enskilda strukturer och utföra statistisk analys. Skripten är tillgängliga för användare på begäran.

  1. Beräkna förändringen-Poäng för enskilda hjärnstrukturer.
    1. Ange sökväg och namn för det multilevel volym kalkylbladet som genereras enligt 1.3 i panelen ”ändra punkt analys” i figur 2A.
    2. Ange sökvägen och namnet på textfilen utdata som förändring-punkt resultaten skrivs till.
    3. Välj granularitet och typ av ontologi definition i den nedrullningsbara rutan (nivå 1-5), som den förändring-punkt-analysen ska utföras.
    4. Klicka på ”beräkna förändring-point” för att utföra den förändring-punkt-analysen, som beskrivs i referens23, och de resulterande förändring-punkterna sparas i text utdatafilen.
  2. Statistiska utvärderingar av förändring-punkter.
    1. I Matlab GUI (figur 2A, nedre panelen), ange parametrar för statistiska tester, inklusive antalet permutation (standard 10,000), antal bootstrap (standard 10 000) och p-värde tröskel (efter FDR korrigeringen, standard 0,05).
    2. Klicka ”statistiska test” för att köra tester. Efter detta steg, ska p-värde (genom permutation test), före och efter falskt-discovery rate (FDR) korrigering, samt standardavvikelsen och 95% konfidensintervallet (av bootstrap) förändring-punkter skrivas till utdatafilen text som extra kolumner . Se Detaljer för statistiska provningsmetoderna i23,24.
  3. Generera förändring-punkt kartor (tillval). Klicka på ”karta förändring-point”-knappen för att generera förändring-punkt kartor i Matlab GUI (figur 2A, nedre panelen). Statistiskt signifikant förändring-värden kommer att mappas på MNI-space anatomiska bilden att visualisera det rumsliga mönstret. Denna kartläggning kan göras på olika granularitet nivåer, beroende på den anatomiska nivå som anges i 2.1. Förändring-punkt kartor kan vara överlagrat på T1-viktade bilder med MRIcro (figur 2B), (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Med hjälp av procedurerna som beskrivs i 1.1-1.3, kan hela hjärnan segmentering kartor erhållas från MRICloud. I den nuvarande versionen av atlas (V9B), segmenteras 283 skiften på den finaste granularitet (nivå 5), som kan grupperas till olika nivåer av granularitet, t.ex., från halvklotet lobules och skiften, enligt specifika ontologi definitioner. Figur 3 visar två typer av multi-level segmenteringar på fem nivåer, i axial- och koronalt. Exempelvis på den grövsta nivån, skriver-jag segmentering definierar klassiskt hjärnregioner telencephalon, diencephalon, mesencephalon, metencephalon och myelencephalon (figur 3A), medan typ II definierar används kliniskt och radiologiskt reglar av halvklot, lillhjärnan och hjärnstammen (figur 3B). Här använder vi typ II definitioner för följande analys, och vi i genomsnitt volymerna från vänster och höger halvklot, som det finns inga kända lateralitet i HD patologi.

Förändring-punkt analys av volymerna som hjärnan utförs utifrån resultaten segmentering, enligt avsnitt 2.1-2.2. I figur 4tar vi de basala ganglierna som exempel att undersöka de relaterade förändring-punkterna på olika granularitet nivåer. 3D hierarkiska strukturella definitioner av basala ganglierna illustreras i den översta raden. Spridningsdiagram av förändring-punkt-analysen i enskilda strukturer visas i den nedersta raden, där de blå punkterna beteckna z-poängen av de strukturella volymerna från de premanifest HD-patienter (normaliserad till kontroller), efter korrigering för ålder, kön, och intrakraniell volymer; de svarta kurvorna är monterad volym z-poängen, regredierat av förändring-punkt komponenten i den modell23; och de röda linjerna visar positionerna för de upptäckta förändring-punkterna. På nivå 1, endast halvrunda separation är tillgänglig och motsvarande spridningsdiagrammet visar den hela hemisfären har en gradvis atrofi som CAP Poäng ökar, med en förändring-punkt i locket på 360 och 95% konfidensintervall [352.8, 367.2] (p = 0,011 efter FDR korrigering). På nivå 2, de basala ganglierna är en del av cerebral atomkärnor, och cerebral atomkärnor visar en förändring-punkt på CAP av 232 [227,7, 236,3] (p < 0,01 efter FDR). På nivå 3, basala ganglierna är en oberoende struktur och visar en förändring-punkt på CAP 233 [228.6, 237,4] (p < 0,01 efter FDR). På nivå 4, basala ganglierna är uppdelad i striatum och den globus pallidus, som ha förändring-Poäng vid CAP av 230 [225.6, 234,4] och 243 [238,6, 247,4], respektive (båda p < 0,01 efter FDR). På nivå 5, striatum är indelad i caudatus och putamen, som visar förändring-punkter på CAP av 240 [234,9, 245,1] och 211 [206,8, 215,2], respektive (båda p < 0,01 efter FDR).

När de enskilda förändringen-Poäng beräknas för alla hjärnstrukturer, kan hela-hjärnan rumsliga kartor förändring-punkter erhållas enligt 2.3. Figur 5 visar den förändring-punkten kartor på olika granularitet nivåer med typ II ontologiska definitioner. Observera att endast strukturerna med betydande förändring-Poäng (p < 0,05 efter FDR korrigering) mappas. På nivå 1, hela hjärnparenkymet (utom lillhjärnan) visar en betydande men relativt sent förändring-punkten på CAP av 360 [352,8, 367,2] (p = 0,011 efter FDR); cerebrospinalvätska (CSF, inklusive laterala ventrikeln, III och IV ventrikeln och sulci utrymme) visar en något tidigare ändra punkt på CAP på 319 [313.0, 325,0] (p = 0,022 efter FDR). Regioner med betydande förändring-punkter blivit mer lokaliserade som granularitet nivån går högre och rumsliga variansen börjar att avslöja. Exempelvis på nivå 3, den underlägsna vita substansen uppvisar en tidigare ändring-punkt (CAP = 305 [298,8, 311,2], p = 0,038 efter FDR), jämfört med den främre vita substansen (CAP = 371 [363,9, 378.1], p = 0,042 efter FDR). På nivå 5 bli skillnaderna mellan, caudatus, putamen och globus pallidus märkbar, med den putamen visar det tidigaste förändring-peka, följt av caudatus och globus pallidus.

De förändring-priserna beräknas som en procentsats av volymetriska förändringar (normaliserad till friska kontroller) per CAP poäng, efter den förändring-punkten. De förändring-priserna motsvarande strukturer mappas i figur 6, där de varma färgerna indikerar volymökningar i ventriklarna och sulci CSF och kalla färgerna anger volym minskar i hjärnparenkymet. På nivå 3 visar djup grå substans strukturer högsta förändring, följt av främre vit substans, och sedan sämre vit substans. På nivå 5 uppvisar de putamen och globus pallidus den snabbaste atrofi (0,1% volymetriska förlust per CAP), följt av den caudatus (0,07% per CAP). Detaljnivå går högre, blir de förändring-priserna högre i mer lokaliserade regioner.

Figure 1
Figur 1: Illustration av T1-vägd bild segmentering på MRICloud. (A) användning av Dcm2Analyzed.exe att konvertera DICOM-filer till Analyzed format och utföra avidentifiering. (B) webbsida för ”T1-MultiAtlas batchbearbetning”. (C) webbsida för ”min jobbstatus”. (D) webbsida för visualisering av segmentering resultat. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: grafiska användargränssnitt (GUI) att utföra volym analys och förändring-punkt analys. (A) Matlab GUI för batch extraktion av volymetriska data från MRICloud segmentering utgångar (övre panelen) och ändra punkt analys (nedre panelen). (B) MRICro gränssnitt för att visualisera förändring-punkt kartor. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: Atlas-baserade hela hjärnan segmentering på flera granularitet nivåer med två typer av ontologiska relationer. Axial- och koronalt visningar av multi-level segmentering kartor överdras på T1-viktade anatomiska bilder, enligt typ-I (A) och typ II (B) ontologiska definitioner. Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4: ändra punkt analys av basala ganglierna på flera nivåer av granularitet. Den hierarkiska anatomiska förbindelser mellan halvklotet (nivå 1), cerebral atomkärnor (nivå 2), basala ganglierna (nivå 3), striatum och globus pallidus (nivå 4), och putamen och caudatus (nivå 5) illustreras i den översta raden med 3D-rendering. Spridningsdiagram visar förändring-punkt analys av dessa strukturer, där de blå punkterna beteckna z-poängen för volymetrisk data (normaliserad till friska kontroller) efter korrigering för ålder, kön och intrakraniell volymer; de svarta kurvorna är monterade z-poängen, regredierat till förändring-punkt beroende CAP komponenten; och de röda linjerna visar positionerna för förändring-punkter. Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5: hela hjärnan förändring-punkt kartor på flera nivåer av granularitet. De regioner som visar betydande ändra punkter (5% FDR) mappas till en T1-vägd bild, och färgerna anger förändring-punkt värdena i enhet av CAP poäng. Förkortningar: WM:white fråga; LV: laterala ventrikeln; AntWM: främre vit substans; InfWM: sämre vit substans; BG: basala ganglierna; ST: striatum; GP: globus pallidus; ALIC: främre delen av den interna kapseln; PLIC: bakre delen av den interna kapseln; CAUD: caudatus; Sätta: putamen. Klicka här för att se en större version av denna siffra.

Figure 6
Figur 6: hela hjärnan förändring-kurs kartor på flera nivåer av granularitet. Förändring-priser beräknas som en procentsats av volymförändringar per CAP, efter den förändring-punkten (normaliserad till friska kontroller), i de regioner som visar betydande förändring-Poäng (5% FDR), mappad på en T1-vägd bild. Förkortningar: WM: vit substans; LV: laterala ventrikeln; AntWM: främre vit substans; InfWM: sämre vit substans; BG: basala ganglierna; ST: striatum; GP: globus pallidus; ALIC: främre delen av den interna kapseln; PLIC: bakre delen av den interna kapseln; CAUD: caudatus; Sätta: putamen. Klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Som visat i detta papper, kan hela-hjärnan segmentering av hjärnan MRI bekvämt uppnås med hjälp av vårt online-plattform MRICloud. T1-vägd MRI baserat volymetriska markör har visat sig vara robust och känsliga för ett utbud av neurodegenerativa sjukdomar1,2,3. De volymetriska åtgärderna används för olika nedströms analys, till exempel matematisk modellering och analys funktionen-urval och klassificering för att hjälpa klinisk diagnos och prognos. Förändring-punkt analys av hjärnan volymer kan kvantitativa karakterisering av hjärnan atrofi under sjukdomsförloppet. Denna statistiska analys sysselsätter en regressionsmodell med en ickelinjär komponent att definiera en förändring-punkt under hjärnan atrofi över en sjukdom index, t.ex., CAP Poäng i HD. jämfört med konventionella gruppen analys som är allmänt antas i de flesta befintliga studier, förändring-punkt modellen söker för exakta uppkomsten pekar av hjärnan atrofi, och därför erbjuder mer specifik information av hjärnans degeneration. Kombinera med en automatiserad hela-hjärnan segmentering pipeline, kan rumsliga kartor förändring-punkter erhållas, som avslöjar det spatiotemporal mönstret av sjukdomsprogression i HD. Detta är särskilt viktigt i den premanifest fasen av HD när terapeutiska interventioner kan vara mest effektiva.

I flera atlas baserad bild segmentering som hjärnan segmenteringar på flera granularities gör den volymetriska analysen flexibel och skalbar till olika studier. Exempelvis för Alzheimers sjukdom är flera små hjärnstrukturer av särskilt intresse, såsom Hippocampus, Amygdala eller underavdelningar av temporal cortex; medan för frontotemporal demens, undersöks hjärnor på relativt grova skalor, såsom hela frontal och temporala lober. Enligt vår tidigare studie33, kan segmentering precision och reproducerbarhet äventyras vid hög detaljnivå. Statistiska utmaningen för flera jämförelse skulle dessutom öka på högre detaljnivå, som visas i figur 5. Ett lämpligt val av atlas bibliotek, beroende på ålder utbud och sjukdom typer av studien, är dessutom viktigt för segmentering noggrannhet18,32. Förändring-punkt analysen kräver ett relativt stort antal data till utföra den regressionsanalys, t.ex., n > 50 behövs vanligen baserat på empirisk erfarenhet. Tolkning av förändring-punkt resultat beroende starkt av det statistiska testet, eftersom modellen kommer att producera en förändring-punkt för varje dynamisk data-serien, som ibland är obetydlig. Vi använde en permutation test för att utvärdera om tillägg av förändring-punkt minskar modellens kvarstående fel, och vi brukade bootstrap driften minska påverkan av extremvärden.

Det kan finnas variationer i förändring-punkt modellen beroende på specifika program. Exempelvis sjukdom index, som är CAP Poäng för HS-patienter, kan ersättas med andra kliniska variabler, eller helt enkelt ålder. Andra kovariater kan också inkluderas i modellen, såsom imaging protokoll23 och andra faktorer ska redovisas. Modellen är dessutom tillämplig på olika typer av biomarkörer bortom volymetriska markör, inklusive andra imaging markörer (från olika kontrast mekanismer såsom diffusion, perfusion eller funktionell MRI) och icke-imaging markörer. Matematisk formulering av modellen kan dessutom anpassas efter olika antaganden och hypoteser. För exempel, kan modellen innebära en baslinje linjär regression innan den förändring-punkten och en ytterligare linjär regression som uppstår efter den förändring-punkten, såsom föreslås i referens24.

Den föreslagna ändring-punkt analysen i kombination atlas-baserade hela-hjärnan segmentering kan ha breda tillämpningar i både kliniska och grundläggande naturvetenskapliga studier av neurodegenerativa sjukdomar. Ändå finns det begränsningar med de föreslagna teknikerna. De dynamiska förändringarna av biomarkörer kan inte vara linjär, och därmed, linjär komponent som används i den aktuella ändring-punkt-modellen kan inte vara optimal. Generell linjär modell kan potentiellt integreras för att hantera ickelinjär situationer. För det andra, förändring-punkt analysen kräver stor befolkning längsgående eller tvärsnittsdata data, till exempel de multicenter PREDICT-HD-data som används i denna studie. Annan bild förvärv protokoll, från multicenter studier eller longitudinella studier, kan införa en bias i volym mätningar. Vår Multi atlas bild segmentering pipeline har visat sig vara relativt robust protokoll skillnader, jämfört med biologiska effekter, såsom ålder och patologi34. Fortfarande, kan det vara nödvändigt att avlägsna protokoll skillnaden i förväg, eller inkluderar protokollet effekten som en av kovariater i förändring-punkt modellen som beskrivs i23. För närvarande nedströms volymetrisk analys ingår inte i MRICloud, och förbrukaren vilja behov till extraktet volymer från segmentering kartor eller Använd verktygsboxarna Matlab för att utföra flera granularitet volym analysen. Vi kan potentiellt integrera denna offline bearbetningssteg i rörledningen molnet i framtiden, om detta identifieras som en gemensam begäran av användare.

Den föreslagna ändring-punkt analysen i kombination atlas-baserade hela-hjärnan segmentering kan ha breda tillämpningar i både kliniska och grundläggande naturvetenskapliga studier av neurodegenerativa sjukdomar.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Vi tackar PREDICT-HD utredarna, särskilt, Dr. Hans Johnson och Dr Jane S. Pauslen från University of Iowa, för deras generositet i delning MRI data och konstruktiv diskussion på analys av data och resultat.

Detta arbete stöds av NIH beviljar R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 och 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

Medicin fråga 136 förändring-punkt MRI atlas segmentering granularitet MRICloud premanifest HD
Hela-hjärnan segmentering och ändra punkt analys av anatomiska hjärnan MRI — tillämpning i Premanifest Huntingtons sjukdom
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