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 Change-point analyse af anatomiske hjerne MRI-program i premanifeste Huntington's chorea

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 papir beskriver en statistisk model for volumetriske MRI dataanalyse, som identificerer "change-point" når hjernen atrofi begynder i premanifeste Huntington's chorea. Hele-brain mapping change-point er opnået baseret på hjernen diskenheder fremstillet ved hjælp af en atlas-baserede segmentering pipeline af T1-vægtede billeder.

Abstract

De seneste fremskridt i Mr tilbyder en bred vifte af nyttige markører til at identificere neurodegenerative sygdomme. I Huntington's chorea (HD), regionale brain atrofi begynder mange år før den motor indtræden (under perioden "premanifeste"), men det spatiotemporelle mønster af regionale atrofi på tværs af hjernen ikke er blevet fuldt karakteriseret. Her viser vi en online cloud-computing platform, "MRICloud", som giver atlas-baserede hele-hjerne segmentering af T1-vægtede billeder på flere nuanceret niveauer, og dermed giver os adgang til de regionale funktioner i hjernen anatomi. Derefter beskriver vi en regressionsmodel der registrerer statistisk signifikant bøjning points, hvor regionale brain atrofi begynder at blive mærkbar, dvs "change-point", med hensyn til en sygdom progression indeks. Vi brugte CAG-alder produkt (CAP) score for at indeksere sygdomsprogression i HD-patienter. Change-point analyse af de volumetriske målinger fra segmentering pipeline, derfor giver vigtige oplysninger af orden og mønster af strukturelle atrofi på tværs af hjernen. Papiret illustrerer brugen af disse teknikker på T1-vægtet MRI data premanifeste HD emner fra en stor multicenter PREDICT-HD-studiet. Dette design har potentielt bred programmer i en række neurodegenerative sygdomme til at undersøge de dynamiske ændringer i hjernens anatomi.

Introduction

Magnetisk resonans imaging (MR) er væsentligt forbedret vores evne til at undersøge hjernen anatomi og funktioner i neurodegenerative sygdomme1,2,3. T1-vægtet strukturelle Mr er en af mest udbredte vedtaget afbildningsværktøjer i rutinemæssig klinisk praksis at vurdere hjernens anatomi og relaterede patologi. Kvantitativ analyse af de T1-vægtede billeder med høj opløsning giver nyttige markører for at måle anatomiske ændringer under hjernen degeneration. Især segmentering baseret kvantificering tilgange effektivt reducerer billede dimensionalitet fra voxel niveau (for på (106)) til anatomiske strukturelle niveau ((102)) for høj overførselshastighed neuroinformatics4 , 5. automatiseret hjernen segmentering kan opnås ved hjælp af atlas-baserede metoder6,7,8,9 , der kort forud definerede anatomiske etiketterne fra en atlas på de patient billeder . Blandt metoderne atlas-baseret har multi atlas algoritmer10,11,12,13,14 givet superior segmentering nøjagtighed og robusthed. Vores gruppe har udviklet en fuldt automatiseret T1 multi atlas segmentering pipeline, med avancerede diffeomorft billede registrering algoritmer15, multi atlas fusion metoder16,17, og rige multi atlas biblioteker 18. rørledningen er blevet fordelt på en cloud-computing platform, MRICloud19, siden 2015, og det har været brugt til at studere neurodegenerative sygdomme såsom Alzheimers sygdom (AD)20,21, primære Progressive afasi22, og Huntington's chorea23.

Når billeder med høj opløsning er opdelt i hjernestrukturer, kan regionale funktioner, såsom diskenheder, bruges til at opstille matematiske modeller for at karakterisere de neuroanatomical forandringer. En ændring-punkt analysemetode, der for nylig er oprettet af vores gruppe til at analysere den tidsmæssige rækkefølge, hvor statistisk signifikant hjernen morfometrisk ændringer forekomme, baseret på langsgående og/eller tværsnits MRI data. Denne statistiske model blev først udviklet for at kvantificere form-baseret diffeomorphometry over alder AD patienter21,24 og det blev senere tilpasset for at undersøge hjerne strukturelle ændringer i Huntington's chorea (HD), samt at beskrive hjernen udviklingsmæssige ændringer i neonatal hjerner25. I HD-patienter, blev change-point defineret med hensyn til CAG-alder produkt (CAP) score, som en indikator for omfanget af eksponering til CAG udbygningen i HTT 26. Det er velkendt at striatal atrofi er en af de tidligste markører i HD, efterfulgt af globus pallidus27. Endnu uklart, ændringer i striatum i forhold til andre grå og hvid sag strukturer på tværs af hjernen. Sådanne forhold er afgørende for os at forstå sygdomsprogression. Ændring-punkt analyse af volumetriske ændringer i alle hjernestrukturer vil sandsynligvis give systematisk information af brain atrofi i premanifeste fase af HD.

Her viser vi procedurerne til at udføre hele-hjerne segmentering ved hjælp af MRICloud (www.mricloud.org), og trin til at udføre ændringer-punkt analyse af volumetriske data i premanifeste HD emner. Mr data blev indsamlet fra en stor population multicenter PREDICT-HD studere28,29 med ca. 400 kontrol og premanifeste HD emner. Kombinationen af atlas-baserede segmentering og change-point analyse bringer unikke oplysninger om spatiotemporelle rækkefølgen af de strukturelle ændringer i hjernen, og sygdommen progression mønster på tværs af hjernen. Teknikkerne er potentielt gælder for en række neurodegenerative sygdomme med forskellige biomarkører at kortlægge hjernen degeneration.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Atlas-baserede hele hjernen segmentering

  1. Dataforberedelse
    1. Konvertere tredimensional (3D) T1-vægtede billeder, typisk erhverves med MPRAGE (magnetisering forberedt hurtige gradient-ekko) sekvens, fra leverandør-specifikke DICOM (Digital Imaging og kommunikation) format til Analyzed format. Bemærk, at skyen beregning kræver brugernes data skal overføres til eksterne klynger. Ifølge Health Insurance mobilitet og Accountability Act (HIPPA), skal du fjerne patienternes personlige identifikationsoplysninger fra billedfiler.
      Bemærk: MRICloud tilbyder en DICOM-at analysere converter (https://braingps.mricloud.org/t1prep) for fil formatkonvertering samt afrimnings identifikation af personlige sundhedsoplysninger.
      1. Dobbeltklik for at åbne Dcm2Analyze.exe. Der åbnes et popupvindue (figur 1A).
      2. Angiv input DICOM-data biblioteksstien som input og analyseret billede sti og filnavnet som output.
      3. Klik på "OK" for at fuldføre konverteringen.
        Bemærk: Konvertering skal udføres for hver enkelt patient, og det ville være gavnligt at udlæse alle konverterede billeder i én undersøgelse mappe til batch-behandling (1.2.2.1).
  2. Multi atlas baseret T1 billedsegmentering ved hjælp af MRICloud19.
    1. Log-in "Hjernen GPS" (registret for første gang brugere) fra https://mricloud.org. Vælg "Segmentering" værktøj fra hovedmenuen (figur 1B). Der er to application programming interface (API) indstillinger under "Segmentering": "T1-MultiAtlas" for enkelt T1 billedsegmentering, og "T1-MultiAtlas parti" til batchafvikling. Change-point analyse kræver stor befolkningsdata, og dermed, batchbehandling er ofte valget.
    2. Indsende arbejdspladser på "T1-MultiAtlas parti" API.
      1. Komprimere flere Analyzed billedfiler i en zip-fil. Klik på "+ .zip" i figur 1B til at uploade zip-filen.
        Bemærk: Den aktuelle Sky portal begrænser antallet af billeder til 30 i hver zip mappe. Store datasæt kan opdeles i flere zip mapper skal behandles. Specielle ønsker kan gøres til at rumme flere billeder pr zip-fil. I fremtiden, kan vi potentielt øge begrænset antallet eller endda fjerne grænsen når mere fjerntliggende beregningsmæssige ressourcer bliver tilgængelige.
      2. Udfyld de obligatoriske felter i figur 1B.
        1. Behandling server: Vælg "Computational anatomi videnskab Gateway".
        2. Udsnitstype: Vælg fra "Sagittale", "Axial" eller "Sagittale konverteret til aksial".
          Bemærk: "Sagittale" henviser til billeder erhvervet med sagittal orientering med i plan visning i Anterior-Posterior og hoved-fods retninger. "Axial" henviser til billeder erhvervet aksial retning med i plan visning i venstre-højre og Anterior-Posterior retninger. "Sagittale konverteret til aksial" henviser til billeder, der var oprindeligt erhvervet i aksial retning men senere konverteres til sagittal billeder (dem er typisk "Axial" billeder med lang hals-området).
        3. Multi atlas bibliotek: Vælg atlas bibliotek med nærmeste aldersgruppe til brugerdata til at optimere segmentering nøjagtighed. Vi leverer forudindstillede multi atlas datasæt18 med forskellige aldersintervaller, fx "Pediatric 4-8 år", "Pediatric 8-12yr", "voksen 22-50", og "voksen 50-90", såvel som forskellige atlas versioner. Information om atlas versioner kan findes i https://braingps.mricloud.org/atlasrepo.
    3. Kontrollere jobstatus via "Min jobstatus" (figur 1 c). Når jobbene er færdig, vises en "Hent resultater" knappen at tillader brugernes hen til dataoverføre segmentering resultaterne som en .zip-fil.
    4. Visualisere resultaterne. For Enkeltfag, de mængder, der er fremstillet af segmentering resultatet kan visualiseres online (ikke muligt for batchbehandling resultater).
      1. Klik på "Se resultatet" knappen i figur 1 c. Websiden vil henvende sig til visualisering interface (figur 1 d). De aksiale, sagittal og koronale udsigt over segmentering kort er overlappet på T1-vægtede anatomiske billedet. 3D rendering af segmenterede hjernestrukturer er vist i det øverste venstre vindue. Farve af overliggende segmentering kort angiver z-score på de strukturelle diskenheder.
      2. Justere visualisering muligheder, herunder overlay ON/OFF, opacitet af overlay, zoome ind og ud og skær positioner fra den øverste højre panel i figur 1 d.
      3. Gruppere fineste segmentering parceller i forskellige granularitet. I vores atlasser definerede vi fem niveauer af granularitet med to typer ontologi forbindelser18,30. En trævisning af de hierarkiske multi-level anatomiske definitioner er vist i nederste venstre panel (fig. 1 d). Klik på det niveau numre for at udvide strukturerne på tilsvarende ontologi niveau. Segmentering kort skifter samtidig til det tilsvarende ontologi niveau.
        Bemærk: Bi-månedlige MRICloud workshops er hjælp på Johns Hopkins University-School of Medicine at tilbyde hands-on tutorials online aktiviteter beskrevet ovenfor. Workshop oplysninger kan findes fra https://braingps.mricloud.org/workshops.
    5. Download segmentering resultaterne til efterfølgende analyse. Unzip resultater til undersøgelse brugermappe, f.eks., tilsammen segmentering resultater fra alle fag i én undersøgelse directory, hver i deres individuelle emne mapper.
      Bemærk: Resultaterne omfatter
    • example.img: T1 originalbilledet i aksial retning.
    • example_MNI.img: T1 billede i MNI plads efter Talairach koordinater.
    • example_7Labels.img og example_7Labels_MNI.img: grove segmentering med 7 parceller (grå materie, hvide substans, cerebrospinalvæske, lateral ventrikel, kraniet og baggrund) i native og MNI plads, henholdsvis.
    • example_283Labels_M2.img og example_283Labels_M2_MNI.img: fine segmentering med 283 parceller (atlas version V9B) i native og MNI plads, henholdsvis. Det nøjagtige antal etiketter afhænger atlas version.
    • example_corrected_MNI_stats.txt og example_MNI_stats.txt: statistik bind af hver hjerne pakker i native og MNI plads.
    • multilevel_lookup_table.txt: Multilevel ontologi definition af hjernen parceller.
  3. Udfør batchbehandling for at få hjernen mængder i en befolkning. Brug en in-house Matlab (www.mathworks.com) batchbehandling script for at udtrække hjernen diskenheder fra individuelle resultatet mapper og kombinere den volumetriske data i alle fag på alle granularitet niveauer til et regneark. En grafisk brugergrænseflade (GUI) bruges til at angive input og output.
    1. Åben Matlab.exe, køre Main.fig, og en GUI vil affyre ud (figur 2A).
    2. I "T1 volumen udtræk fra MRICloud" panel (øverste panel i figur 2A), angive indgange, herunder mappen undersøgelse hvor den downloadede segmentering resultater er gemt (Se 1.2.5); og multi-level opslagstabellen fil sti og filnavn.
    3. Angive output regneark stien og filnavnet hvor den volumen, data skrive til.
    4. Klik på "Extract volumen" for at køre analysen. Resultater kan kontrolleres i den brugerdefinerede regneark.
      Bemærk: derudover en R pakke er udviklet til MRICloud udgange og udføre yderligere statistisk analyse, af Dr. Brian Caffo31. Pakken kan downloades fra https://github.com/bcaffo/MRIcloudT1volumetrics.

2. change-point analyse af volumetriske Data

Bemærk: Se venligst teori og matematiske detaljer om ændring-punkts model vores tidligere publikationer21,24,23. Kort, for HD data, en regressionsmodel er etableret for at definere en kritisk ændring-punkt (i form af CAP score), startende fra som den lineære regression mellem CAP og volumen bliver statistisk signifikant, mens korrigere for virkningerne af patientens alder, køn og intrakranielle volumen. In-House Matlab scripts, sammen med en GUI (figur 2A, nederste panel), blev udviklet for at beregne change-point for individuelle strukturer og statistisk analyse. Scripts er tilgængelige for brugere på anmodning.

  1. Beregn change-point for individuelle hjernestrukturer.
    1. Angiv filstien og -navnet på multilevel volumen regneark, der oprettes ifølge 1.3 i panelet "Change-point analyse" i figur 2A.
    2. Angiv filstien og -navnet på output tekstfil, hvilke ændringer-punkt resultater vil blive skrevet til.
    3. Vælg niveauet af nøjagtighed og type af ontologi definition i drop-down boks (niveau 1-5), på hvilke ændringer-punkt analyse vil blive udført.
    4. Klik "Beregn ændringer-punkt" knappen skal udføre ændringer-punkt analyse, som beskrevet i henvisning23, og de deraf følgende ændring-point vil blive gemt i output tekstfil.
  2. Statistiske evalueringer af change-point.
    1. I Matlab GUI (figur 2A, nederste panel), skal du angive parametre for statistiske test, herunder antal permutation (standard 10.000), antallet af bootstrap (standard 10.000) og p-værdi tærskel (efter FDR korrektion, standard 0,05).
    2. Klik på "Statistiske test" for at køre de pågældende test. Efter dette trin, vil p-værdi (af permutation test), før og efter false-opdagelse sats (FDR) korrektion, samt standardafvigelse og 95% konfidensinterval (af bootstrap) change-point blive skrevet til filen output tekst som ekstra kolonner . Se detaljer om statistiske testprocedurer i23,24.
  3. Generere forandring-punkt kort (valgfrit). I Matlab GUI (figur 2A, nederste panel), skal du klikke på "Kort forandring-punkt"-knappen for at generere ændringer-punkt kort. Statistisk signifikant ændring-point-værdier vil blive kortlagt på MNI-rum anatomiske billede til at visualisere den rumlige mønster. Denne tilknytning kan gøres på forskellige granularitet niveauer, afhængig af de anatomiske angivet i punkt 2.1. Ændring-punkt kort kan overlejres på T1-vægtede billeder ved hjælp af MRIcro (figur 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Ved hjælp af procedurerne i 1.1-1.3, kan hele hjernen segmentering kort fås fra MRICloud. I den aktuelle version af atlas (V9B), 283 parceller er opdelt på de fineste granularitet (niveau 5), som kan grupperes til forskellige niveauer af nøjagtighed, fx., fra halvkugle lobules og parceller, ifølge specifikke ontologi definitioner. Figur 3 viser to former for multi-level segmenter på fem niveauer, i aksial og koronale udsigt. For eksempel, på det groveste niveau, Skriv-jeg segmentering definerer klassisk hjerneregioner telencephalon, diencephalon, mesencephalon, metencephalon og myelencephalon (figur 3A), mens Type-II definerer klinisk og radiologisk brugte konventioner hjernehalvdele, lillehjernen og hjernestammen (figur 3B). Her bruger vi Type-II definitioner for den følgende analyse, og vi den gennemsnitlige mængder fra de venstre og højre hjernehalvdel, så der er ingen kendte lateralitet i HD patologi.

Ændring-punkt analyse af hjernen diskenheder udføres baseret på resultater segmentering efter afsnit 2.1-2.2. I figur 4tager vi de basale ganglier som et eksempel til at undersøge de relaterede change-point på forskellige granularitet niveauer. De 3D hierarkisk strukturelle definitioner af basale ganglier er illustreret i den øverste række. Scatter parceller af ændringer-punkt analyse i individuelle strukturer er vist i den nederste række, hvor de blå prikker betegne z-score af de strukturelle bind fra de premanifeste HD patienter (normaliseret til kontrol), efter korrektion for alder, køn, og intrakraniel mængder; sorte kurver er monteret volumen z-score, svandt til komponenten change-point i model23; og de røde linjer angiver de fundne forandringer-punkternes. På niveau 1, kun halvkugleformet adskillelse er tilgængelig, og den tilsvarende scatter plot viser den hele halvkugle har en gradvis atrofi som CAP score stigninger, via en ændring på CAP af 360 og 95% konfidensinterval på [352.8, 367.2] (p = 0.011 efter FDR korrektion). På niveau 2, de basale ganglier er en del af de cerebrale kerner, og cerebral kerner viser en ændring-punkt på CAP af 232 [227.7, 236.3] (p < 0,01 efter FDR). På niveau 3, basale ganglier er en uafhængig struktur og det viser en ændring-punkt på CAP 233 [228.6, 237.4] (p < 0,01 efter FDR). På niveau 4, basale ganglier er opdelt i striatum og globus pallidus, som har change-point på CAP 230 [225.6, 234.4] og 243 [238.6, 247.4], henholdsvis (både p < 0,01 efter FDR). På niveau 5, striatum er yderligere opdelt i spiegelske og putamen, som viser forandringer-punkter på CAP 240 [234.9, 245.1] og 211 [206.8, 215.2], henholdsvis (både p < 0,01 efter FDR).

Når de enkelte ændringer-punkter er beregnet for alle hjernestrukturer, kan hele-hjerne rumlige kort forandring-point opnås efter 2.3. Figur 5 viser ændringer-punkt kort på forskellige granularitet niveauer med Type-II ontologiske definitioner. Bemærk, at kun strukturerne med betydelig ændring-point (p < 0,05 efter FDR korrektion) er tilknyttet. På niveau 1, hele hjernen parenkym (undtagen cerebellum) viser en betydelig, men relativt sent Skift-punkt på CAP af 360 [352.8, 367.2] (p = 0.011 efter FDR); cerebrospinalvæske (CSF, herunder lateral ventrikel, III og IV ventrikel og sulci plads) viser en lidt tidligere ændring punkt på CAP af 319 [313.0, 325.0] (p = 0,022 efter FDR). Regioner med betydelig ændring-point bliver mere lokaliserede som granularitet niveau går højere, og den rumlige varians begynder at afsløre. For eksempel, på niveau 3, den ringere hvide substans udstiller en tidligere ændring-punkt (CAP = 305 [298.8, 311.2], p = 0,038 efter FDR), i forhold til den forreste hvide substans (CAP = 371 [363.9, 378.1], p = 0.042 efter FDR). På niveau 5 blive forskelle blandt putamen, spiegelske, og globus pallidus mærkbar, med putamen viser den tidligste change-point, efterfulgt af den spiegelske og globus pallidus.

Ændring-satser er beregnet som procent af volumetriske ændringer (normaliseret til raske kontrolpersoner) pr. CAP score, efter ændring af-punkt. Ændring-satser for de tilsvarende strukturer er kortlagt i figur 6, hvor de varme farver indikerer volumen øges i hjertekamrene og sulci CSF og kolde farverne angiver volumen falder i hjernen parenkym. På niveau 3 viser de dybe grå materie strukturer højeste ændring sats, efterfulgt af den forreste hvide substans, og derefter ringere hvide substans. På niveau 5 udviser putamen og globus pallidus hurtigste atrofi (0,1% volumetriske tab pr. CAP), efterfulgt af den spiegelske (0,07% pr. CAP). Da granulering går højere, blive Skift-priser højere i mere lokaliserede regioner.

Figure 1
Fig. 1: Illustration af T1-vægtet billedsegmentering på MRICloud. (A) brugen af Dcm2Analyzed.exe til at konvertere DICOM-filer til Analyzed format og udføre de identifikation. (B) webside for "T1-MultiAtlas batchbehandling". (C) webside for "Min jobstatus". (D) webside for visualisering af segmentering resultater. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2: grafisk User Interface (GUI) til at udføre volumen analyse og change-point analyse. (A) Matlab GUI for batch udvinding af volumetriske data fra MRICloud segmentering udgange (øverste panel) og change-point analyse (nederste panel). (B) MRICro grænseflade til at visualisere ændringer-punkt kortene. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3: Atlas-baserede hele hjernen segmentering på flere nuanceret niveauer med to typer af ontologiske relationer. Aksial og koronale udsigt over multi-level segmentering maps er overlejret på T1-vægtede anatomiske billeder, ifølge Type-jeg (A) og Type II (B) ontologiske definitioner. Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4: ændringer-punkt analyse af de basale ganglier på flere nuanceret niveauer. Hierarkisk anatomiske relationer mellem halvkugle (niveau 1), cerebral kerner (niveau 2), basale ganglier (niveau 3), striatum og globus pallidus (niveau 4), og putamen og spiegelske (niveau 5) er illustreret i den øverste række med 3D rendering. Scatter parceller demonstrere ændringer-punkt analyse af disse strukturer, hvor de blå prikker betegne z-score af volumetriske data (normaliseret til raske kontrolpersoner) efter korrektion for alder, køn og intrakraniel mængder; sorte kurver er de monteret z-score, svandt til ændring-punkt afhængige CAP komponent; og de røde linjer angiver ændring-punkternes. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5: hele hjernen ændringer-punkt kort på flere nuanceret niveauer. De regioner, der vise betydelig ændre punkter (på 5% FDR) er kortlagt på en T1-vægtet billede, og farverne angiver change-point-værdier i enhed af CAP score. Forkortelser: WM:white sag; LV: lateral ventrikel; AntWM: forreste hvide substans; InfWM: ringere hvide substans; BG: basale ganglier; ST: striatum; GP: globus pallidus; ALIC: forreste lemmer af interne kapsel; PLIC: bageste lemmer af interne kapsel; Caud: spiegelske; Sætte: putamen. Venligst klik her for at se en større version af dette tal.

Figure 6
Figur 6: hele hjernen ændring-sats kort på flere nuanceret niveauer. Ændring-satser er beregnet som procentdel af volumen ændringer pr. CAP, efter ændring-punkt (normaliseret til sund kontrol), i de regioner, der vise betydelig ændring-point (på 5% FDR), afbildet på en T1-vægtet billede. Forkortelser: WM: hvide substans; LV: lateral ventrikel; AntWM: forreste hvide substans; InfWM: ringere hvide substans; BG: basale ganglier; ST: striatum; GP: globus pallidus; ALIC: forreste lemmer af interne kapsel; PLIC: bageste lemmer af interne kapsel; Caud: spiegelske; Sætte: putamen. Venligst klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Som påvist i dette papir, kan hele-hjerne segmentering af hjerne Mr bekvemt opnås ved hjælp af vores online platform MRICloud. T1-vægtet MRI baseret volumetriske markør har vist sig for at være robust og følsom over for en række neurodegenerative sygdomme1,2,3. De volumetriske foranstaltninger anvendes til forskellige downstream analyse, såsom matematisk modellering og analyse af funktion-udvælgelse og klassificering til at bistå klinisk diagnose og prognose. Ændring-punkt analyse af hjernen diskenheder giver kvantitative karakterisering af brain atrofi i løbet af sygdomsprogression. Denne statistiske analyser beskæftiger en regressionsmodel med en ikke-lineær komponent til at definere en ændring-point i løbet af brain atrofi over en sygdom indeks, f.eks., CAP score i HD. i forhold til konventionelle gruppe analyse, der er udbredt i de fleste eksisterende undersøgelser, Skift-punkts model søger for de nøjagtige debut point af brain atrofi, og derfor tilbyder mere specifikke oplysninger af hjernen degeneration. Ved at kombinere med en automatiseret hele-hjerne segmentering pipeline, kan rumlige kort forandring-punkter fås, som afslører den spatiotemporelle mønster af sygdomsprogression i HD. Dette er især vigtigt i den premanifeste fase af HD, når terapeutiske indgreb kan være mest effektive.

I den mange--atlas baseret billedsegmentering leveres hjernen segmenter på flere granularities for at gøre volumetrisk analyse, fleksibel og skalerbar til forskellige undersøgelser. For eksempel, for Alzheimers sygdom er flere små hjernestrukturer af særlig interesse, såsom Hippocampus, Amygdala eller underopdelinger af temporale cortex; for frontotemporal demens, hjerner er undersøgt på relativt grove skalaer, såsom hele frontal og tidsmæssige lapper. Efter vores tidligere undersøgelse33, kan segmentering præcision og reproducerbarhed blive kompromitteret på høj detaljeringsgrad. Desuden, ville den statistiske udfordring for flere sammenligning øge på højere detaljeringsgrad, som vist i figur 5. Derudover er et passende valg af atlas biblioteker, afhængigt af alder vifte og sygdom typer af undersøgelsen, vigtigt for segmentering nøjagtighed18,32. Change-point analyse kræver et forholdsvis stort antal data til at foretage regressionsanalyse, f.eks., n > 50 er normalt behov baseret på empiriske erfaringer. Fortolkningen af ændringer-punkt resultater afhængig stærkt den statistiske test, fordi modellen vil producere en ændring-punkt for dataserierne dynamiske, som undertiden er ubetydelig. Vi brugte en permutation test til at vurdere, om tilsætning af ændringer-punkt reducerer den model resterende fejl, og vi brugte bootstrap operationen for at afbøde indflydelse af outliers.

Der kan være variationer til ændring-punkts model afhængigt af specifikke programmer. For eksempel sygdom indeks, som er fælles landbrugspolitik score for HD-patienter, kan erstattes med andre kliniske variabler, eller blot alder. Andre kovariater kan også indgå i modellen, som imaging protokoller23 og andre faktorer regnskabsføres. Desuden, modellen er gældende for forskellige typer af biomarkører ud over volumetriske markør, herunder andre billeddiagnostiske markører (fra forskellige kontrast mekanismer som diffusion, perfusion eller funktionel MRI) og ikke-imaging markører. Derudover kan den matematiske formulering af modellen tilpasses forskellige antagelser og hypoteser. For eksempler, kan modellen indebære en baseline lineær regression før ændringen-punkt og en yderligere lineær regression, der opstår efter ændring-punkt, som foreslået i reference24.

Den foreslåede ændring-punkt analyse i kombination atlas-baserede hele-hjerne segmentering kan har bredt programmer i både klinisk og grundlæggende videnskabelige studier af neurodegenerative sygdomme. Alligevel er der begrænsninger med de foreslåede teknikker. De dynamiske ændringer af biomarkører kan ikke være lineær, og dermed, lineære komponent, som anvendes i den aktuelle ændring-punkts model kan ikke være optimal. Generaliserede lineære model kan potentielt blive integreret til at håndtere ikke-lineære situationer. For det andet kræver ændring-punkt analyse stor befolkning langsgående og/eller tværsnits data, såsom multicenter PREDICT-HD data anvendt i denne undersøgelse. Andet billede erhvervelse protokoller, fra multicenter studier eller longitudinelle studier, kan pålægge en bias i volumen målinger. Vores multi atlas billede segmentering pipeline har vist sig for at være relativt robust protokol forskelle i forhold til biologiske effekter, såsom alder og patologi34. Alligevel kan det være nødvendigt at fjerne protokol forskellen på forhånd, eller medtage protokollen virkning som en af kovariater i forandring-punkts model som beskrevet i23. I øjeblikket, downstream volumetrisk analyse er ikke inkluderet i MRICloud, og brugernes vil savn hen til uddrag diskenheder fra segmentering maps eller bruge vores Matlab værktøjskassen til at udføre flere granularitet volumen analyse. Vi kan potentielt integrere denne offline behandlingstrin i skyen pipeline fremover, hvis dette er identificeret som en fælles anmodning af brugere.

Den foreslåede ændring-punkt analyse i kombination atlas-baserede hele-hjerne segmentering kan har bredt programmer i både klinisk og grundlæggende videnskabelige studier af neurodegenerative sygdomme.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Vi takker PREDICT-HD efterforskere, særligt, Dr. Hans Johnson og Dr. Jane S. Pauslen fra University of Iowa, for deres gavmildhed i at dele MRI data og konstruktiv debat om dataanalyse og resultater.

Dette arbejde støttes af NIH tilskud 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

Medicin sag 136 Change-point Mr atlas segmentering granulering MRICloud premanifest HD
Hele-hjerne segmentering og Change-point analyse af anatomiske hjerne MRI-program i premanifeste Huntington's chorea
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