Summary
이 종이 체적 MRI 데이터 분석, 뇌 위축 premanifest Huntington의 질병에에서 시작 될 때 "변화 포인트"를 식별에 대 한 통계 모델을 설명 합니다. 전체 뇌 매핑 변경 포인트의 T1 가중치 이미지의 아틀라스 기반 분할 파이프라인을 사용 하 여 얻은 뇌 볼륨을 기반으로 이루어집니다.
Abstract
MRI의 최근 발전 다양 한 신경 퇴행 성 질환을 식별 하기 위해 유용한 마커를 제공 합니다. Huntington의 질병 (HD), 지역 뇌 위축 (기간 "premanifest"), 모터 개시 전에 많은 년을 시작 하지만 뇌에 걸쳐 지역 축의 spatiotemporal 패턴 완전히 특징 되지 있다. 여기는 온라인 클라우드 컴퓨팅 플랫폼, "MRICloud"는 여러 세분성 수준 T1 가중치 이미지의 전체 두뇌 세분화 아틀라스-기반을 제공 하 고, 두뇌 해부학의 지역 기능에 액세스할 수 있습니다 설명 합니다. 우리는 다음 회귀 모델 통계적 굴절 포인트, 어느 지역 뇌 위축, 눈에 띄는 시작 검색 즉 "변경-포인트", 질병 진행 인덱스에 대해 설명합니다. 우리는 HD 환자에서 질병의 진행을 색인 CAG 세 제품 (모자) 점수를 사용 합니다. 변경-포인트 분석 세분화 파이프라인에서 체적 측정의 따라서 두뇌에 걸쳐 순서와 구조 위축의 패턴의 중요 한 정보를 제공합니다. 종이 큰 되 예측 HD 연구에서 premanifest HD 과목의 T1 가중치 MRI 데이터에 이러한 기술의 사용을 보여 줍니다. 이 디자인은 잠재적으로 두뇌 해부학의 동적 변화를 조사 하기 위해 신경 퇴행 성 질환의 범위에서 다양 한 응용 프로그램을 있다.
Introduction
자기 공명 영상 (MRI)은 실질적으로 우리의 능력을 뇌 해부학 및 신경 퇴행 성 질환1,2,3기능 검사를 강화 했다. T1-가중치 구조 MRI는 가장 널리 중 두뇌 해부학과 관련 된 병 리 평가 하 일상적인 임상 연습에서 이미징 도구 채택. T1-가중치 고해상도 이미지의 정량 분석 뇌 변성 동안 해부학 적 변화를 측정 하는 유용한 마커를 제공 합니다. 특히, 세분화를 기반으로 정량화 방법 효과적으로 감소 시킨다 이미지 차원 복 수준에서 (의 순서에 (106)) 해 부 구조 수준 ((102)) 높은 처리량 neuroinformatics4 , 5. 자동 뇌 세분화 아틀라스 기반 방법6,7,8,9 환자 이미지에 아틀라스에서 미리 정의 된 해 부 라벨을 매핑하는 사용 하 여 달성 될 수 있다 . Atlas 기반 방법 중에서 멀티 아틀라스 알고리즘10,11,12,,1314 는 우수한 세분화 정확성과 견고 함을 얻지 못했다. 우리의 그룹 고급 diffeomorphic 이미지 등록 알고리즘15, 멀티 아틀라스 퓨전 방법16,17및 풍부한 멀티 아틀라스 라이브러리와 완전 자동화 된 T1 멀티 아틀라스 세분화 파이프라인을 개발 했습니다. 18. 파이프라인 2015, 이후 MRICloud19, 클라우드 컴퓨팅 플랫폼에 배포 되었습니다 그리고 Alzheimer의 질병 (광고)20,21, 주 같은 신경 퇴행 성 질환 연구에 사용 된 진보적인 실어증22, 그리고23Huntington의 질병.
고해상도 이미지는 뇌 구조에 세그먼트는, 일단 신경 해부학 변화 특성을 수학적 모델을 확립 하 볼륨, 같은 지역 기능을 사용할 수 있습니다. 변경 점 분석 방법 최근 분석 하는 통계적으로 중요 한 두뇌 형태학 변화 발생, 경도 및 횡단면 MRI 데이터에 따라 시간적 순서에 우리의 그룹에 의해 설립 되었다. 이 통계 모델 광고 환자21,24; 세 이상 모양 기반 diffeomorphometry 척도를 처음 개발 되었다 그리고 헌팅턴의 질병에서 (HD), 또한 신생아 두뇌25에 뇌 발달 변화를 설명으로 뇌 구조 변화를 조사 하기 위해 나중에 적응 했다. HD 환자, 변화 포인트 HTT 26에 CAG 확장에 노출의 넓이의 지시자로 CAG 세 제품 (모자) 점수에 존경으로 정의 했다. 그것은 잘 알려진 striatal 위축 hd, globus pallidus27다음 초기 마커 중 하나입니다. 그러나, 두뇌에서 다른 회색 및 흰색 물질 구조에 관하여가 변화 불분명 남아. 이러한 관계 질병의 진행을 이해 하기 위해 결정적 이다. 모든 두뇌 구조에 체적 변화의 변화 포인트 분석 가능성이 뇌 위축 HD의 premanifest 단계에서의 체계적인 정보를 제공 합니다.
여기 우리는 MRICloud (www.mricloud.org), 및 단계를 사용 하 여 premanifest HD 과목에서 메트릭 데이터의 변화 포인트 분석을 수행 하는 모든 두뇌 세분화를 수행 하는 절차를 보여 줍니다. MRI 데이터는 큰 인구 multicenter에서 수집 된 예측-HD28,29 약 400 컨트롤 및 premanifest HD 과목 공부. Atlas 기반 세분화 및 변화 포인트 분석의 조합을 뇌에서 뇌 구조 변화와 질병 진행 패턴의 spatiotemporal 순서에 대 한 독특한 정보를 제공합니다. 기술은은 잠재적으로 뇌 변성을 매핑하는 데 다양 한 생체와 신경 퇴행 성 질환의 범위에 적용 됩니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 아틀라스-기반 뇌 세분화
- 데이터 준비
- 3 차원 (3D) T1 가중치 이미지 변환, Analyzed 형식 공급 업체 특정 DICOM (디지털 이미징 및 통신) 형식에서 MPRAGE (자화 준비 빠른 그라데이션-에코) 시퀀스, 일반적으로 취득 합니다. 구름 계산에서는 사용자의 데이터를 원격 클러스터 전송할 수 note. 건강 보험 이동성 및 책임 Act (HIPPA) 이미지 파일에서 환자의 개인 식별 정보를 제거 합니다.
참고: MRICloud 파일 포맷 변환 뿐만 아니라 개인 건강 정보의 드 식별 분석 DICOM 변환기 (https://braingps.mricloud.org/t1prep)를 제공합니다.- Dcm2Analyze.exe 열을 두 번 누릅니다. (그림 1A) 팝업 창이 제공 됩니다.
- 입력 및 출력으로 Analyzed 이미지 경로 파일 이름으로 입력된 DICOM 데이터 디렉터리 경로 지정 합니다.
- "이동" 변환 완료를 클릭 합니다.
참고: 변환 각 개별 환자에 대 한 수행 해야 하 고 일괄 처리 (1.2.2.1)에 대 한 한 연구 폴더에 모든 변환 된 이미지를 출력 하기 위해 도움이 될 것 이다.
- 3 차원 (3D) T1 가중치 이미지 변환, Analyzed 형식 공급 업체 특정 DICOM (디지털 이미징 및 통신) 형식에서 MPRAGE (자화 준비 빠른 그라데이션-에코) 시퀀스, 일반적으로 취득 합니다. 구름 계산에서는 사용자의 데이터를 원격 클러스터 전송할 수 note. 건강 보험 이동성 및 책임 Act (HIPPA) 이미지 파일에서 환자의 개인 식별 정보를 제거 합니다.
- 멀티 아틀라스 MRICloud19를 사용 하 여 T1 이미지 세분화를 기반으로 합니다.
- 로그에서 "두뇌 GPS" (처음 사용자 등록) https://mricloud.org에서. 메인 메뉴 (그림 1B)에서 "분할" 도구를 선택 합니다. 응용 프로그램 프로그래밍 인터페이스 (API) 옵션 "세분화" 두 가지: "T1-MultiAtlas" 단일 T1 이미지 세분화 및 "T1 MultiAtlas 배치"에 대 한 일괄 처리에 대 한. 변경-포인트 분석 큰 인구 데이터를 요구 하 고, 일괄 처리는 종종 선택.
- "T1 MultiAtlas 배치" api 작업을 제출 합니다.
- Zip 파일에 여러 개의 Analyzed 이미지 파일을 압축. 클릭 "+.zip" zip 파일 업로드 그림 1B 에서.
참고: 현재 클라우드 포털 30 각 zip 폴더에 있는 이미지의 수를 제한합니다. 큰 데이터 집합 처리를 여러 개의 zip 폴더에 분리 수 있습니다. 특별 한 요청 zip 파일 당 더 많은 이미지에 맞게 만들 수 있습니다. 미래에, 우리가 수 있습니다 잠재적으로 제한 된 수 늘리거나 심지어 더 많은 원격 전산 자원을 사용할 수 있게 때 한계를 제거 합니다. - 그림 1B에서 필수 필드를 입력 합니다.
- 처리 서버: "전산 해부학 과학 게이트웨이"를 선택 하십시오.
- 분할 영역 유형: 선택 "화살", "축", 또는 "화살 축 변환"에서.
참고: "화살"은 이미지 앞쪽 후부에 머리 발 방향에서 평면 보기와 화살 방향으로 획득 합니다. "축" 왼쪽 오른쪽 및 앞쪽-후부 방향에 비행기에서 볼 수 있는 이미지 획득 축 방향을 가리킵니다. "화살 축 변환" 원래 축 방향에 인수 했지만 나중에 (그는 긴 목 부분으로 일반적으로 "축" 이미지) 화살 이미지 변환 이미지를 말합니다. - 멀티 아틀라스 라이브러리: 세분화 정확도 최적화 하기 위해 사용자 데이터에 가장 가까운 나이 범위와 아틀라스 라이브러리를 선택 하십시오. 다른 나이 범위, 예를 들어, "소아 4-8 년", "소아 8-12 년" 미리 멀티 아틀라스 데이터 집합18 제공 "성인 22-50", 및 "성인 50-90", 뿐만 아니라 다른 아틀라스 버전. Atlas 버전에 대 한 정보는 https://braingps.mricloud.org/atlasrepo에서 찾을 수 있습니다.
- Zip 파일에 여러 개의 Analyzed 이미지 파일을 압축. 클릭 "+.zip" zip 파일 업로드 그림 1B 에서.
- "내 작업 상태"를 통해 작업 상태를 확인 (그림 1C). 작업이 완료 되 면 "다운로드 결과" 버튼.zip 파일로 세분화 결과 다운로드 하는 사용자 수 있도록 표시 됩니다.
- 결과 시각화. 단일 주제에 대 한 볼륨 세분화 결과에서 얻은 온라인 구상 될 수 있다 (일괄 처리 결과 대 한 가능 하지).
- 그림 1C에서 "결과 보기" 버튼을 클릭 합니다. 웹 페이지는 시각화 인터페이스 (그림 1D)에 돌 것 이다. 세분화 지도의 축, 화살, 및 코로나 보기 T1 가중치 해부학 이미지에 겹쳐 있다. 세그먼트 두뇌 구조의 3 차원 렌더링 위 왼쪽된 창에 표시 됩니다. 색상 오버레이 세분화의 지도 구조 볼륨의 z 점수를 나타냅니다.
- 시각화 옵션을 ON/OFF, 불투명도 오버레이 오버레이 포함 하 여 조정, 확대 / 축소 하 고 그림 1D에 오른쪽 상단 패널에서 위치를 슬라이스.
- 다른 세분성으로 최고의 세분화 소포를 그룹화 합니다. 우리의 지도에 5 단계의 두 종류 온톨로지 관계18,30세분성을 정의 했습니다. 트리 뷰 계층 다단계 해 부 정의의 하단 왼쪽된 패널 (그림 1D)에 표시 됩니다. 해당 온톨로지 수준에서 구조를 확장 수준 번호를 클릭 합니다. 세그먼트화 지도 동시에 해당 온톨로지 단계로 전환 됩니다.
참고: 이중 월별 MRICloud 워크샵은 존스 홉킨스 대학의과 대학에 위에서 설명한 온라인 작업의 실습 자습서를 제공 하는 도움. 워크샵 정보는 https://braingps.mricloud.org/workshops에서 찾을 수 있습니다.
- 이후 분석에 대 한 세분화 결과 다운로드 합니다. 예를 들어 사용자 연구 디렉터리에 결과 압축, 그들의 개별 주제 폴더에서 각각 한 연구 디렉터리에 모든 과목에서 세분화 결과 함께 넣어.
참고: 결과 포함
- example.img: 축 방향에 원래 T1 이미지.
- example_MNI.img: 다음 Talairach 좌표로 MNI 공간에서 T1 이미지.
- example_7Labels.img 및 example_7Labels_MNI.img: 네이티브에 7 소포 (회 백 질, 백 질, 중추 신 경계, 측면 뇌 실, 두개골, 및 배경)와 거친 세분화 및 MNI 공간, 각각.
- example_283Labels_M2.img 및 example_283Labels_M2_MNI.img: 네이티브 및 MNI 공간에서 283 소포 (atlas 버전 V9B)와 세분화를 각각 벌금. 라벨의 정확한 수는 아틀라스 버전에 따라 다릅니다.
- example_corrected_MNI_stats.txt 및 example_MNI_stats.txt: 통계 각 뇌의 볼륨의 네이티브 및 MNI 공간에 소포.
- multilevel_lookup_table.txt: 두뇌 소포의 다단계 온톨로지 정의.
- 인구에서 두뇌 볼륨을 일괄 처리를 수행 합니다. 개별 결과 폴더에서 두뇌 볼륨을 추출 하 고 모두에서 모든 과목의 체적 데이터를 결합 하는 스크립트를 처리 하는 사내 Matlab (www.mathworks.com) 일괄 세분성 레벨 스프레드시트를 사용 합니다. 그래픽 사용자 인터페이스 (GUI)는 입력 및 출력을 지정 하는 데 사용 됩니다.
- 오픈 Matlab.exe, Main.fig, 그리고 GUI를 실행 (그림 2A) 밖으로 나타납니다.
- "MRICloud에서"T1 볼륨 추출에서 패널 ( 그림 2A에서 상단 패널) 지정 연구 디렉터리를 포함 하 여 입력 어디에 다운로드 세분화 결과 (1.2.5 참조) 저장 됩니다. 그리고 다단계 조회 테이블 파일 경로 파일 이름.
- 데이터 볼륨에 작성 출력 스프레드시트 파일 경로 파일 이름을 지정 합니다.
- 분석을 실행 하려면 "볼륨 추출" 버튼을 클릭 합니다. 사용자 정의 된 스프레드시트에 결과 확인할 수 있습니다.
참고: 또한, R 패키지 프로세스는 MRICloud 출력 및 박사 브라이언 Caffo31에서 제공 하는 통계 분석을 더 수행 개발 된다. 패키지는 https://github.com/bcaffo/MRIcloudT1volumetrics에서 다운로드할 수 있습니다.
2. 변화 포인트 데이터 분석의 체적
참고: 참조 하십시오 이론 및 변경 점 모델의 수학 내용을 우리의 이전 간행물21,,2423. 간단히, HD 데이터를 회귀 모델 설립은 중요 한 변화 포인트를 조건 (모자), 점수는, 시작을 정의 모자 및 볼륨 사이의 선형 회귀 통계 된다 환자의 나이의 효과 대 한 수정 하는 동안 중요 한 성별, 고 intracranial 볼륨입니다. 개별 구조에 대 한 변화 포인트를 계산 하 고 통계 분석을 수행 하는 GUI (그림 2A, 하단 패널), 함께 사내 Matlab 스크립트 개발 되었다. 스크립트는 요청 시 사용자에 게 사용할 수 있습니다.
-
개인의 두뇌 구조에 대 한 변경-포인트를 계산 합니다.
- 그림 2A에서 "변경-포인트 분석" 패널에서 1.3에 따라 생성 되는 다단계 볼륨 스프레드시트의 이름과 파일 경로 지정 합니다.
- 파일 경로 변화 포인트 결과에 작성 되는 출력 텍스트 파일의 이름을 지정 합니다.
- 변경-포인트 분석을 수행 것입니다 하는에서 세분성 수준 (수준 1-5), 드롭 다운 상자에서 온톨로지 정의의 종류를 선택 합니다.
- 참조23, 그리고 결과 변경 포인트에 설명 된 대로 변경 포인트 분석을 수행을 "변화 포인트 계산" 버튼을 클릭 하면 출력 텍스트 파일에 저장 됩니다.
-
변경-포인트의 통계 평가입니다.
- Matlab GUI (그림 2A, 하단 패널)에서 (후에 루즈벨트 교정, 기본 0.05) 순열 (기본 10000)의 수, 부트스트랩 (기본 10000), 수 및 p-값이 임계값을 포함 하는 통계 테스트에 대 한 매개 변수를 지정 합니다.
- 테스트를 실행 하려면 "통계 테스트" 버튼을 클릭 합니다. 이 단계 후에 p-값 (순열 테스트), 거짓 발견 비율 (FDR) 교정, 표준 편차 및 변경-포인트 (부트스트랩)에 의해 95% 신뢰 구간 전후 기록 됩니다 출력 텍스트 파일에 추가 열으로 . 23,24통계 시험 절차의 내용을 참조 하십시오.
- (선택 사항) 변경-포인트 지도 생성 합니다. Matlab GUI (그림 2A, 하단 패널)에서 변경-포인트 지도 생성 하기 위해 "지도 변경-포인트" 단추를 클릭 합니다. 통계적으로 유의 한 변화 포인트 값 공간 패턴을 시각화 하는 MNI 공간 해부학 이미지에 매핑됩니다. 이 매핑은 2.1에서 지정 해 부 수준에 따라 서로 다른 세분성 수준에서 할 수 있습니다. 변경-포인트 지도 T1 가중치 이미지 MRIcro (그림 2B) (http://www.cabi.gatech.edu/mricro/mricro/)를 사용 하 여 중첩 될 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
1.1-1.3에서 설명 하는 절차를 사용 하 여 전체 두뇌 분할 지도 MRICloud에서 얻을 수 있습니다. 아틀라스 (V9B)의 현재 버전에서 283 소포 단위, 예를 들어서로 다른 수준으로 그룹화 할 수 있는 최고의 세분성 (레벨 5), 세그먼트는., 반구 lobules 및 특정 온톨로지 정의 따라 소포에서에서. 그림 3 축 및 코로나 보기에서 두 가지 유형의 5 단계로, 다단계 세그먼트를 보여준다. Coarsest 수준에서 예를 들어 입력-내가 세분화 유형 II 임상 및 방사선학 사용 정의 telencephalon, diencephalon, mesencephalon, metencephalon, 및 myelencephalon (그림 3A)의 고아 한 두뇌 지구를 정의 합니다. 반구, 소 뇌, 그리고 brainstem (그림 3B) 규칙 여기, 우리가 다음과 같은 분석에 대 한 유형-II 정의 사용 하 고 HD 병리학에서 없습니다 알려진된 치러야도 우리가 왼쪽과 오른쪽 반구에서 볼륨을 평균.
뇌 볼륨의 변화 포인트 분석 섹션 2.1-2.2에 따라 세분화 결과에 따라 수행 됩니다. 그림 4, 우리는 서로 다른 세분성 수준에서 관련된 변화 포인트를 검사 하는 예제로 기초 중추 걸릴. 기초 중추의 3 차원 계층적 구조 정의 맨 위 행에서 설명 됩니다. 개별 구조에 변화 포인트 분석의 점도 파란색 점 나이, 성별, 수정 후 premanifest HD 환자 (컨트롤 정규화)에서 구조 볼륨의 z 점수를 나타내는 아래쪽 행에 표시 되 고 intracranial 볼륨; 블랙 커브는 변화-포인트 구성 요소 모델23;에 역행 하는 장착된 볼륨 z-점수, 그리고 빨간색 라인 검색된 변경 포인트의 위치를 나타냅니다. 수준 1, 반구형 분리를 사용할 수 있으며 해당 점도 보여줍니다 전체 반구만은 점차 위축 모자 점수 증가의 360 및 95% 신뢰 구간의 모자에 변화 포인트 [352.8, 367.2] (p = 0.011 루즈벨트 후 수정)입니다. 수준 2, 기초 중추는 대뇌 핵의 일부 나타나고 대뇌 핵 변화 포인트 [227.7, 236.3] 232의 모자에서 (p < 루즈벨트 후 0.01). 수준 3, 기초 중추는 독립적인 구조 이며 그것은 233 [228.6, 237.4]의 모자에 변화 포인트를 보여준다 (p < 루즈벨트 후 0.01). 수준 4, 기초 중추는가 및 포인트가 변경-230 [225.6, 234.4]와 [238.6, 247.4], 243의 모자에서 각각 globus pallidus로 분할 된다 (두 p < 루즈벨트 후 0.01). 수준 5는가 나눠집니다 꼬리가 putamen 240 [234.9, 245.1] 및 [206.8, 215.2], 211의 모자에 변화 포인트를 각각 표시 하는 (두 p < 루즈벨트 후 0.01).
개별 변경 포인트는 모든 뇌 구조에 대 한 계산 됩니다, 일단 2.3 따라 변경 포인트의 모든 두뇌 공간 지도 얻을 수 있습니다. 그림 5 에서는 변경 포인트 유형 II ontological 정의 서로 다른 세분성 수준에서 지도. 참고만 중요 한 변경 점 구조 (p < 루즈벨트 보정 후 0.05) 매핑됩니다. 수준 1 (소 뇌)를 제외 하 고 전체 뇌 실질 중요 하지만 상대적으로 늦은 변화-포인트 360 [352.8, 367.2]의 모자에 표시 (p = 0.011 루즈벨트 후); 반면 뇌 척추 액체 (CSF, 측면 뇌 실, III 및 IV 심 sulci 공간 등) [313.0, 325.0] 319의 모자에 약간 이전 변경 시점 (p = 0.022 루즈벨트 후). 중요 한 변화-포인트 지역 될 세분성 수준이 높은, 공간 분산 공개 하기 시작 하는 대로 더 많은 지역화 된. 예를 들어, 수준 3, 열 등 한 백색 질 이전 변경 점 전시 (모자 305 [298.8, 311.2] = p = 0.038 루즈벨트 후), 이전 백색 질에 비해 (CAP = 371 [363.9, 378.1], p = 0.042 루즈벨트 후). 수준 5, putamen, 꼬리가, globus pallidus 간의 차이 초기 변화 포인트, 뒤에 꼬리가 및 globus pallidus 보여주는 putamen으로 눈에 띄게 된다.
변경 요금 변경 포인트 후 모자 점수 당 체적 변화 (건강 한 컨트롤에 정규화)의 백분율로 계산 됩니다. 해당 구조체의 변화 속도 그림 6, 어디 따뜻한 색상 표시 심과 sulci CSF의 볼륨 증가 하 고 차가운 색상 표시 뇌 실질에 볼륨 감소에에서 매핑됩니다. 수준 3, 깊은 회색 물질 구조 앞쪽 백색 질 및 다음 열 등 한 백 질 변화 비율을 표시 합니다. 수준 5 putamen 그리고 globus pallidus 빠른 위축 (모자 당 0.1% 체적 손실), 뒤에 꼬리가 (0.07% 모자 당) 전시. 세분성이 높은, 변경 요금 더 지역화 된 영역에 높은 될.
그림 1: MRICloud에 T1 가중치 이미지 세분화의 그림. (A) 사용의 Dcm2Analyzed.exe Analyzed 형식을 DICOM 파일을 변환 하 여 드 식별을 수행. "T1 MultiAtlas 일괄" 처리의 (B) 웹 "내 작업 상태"의 (C) 웹 세분화 결과의 시각화의 (D) 웹 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 2: 그래픽 사용자 인터페이스 (GUI) 볼륨 분석 수행 및 변화 포인트 분석. MRICloud 분할 출력 (위 패널) 및 변경 점 분석 (하단 패널)에서 체적 데이터의 일괄 추출의 (A) Matlab GUI (B) MRICro 인터페이스 변경 포인트 지도 시각화. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 3: 두 가지 유형의 존재론적 관계와 여러 세분성 수준에서 뇌 아틀라스 기반 세분화. 멀티 레벨 세분화 지도의 축 및 코로나 보기는 유형 T1 가중치 해부학 이미지에 겹쳐-내가 (A) 및 유형-II (B) 존재론적 정의. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 4: 여러 세분성 수준에서 기초 중추의 변화 포인트 분석. 반구 (레벨 1), 대뇌 핵 (레벨 2), 기초 중추 (수준 3) 계층 해 부 관계가 globus pallidus (레벨 4)와 putamen 및 꼬리가 (레벨 5)는 3D 렌더링으로 맨 위 행에서 설명. 점도 입증 파란색 점 나이, 성별, 그리고 intracranial 볼륨;에 대 한 수정 후 (건강 한 컨트롤에 정규화) 체적 데이터의 z 점수를 나타내는 이러한 구조의 변화 포인트 분석 블랙 커브는 장착된 z-점수, 되돌아간 변경 포인트 종속 모자 구성 요소; 그리고 빨간색 라인 변경 포인트의 위치를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 5: 뇌 변화 포인트 지도 여러 세분성 수준. 중요 한 표시 영역 변경 포인트 (5%에서 루즈벨트) T1 가중치 이미지에 매핑된 색상 모자 점수 단위로 변경-포인트 값을 나타냅니다. 약어: WM:white 문제; LV: 측면 뇌 실; AntWM: 이전 백색 질; InfWM: 열 등 한 백 질; BG: 기초 중추. ST:가; GP: globus pallidus; ALIC: 앞쪽 사지의 내부 캡슐. PLIC: 뒤 사지의 내부 캡슐. Caud: 꼬리가; 넣어: putamen. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 6: 여러 세분성 수준에서 뇌 변화 속도 지도. 변경 요금 중요 한 변경 점을 표시 되는 영역에 변경 점 (건강을 정규화 된 컨트롤), 후 모자, 당 볼륨 변경의 백분율로 계산 됩니다 (5%에서 루즈벨트), T1 가중치 이미지에 매핑된. 약어: WM: 백색 질; LV: 측면 뇌 실; AntWM: 이전 백색 질; InfWM: 열 등 한 백 질; BG: 기초 중추. ST:가; GP: globus pallidus; ALIC: 앞쪽 사지의 내부 캡슐. PLIC: 뒤 사지의 내부 캡슐. Caud: 꼬리가; 넣어: putamen. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 문서에 설명 된 대로 전체 두뇌 분할 뇌 MRI의 얻을 수 있습니다 편리 하 게 우리의 온라인 플랫폼 MRICloud를 사용 하 여. T1-가중치 기반 MRI 체적 마커 강력 하 고 다양 한 신경 퇴행 성 질환1,2,3에 민감한 것으로 나타났습니다. 체적 측정 수학적 모델링 및 기능 선택 및 분류 분석 등 다양 한 다운스트림 분석, 임상 진단 및 예 후를 돕기 위해 사용 됩니다. 뇌 볼륨의 변화 포인트 분석 질병의 진행 하는 동안 뇌 위축 증의 양적 특성을 수 있습니다. 이 통계 분석 질병 인덱스를, 예를 들면, 모자 점수 HD. 비교에서 가장에서 널리 채택 되는 기존의 그룹 분석을 통해 뇌 위축 과정 변화 포인트를 정의 하는 비선형 구성 요소를 사용 하 여 회귀 모델을 사용 하 여 기존 연구, 변화 포인트 모델 뇌 위축 증의 정확한 발병 포인트 및 따라서 뇌 변성의 좀 더 구체적인 정보를 제공 합니다. 자동화 된 모든 두뇌 분할 파이프라인으로 결합, 변경 점의 공간 지도 얻어질 수 있다는 HD에서 질병 진행의 spatiotemporal 패턴을 공개. 이 때 HD의 premanifest 단계에서 특히 중요 한 치료 적 중재는 가장 효과적일 수 있다.
멀티 아틀라스 기반된 이미지 세그먼트에서 여러 세분성에서 두뇌 세그먼트 유연 하 고 다양 한 연구를 확장 가능한 volumetric 분석 하도록 제공 됩니다. 예를 들어 Alzheimer의 질병에 대 한 몇 가지 작은 뇌 구조는 해 마, 편도 체, 또는 측 두 엽 피 질;의 세분 등 특별 한 관심의 반면 frontotemporal 치 매에 대 한 두뇌 전체 전 두 엽과 측 두 엽 등 비교적 굵고 비늘에서 검사 합니다. 우리의 이전 연구33에 따라 세분화 정밀도 재현성 높은 세분성에서 손상 될 수 있습니다. 또한, 그림 5와 같이 여러 비교 통계 도전 높은 세분성에서 증가할 것입니다. 또한, 연구의 나이 범위와 질병 유형에 따라 아틀라스 라이브러리의 적절 한 선택이 세분화 정확도18,32에 대 한 중요 합니다. 변경-포인트 분석이 상대적으로 많은 수의 데이터를 수행 하는 회귀 분석, 예를 들어, n > 50 일반적으로 필요한 실증적 경험에 따라. 변경-포인트 결과의 해석 모델 때로는 중요 하지 않은 모든 동적 데이터 계열에 대 한 변화 포인트를 생산할 예정 이다 때문에 통계 테스트에 무 겁 게 의존 합니다. 우리는 변화 포인트의 추가 크게 모델의 잔여 오류를 줄이고 우리 outliers의 영향을 완화 하기 위해 부트스트랩 작업을 사용 하는 여부를 평가 순열 테스트를 사용 합니다.
특정 응용 프로그램에 따라 변화 포인트 모델에 변형 될 수 있습니다. 예를 들어 HD 환자에 대 한 모자 점수는 질병 인덱스 다른 임상 변수 대체 될 수 있다 또는 단순히 나이. 다른 covariates 이미징 프로토콜23 같은 모델 및 다른 요인에 대 한 설명에 포함할 수 있습니다. 또한, 모델 (보급, 관류, 기능성 MRI 등 다른 대비 메커니즘)에서 다른 이미징 마커를 포함 한 체적 마커 및 비 영상 마커 넘어 생체의 다양 한 종류에 적용 됩니다. 또한, 모델의 수학 정립 다른 가정과 가설에 따라 적응 될 수 있다. 예를 들어, 모델 포함할 수 있다 변화 포인트 전에 기준선 선형 회귀 및 변경 시점 이후 발생 하는 추가적인 선형 회귀 참조24에서 같은.
조합 아틀라스 기반 모든 두뇌 세그먼트에서 제안 된 변경 포인트 분석 신경 퇴행 성 질환의 임상 및 기초 과학 연구 모두에서 다양 한 응용 프로그램을 가질 수 있습니다. 그러나, 제안된 되는 기법으로는 한계가 있다. 생체의 동적 변경, 선형 되지 않을 수 있습니다 그리고 그로 인하여, 현재 변화 포인트 모델에 사용 된 선형 구성 요소 최적의 않을 수 있습니다. 일반화 선형 모델 비선형 상황을 처리 하기 위해 잠재적으로 통합할 수 있습니다. 둘째, 변화 포인트 분석이이 연구에 사용 된 멀티 센터 예측-HD 같은 큰 인구 경도 및 횡단면 데이터를 필요 합니다. 멀티 센터 연구 또는 경도 연구에서 다른 이미지 수집 프로토콜, 볼륨 측정에 바이어스를 부과할 수 있습니다. 우리의 다중 아틀라스 이미지 세분화 파이프라인 프로토콜의 차이, 나이 및 병 리34등의 생물 학적 효과에 비해 상대적으로 강력한 수를 보이고 있다. 아직도, 그것은 프로토콜 차이 미리 제거 하거나23에 설명 된 대로 변경 포인트 모델 covariates의 하나로 프로토콜 효과 포함 하도록 필요할 수 있습니다. 현재, 다운스트림 volumetric 분석 MRICloud에 포함 되지 않습니다 그리고 사용자가 분할 지도에서 볼륨을 추출 하거나 우리의 Matlab 도구 상자를 사용 하 여 다중 세분성 볼륨 분석을 수행 해야 합니다. 우리 통합할 수 있습니다 잠재적으로이 오프 라인 처리 단계 클라우드 파이프라인으로 미래에이 사용자가 일반적인 요청으로 식별 되는 경우.
조합 아틀라스 기반 모든 두뇌 세그먼트에서 제안 된 변경 포인트 분석 신경 퇴행 성 질환의 임상 및 기초 과학 연구 모두에서 다양 한 응용 프로그램을 가질 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 없다.
Acknowledgments
우리는 예측 HD 조사를, 특히, 박사 한스 존슨과 아이오와의 대학에서에서 박사 제인 S. Pauslen MRI 데이터와 데이터 분석 및 결과에 대 한 건설적인 토론을 공유 그들의 관대 함에 감사 합니다.
이 작품은 NIH에서 지 원하는 보조금 R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, 및 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) |
References
- 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).
- Jack, C. R. Jr, et al. Hypothetical model of dynamic biomarkers of the Alzheimer's pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
- 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).
- Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31 (2013).
- 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).
- Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7 (2005).
- 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).
- 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).
- Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
- 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).
- Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
- 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).
- 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).
- 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).
- Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
- Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591 (2013).
- Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Vonsattel, J. P., et al. Neuropathological classification of Huntington's disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
- 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).
- 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).
- Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
- 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).
- 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).
- Huntington Study Group. Unified Huntington's Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
- Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533 (2015).
