Dette dokumentet beskriver en statistisk modell for volumetriske MRI dataanalyse, som identifiserer det “viser” når hjernen atrofi begynner i premanifest Huntingtons sykdom. Hele-hjerne kartlegging av endre-poeng oppnås basert på hjernen volumer får en atlas-basert segmentering rørledning T1-vektet bilder.
Nylige fremskritt innen MRI tilbyr en rekke nyttige indikatorer for å identifisere nevrodegenerative sykdommer. Huntingtons sykdom (HD), regionale hjernen atrofi begynner mange år før motor utbruddet (under “premanifest” perioden), men spatiotemporal mønster av regionale atrofi over hjernen ikke har vært fullt preget. Her viser vi en online cloud-computing plattform, “MRICloud”, som gir atlas-baserte hele-hjerne segmentering av T1-vektet bilder på flere nivåer nivåer, og dermed kan vi tilgang til regionale funksjoner hjernen anatomi. Vi beskriver en regresjonsmodell som oppdager statistisk signifikant Bøyning poeng, som regionale hjernen atrofi begynner å bli merkbar, dvs. det “viser”, med hensyn til en sykdom progresjon indeks. Vi brukte CAG-alder produkt (CAP) score indeksere sykdomsprogresjon i HD pasienter. Viser analyse av volumetriske målinger fra segmentering rørledningen, derfor inneholder viktig informasjon for den orden og mønster av strukturelle atrofi over hjernen. Papiret illustrerer bruken av disse teknikkene på T1-vektet MRI data av premanifest HD fag fra en stor FORUTSE-HD multisenterstudie. Denne utformingen har potensielt bred programmer i en rekke nevrodegenerative sykdommer å undersøke de dynamiske endringene av hjernen anatomi.
Magnetisk resonans imaging (MRI) har betydelig forbedret vår evne til å undersøke hjernen anatomi og funksjoner i nevrodegenerative sykdommer1,2,3. T1-vektet strukturelle Mr er en av mest vedtatt bildebehandlingsverktøy i rutinemessige klinisk praksis å vurdere hjernen anatomi og relaterte patologi. Kvantitativ analyse av T1-vektet oppløsning gir nyttige indikatorer for å måle anatomiske endringer under brain degenerasjon. Spesielt segmentering basert kvantifisering tilnærminger effektivt reduserer bildet dimensionality fra voxel nivå (på rekkefølgen av (106)) til anatomiske strukturelle nivå ((102)) for høy gjennomstrømming neuroinformatics4 , 5. automatisert hjernen segmentering kan oppnås med atlas-baserte metoder6,7,8,9 som forhåndsdefinerte anatomiske etikettene fra en atlas på pasienten bildene . Blant de atlas-baserte metodene, har flere atlas algoritmer10,11,12,13,14 gitt overlegen segmentering nøyaktighet og robusthet. Vår gruppe har utviklet en helautomatisk T1 multi atlas segmentering rørledning, med avanserte diffeomorphic bilde registrering algoritmer15, flere atlas fusion metoder16,17og rikt multi atlas biblioteker 18. rørledningen har blitt distribuert på en cloud-computing plattform, MRICloud19, siden 2015, og det har blitt brukt til å studere nevrodegenerative sykdommer, som Alzheimers sykdom (AD)20,21, primær Progressiv afasi22og Huntingtons sykdom23.
Når de høyoppløselige bildene er segmentert i hjernen strukturer, kan regionale funksjoner, for eksempel volumer, brukes til å opprette matematiske modeller for å karakterisere nevroanatomi endringene. En viser analysemetode ble nylig etablert av vår gruppe å analysere den timelige rekkefølgen, statistisk signifikant brain morphometric endringer, basert på langsgående og/eller cross-sectional MRI data. Denne statistiske modellen ble først utviklet for å kvantifisere form-basert diffeomorphometry over alder i AD pasienter21,24; og det ble senere gjort for å undersøke hjernen strukturelle endringer i Huntingtons sykdom (HD), samt å beskrive hjernen utviklingsmessige endringer i neonatal hjerner25. I HD pasienter, ble viser definert med hensyn til CAG-alder produkt (CAP) score, som en indikator på omfanget av eksponering for CAG utvidelsen i HTT 26. Det er kjent at striatal atrofi er en av de tidligste markørene i HD, etterfulgt av globus pallidus27. Likevel, endringene i striatum i forhold til andre grå og hvit sak strukturer i hjernen er fortsatt uklart. Slike forhold er avgjørende for oss å forstå sykdomsprogresjon. Viser analyse av volumetriske endringer i alle hjernen strukturer gir systematisk informasjon på hjernen atrofi i premanifest fase av HD.
Her viser vi fremgangsmåtene for å utføre hele-hjerne segmentering bruker MRICloud (www.mricloud.org), og skritt for å utføre viser analyse av volumetriske data i premanifest HD fag. Mr data var samlet inn fra en stor befolkning multisenter FORUTSE-HD studere28,29 med ca 400 kontroller og premanifest HD fag. Kombinasjonen av atlas-basert segmentering og viser analysen gir unik informasjon om spatiotemporal rekkefølgen av hjernen strukturelle endringer og sykdom progresjon mønster over hjernen. Teknikkene er potensielt gjelder en rekke nevrodegenerative sykdommer med ulike biomarkers tilordne brain degenerasjon.
Som vist i dette papiret, oppnås hele-hjerne segmentering av hjernen Mr enkelt ved hjelp av våre online plattform MRICloud. T1-vektet MRI basert volumetriske markør har vist seg for å være robust og sensitive for nevrodegenerative sykdommer1,2,3. Volumetrisk tiltak brukes for ulike nedstrøms analyse, som matematisk modellering og funksjon-utvalg og klassifisering for å hjelpe klinisk diagnose og prognose. Viser analyse av…
The authors have nothing to disclose.
Vi takker FORUTSE-HD etterforskerne, spesielt Dr. Hans Johnson og Dr. Jane S. Pauslen fra University of Iowa for sin generøsitet i deler MRI data og konstruktiv diskusjon om dataanalyse og resultater.
Dette arbeidet er støttet av NIH gir R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 og U01 NS082085.
MATLAB | Mathworks | N/A | Version 2015b and above |
Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |