Waiting
Login processing...

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

Medicine

Todo cerebro segmentación y análisis de punto de cambio anatómico cerebral MRI — aplicación asintomático enfermedad de Huntington

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

Este papel describe un modelo estadístico para el análisis de datos volumétrico MRI, que identifica el "punto de cambio" cuando la atrofia del cerebro comienza en presintomáticos la enfermedad de Huntington. Mapeo cerebral de conjunto de los puntos de cambio se logra basado en volúmenes cerebrales obtenidos mediante una tubería de segmentación basada en el atlas de imágenes de T1-weighted.

Abstract

Los recientes avances en RM ofrecen una variedad de marcadores útiles para identificar las enfermedades neurodegenerativas. La enfermedad de Huntington (HD), atrofia cerebral regional comienza muchos años antes de la aparición del motor (durante el período "asintomático"), pero el patrón espacio-temporal de atrofia regional en el cerebro no se ha caracterizado completamente. Aquí demostramos una plataforma online de cloud computing, "MRICloud", que proporciona el atlas entero del cerebro segmentación de imágenes de T1-weighted en varios niveles de granularidad y por lo tanto, nos permite acceder a las características regionales de la anatomía del cerebro. A continuación describimos un modelo de regresión que detecta puntos de inflexión estadísticamente significativa, en la que atrofia cerebral regional comienza a notarse, es decir, el "punto de cambio," con respecto a un índice de progresión de la enfermedad. Se utilizó la puntuación de producto (CAP) de CAG-edad para índice de la progresión de la enfermedad en pacientes con EH. Análisis de punto de cambio de las mediciones volumétricas de la tubería de la segmentación, por lo tanto, proporciona información importante de la orden y patrón de la atrofia estructural en el cerebro. El documento muestra el uso de estas técnicas en los datos de T1-weighted MRI de sujetos asintomáticos de HD de un gran estudio multicéntrico de PREDICT-HD. Potencialmente, este diseño tiene amplias aplicaciones en una variedad de enfermedades neurodegenerativas para investigar los cambios dinámicos de la anatomía del cerebro.

Introduction

La proyección de imagen de resonancia magnética (MRI) ha mejorado sustancialmente nuestra capacidad de examinar la anatomía del cerebro y funciones en neurodegenerativas enfermedades1,2,3. Estructural de T1-weighted que MRI es uno de los más ampliamente adoptado herramientas de imagen en la práctica clínica habitual para evaluar la anatomía del cerebro y la patología relacionada. Análisis cuantitativo de las imágenes de T1-weighted alta resolución proporciona marcadores útiles para medir cambios anatómicos durante la degeneración cerebral. En particular, enfoques de segmentación basado en la cuantificación efectivamente reduce la dimensionalidad de la imagen de voxel nivel (en la orden de (106)) a nivel estructural anatómico ((102)) para alto rendimiento Neuroinformática4 , 5. segmentación del cerebro automático se logra utilizando métodos basados en el atlas6,7,8,9 que mapean las etiquetas anatómicas previamente definidas de un atlas sobre las imágenes de paciente . Entre los métodos basados en el atlas, atlas múltiples algoritmos10,11,12,13,14 han producido segmentación superior precisión y robustez. Nuestro grupo ha desarrollado una tubería de varios atlas segmentación totalmente automatizada de T1, diffeomorphic avanzado imagen registro algoritmos15fusión atlas múltiples métodos16,17y ricas bibliotecas de varios atlas 18. la tubería se ha distribuido en una plataforma de cloud computing, MRICloud19, desde 2015, y se ha utilizado para el estudio de enfermedades neurodegenerativas como la enfermedad de Alzheimer (AD)20,21, primaria Afasia progresiva22y23de la enfermedad de Huntington.

Una vez que las imágenes de alta resolución están segmentadas en estructuras del cerebro, características regionales, tales como volúmenes, pueden utilizarse para establecer modelos matemáticos para caracterizar los cambios neuroanatomical. Un método de análisis de punto de cambio fue establecido recientemente por nuestro grupo para analizar el orden temporal, en el que estadísticamente significativo cerebro morfométricos cambios, basado en datos del MRI longitudinales y transversales. Este modelo estadístico fue desarrollado primero para cuantificar diffeomorphometry basada en la forma más años en AD pacientes21,24; y fue más tarde adaptado para investigar cambios estructurales en el cerebro en la enfermedad de Huntington (HD), así como para describir los cambios del desarrollo cerebral en el cerebro neonatal25. En pacientes con EH, se definió el punto de cambio con respecto a la puntuación de producto (CAP) de CAG-edad, como indicador del grado de exposición a la expansión de CAG en el HTT 26. Es bien sabido que la atrofia del estriado es uno de los primeros marcadores en HD, seguido por el globus pallidus27. Sin embargo, los cambios en el cuerpo estriado en relación con otras estructuras de la materia gris y blanca en el cerebro aún no está claro. Tal relación es crucial para comprender la progresión de la enfermedad. Análisis de punto de cambio de cambios volumétricos en todas las estructuras del cerebro probablemente proporcionará información sistemática de atrofia cerebral en fase asintomático de HD.

Aquí muestran los procedimientos para realizar la segmentación de todo el cerebro usando MRICloud (www.mricloud.org) y los pasos para realizar el análisis de punto de cambio de datos volumétricos en sujetos asintomáticos de HD. Los datos de MRI fueron recogidos de un estudio multicéntrico de gran población28,29 con aproximadamente 400 controles y sujetos asintomáticos de HD de estudio PREDICT-HD. La combinación de análisis de segmentación y punto de cambio basado en el atlas trae información única sobre el orden espacio-temporal de los cambios estructurales del cerebro y el patrón de progresión de la enfermedad en el cerebro. Las técnicas son potencialmente aplicables a una gama de enfermedades neurodegenerativas con varios biomarcadores a la degeneración del cerebro.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Atlas basada en todo el cerebro segmentación

  1. Preparación de datos
    1. Convertir tridimensionales (3D) imágenes de T1-weighted, normalmente adquiridas con secuencia de MPRAGE (preparado magnetización rápida gradiente eco-), de formato DICOM (Digital Imaging and comunicación) específicos de proveedores formato analizadas. Observe que el cómputo de nube requiere datos de los usuarios para transferir a grupos remotos. Según la Health Insurance Portability y Accountability Act (HIPPA), quitar la información de identificación personal de los pacientes de los archivos de imagen.
      Nota: MRICloud ofrece un conversor de DICOM a analizar (https://braingps.mricloud.org/t1prep) para la conversión de formato de archivo así como la identificación de información personal de salud.
      1. Haga doble clic para abrir Dcm2Analyze.exe. Abrirá una ventana de popup (figura 1A).
      2. Especificar la ruta de acceso de directorio de datos DICOM entrada como entrada y nombre de ruta de acceso y archivo de imagen analizadas como salida.
      3. Haga clic en "Go" para completar la conversión.
        Nota: La conversión debe realizarse para cada paciente, y que sería beneficioso para todas las imágenes se puede convertir en un estudio de carpeta para (1.2.2.1) de procesamiento por lotes de salida.
  2. Varios atlas basado en segmentación de imagen T1 utilizando MRICloud19.
    1. Inicie sesión en "GPS cerebral" (registro de usuarios de primera vez) de https://mricloud.org. Seleccione la herramienta de "Segmentación" en el menú principal (figura 1B). Hay dos opciones de aplicación programación interfaz (API) bajo "Segmentación": "T1-MultiAtlas" solo segmentación de la imagen de T1 y ""T1-MultiAtlas por lotes para procesamiento por lote. El análisis del punto de cambio requiere datos de población, y de tal modo, procesamiento por lotes es a menudo la elección.
    2. Enviar sus trabajos en API ""T1-MultiAtlas por lotes.
      1. Comprimir múltiples archivos de imagen analizadas en un archivo zip. Haga clic en "+ .zip" en la figura 1B para cargar el archivo zip.
        Nota: El portal de nube actual limita el número de imágenes a 30 en cada carpeta zip. Grandes conjuntos de datos pueden dividirse en varias carpetas del zip para ser procesados. Pedido especial se puede hacer para dar cabida a más imágenes al archivo zip. En el futuro, podemos aumentar potencialmente el número limitado o incluso eliminar el límite cuando disponga de más recursos computacionales.
      2. Rellene los campos requeridos en la figura 1B.
        1. Servidor de procesamiento: elegir "Gateway de ciencia anatomía computacional".
        2. Rodaja tipo: Elegir "Sagital", "Axial" o "Convertidas en Axial sagital".
          Nota: "Sagital" se refiere a imágenes adquiridas con orientación sagital con vista en el plano Anterior Posterior y cabeza-pie direcciones. "Axial" se refiere a la orientación axial de imágenes adquiridas con vista en el plano en dirección izquierda-derecha y Anterior-Posterior. "Sagital convertido a Axial" se refiere a imágenes que eran originalmente adquiridos en orientación axial pero convertidos más adelante a imágenes sagitales (ésos son típicamente "Axial" imágenes con el área del cuello largo).
        3. Biblioteca de varios atlas: elegir la biblioteca atlas con rango de edad más cercana a los datos del usuario para optimizar la precisión de la segmentación. Ofrecemos precompilados en conjuntos de datos múltiples atlas18 con rangos de edad diferentes, por ejemplo, "Pediatría 4-8 años", "Pediatría 8-12 años", "adulto 22-50", y "adulto 50-90", así como atlas diferentes versiones. Información sobre versiones de atlas puede encontrarse en https://braingps.mricloud.org/atlasrepo.
    3. Compruebe el estado del trabajo a través de "Mi condición de trabajo" (figura 1). Se acaban los puestos de trabajo, que permite a los usuarios descargar los resultados de la segmentación como un archivo .zip aparecerá un botón de "Descargar resultados".
    4. Visualizar los resultados. Para solo tema, se pueden visualizar en línea los volúmenes obtenidos el resultado de la segmentación (no factible para resultados de procesamiento por lotes).
      1. Haz clic en el botón "Ver resultado" en la figura 1. La página web se convertirá en la interfaz de visualización (figura 1). Las vistas axiales, sagitales y coronales de la mapa de segmentación se superponen sobre la imagen anatómica de T1-weighted. Render 3D de las estructuras del cerebro segmentado se muestran en la ventana superior izquierda. Color la segmentación de la sobreposición del mapa indica la puntuación z de los volúmenes estructurales.
      2. Ajuste las opciones de visualización, incluyendo recubrimiento ON/OFF, opacidad de la superposición, acercar y alejar y cortar puestos del panel derecho superior en la figura 1.
      3. Grupo mejores parcelas de la segmentación en diferente granularidad. En nuestros Atlas, se definieron cinco niveles de granularidad con dos tipos de relaciones ontología18,30. En el panel izquierdo inferior (figura 1) se muestra una vista de árbol de las definiciones anatómicas múltiples niveles jerárquicas. Haga clic en los números de nivel para ampliar las estructuras en el nivel correspondiente de la ontología. Los mapas de segmentación cambiará simultáneamente al nivel correspondiente de la ontología.
        Nota: Talleres bimestrales MRICloud son ayuda en Johns Hopkins University School of Medicine para ofrecer Tutoriales prácticos de las operaciones en línea que se describe anteriormente. Encontrará la información de taller de https://braingps.mricloud.org/workshops.
    5. Descargar los resultados de segmentación para el análisis posterior. Descomprimir los resultados a un directorio de estudio de usuario, por ejemplo, poner juntos los resultados de la segmentación de todos los temas en un estudio de directorio, cada uno en sus carpetas de tema individual.
      Nota: Los resultados son
    • Example.img: imagen T1 original en orientación axial.
    • example_MNI.img: imagen T1 en el espacio MNI siguiendo las coordenadas de Talairach.
    • example_7Labels.img y example_7Labels_MNI.img: segmentación gruesa con 7 paquetes (materia gris, materia blanca, líquido cerebroespinal, ventrículo lateral, cráneo y fondo) en nativo y MNI espacio, respectivamente.
    • example_283Labels_M2.img y example_283Labels_M2_MNI.img: fina segmentación con 283 parcelas (atlas versión V9B) nativo y MNI espacio, respectivamente. El número exacto de las etiquetas depende de la versión del atlas.
    • example_corrected_MNI_stats.txt y example_MNI_stats.txt: estadísticas de volúmenes de cada cerebro parcelas en nativo y MNI espacio.
    • multilevel_lookup_table.txt: definición de ontología de niveles múltiples de las parcelas de cerebro.
  3. Realizar el procesamiento por lotes para obtener volúmenes de cerebro en una población. Uso un interno Matlab (www.mathworks.com) procesamiento por lotes de comandos para extraer volúmenes cerebrales de carpetas resultado individual y combinar los datos volumétricos de todas las asignaturas en todos los niveles de granularidad a una hoja de cálculo. Una interfaz gráfica de usuario (GUI) se utiliza para especificar la entrada y salida.
    1. Abre Matlab.exe, ejecutar Main.fig y un GUI saltará (figura 2A).
    2. En la "extracción de volumen de T1 de MRICloud" panel (panel superior en la figura 2A), especifique las entradas, incluyendo el directorio de estudio dónde el descargar los resultados de segmentación se guardan (véase 1.2.5); y la búsqueda multinivel archivo ruta de acceso y nombre de la tabla.
    3. Especifique la hoja de cálculo archivo ruta de acceso y nombre de salida donde escribir el volumen de los datos.
    4. Haga clic en el botón "Extraer volumen" para ejecutar el análisis. Los resultados pueden comprobarse en la hoja de cálculo definido por el usuario.
      Nota: Además, se desarrolla un paquete de R al proceso de la MRICloud salidas y realizar otros análisis estadísticos, proporcionado por el Dr. Brian Caffo31. El paquete puede ser descargado de https://github.com/bcaffo/MRIcloudT1volumetrics.

2. punto de cambio análisis de los datos volumétricos

Nota: Consulte la teoría y los detalles matemáticos del modelo de punto de cambio de nuestras anteriores publicaciones21,24,23. Brevemente, para los datos del HD, un modelo de regresión se establece para definir un cambio-punto crítico (en términos de puntuación de la tapa), a partir de que, la regresión lineal entre la tapa y el volumen se convierte en estadística significativa, mientras que corregir los efectos de la edad del paciente, Género y el volumen intracraneal. En secuencias de comandos de Matlab, junto con una interfaz gráfica (figura 2A, panel inferior), fue desarrollado para calcular los puntos de cambio de estructuras individuales y realizar análisis estadístico. Las secuencias de comandos están disponibles para los usuarios a petición.

  1. Calcular los puntos de cambio de las estructuras cerebrales individuales.
    1. En el panel "análisis del punto de cambio" en la figura 2A, especifique la ruta del archivo y el nombre de la hoja de cálculo de volumen multinivel, que se genera según 1.3.
    2. Especificar la ruta del archivo y el nombre del texto del archivo de salida, que se escribirán los resultados de punto de cambio.
    3. Elegir el nivel de granularidad y el tipo de definición de la ontología en el cuadro de lista desplegable (nivel 1-5), en el que se realizará el análisis de punto de cambio.
    4. Haga clic en "Calcular punto de cambio" para realizar el análisis del punto de cambio, como se describe en la referencia23y los puntos de cambio resultantes se guardará en el archivo de texto de salida.
  2. Evaluaciones estadísticas de los puntos de cambio.
    1. En el GUI de Matlab (figura 2A, panel inferior), especificar parámetros para pruebas estadísticas, incluyendo el número de permutación (por defecto 10.000), número de manos a la obra (por defecto 10.000) y umbral de valor p (después de la corrección de la FDR, defecto 0.05).
    2. Haz clic en el botón "Estadístico de prueba" para ejecutar las pruebas. Después de este paso, el valor de p (por prueba de permutación), antes y después de falso descubrimiento tasa de corrección (FDR), así como la desviación estándar y el intervalo de confianza de 95% (de arranque) de los puntos de cambio se escribirá en el archivo de texto de salida como columnas adicionales . Ver detalles de los procedimientos de prueba estadística en23,24.
  3. Generar mapas de puntos de cambio (opcional). En el GUI de Matlab (figura 2A, panel inferior), haz clic en botón de "Punto de cambio de mapa" para generar mapas de puntos de cambio. Punto de cambio estadísticamente significativo valores se asignan a la imagen anatómica de MNI-espacio para visualizar el patrón espacial. Esta asignación puede hacerse en niveles de granularidad diferente, según el nivel anatómico especificado en 2.1. Los mapas de puntos de cambio pueden ser overlaid en imágenes de T1-weighted con MRIcro (figura 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Utilizando los procedimientos descritos en 1.1-1.3, todo cerebro segmentación mapas pueden obtenerse de MRICloud. En la versión actual de atlas (V9B), 283 parcelas están segmentadas en la granularidad más fina (nivel 5), que puede agruparse en diferentes niveles de granularidad, por ejemplo., del hemisferio en lóbulos y de la parcelas, según definiciones de ontología específica. La figura 3 muestra dos tipos de niveles múltiples segmentaciones en cinco niveles, en la vista axial y coronal. Por ejemplo, en el nivel más gruesas, tipo-segmentación define regiones del cerebro clásico del telencéfalo, diencéfalo, mesencéfalo, metencéfalo y parte del cerebro trasero (Figura 3A), mientras que el tipo-II define utilizado clínico y radiológico convenciones de hemisferios, cerebelo y tronco encefálico (figura 3B). Aquí, usamos las definiciones de tipo II para el siguiente análisis, y promedio de los volúmenes de los hemisferios izquierdos y derecho, como no conocida lateralidad en patología de la EH.

Análisis de punto de cambio de los volúmenes del cerebro se realizan en base a los resultados de segmentación, según la sección 2.1-2.2. En la figura 4, tomamos los ganglios basales como ejemplo para examinar los puntos de cambio relacionados niveles de granularidad diferente. Las definiciones estructurales jerárquicas 3D de los ganglios basales están ilustradas en la fila superior. Scatter diagramas de análisis de punto de cambio en las estructuras individuales se muestran en la fila inferior, donde los puntos azules indican las puntuaciones z de los volúmenes estructurales de los pacientes asintomáticos de HD (normalizados a los controles), después de corregir por edad, sexo, y volúmenes intracraneales; las curvas negras son el volumen ajustado puntajes z, regresados para el componente de punto de cambio en el modelo23; y las líneas rojas indican las posiciones de los puntos de cambio detectados. En el nivel 1, sólo hay separación hemisférica, y el correspondiente diagrama de dispersión muestra todo el hemisferio tiene una atrofia gradual como CAP puntuación aumenta, con un punto de cambio en el CAP de 360 y el 95% intervalo de confianza de [352.8, 367.2] (p = 0.011 después de FDR corrección). En el nivel 2, los ganglios basales es una parte de los núcleos cerebrales y los núcleos cerebrales muestra un punto de cambio en el CAP 232 [227.7, 236.3] (p < 0,01 después de FDR). En el nivel 3, los ganglios basales es una estructura independiente y muestra un punto de cambio en el CAP de 233 [228.6, 237.4m] (p < 0,01 después de FDR). En el nivel 4, los ganglios basales se divide en el cuerpo estriado y el pallidus del globus, que tienen un cambio en el CAP de 230 [225.6, 234.4] y 243 [238.6, 247.4], respectivamente (ambos p < 0.01 después de FDR). En el nivel 5, el cuerpo estriado se divide en caudado y putamen, que muestran puntos de cambio en el CAP de 240 [234.9, 245.1] y 211 [206.8, 215.2], respectivamente (ambos p < 0.01 después de FDR).

Una vez que los puntos de cambio individuales son calculados para todas las estructuras del cerebro, todo cerebro mapas espaciales de los puntos de cambio se pueden obtener según 2.3. Figura 5 muestra el punto de cambio en niveles de granularidad diferente con definiciones ontológicas del tipo II. Tenga en cuenta que sólo las estructuras con puntos de cambio significativos (p < 0,05 después de la corrección de FDR) se asignan. En el nivel 1, el parénquima del cerebro entero (excepto el cerebelo) muestra un punto de cambio importante pero relativamente tarde en el CAP de 360 [352.8, 367.2] (p = 0.011 después de FDR); mientras que el líquido cerebroespinal (CSF, incluyendo espacio de surcos, III y IV ventrículo y ventrículo lateral) muestra un punto de cambio ligeramente anterior en el CAP 319 [313.0, 325.0] (p = 0.022 después de FDR). Las regiones con puntos de cambio significativos se convierten más localizadas como el nivel de granularidad superiores, y la varianza espacial comienza a conocer. Por ejemplo, en el nivel 3, la materia blanca inferior exhibe un punto de cambio anterior (CAP = 305 [298,8, 311.2], p = 0.038 después de FDR), en comparación con la sustancia blanca anterior (CAP = 371 [363.9, 378.1], p = 0,042 después de FDR). En el nivel 5, las diferencias entre el putamen, caudado y pallidus del globus se hacen notorias, con el putamen mostrando el punto de cambio más temprano, seguido por el caudado y el globus pallidus.

Las tasas de cambio se calculan como el porcentaje de cambios volumétricos (normalizada a controles sanos) por puntuación de la tapa, después del punto de cambio. Las tasas de cambio de las estructuras correspondientes se asignan en la figura 6, donde los colores cálidos indican aumentos de volumen de ventrículos y surcos CSF y los colores fríos indican disminuciones de volumen en el parénquima cerebral. En el nivel 3, las estructuras de la materia gris profunda muestran mayor tasa de cambio, seguida de la anterior de la materia blanca y materia blanca entonces inferior. En el nivel 5, el putamen y globus pallidus exhiben la atrofia más rápida (0.1% pérdida volumétrica por tapa), seguida por el caudado (0.07% CAP). Según el nivel de detalle mayor, las tasas de cambio se convierten en mayor en las regiones más localizadas.

Figure 1
Figura 1: ilustración de la segmentación de la imagen de T1-weighted en MRICloud. (A) uso de Dcm2Analyzed.exe para convertir archivos DICOM a formato analizadas y realizar la identificación. (B) página web para el procesamiento de ""T1-MultiAtlas por lotes. (C) página web para "Mi condición de trabajo". (D) la página web para la visualización de los resultados de la segmentación. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: interfaz de usuario gráfica (GUI) para realizar análisis de volumen y cambio de punto de análisis. (A) GUI de Matlab para la extracción del lote de datos volumétricos de MRICloud salidas de segmentación (panel superior) y el análisis de punto de cambio (panel inferior). (B) MRICro interfaz para visualizar los mapas de puntos de cambio. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: segmentación basada en el Atlas de todo el cerebro en varios niveles de granularidad con dos tipos de relaciones ontológicas. Axiales y coronales vistas de mapas de varios niveles de segmentación son overlaid en imágenes anatómicas de T1-weighted, según el tipo de-I (A) y tipo II (B) definiciones ontológicas. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Análisis de punto de cambio de los ganglios basales en varios niveles de granularidad. El jerárquicas relaciones anatómicas entre el hemisferio (nivel 1), núcleos cerebrales (nivel 2), los ganglios basales (nivel 3), estriado y pallidus del globus (nivel 4) y putamen y caudado (nivel 5) se ilustran en la fila superior con la representación 3D. Los diagramas de dispersión muestran análisis de punto de cambio de estas estructuras, donde los puntos azules indican las puntuaciones z de los datos volumétricos (normalizadas a controles sanos) después de corregir por edad, sexo y volúmenes intracraneales; las curvas negras son las puntuaciones de z equipadas, regresadas al punto de cambio de componente tapa dependiente; y las líneas rojas indican las posiciones de los puntos de cambio. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: mapas de puntos de cambio de todo el cerebro en varios niveles de granularidad. Las regiones que muestran importantes cambian puntos (5% FDR) se asignan en una imagen de T1-weighted, y los colores indican los valores de punto de cambio en la unidad de puntuación del casquillo. Abreviaturas: Materia WM:white; LV: ventrículo lateral; AntWM: la materia blanca anterior; InfWM: la materia blanca inferior; BG: ganglios; ST: cuerpo estriado; GP: globus pallidus; ALIC: extremidad anterior de la cápsula interna; PLIC: extremidad posterior de la cápsula interna; Caud: caudado; Puesto: putamen. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: mapas de tasa de cambio de todo el cerebro en varios niveles de granularidad. Tasas de cambio se calculan como el porcentaje de cambios de volumen por CAP, después del punto de cambio (normalizada a sanos controles), en las regiones que muestran puntos de cambio significativos (5% FDR), asignados a una imagen de T1-weighted. Abreviaturas: WM: materia blanca; LV: ventrículo lateral; AntWM: la materia blanca anterior; InfWM: la materia blanca inferior; BG: ganglios; ST: cuerpo estriado; GP: globus pallidus; ALIC: extremidad anterior de la cápsula interna; PLIC: extremidad posterior de la cápsula interna; Caud: caudado; Puesto: putamen. Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Como se demuestra en este trabajo, segmentación de todo el cerebro de MRI del cerebro convenientemente posible utilizando nuestra plataforma online MRICloud. T1-weighted MRI base volumétrica marcador ha demostrado ser robusta y sensible a una gama de enfermedades de neurodegenerative1,2,3. Las medidas volumétricas se utilizan para diversos análisis posteriores, tales como modelos matemáticos y análisis de función de selección y clasificación para ayudar a pronóstico y diagnóstico clínico. Análisis de punto de cambio de los volúmenes del cerebro permiten caracterización cuantitativa de la atrofia del cerebro durante la progresión de la enfermedad. Este análisis estadístico emplea un modelo de regresión con un componente no lineal para definir un punto de cambio en el curso de la atrofia del cerebro sobre un índice de la enfermedad, por ejemplo, puntuación de CAP en HD en comparación con análisis de grupo convencional que es ampliamente adoptado en la mayoría los estudios existentes, el modelo de punto de cambio busca los puntos de inicio exacta de atrofia cerebral y por lo tanto, ofrece información más específica de degeneración cerebral. Combinando con una tubería automatizada segmentación de todo el cerebro, mapas espaciales de los puntos de cambio pueden obtenerse, que revelan el patrón espacio-temporal de la progresión de la enfermedad en HD. Esto es especialmente importante en la fase asintomático de HD cuando las intervenciones terapéuticas pueden ser más eficaces.

En la segmentación de la imagen basada en varios atlas, segmentaciones del cerebro en múltiples resulta se proporcionan para hacer el análisis volumétrico flexible y escalable para diversos estudios. Por ejemplo, la enfermedad de Alzheimer, varias estructuras pequeñas del cerebro son de particular interés, tales como hipocampo, amígdala o subdivisiones de la corteza temporal; mientras que para la demencia frontotemporal, cerebros se examinan en escalas relativamente gruesos, como los lóbulos temporal y frontal todo. Según nuestro estudio anterior33, la precisión de la segmentación y la reproducibilidad pueden verse comprometidas en alta granularidad. Además, el desafío estadístico para comparación múltiple aumentaría en mayor detalle, como se muestra en la figura 5. Además, una adecuada selección de las bibliotecas del atlas, dependiendo de edad rango de enfermedad los tipos y del estudio, es importante la segmentación precisión18,32. El análisis del punto de cambio requiere un número relativamente grande de datos para realizar el análisis de regresión, por ejemplo, n > 50 es necesario generalmente basada en experiencia empírica. Interpretación de los resultados de punto de cambio se basa pesadamente en la prueba estadística, porque el modelo va a producir un punto de cambio para cualquier serie de datos dinámicos, que a veces es insignificante. Se utilizó un test de permutación para evaluar si la adición de puntos de cambio reduce significativamente el error residual del modelo, y utilizamos la operación bootstrap para mitigar la influencia de afloramientos.

Puede haber variaciones al modelo de punto de cambio según aplicaciones específicas. Por ejemplo, el índice de la enfermedad, que es el resultado de CAP para pacientes con EH, se puede reemplazar con otras variables clínicas, o simplemente la edad. Otras covariables pueden también incluirse en el modelo, como imagen de protocolos23 y otros factores a ser contabilizados. Además, el modelo es aplicable a varios tipos de biomarcadores más allá de marcador volumétrico, entre otros marcadores de la imagen (de los mecanismos de contraste diferentes tales como la difusión, la perfusión o la RM funcional) y marcadores de imagen no. Además, la formulación matemática del modelo puede ser adaptada según hipótesis y supuestos diferentes. Por ejemplo, el modelo puede implicar una regresión lineal de la línea de base antes del punto de cambio y una regresión lineal adicional que ocurre después del punto de cambio, tal como propuesto en la referencia24.

El análisis de puntos de cambio propuestos en combinación atlas entero del cerebro segmentación puede tener amplias aplicaciones en ambos estudios de ciencia básica y clínica de las enfermedades neurodegenerativas. Sin embargo, existen limitaciones con las técnicas propuestas. Los cambios dinámicos de biomarcadores pueden no ser lineales, y de tal modo, componente lineal utilizado en el modelo actual del punto de cambio puede no ser óptima. Modelo lineal generalizado potencialmente puede ser integrado para manejar situaciones no lineales. En segundo lugar, el análisis del punto de cambio requiere datos población longitudinal o transversal, como el multicentro PREDICT-HD de datos utilizados en este estudio. Protocolos de adquisición de imagen diferente, de múltiples centros estudios o estudios longitudinales, pueden imponer un sesgo en las mediciones de volumen. Nuestros proyectos de segmentación de imagen multi-atlas ha mostrado ser relativamente robusto a las diferencias de protocolo, en comparación con los efectos biológicos, tales como patología y edad34. Aún así, puede ser necesario para eliminar la diferencia de protocolo de antemano, o para incluir el efecto del Protocolo como una de las covariables en el modelo de punto de cambio como se describe en el23. En la actualidad, análisis volumétrico aguas abajo no está incluido en MRICloud, y los usuarios tendrán que extraer volúmenes de los mapas de segmentación o utilice nuestra caja de herramientas de Matlab para realizar el análisis de volumen de granularidad múltiple. Podemos potencialmente integramos este paso de proceso fuera de línea en la tubería de la nube en el futuro, si esto se identifica como una petición común de los usuarios.

El análisis de puntos de cambio propuestos en combinación atlas entero del cerebro segmentación puede tener amplias aplicaciones en ambos estudios de ciencia básica y clínica de las enfermedades neurodegenerativas.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Agradecemos a los investigadores PREDICT-HD, en particular, el Dr. Hans Johnson y el Dr. Jane S. Pauslen de la Universidad de Iowa, por su generosidad en compartir los datos de MRI y debate constructivo sobre el análisis de los datos y resultados.

Este trabajo es financiado por los NIH concede R21 NS098018, P50 NS16375, NS40068, NS086888 R01, NS084957 R01, EB015909 P41, EB015909 P41, R01 EB000975, R01 EB008171 y NS082085 U01.

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

Medicina número 136 punto de cambio atlas de MRI segmentación granularidad MRICloud premanifest HD
Todo cerebro segmentación y análisis de punto de cambio anatómico cerebral MRI — aplicación asintomático enfermedad de Huntington
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