Login processing...

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

Neuroscience

Трехмерное моделирование формы и анализ структур мозга

doi: 10.3791/59172 Published: November 14, 2019

Summary

Мы вводим полуавтоматический протокол для анализа формы на структурах мозга, включая сегментацию изображений с помощью открытого программного обеспечения, и дальнейший групповой анализ формы с помощью автоматизированного пакета моделирования. Здесь мы демонстрируем каждый шаг протокола анализа 3D формы с гиппокампа сегментации из изображений MR мозга.

Abstract

Статистический анализ формы структур мозга был использован для исследования связи между их структурными изменениями и патологическими процессами. Мы разработали программный пакет для точного и надежного моделирования форм и группового анализа. Здесь мы вводим конвейер для анализа формы, от индивидуального 3D-моделирования формы до количественного анализа формы группы. Мы также описываем шаги предварительной обработки и сегментации с использованием открытых программных пакетов. Это практическое руководство поможет исследователям сэкономить время и усилия в 3D-анализе формы на структурах мозга.

Introduction

Форма анализа структур мозга стала предпочтительным инструментом для исследования их морфологических изменений в рамках патологических процессов, таких как нейродегенеративные заболевания и старение1. Требуются различные вычислительные методы, чтобы 1) точно разграничить границы целевых структур из медицинских изображений, 2) реконструировать целевую форму в виде 3D-поверхностной сетки, 3) построить межсубъекты корреспонденции по отдельным моделям формы с помощью параметризации формы или регистрации поверхности, и 4) количественно оценить региональные различия в форме между отдельными лицами или группами. За последние несколько лет, многие методы были введены в нейровизуальных исследований для каждого из этих шагов. Однако, несмотря на значительные события в этой области, существует не так много рамок, непосредственно применимых к исследованиям. В этой статье мы описываем каждый этап анализа форм структур мозга, используя наши пользовательские инструменты моделирования форм и общедоступные инструменты сегментации изображений.

Здесь мы демонстрируем рамки анализа формы для структур мозга через анализ формы левого и правого гиппокампа с помощью набора данных о контроле взрослых и больных болезнью Альцгеймера. Атрофия гиппокампа признана критическим биомаркером визуализации при нейродегенеративных заболеваниях2,3,4. В нашей структуре анализа форм мы используем модель шаблона целевой структуры и деформируемую регистрацию шаблона к изображению в процессе моделирования форм. Модель шаблона кодирует общие характеристики формы целевой структуры в популяции, а также обеспечивает базовый уклад для количественной оценки различий в формах между отдельными моделями через их переходное отношение с моделью шаблона. При регистрации шаблона к изображению мы разработали метод деформации поверхности Лаплациа, чтобы соответствовать модели шаблона к целевой структуре в отдельных изображениях, минимизируя при этом искажение распределения точек в модели шаблона5,6,7. Осуществимость и надежность предлагаемой структуры были подтверждены в последние нейровизуальные исследования когнитивного старения8, раннее выявление легких когнитивных нарушений9, и для изучения связей между структурными изменениями мозга и уровня кортизола10. Такой подход облегчил бы использование методов моделирования форм и анализа в дальнейших нейровизуальных исследованиях.

Protocol

Мозг MR изображения были приобретены в рамках протокола, утвержденного местным институциональным наблюдательным советом и комитетом по этике.

ПРИМЕЧАНИЕ: Инструменты для моделирования форм и анализа можно загрузить из репозитория NITRC: https://www.nitrc.org/projects/dtmframework/. Программное обеспечение GUI (DTMModeling.exe) может быть выполнено после извлечения. Посмотреть рисунок 1.

1. Сегментация изображения MR мозга

  1. Приобретайте изображения MR мозга отдельных субъектов и маски сегментации мозга.
    ПРИМЕЧАНИЕ: Обычно мы приобретаем T1 взвешенные MR-изображения для анализа структур мозга. Мы предполагаем, что MR изображения предварительно обработаны для коррекции нелинейности градиента и коррекции неоднородности с помощью N311, улучшенные методы N312, или FSL-FAST13. Некоторые свободно доступные инструменты для автоматической сегментации структур мозга человека перечислены в таблице 1.
  2. Исправьте результаты сегментации вручную.
    ПРИМЕЧАНИЕ: Открытое программное обеспечение GUI, поддерживающее ручную сегментацию, перечислены в таблице 2. Ручные протоколы сегментации для структур мозга можно найти здесь14,15,16. Видео-руководство по ручной сегментации для гиппокампа здесь17. Мы описываем протокол для сегментации гиппокампа в следующем разделе.
    1. Откройте T1-взвешенную МРТ и результаты автоматической сегментации с помощью меню Open File.
    2. Загрузите плагин сегментации, нажав меню окна (ru) Показать (ru) Сегментация.
    3. Исправьте маску сегментации с помощью инструментов Add, Subtractи коррекции в плагине сегментации.
    4. Сохраните исправленную маску сегментации в формате Nifti с помощью меню Save.

2. Ручное редактирование Гиппокампальной сегментации

ПРИМЕЧАНИЕ: Мы вводим протокол для ручного редактирования сегментации мозга с использованием программного обеспечения моделирования GUI на основе рабочей скамейки MITK(http://www.mitk.org/). Рабочий стенд MITK обеспечивает различные функции для ручной и автоматической сегментации и медицинской визуализации изображения. Мы демонстрируем процесс ручного редактирования для левого и правого гиппокампа. Шаги для ручного редактирования18 результат автоматической сегментации гиппокампа являются следующими.

  1. Откройте T1-взвешенное изображение MR и результаты автоматической сегментации гиппокампа с использованием программного обеспечения MITK workbench.
  2. Загрузите плагин сегментации в рабочей скамейке MITK, нажав на окно меню Показать Вид (ru) Сегментация.
  3. Выберите коронарный вид, нажав на значок правой стороны, который отображается в верхнем правом боковом углу окна дисплея.
  4. Отодейте бинарную маску каждого гиппокампа (т.е. слева и справа) в корональном представлении, начиная от гиппокампа головы к телу следующим образом.
    1. Прокрутите по всему объему до тех пор, пока не будет найден uncus. Включите uncus в гиппокампе маски, где он присутствует.
    2. Отодейте маску гиппокампа тела после uncus отступил с помощью добавить и вычесть функции в сегментации плагина.
    3. Продолжайте редактировать гиппокампа маску, пока гиппокампа хвост не найден. Как пульвинарное ядро таламуса отступает выше гиппокампа, форникс возникает.
    4. Закончите редактирование последнего коронального ломтика гиппокампа, в котором вся длина fornix видна, но еще не непрерывна со сплением мозоли корпуса.
      ПРИМЕЧАНИЕ: Цереброспинальная жидкость (CSF) пространства могут содержаться в гиппокампе регионов. Пространства CSF могут быть удалены из гиппокампа маски с помощью инструмента вычитания в сегментации плагин mITK рабочей скамейке. это может быть проще определить гиппокампа регионов полностью, а затем пройти через все корональные ломтики от бегемота головы до хвоста для удаления csF пространств.
    5. Следуйте тому же процессу для редактирования бинарных масок обоих бегемотов.
      ПРИМЕЧАНИЕ: Добавить, вычесть, и коррекции инструменты плагина сегментации в MITK workbench могут быть использованы для ручного редактирования. Инструмент коррекции прост в обращении с мелкими ошибками в маске сегментации, выполняя добавление и вычитание в соответствии с пользовательским ввозам и маской сегментации без дополнительного выбора инструмента.
  5. Сохраните бинарные маски для левого и правого гиппокампа в формате Nifti (nii или nii.gz) с помощью меню Save в программном обеспечении MITK workbench.
    ПРИМЕЧАНИЕ: Двоичные маски левого и правого гиппокампа должны быть сохранены отдельно для последующих шагов модели гиппокампа.

3. Группа Шаблон Строительство

ПРИМЕЧАНИЕ: После сегментации и ручного редактирования для всех объектов индивидуальное моделирование формы требует модели шаблона целевой структуры. Мы строим модель шаблона из средней бинарной маски для населения, приобретенной с помощью плагина "ShapeModeling" в MITK Workbench. Шаги построения модели шаблона с использованием программного обеспечения GUI являются следующими.

  1. Загрузите плагин ShapeModeling, используя функцию меню: Окно Показать Вид (ru) Моделирование формы.
  2. Откройте каталог, содержащий бинарные маски исследуемой популяции, нажав кнопку Open Directory в плагине ShapeModeling.
  3. Нажмите кнопку шаблона Строительство в ShapeModeling плагин.
  4. Проверьте сетку средней формы и сохраните ее в формате стереолитографии (STL) с помощью меню Save.

4. Индивидуальная реконструкция формы

ПРИМЕЧАНИЕ: На этом этапе мы выполняем моделирование формы для отдельных предметов с помощью кнопки Start Shape Modeling в плагине "ShapeModeling". Мы перечислим параметры программного обеспечения этого плагина в таблице 3. Подробное объяснение по каждому параметру можно найти здесь5. Шаги индивидуальной реконструкции формы с использованием программного обеспечения GUI являются следующими.

  1. Загрузите изображение MR с t1 и его маску сегментации с помощью меню Open File.
    ПРИМЕЧАНИЕ: Мы используем T1-взвешенное изображение MR для визуальной проверки.
  2. Проверьте параметры моделирования в plugin ShapeModeling и при необходимости измените их.
    ПРИМЕЧАНИЕ: Если модель шаблона не деформирована или расстояние между моделью шаблона и границей изображения большое, рекомендуется увеличить диапазон поиска границ. Если будут найдены некоторые геометрические искажения, увеличение maxAlpha и minAlpha с шагом 0.5 поможет решить проблему. Важно проверить интенсивность вокселя для целевого объекта в маске сегментации. Если значение не 1, параметр интенсивности должен быть изменен соответствующим образом.
  3. Нажмите кнопку моделиирования формы, чтобы запустить процесс моделирования формы и проверить результат в 3D-представлении рабочей скамейки MITK.
  4. Повторите шаги 4.2 и 4.3, когда модель шаблона не установлена на границе изображения близко.
    ПРИМЕЧАНИЕ: Модель шаблона визуализирована с помощью маски сегментации в сагитталовом, корональном, осевом и 3D-представлении рабочей скамейки MITK. Поверхность шаблона не деформируется, когда расстояние между моделью шаблона и границей изображения меньше порога, который составляет одну десятую от самого маленького размера вокселя.
  5. Сохранить результат моделирования в формате стереолитографии (STL) с помощью меню Save в рамке MITK.

5. Групповой формы нормализации и измерения разницы формы

ПРИМЕЧАНИЕ: На этом этапе мы выравниваем отдельные модели формы с моделью шаблона и вычисляем деформацию точечной формы между соответствующими вершинами между моделью шаблона и моделью индивидуальной формы. Шаги для измерения деформации формы следующие.

  1. Выберите модель формы предмета в диспетчере данных рабочей группы MITK.
    ПРИМЕЧАНИЕ: Пользователи могут выбрать несколько моделей для измерения деформации.
  2. Выполните измерение деформации, нажав кнопку измерения в plugin ShapeModeling.

Representative Results

Процесс моделирования формы, описанный здесь, был использован для различных нейровизуальных исследований на старение6,8,10 и болезнь Альцгеймера5,9. Особенно, этот метод моделирования формы показал свою точность и чувствительность в анализе формы на гиппокампе для стареющего населения 654 субъектов8. Количественный анализ программного обеспечения и общедоступного программного обеспечения, ShapeWork, LDDMM-TI и SPHARM-PDM, можно найти здесь5. Мы описываем множество открытых инструментов от предварительной обработки изображений MR до сегментации мозга в таблице 1,таблице 2и таблице 4.

Рисунок 2 представляет собой диаграмму платформы моделирования форм с использованием шаблонных моделей целевых структур. Модели шаблонов представляют общие характеристики формы структур мозга в популяции. Рисунок 3 представляет деформацию модели шаблона гиппокампа для индивидуальной реконструкции формы. Метод индуцирует крупно-малую деформацию модели шаблона, чтобы свести к минимуму искажение ее точечного распределения при восстановлении индивидуальных характеристик формы. На рисунке 4 показаны реконструированные модели формы двух предметов с их сегментационными масками. На рисунке 5 показаны выровненные модели отдельных форм, их средняя модель и векторы разницы в форме с индивидуальной моделью формы. На рисунке 6 представлены карты деформации средней формы, проецируемые на среднюю модель, для двух групп с небольшим и большим объемом тканей мозга (BTV). Мы выбрали предметы, чей BTV больше или меньше, чем стандартное отклонение от среднего здорового старения населения 51 субъектов5. Карты деформации формы двух групп представляют противоположные модели разницы в форме гиппокампа в соответствующих регионах.

Figure 1
Рисунок 1: программное обеспечение GUI для моделирования форм и анализа. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 2
Рисунок 2: Шаги моделирования формы с использованием шаблонных моделей для структур мозга. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 3
Рисунок 3: Деформация модели шаблона (оранжевый) для индивидуальной реконструкции формы. Цветовая карта - вершина-мудрый величина деформации (мм). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 4
Рисунок 4: Примеры индивидуального моделирования формы гиппокампа. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 5
Рисунок 5: Выровненные модели отдельных форм, их средняя модель и векторы разницы в форме с индивидуальной моделью формы. Слева - выровненные модели отдельных форм (белый) и их средняя модель (синий). Право - точечные векторы разницы в форме между средней моделью и отдельной моделью. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 6
Рисунок 6: Средняя деформация формы двух групп с небольшим и большим объемом тканей мозга (меньше или больше, чем одно стандартное отклонение от среды популяции) в здоровой популяции старения. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Имя Описание Системы Организации Ссылку
Элвин Сегментация бокового желудочка Linux Королевский колледж Лондона https://www.nitrc.org/projects/alvin_lv/
Первый Сегментация подкорковой структуры в FSL Linux, Mac Оксфордский университет https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
Быстрый Инструмент классификации тканей с коррекцией для вариаций пространственной интенсивности Linux, Mac Оксфордский университет https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
Фрисерфер Voxel-мудрый полный сегментации мозга Linux, Mac Athinoula А. Мартинос Центр биомедицинской визуализации, MGH https://surfer.nmr.mgh.harvard.edu/
ЖАБ-КРУИЗ Инструмент автоматической сегментации мозга Linux, Mac Университет Джонса Хопкинса https://www.nitrc.org/projects/toads-cruise
NiftySeg Автоматический инструмент классификации тканей мозга Linux, Mac Королевский колледж Лондона https://github.com/KCL-BMEIS/NiftySeg
BrainSuite ПВХ инструмент Инструмент классификации тканей мозга в пакете BrainSuite Windows, Linux, Mac Университет южной Калифорнии http://brainsuite.org/

Таблица 1: Список открытого программного обеспечения, широко используемого для автоматической сегментации структур мозга.

Имя Описание Системы Организации Ссылку
MITK Программное обеспечение GUI, предоставляющее плагины для полуавтоматических (например, растущие регионы и пороговые значения водоразделов) и сегментации ручного изображения Windows, Linux, Mac Немецкий онкологический научный центр http://mitk.org/wiki/MITK
3D слайсер Программное обеспечение GUI для обработки медицинского изображения и 3D визуализации. Редактор сегмента в 3D Slicer — это модуль ручной сегментации Windows, Linux, Mac Бригам и женщины
Больница, Inc.
https://www.slicer.org/
ITK-Snap Программное обеспечение GUI для полуавтоматического (метод активного контура) и ручной сегментации Windows, Linux, Mac Университет Пенсильвании и Университет штата http://www.itksnap.org/pmwiki/pmwiki.php
ГИМИАС Программное обеспечение GUI для биомедицинских изображений. Ручная сегментация плагин поддерживается. Windows, Linux Шеффилдский университет http://www.gimias.org/
МРИКрон ПРОГРАММНОе обеспечение GUI для просмотра изображений формата NIFIT. Он также поддерживает объем рендеринга, ЧЕРТеж региона окупаемое данных и статистические инструменты Windows, Linux, Mac Университет южной Каролины http://people.cas.sc.edu/rorden/mricron/index.html
Манго Многоплатформенный зритель изображений, поддерживающий визуализацию поверхности, редактирование окупаемое образов и анализ изображений Windows, Linux, Mac Здоровье Техасского университета http://ric.uthscsa.edu/mango/index.html

Таблица 2: Список открытого программного обеспечения для ручной сегментации и визуализации.

Параметр Описание
--минАльфа Минимальный вес для внутренней силы, сохраняющей лапланианские координаты модели шаблона (по умолчанию: 1.0)
--maxAlpha Максимальный вес для внутренней силы, сохраняющей лапланианские координаты модели шаблона (по умолчанию: 5.0)
--порогАльфа Пороговый параметр для постепенного снижения альфа-веса во время деформации шаблона (по умолчанию: 0.01)
--минринг Минимальный уровень соседства (по умолчанию: 1)
--maxRing Максимальный уровень соседства (по умолчанию: 3)
--край Параметр веса для внешней силы (по умолчанию: 0.1)
--интенсивность Значение Voxel для целевой структуры в маске сегментации
--диапазон Диапазон поиска границ (по умолчанию: 5.0)
--инит Инициализация модели шаблона с использованием итеративного ближайшего алгоритма (по умолчанию: 1 (правда))

Таблица 3: Параметры для индивидуальной реконструкции формы.

Имя Описание Системы Организации Ссылку
Минц N3 Метод непараметрической нормализации неравномерности (N3) Linux, Mac Университет Макгилла https://www.nitrc.org/projects/nu_correct
ANTs N4BiasCorrection N4ITK: Улучшенный метод N3 в программном пакете Advanced Normalization Tools (ANTs) Windows, Linux, Mac Университет Пенсильвании https://sourceforge.net/projects/advants/
SkullStrippingToolkit Череп зачистки инструмент с использованием уровня набор на основе метода синтеза Matlab Университет Северной Каролины https://www.nitrc.org/projects/skulltoolkit
РОРЕКС Череп зачистки инструмент с помощью метода установки поверхности мозга Linux, Mac Калифорнийский университет, Лос-Анджелес https://www.nitrc.org/projects/robex/
FSL BET Череп зачистки инструмент в FSL pacakge Linux, Mac, Windows Оксфордский университет https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
BrainSuite BSE инструмент Череп зачистки инструмент в BrainSuite pacakge Windows, Linux, Mac Университет южной Калифорнии http://brainsuite.org/processing/surfaceextraction/bse/

Таблица 4: Список открытого программного обеспечения, широко используемого для предварительной обработки мозга и зачистки черепа.

Discussion

Таким образом, мы описали программный конвейер для анализа формы на структурах мозга, включая (1) сегментацию изображений MR с помощью открытых инструментов (2) индивидуальную реконструкцию формы с использованием деформируемой модели шаблона, и (3) количественную разницу в форме измерения с помощью переходного соответствия формы модели шаблона. Статистический анализ при ложной скорости открытия (ФДР) коррекции проводится с деформацией формы для изучения значения морфологических изменений структур мозга, связанных с невропатологическими процессами.

Наш конвейер моделирования внутренне использует внутренние инструменты для построения модели шаблонов из изображений предмета. Шаги для построения шаблона следующие: (i) Вычислить среднюю маску группы через итеративное выравнивание изображений субъекта к среднему изображению, которое развивается при каждой итерации. ii) Создать 3D-сетку поверхности из средней маски с помощью метода марширующих кубов20. iii) Перепробуйте поверхностную сетку с помощью сетной перестановки с помощью инструмента ACVD(https://www.creatis.insa-lyon.fr/site/en/acvd.html). Номер модели шаблона можно установить в плагине ShapeModeling.

Индивидуальная реконструкция формы основана на прогрессивном методе деформации шаблона. Этот метод позволяет крупно-мелкомасштабной деформации свести к минимуму геометрические искажения модели шаблона при восстановлении отдельных деталей формы путем распространения модели шаблона на границы изображений. Метод деформации ограничен структурами с сферической топологией. Против этого ограничения, мы ввели структурные ограничения в форме моделирования головного третьего желудочка, который имеет отверстие от интерталамиической адгезии6. Однако ограничения, связанные со структурой, не поддерживаются текущей версией нашего программного обеспечения.

Индивидуальные модели фигур выравниваются в общем пространстве с помощью обобщенного алгоритма Procrustes19. Здесь мы используем преобразование сходства (изотропная шкала, перевод и вращение) для нормализации модели формы. Локальные различия в форме определяются переносицей смещения между соответствующими вертиками отдельных моделей поверхности и их средней моделью формы. Деформация формы на каждой вершине вычисляется как подписанная евклидовая норма переносчиков смещения, которые проецируются на норму вершины средней модели. Подробные шаги статистического анализа формы можно найти здесь5.

Для оценки точности моделирования формы мы используем 3 метрики: коэффициент кубиков, среднее расстояние и расстояние Хаусдорфа. Коэффициент кубиков представляет собой перекрытие объема между реконструироваированной моделью и маской целевой сегментации. Среднее расстояние – это среднее расстояние между ними, а расстояние Хаусдорфа – максимальное расстояние между ними. Меньшие расстояния и более высокий коэффициент кубиков указывают на лучшую точность. Для исследования гиппокампа5, коэффициент кубиков был 0,85-0,9, среднее расстояние было около 0,3 мм, а расстояние Hausdorff было 2 мм. Однако эти результаты зависят от объемов и деталей формы целевой структуры. Разница в объеме и шероховатости поверхности могут быть использованы в качестве индикаторов точности и качества формы5.

Для простоты использования мы также распространяем скрипт Matlab вместе для создания файлов списка и запуска инструментов командной строки для каждого шага. В настоящее время мы протестировали инструменты в Linux, MacOS и Windows. Значение программного обеспечения является то, что оно полностью автоматизировано для моделирования и измерения форм на основе шаблонов. Мы подтвердили его надежность и точность с различными наборами данных старения и болезни Альцгеймера населения5. Кроме того, существует множество подходов, использующих метод моделирования форм на различных органах человека.

Disclosures

Авторы заявляют, что никакого конфликта интересов нет.

Acknowledgments

Работа финансировалась Национальным исследовательским фондом Кореи (JP as the PI). JK финансируется Национальным университетским исследовательским фондом Кёнгпука; и MCVH финансируется Благотворительным фондом Row Fogo и Королевским обществом Эдинбурга. Сегментация гиппокампа была адаптирована из внутренних руководящих принципов, написанных доктором Карен Фергюсон, в Центре клинических наук о мозге, Эдинбург, Великобритания.

Materials

Name Company Catalog Number Comments

DOWNLOAD MATERIALS LIST

References

  1. Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56, (1), 212-219 (2011).
  2. Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer's Disease. Neuroinformatics. 1-19 (2018).
  3. Valdés Hernández, M. D. C., et al. Rationale, design, and methodology of the image analysis protocol for studies of patients with cerebral small vessel disease and mild stroke. Brain and behavior. 5, (12), e00415 (2015).
  4. Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
  5. Kim, J., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Hippocampal Shape Modeling Based on a Progressive Template Surface Deformation and its Verification. IEEE Transactions on Medical Imaging. 34, (6), 1242-1261 (2015).
  6. Kim, J., et al. 3D shape analysis of the brain's third ventricle using a midplane encoded symmetric template model. Computer Methods and Programs in Biomedicine. 129, 51-62 (2016).
  7. Kim, J., Ryoo, H., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Brain Ventricular Morphology Analysis Using a Set of Ventricular-Specific Feature Descriptors. International Symposium on Biomedical Simulation. 141-149 (2014).
  8. Valdés Hernández, M. D. C., et al. Hippocampal morphology and cognitive functions in community-dwelling older people: the Lothian Birth Cohort 1936. Neurobiology of Aging. 52, 1-11 (2017).
  9. Lee, P., Ryoo, H., Park, J., Jeong, Y. Morphological and Microstructural Changes of the Hippocampus in Early MCI: A Study Utilizing the Alzheimer's Disease Neuroimaging Initiative Database. Journal of Clinical Neurology. 13, (2), 144-154 (2017).
  10. Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
  11. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17, (1), 87-97 (1998).
  12. Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29, (6), 1310-1320 (2010).
  13. Zhang, Y., Brady, M., Smith, S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging. 20, (1), 45-57 (2001).
  14. Wardlaw, J. M., et al. Brain aging, cognition in youth and old age and vascular disease in the Lothian Birth Cohort 1936: rationale, design and methodology of the imaging protocol. International Journal of Stroke. 6, (6), 547-559 (2011).
  15. Morey, R. A., et al. A comparison of automated segmentation and manual tracing for quantifying hippocampal and amygdala volumes. NeuroImage. 45, (3), 855-866 (2009).
  16. Boccardi, M., et al. Survey of protocols for the manual segmentation of the hippocampus: preparatory steps towards a joint EADC-ADNI harmonized protocol. Journal of Alzheimer's Disease. 26, (s3), 61-75 (2011).
  17. Winterburn, J., et al. High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging. Journal of Visualized Experiments. (105), e51861 (2015).
  18. MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59, (2), 169-174 (2002).
  19. Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40, (1), 33-51 (1975).
  20. Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. 163-169 (1987).
Трехмерное моделирование формы и анализ структур мозга
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Kim, J., Valdés Hernández, M. d. C., Park, J. Three-Dimensional Shape Modeling and Analysis of Brain Structures. J. Vis. Exp. (153), e59172, doi:10.3791/59172 (2019).More

Kim, J., Valdés Hernández, M. d. C., Park, J. Three-Dimensional Shape Modeling and Analysis of Brain Structures. J. Vis. Exp. (153), e59172, doi:10.3791/59172 (2019).

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