Login processing...

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

Neuroscience

Beyin Yapılarının Üç Boyutlu Şekil Modellemesi ve Analizi

doi: 10.3791/59172 Published: November 14, 2019

Summary

Açık yazılım kullanarak görüntü bölümlemesi ve otomatik bir modelleme paketi kullanarak daha fazla grup-bilge şekil analizi de dahil olmak üzere beyin yapıları üzerinde şekil analizi için yarı otomatik bir protokol sıyoruz. Burada, beyin MR görüntülerinden hipokampal segmentasyon ile 3D şekil analizi protokolünün her adımını gösteriyoruz.

Abstract

Beyin yapılarının istatistiksel şekil analizi yapısal değişimleri ile patolojik süreçler arasındaki ilişkiyi araştırmak için kullanılmıştır. Doğru ve sağlam şekil modelleme ve grup analizi için bir yazılım paketi geliştirdik. Burada, tek tek 3B şekil modellemeden nicel grup şekil analizine kadar şekil analizi için bir boru hattı sıyoruz. Ayrıca, açık yazılım paketlerini kullanarak ön işleme ve segmentasyon adımlarını da açıklarız. Bu pratik kılavuz araştırmacılar beyin yapıları üzerinde 3D şekil analizi zaman ve çaba tasarrufu yardımcı olacaktır.

Introduction

Beyin yapılarının şekil analizi, nörodejeneratif hastalıklar ve yaşlanma gibi patolojik süreçler altında morfolojik değişimlerini araştırmak için tercih edilen bir araç olarak ortaya çıkmıştır1. Çeşitli hesaplama yöntemleri 1) doğru tıbbi görüntülerden hedef yapıların sınırlarını belirlemesi için gereklidir, 2) 3D yüzey örgü şeklinde hedef şekli yeniden oluşturmak, 3) şekil parametreizasyonu veya yüzey kaydı yoluyla bireysel şekil modelleri arasında inter-konular yazışma oluşturmak, ve 4) nicel bireyler veya gruplar arasındaki bölgesel şekil farklılıkları değerlendirmek. Son birkaç yıl içinde, birçok yöntem bu adımların her biri için nörogörüntüleme çalışmalarda tanıtıldı. Ancak, bu alandaki kayda değer gelişmelere rağmen, araştırma için hemen geçerli olan çok fazla çerçeve yoktur. Bu makalede, özel şekil modelleme araçlarıve genel olarak kullanılabilir görüntü segmentasyon araçları kullanarak beyin yapılarının şekil analizinin her adımını açıklıyoruz.

Burada, yetişkin kontrolleri ve Alzheimer hastalığı hastalarının bir veri seti kullanarak sol ve sağ hipokampi şekil analizi ile beyin yapıları için şekil analizi çerçeve göstermek. Hipokampi atrofisi nörodejeneratif hastalıklarda kritik bir görüntüleme biyomarker olarak kabul edilmektedir2,3,4. Şekil analizi çerçevemizde, hedef yapının şablon modelini ve şekil modelleme işleminde şablondan görüntüye deforme edilebilir kaydı kullanırız. Şablon modeli, bir popülasyondaki hedef yapının genel şekil özelliklerini kodlar ve şablon modeliyle geçişli ilişkileri aracılığıyla tek tek modeller arasındaki şekil farklılıklarını ölçmek için bir temel sağlar. Şablon-to-görüntü kaydında, şablon modelinin tek tek görüntülerdeki hedef yapısına sığdırılması için bir Laplacian yüzey deformasyon yöntemi geliştirdik ve şablon modeli5,6,7'dekinokta dağılımının bozulmasını en aza indirgedik. Önerilen çerçevenin fizibilite ve sağlamlığı bilişsel yaşlanma nın son nörogörüntüleme çalışmalarında doğrulanmıştır8, hafif bilişsel bozukluk erken tespiti9, ve beyin yapısal değişiklikler ve kortizol düzeyleri arasındaki ilişkileri keşfetmek için10. Bu yaklaşım daha fazla nörogörüntüleme çalışmalarında şekil modelleme ve analiz yöntemlerinin kullanılmasını kolaylaştıracaktır.

Protocol

Beyin MR görüntüleri yerel kurumsal inceleme kurulu ve etik komitesi tarafından onaylanan protokol uyarınca elde edildi.

NOT: Şekil modelleme ve analiz araçları NITRC deposundan indirilebilir: https://www.nitrc.org/projects/dtmframework/. GUI yazılımı (DTMModeling.exe) çıkarma dan sonra yürütülebilir. Bkz. Şekil 1.

1. Beyin MR Görüntü Segmentasyonu

  1. Tek tek deneklerin beyin MR görüntülerini ve beyin segmentasyon maskelerini edinin.
    NOT: Genellikle beyin yapılarının analizi için T1 ağırlıklı MR görüntüleri elde edilir. Biz MR görüntüleri n311kullanarak degrade doğrusallık düzeltme ve yoğunluk inhomogeneity düzeltme için önceden işlenmiş olduğunu varsayalım , geliştirilmiş N3 yöntemleri12, veya FSL-FAST13. İnsan beyin yapılarının otomatik bölümlemi için serbestçe kullanılabilen bazı araçlar Tablo 1'delistelenmiştir.
  2. Segmentasyon sonuçlarını el ile düzeltin.
    NOT: Manuel segmentasyonu destekleyen Açık GUI yazılımı Tablo 2'delistelenmiştir. Beyin yapıları için manuel segmentasyon protokolleri burada bulunabilir14,15,16. Hipokampus için manuel segmentasyon bir video kılavuzu burada17. Bir sonraki bölümde hipokampal segmentasyon protokolünü açıklayacağız.
    1. Dosya aç menüsünü kullanarak T1 ağırlıklı MRG'yi ve otomatik segmentasyon sonuçlarını açın.
    2. Pencere Menüsü'ne tıklayarak Segmentasyon eklentisini yükleyin | Göster | Segmentasyon.
    3. Segmentasyon eklentisindeki Ekle, Çıkarve Düzeltme araçlarını kullanarak segmentasyon maskesini düzeltin.
    4. Düzeltilmiş segmentasyon maskesini Kaydet menüsünü kullanarak Nifti biçiminde kaydedin.

2. Hipokampal Segmentasyon Manuel Düzenleme

NOT: Biz MITK çalışma tezgahı(http://www.mitk.org/)dayalı GUI modelleme yazılımı kullanarak beyin segmentasyonu el ile düzenleme için bir protokol tanıtmak. MITK çalışma tezgahı manuel ve otomatik segmentasyon ve tıbbi görüntü görselleştirme için çeşitli işlevler sağlar. Biz sol ve sağ hipokampi için manuel düzenleme işlemi göstermektedir. Otomatik hipokampal segmentasyon sonucu18'i elle düzenleme adımları aşağıdaki gibidir.

  1. MITK çalışma tezgahı yazılımını kullanarak T1 ağırlıklı MR görüntüsünü ve otomatik hipokampal segmentasyon sonuçlarını açın.
  2. Menü Penceresi'ne tıklayarak MITK çalışma tezgahına Segmentasyon eklentisini yükleyin | Görünümü Göster | Segmentasyon.
  3. Ekran penceresinin sağ üst köşesinde görünen sağ taraftaki simgeyi tıklatarak koronal görünümü seçin.
  4. Aşağıdaki gibi vücuda hipokampal kafa baş başlayan, koronal görünümünde her hipokampus (yani, sol ve sağ) ikili maske edin.
    1. Uncus bulunana kadar ses boyunca ilerleyin. Mevcut hipokampal maske içinde uncus ekleyin.
    2. Uncus Segmentasyon eklentisindeki Ekle ve Çıkar işlevini kullanarak çekildikten sonra hipokampal bedenin maskesini düzeltin.
    3. Hipokampal kuyruk bulunana kadar hipokampal maske yi düzenlemeye devam edin. Talamusun pulvinar çekirdeği hipokampustan üstün olarak çekilirken, zinikortaya çıkar.
    4. Nikonaksisin tüm uzunluğunun görülebildiğine ancak korpus callosum'un dalakyumile henüz sürekli olmadığı hipokampusun son koronal dilimini düzenlemeyi bitirin.
      NOT: Beyin omurilik sıvısı (BOS) boşluklar hipokampal bölgelerde bulunabilir. BOS boşlukları, MITK tezgahının segmentasyon eklentisindeki Çıkarma aracı kullanılarak hipokampal maskelerden kaldırılabilir. tamamen hipokampal bölgeleri tanımlamak ve daha sonra BOS alanların kaldırılması için kuyruk hipokampal baş tüm koronal dilimleri geçmesi daha kolay olabilir.
    5. Her iki hipokampi ikili maskeleri düzenlemek için aynı işlemi izleyin.
      NOT: MITK çalışma tezgahındaki Segmentasyon eklentisinin Ekle, Çıkarmave Düzeltme araçları manuel düzenleme için kullanılabilir. Düzeltme aracı, kullanıcı girişine ve segmentasyon maskesine göre ek ve çıkarma yaparak segmentasyon maskesindeki küçük hataları ek araç seçimi olmadan işlemek kolaydır.
  5. MITK çalışma tezgahı yazılımındaki Kaydet menüsünü kullanarak ikili maskeleri Nifti formatında (nii veya nii.gz) sol ve sağ hipokampi için kaydedin.
    NOT: Sol ve sağ hipokampi ikili maskeler sonraki hipokampal şekil modeli adımları için ayrı ayrı kaydedilmelidir.

3. Grup Şablon Uyrmanı

NOT: Tüm konular için segmentasyon ve el ile düzenlemeden sonra, tek tek şekil modellemesi hedef yapının şablon modelini gerektirir. MITK Workbench'teki "ShapeModeling" eklentisi kullanılarak edinilen bir popülasyon için ortalama ikili maskeden şablon modelini oluşturuyoruz. GUI yazılımını kullanarak şablon modeli oluşturma adımları aşağıdaki gibidir.

  1. Menü işlevini kullanarak ShapeModeling eklentisini yükleyin: Pencere | Görünümü Göster | Şekil Modelleme.
  2. ShapeModeling eklentisindeki Aç Dizin düğmesini tıklatarak bir çalışma popülasyonunun ikili maskelerini içeren bir dizin açın.
  3. ShapeModeling eklentisinde Şablon Oluşturma düğmesini tıklatın.
  4. Ortalama şekil örgüsi kontrol edin ve Kaydet menüsünü kullanarak stereolitografi (STL) formatında kaydedin.

4. Bireysel Şekil Rekonstrüksiyonu

NOT: Bu adımda, "ShapeModeling" eklentisinde Şekil Modellemeyi Başlat düğmesini kullanarak tek tek denekler için şekil modellemesi gerçekleştiriyoruz. Bu eklentinin yazılım parametrelerini Tablo 3'telisteliyoruz. Her parametre ile ilgili ayrıntılı açıklamayaburadan5 tane bulabilirsiniz. GUI yazılımı kullanılarak bireysel şekil yeniden yapılandırma adımları aşağıdaki gibidir.

  1. Dosya Aç menüsünü kullanarak T1 ağırlıklı MR görüntüsünü ve segmentasyon maskesini yükleyin.
    NOT: Görsel doğrulama için T1 ağırlıklı MR görüntüsünü kullanıyoruz.
  2. ShapeModeling eklentisinde modelleme parametrelerini kontrol edin ve gerekirse değiştirin.
    NOT: Şablon modeli deforme değilse veya şablon modeli ile görüntü sınırı arasındaki mesafe büyükse, sınır arama aralığının artırılması önerilir. Bazı geometrik deformasyonlar bulunursa, adım 0.5 ile maxAlpha ve minAlpha artırılması sorunu çözmek için yardımcı olacaktır. Segmentasyon maskesindeki hedef nesnenin voxel yoğunluğunu kontrol etmek önemlidir. Değer 1 değilse, yoğunluk parametresi buna göre değiştirilmelidir.
  3. Şekil modelleme işlemini çalıştırmak için Şekil Modelleme düğmesini tıklatın ve Sonucu MITK çalışma tezgahının 3B görünümünde denetleyin.
  4. Şablon modeli görüntü sınırına yakından takılmadığında 4.2 ve 4.3 adımlarını yineleyin.
    NOT: Şablon modeli, MITK çalışma tezgahının sagittal, koronal, aksiyel ve 3B görünümünde segmentasyon maskesi ile görselleştirilmiştir. Şablon modeli ile görüntü sınırı arasındaki mesafe, en küçük voxel boyutunun onda biri olan bir eşiğe daha az olduğunda şablon yüzeyi deforme olmaz.
  5. MITK çerçevesinde Kaydet menüsünü kullanarak modelleme sonucunu stereolitografi (STL) biçiminde kaydedin.

5. Grup Bazında Şekil Normalizasyonu ve Şekil Farkı Ölçümü

NOT: Bu adımda, tek tek şekil modellerini şablon modeline hizalarız ve şablon modeli ile tek tek şekil modeli arasındaki karşılık gelen tepe noktaları arasındaki nokta açısından şekil deformitesini hesaplarız. Şekil deformite ölçümü için adımlar aşağıdaki gibidir.

  1. MITK çalışma tezgahının Veri Yöneticisi'nde bir öznenin şekil modelini seçin.
    NOT: Kullanıcılar deformite ölçümü için birden çok model seçebilir.
  2. ShapeModeling eklentisindeki Ölçüm düğmesini tıklatarak deformite ölçümü gerçekleştirin.

Representative Results

Burada açıklanan şekil modelleme süreci yaşlanmaçeşitlinörogörüntüleme çalışmaları için istihdam edilmiştir 6,8,10 ve Alzheimer hastalığı5,9. Özellikle bu şekil modelleme yöntemi, hipokampus üzerinde 654denek8 yaş artışı için şekil analizinde doğruluk ve hassasiyetgösterdi. Yazılım ve kamuya açık yazılım, ShapeWork, LDDMM-TI ve SPHARM-PDM bir nicel analiz, burada bulunabilir5. Mr görüntü ön işlemeden beyin segmentasyonuna kadar birçok açık aracı Tablo 1,Tablo 2ve Tablo 4'tetanımlıyoruz.

Şekil 2, hedef yapıların şablon modellerini kullanarak şekil modelleme çerçevesinin bir diyagramıdır. Şablon modelleri, bir popülasyondaki beyin yapılarının genel şekil özelliklerini temsil eder. Şekil 3 bireysel şekil rekonstrüksiyonu için hipokampal şablon modelinin deformasyon sunar. Yöntem, tek tek şekil özelliklerini geri alırken nokta dağılımının bozulmasını en aza indirmek için şablon modelinin büyük-küçük ölçekli deformasyonuna neden olur. Şekil 4, segmentasyon maskeleri ile iki deneğin yeniden yapılandırılan şekil modellerini gösterir. Şekil 5 hizalanmış tek tek şekil modellerini, ortalama modellerini ve şekil farkı vektörlerini tek bir şekil modeliyle gösterir. Şekil 6, küçük ve büyük beyin dokusu hacmine (BTV) sahip iki grup için ortalama modele yansıtılan ortalama şekil deformite haritalarını sunar. Biz 51 konularda sağlıklı bir yaşlanma popülasyon ortalamasından BTV daha büyük veya daha az olan konular seçti5. İki grubun şekil deformite haritaları, ilgili bölgelerde hipokampal şekil farkının zıt modellerini ortaya oluşturur.

Figure 1
Şekil 1: Şekil modelleme ve analiz için GUI yazılımı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 2
Şekil 2: Beyin yapıları için şablon modelleri kullanarak şekil modelleme adımları. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 3
Şekil 3: Bireysel şekil rekonstrüksiyonu için şablon modelinin (turuncu) deformasyonu. Renk haritası = vertex-wise deformasyon büyüklüğü (mm). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 4
Şekil 4: Hipokampus bireysel şekil modelleme örnekleri. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 5
Şekil 5: Tek tek şekil modelleri, ortalama modelleri ve şekil farkı vektörlerini tek tek bir şekil modeliyle hizalanır. Sol = Hizalanmış tek tek şekil modelleri (beyaz) ve ortalama modeli (mavi). Sağ = Ortalama model ile tek bir model arasındaki nokta-bilge şekil farkı vektörleri. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Figure 6
Şekil 6: Sağlıklı yaşlanan popülasyonda küçük ve büyük beyin dokusu hacmine sahip iki grubun (popülasyon ortalamasından bir standart sapmadan daha az veya daha fazla) ortalama şekil deformitesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Adı Açıklama Sistem Organizasyon Bağlantı
ALVIN Lateral ventrikül segmentasyonu Linux King's College Londra https://www.nitrc.org/projects/alvin_lv/
Ilk FSL'de subkortikal yapı segmentasyonu Linux, Mac Oxford Üniversitesi https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
Hızlı Uzamsal yoğunluk değişimleri için düzeltme ile doku sınıflandırma aracı Linux, Mac Oxford Üniversitesi https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
FreeSurfer Voxel-bilge tam beyin segmentasyonu Linux, Mac Athinoula A. Martinos Biyomedikal Görüntüleme Merkezi, MGH https://surfer.nmr.mgh.harvard.edu/
TOADS-CRUISE Otomatik beyin segmentasyon aracı Linux, Mac Johns Hopkins Üniversitesi https://www.nitrc.org/projects/toads-cruise
NiftySeg Otomatik beyin dokusu sınıflandırma aracı Linux, Mac King's College Londra https://github.com/KCL-BMEIS/NiftySeg
BrainSuite PVC aracı BrainSuite paketinde beyin dokusu sınıflandırma aracı Windows, Linux, Mac Güney Kaliforniya Üniversitesi http://brainsuite.org/

Tablo 1: Beyin yapılarının otomatik bölümlemasyonu için yaygın olarak kullanılan açık yazılım listesi.

Adı Açıklama Sistem Organizasyon Bağlantı
MITK Yarı otomatik (örn. bölge büyütme ve havza eşikleri) ve manuel görüntü segmentasyonu için eklentiler sağlayan GUI yazılımı Windows, Linux, Mac Alman Kanser Araştırma Merkezi http://mitk.org/wiki/MITK
3D Dilimleyici Tıbbi görüntü işleme ve 3D görselleştirme için GUI yazılımı. 3D Slicer Segment Düzenleyicisi manuel segmentasyon için bir modüldür Windows, Linux, Mac Brigham ve Kadın
Hastane, Inc.
https://www.slicer.org/
ITK-Snap Yarı otomatik (aktif kontur yöntemi) ve manuel segmentasyon için GUI yazılımı Windows, Linux, Mac Pennsylvania Üniversitesi ve Utah Üniversitesi http://www.itksnap.org/pmwiki/pmwiki.php
Gımıas Biyomedikal görüntü hesaplama için GUI yazılımı. Manuel segmentasyon eklentisi desteklenir. Windows, Linux Sheffield Üniversitesi http://www.gimias.org/
MRICron NIFIT formatı görüntü görüntüleyici için GUI yazılımı. Ayrıca hacim işleme, Yatırım Getirisi bölge çizimi ve istatistiksel araçları destekler Windows, Linux, Mac Güney Carolina Üniversitesi http://people.cas.sc.edu/rorden/mricron/index.html
Mango Yüzey görselleştirme, Yatırım Getirisi düzenleme ve görüntü analizini destekleyen çok platformlu görüntü görüntüleyici Windows, Linux, Mac Texas Üniversitesi Sağlık http://ric.uthscsa.edu/mango/index.html

Tablo 2: El ile segmentasyon ve görselleştirme için açık yazılım listesi.

Parametre Açıklama
--minAlpha Şablon modelinin Laplacian koordinatlarını koruyan iç kuvvet için minimum ağırlık (varsayılan: 1.0)
--maxAlpha Şablon modelinin Laplacian koordinatlarını koruyan iç kuvvet için maksimum ağırlık (varsayılan: 5.0)
--thresholdAlpha Şablon deformasyonu sırasında alfa ağırlığını kademeli olarak azaltmak için eşik parametresi (varsayılan: 0,01)
--minRing En az mahalle düzeyi (varsayılan: 1)
--maxRing Maksimum mahalle düzeyi (varsayılan: 3)
--kenar Dış kuvvet için ağırlık parametresi (varsayılan: 0,1)
--yoğunluk Segmentasyon maskesinde hedef yapı için voxel değeri
--aralığı Sınır arama aralığı (varsayılan: 5.0)
--init Yinelemeli en yakın algoritmayı kullanarak şablon modeli başlatma (varsayılan: 1 (true))

Tablo 3: Tek tek şekil rekonstrüksiyonu için parametreler.

Adı Açıklama Sistem Organizasyon Bağlantı
MINC N3 Parametrik olmayan tekdüzelik normalleştirme (N3) yöntemi Linux, Mac McGill Üniversitesi https://www.nitrc.org/projects/nu_correct
N4BiasCorrection'i ANT'ler N4ITK: Gelişmiş Normalleştirme Araçları (ANT) yazılım paketinde geliştirilmiş N3 yöntemi Windows, Linux, Mac Pennsylvania Üniversitesi https://sourceforge.net/projects/advants/
SkullStrippingToolkit Seviye-set tabanlı füzyon yöntemi ni kullanarak kafatası sıyırma aracı Matlab Kuzey Carolina Üniversitesi https://www.nitrc.org/projects/skulltoolkit
ROBEX Beyin yüzeyine montaj yöntemi kullanarak kafatası sıyırma aracı Linux, Mac Kaliforniya Üniversitesi, Los Angeles https://www.nitrc.org/projects/robex/
FSL BAHIS FSL pacakge kafatası sıyırma aracı Linux, Mac, Windows Oxford Üniversitesi https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
BrainSuite bse aracı BrainSuite pacakge kafatası sıyırma aracı Windows, Linux, Mac Güney Kaliforniya Üniversitesi http://brainsuite.org/processing/surfaceextraction/bse/

Tablo 4: Beyin MR ön işleme ve kafatası sıyırma için yaygın olarak kullanılan açık yazılım listesi.

Discussion

Özetle, (1) açık araçlar (2) deforme edilebilir bir şablon modeli kullanarak bireysel şekil rekonstrüksiyonu ve (3) nicel şekil farkı kullanarak MR görüntü segmentasyonu dahil olmak üzere beyin yapıları üzerinde şekil analizi için yazılım boru hattı açıklanmıştır şablon modeli ile geçişli şekil yazışmaları yoluyla ölçüm. Nöropatolojik süreçlerle ilişkili beyin yapılarının morfolojik değişikliklerinin önemini araştırmak için yanlış keşif oranı (FDR) düzeltmesi altında istatistiksel analiz ler şekil deformitesi ile yapılır.

Modelleme boru hattımız, konu görüntülerinden bir şablon modeli oluşturmak için şirket içi araçları dahili olarak kullanır. Şablon oluşturma adımları şunlardır: (i) Konu görüntülerinin yinelemeli hizalaması yoluyla grup ortalama maskesini her yinelemede gelişen ortalama bir görüntüye hesaplayın. (ii) Yürüyüş küpleri yöntemi20kullanarak ortalama maskeden 3B yüzey örgüsi oluşturun. (iii) ACVD aracını kullanarak(https://www.creatis.insa-lyon.fr/site/en/acvd.html)bir kafes yeniden örnekleme kullanarak yüzey örgüyeniden örnekleme. Şablon modelinin sayısı ShapeModeling eklentisinde ayarlanabilir.

Bireysel şekil rekonstrüksiyonu aşamalı bir şablon deformasyon yöntemine dayanır. Bu yöntem, şablon modelini görüntü sınırlarına yayarak tek tek şekil ayrıntılarını geri sağlarken şablon modelinin geometrik bozulmalarını en aza indirmek için büyük ten küçreye ölçekli bir deformasyona olanak tanır. Deformasyon yöntemi küresel topolojiye sahip yapılarla sınırlıdır. Bu sınırlamaya karşı, biz beyin üçüncü ventrikül şekil modelleme yapıya özgü kısıtlamalar tanıttı, intertalamik adezyon tarafından bir delik vardır6. Ancak, yapıya özgü kısıtlamalar yazılımımızın geçerli sürümü tarafından desteklenmez.

Bireyselleştirilmiş şekil modelleri, genelleştirilmiş Procrustes algoritması19kullanılarak ortak alanda hizalanır. Burada, şekil modeli normalleştirme için benzerlik dönüşümü (izotropik ölçek, çeviri ve rotasyon) kullanırız. Yerel şekil farklılıkları, tek tek yüzey modellerinin karşılık gelen tepeleri ile ortalama şekil modelleri arasındaki yer değiştirme vektörü ile belirlenir. Her tepe noktasındaki şekil deformitesi, ortalama modelin vertex normaline yansıtılan yer değiştirme vektörlerinin imzalı Öklid normu olarak hesaplanır. İstatistiksel şekil analizinin ayrıntılı adımları burada bulunabilir5.

Şekil modellemesinin doğruluğunu niçin 3 metrik kullanırız: Zar katsayısı, ortalama mesafe ve Hausdorff mesafesi. Zar katsayısı, yeniden yapılandırılalı model ile hedef segmentasyon maskesi arasındaki hacim çakışmasını temsil eder. Ortalama mesafe aralarındaki ortalama mesafedir ve Hausdorff mesafesi aralarındaki maksimum mesafedir. Daha düşük mesafeler ve daha yüksek Zar katsayısı daha iyi doğruluk gösterir. Hipokampus çalışması5için Zar katsayısı 0.85-0.9, ortalama mesafe 0.3 mm, Hausdorff mesafesi ise 2 mm idi. Ancak, bu sonuçlar hedef yapının hacimleri ve şekil ayrıntılarına bağlıdır. Hacim farkı ve yüzey pürüzlülüğü doğruluk ve şekil kalitesi5için gösterge olarak kullanılabilir.

Kullanım kolaylığı için, liste dosyalarını oluşturmak ve her adım için komut satırı araçlarını çalıştırmak için bir Matlab komut dosyası da birlikte dağıtıyoruz. Şu anda Linux, MacOS ve Windows'daki araçları test ettik. Şirket içi yazılımın önemi, şablon tabanlı şekil modelleme ve ölçüm için tam otomatik olmasıdır. Biz yaşlanma ve Alzheimer hastalığı popülasyonları çeşitli veri setleri ile sağlamlığı ve doğruluğu doğruladı5. Ayrıca, farklı insan organlarında şekil modelleme yöntemini kullanarak birçok yaklaşım vardır.

Disclosures

Yazarlar çıkar çatışması olmadığını beyan ediyor.

Acknowledgments

Çalışma Kore Ulusal Araştırma Vakfı (JP pi olarak) tarafından finanse edilmiştir. JK Kyungpook Ulusal Üniversitesi Araştırma Fonu tarafından finanse edilmektedir; ve MCVH Row Fogo Charitable Trust ve Royal Society of Edinburgh tarafından finanse edilmektedir. Hipokampal segmentasyon, Edinburgh, Edinburgh'daki Klinik Beyin Bilimleri Merkezi'nde Dr. Karen Ferguson tarafından yazılan şirket içi kılavuzlardan uyarlanmıştır.

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).
Beyin Yapılarının Üç Boyutlu Şekil Modellemesi ve Analizi
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