Login processing...

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

Neuroscience

Tredimensionel form modellering og analyse af hjernestrukturer

doi: 10.3791/59172 Published: November 14, 2019

Summary

Vi introducerer en halvautomatisk protokol til form analyse af hjernestrukturer, herunder billedsegmentering ved hjælp af åben software, og yderligere gruppe-klog form analyse ved hjælp af en automatiseret modellering pakke. Her demonstrerer vi hvert trin i 3D-form analyse protokollen med hippocampus segmentering fra Brain Mr images.

Abstract

Statistisk form analyse af hjernestrukturer er blevet brugt til at undersøge sammenslutningen mellem deres strukturelle ændringer og patologiske processer. Vi har udviklet en softwarepakke til præcis og robust form modellering og gruppe-Wise analyse. Her introducerer vi en pipeline til figur analysen, fra individuel 3D-figur modellering til kvantitativ gruppe form analyse. Vi beskriver også forbehandlings-og segmenterings trinnene ved hjælp af åbne softwarepakker. Denne praktiske vejledning vil hjælpe forskerne med at spare tid og kræfter i 3D-form analyse på hjernestrukturer.

Introduction

Form analyse af hjernestrukturer er dukket op som det foretrukne værktøj til at undersøge deres morfologiske ændringer under patologiske processer, såsom neurodegenerative sygdomme og aldring1. Forskellige beregningsmetoder er forpligtet til at 1) præcist afgrænse grænserne for målstrukturer fra medicinske billeder, 2) rekonstruere målet form i form af 3D-overflade mesh, 3) bygge Inter-fag korrespondance på tværs af de enkelte form modeller via form parameterisering eller overflade registrering, og 4) kvantitativt vurdere den regionale form forskelle mellem individer eller grupper. I løbet af de seneste flere år, mange metoder er blevet introduceret i Neuro Imaging undersøgelser for hver af disse trin. Men på trods af den bemærkelsesværdige udvikling på området, er der ikke mange rammer umiddelbart gælder for forskning. I denne artikel beskriver vi hvert trin i form analysen af hjernestrukturer ved hjælp af vores brugerdefinerede form modelleringsværktøjer og offentligt tilgængelige billed segmenterings værktøjer.

Her demonstrerer vi formen analyserammer for hjernestrukturer gennem form analyse af venstre og højre hippocampi ved hjælp af et datasæt af voksne kontroller og Alzheimers sygdom patienter. Atrofi af hippocampi er anerkendt som en kritisk Imaging biomarkør i neurodegenerative sygdomme2,3,4. I vores form analyserammer anvender vi skabelon modellen for målstrukturen og den deformerbare registrering af skabelon til billede i form modelleringsprocessen. Skabelon modellen koder generelle figur karakteristika for målstrukturen i en population, og den indeholder også en oprindelig plan for kvantificering af figurens forskelle mellem de enkelte modeller via deres transitive relation til skabelon modellen. I skabelonen-til-billede registrering, har vi udviklet en laplacian overflade deformation metode til at passe skabelonen model til målet struktur i individuelle billeder og samtidig minimere forvrængning af punkt fordelingen i skabelonen model5,6,7. Gennemførligheden og robustheden af de foreslåede rammer er blevet valideret i nylige Neuro Imaging undersøgelser af kognitiv aldring8, tidlig påvisning af mild kognitiv svækkelse9, og at udforske foreninger mellem hjernen strukturelle ændringer og cortisol niveauer10. Denne fremgangsmåde vil gøre det lettere at anvende form modellering og analysemetoder i yderligere Neuro Imaging undersøgelser.

Protocol

Brain MR billeder blev erhvervet i den protokol, der er godkendt af den lokale institutionelle revisions bestyrelse og etiske komité.

Bemærk: Værktøjerne til forme modellering og analyse kan downloades fra NITRC repository: https://www.nitrc.org/projects/dtmframework/. GUI-softwaren (DTMModeling. exe) kan udføres efter ekstraktion. Se figur 1.

1. hjernen MR image segmentering

  1. Erhverve hjernen MR billeder af individuelle og hjernen segmentering masker.
    Bemærk: Normalt erhverver vi T1-vægtede MR-billeder til analyser af hjernestrukturer. Vi antager, at MR images er forbehandlet for gradient ikke-linearitets korrektion og intensitet inhomogenitet korrektion ved hjælp af N311, forbedrede N3 metoder12, eller FSL-fast13. Nogle frit tilgængelige værktøjer til automatisk segmentering af menneskelige hjernestrukturer er opført i tabel 1.
  2. Ret segmenterings resultaterne manuelt.
    Bemærk: Åben GUI-software, der understøtter manuel segmentering, er angivet i tabel 2. Manuelle segmenterings protokoller for hjerne strukturerne kan findes her14,15,16. En video guide om manuel segmentering for hippocampus er her17. Vi beskriver protokollen for hippocampus segmentering i næste afsnit.
    1. Åbn den T1-vægtede MRI og de automatiske segmenterings resultater ved hjælp af menuen Åbn fil .
    2. Indlæs segmenterings plugin'et ved at klikke på window menu | Show | Segmentering.
    3. Ret segmenterings masken ved hjælp af værktøjerne Tilføj, subtrahereog korrektion i segmenterings plugin'et.
    4. Gem den rettede segmenterings maske i Nifti-format ved hjælp af menuen Gem .

2. manuel redigering af Hippocampal segmentering

Bemærk: Vi introducerer en protokol til manuel redigering af hjerne segmentering ved hjælp af GUI modeling software baseret på MITK Workbench (http://www.mitk.org/). MITK Workbench giver forskellige funktioner til manuel og automatisk segmentering og medicinsk billed visualisering. Vi demonstrerer den manuelle redigeringsproces til venstre og højre hippocampi. Trin til manuel redigering18 resultatet af den automatiske hippocampale segmentering er som følger.

  1. Åbn det T1-vægtede Mr-billede og resultaterne af den automatiske hippocampus-segmentering ved hjælp af mitk Workbench-softwaren.
  2. Indlæs segmenterings plugin'et i MITK Workbench ved at klikke på Menuvinduet | Vis visning | Segmentering.
  3. Vælg den kantede visning ved at klikke på det højre sideikon, der vises i øverste højre hjørne af skærm vinduet.
  4. Rediger den binære maske af hver hippocampus (dvs., venstre og højre) i den koronale visning, startende fra hippocampus hovedet til kroppen som følger.
    1. Rul gennem hele lydstyrken, indtil uncus er fundet. Medtag uncus i hippocampus-masken, hvor den er til stede.
    2. Rediger masken af hippocampus kroppen efter uncus har trak sig tilbage ved hjælp af Tilføj og træk funktion i segmentering plugin.
    3. Fortsæt med at redigere hippocampus-masken, indtil hippocampus-halen er fundet. Da den pulvinære kerne af thalamus begynder aftage bedre end hippocampus, opstår fornix.
    4. Afslut redigering af den sidste koronal skive af hippocampus, hvor hele længden af fornix er synlig, men endnu ikke kontinuerlig med splenium af corpus callosum.
      Bemærk: Cerebrospinalvæske (CSF) rum kan være indeholdt i hippocampale regioner. CSF rum kan fjernes fra hippocampus masker ved hjælp af subtrahere værktøj i segmentering plugin af mitk Workbench. Det kan være lettere at definere hippocampus-regionerne helt og derefter gå gennem alle koronale skiver fra hippocampus hoved til hale til fjernelse af CSF rum.
    5. Følg den samme proces for at redigere de binære masker af begge hippocampi.
      Bemærk: Værktøjerne Tilføj, subtrahereog korrektion i segmenterings plugin'et i mitk Workbench kan bruges til manuel redigering. Korrektions værktøjet er let at håndtere små fejl i segmenterings masken ved at udføre addition og subtraktion i henhold til brugerinput og segmenterings masken uden yderligere værktøjsvalg.
  5. Gem de binære masker til venstre og højre hippocampi i Nifti-format (NII eller NII. gz) ved hjælp af Save -menuen i mitk Workbench-softwaren.
    Bemærk: De binære masker af venstre og højre hippocampi bør gemmes separat for de efterfølgende hippocampus formmodel trin.

3. opbygning af gruppeskabelon

Bemærk: Efter segmentering og manuel redigering for alle emner kræver den individuelle figur modellering skabelon modellen for målstrukturen. Vi konstruerer skabelon modellen fra den gennemsnitlige binære maske for en population, erhvervet ved hjælp af "ShapeModeling" plugin i MITK Workbench. Trin i skabelonen model konstruktion ved hjælp af GUI software er som følger.

  1. Indlæs ShapeModeling plugin ved hjælp af menufunktionen: vindue | Vis visning | Figur modellering.
  2. Åbn en mappe, der indeholder de binære masker i en studiepopulation ved at klikke på knappen Åbn mappe i pluginet plugin til shapemodeling .
  3. Klik på knappen skabelon byggeri i shapemodeling plugin.
  4. Kontroller den gennemsnitlige form mesh og gemme det i stereolitografiske (STL) format ved hjælp af Save -menuen.

4. individuel form rekonstruktion

Bemærk: På dette trin udfører vi formen modellering for individuelle ved hjælp af Start form modelle ring knap i ShapeModeling plugin. Vi oplister software parametrene for dette plugin i tabel 3. Detaljeret forklaring på hver parameter kan findes her5. Trin af den enkelte form rekonstruktion ved hjælp af GUI software er som følger.

  1. Indlæs T1-vægtet MR-billede og dets segmenterings maske ved hjælp af menuen Åbn fil .
    Bemærk: Vi bruger det T1-vægtede MR-billede til visuel validering.
  2. Tjek modellering parametre i ShapeModeling plugin og ændre om nødvendigt.
    Bemærk: Hvis skabelon modellen ikke er deformeret, eller afstanden mellem skabelon modellen og billed grænsen er stor, anbefales det at øge grænse søgnings området. Hvis der findes nogle geometriske forvrængninger, vil stigende maxAlpha og minAlpha med trin 0,5 hjælpe med at løse problemet. Det er vigtigt at kontrollere voxel-intensiteten for målobjektet i segmenterings masken. Hvis værdien ikke er 1, skal intensitets parameteren ændres tilsvarende.
  3. Klik på knappen figur modellering for at køre figur modelleringsprocessen, og kontroller resultatet i 3D-visningen af mitk Workbench.
  4. Gentag trin 4,2 og 4,3, når skabelon modellen ikke er monteret tæt på billed grænsen.
    Bemærk: Skabelon modellen visualiseres med segmenterings masken i sagittal-, koronal-, aksial-og 3D-visningen af MITK-arbejdsbænken. Skabelon overfladen er ikke deformeret, når afstanden mellem skabelon modellen og billed grænsen er mindre end en tærskel, som er en tiendedel af den mindste voxel-størrelse.
  5. Gem modellerings resultatet i et stereolitografiske (STL)-format ved hjælp af menuen Gem i mitk Framework.

5. gruppe-Wise form normalisering og form forskel måling

Bemærk: På dette trin tilpasser vi de individuelle figurmodeller til skabelon modellen og beregner den punktvise form deformitet mellem de tilsvarende knudepunkter mellem skabelon modellen og den individuelle figur model. Trin for figuren deformitets måling er som følger.

  1. Vælg figur modellen for et motiv i data styringen i mitk Workbench.
    Bemærk: Brugerne kan vælge flere modeller til deformitets målingen.
  2. Udfør deformitets målingen ved at klikke på målings knappen i shapemodeling -plugin'et.

Representative Results

Formen modellering proces beskrevet her har været ansat til forskellige Neuro Imaging undersøgelser på aging6,8,10 og Alzheimers sygdom5,9. Især denne form modellering metode viste sin nøjagtighed og følsomhed i form analyse på Hippocampus for en aldrende befolkning på 6548. En kvantitativ analyse af softwaren og den offentligt tilgængelige software, Shapefunktionen, LDDMM-TI, og SPHARM-PDM, kan findes her5. Vi beskriver mange åbne værktøjer fra hr. image forbehandling til hjerne segmentering i tabel 1,tabel 2, og tabel 4.

Figur 2 er et diagram over form modellerings strukturen ved hjælp af skabelon modellerne for målstrukturer. Skabelon modellerne repræsenterer de generelle form karakteristika for hjerne strukturerne i en population. Figur 3 præsenterer deformationen af hippocampus skabelon model for individuel form rekonstruktion. Metoden inducerer en stor-til-lille skala deformation af skabelonen model for at minimere forvrængning af sin punkt fordeling samtidig genoprette individuelle form egenskaber. Figur 4 viser de rekonstruerede form modeller af to med deres segmenterings masker. Figur 5 viser de justerede individuelle figurmodeller, deres gennemsnitlige model og figur forskellen vektorer med en individuel formmodel. Figur 6 præsenterer den gennemsnitlige form deformitets kort, projiceret på den gennemsnitlige model, for to grupper med små og store hjernens vævs volumen (BTV). Vi udvalgte, hvis BTV er større eller mindre end en standardafvigelse fra middelværdien af en sund aldrende befolkning på 51 personer5. Formen deformitet kort over to grupper til stede modsatte mønstre af hippocampus form forskel i tilsvarende regioner.

Figure 1
Figur 1: GUI software til form modellering og analyse. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2: trin i form modellering ved hjælp af skabelonmodeller for hjernestrukturer. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3: deformation af skabelon modellen (orange) for individuel form rekonstruktion. Farve kort = vertex-Wise deformation størrelsesorden (mm). Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4: eksempler på individuel form modellering af hippocampus. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5: justeret individuelle figurmodeller, deres gennemsnitlige model og form forskellen vektorer med en individuel formmodel. Venstre = justeret individuelle figurmodeller (hvid) og deres gennemsnitlige model (blå). Right = punkt-klog form forskel vektorer mellem den gennemsnitlige model og en individuel model. Venligst klik her for at se en større version af dette tal.

Figure 6
Figur 6: gennemsnitlig form deformitet af to grupper med små og store hjernens vævs volumen (mindre eller større end en standardafvigelse fra populations middelværdien) i en sund aldrende befolkning. Venligst klik her for at se en større version af dette tal.

Navn Beskrivelse System Organisation Link
Alvin Lateral ventrikel segmentering Linux King's College London https://www.nitrc.org/projects/alvin_lv/
Første Segmentering af subkortikale strukturer i FSL Linux, Mac University of Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
Hurtigt Vævs klassificeringsværktøj med korrektion for variationer i rumlig intensitet Linux, Mac University of Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
FreeSurfer Voxel-Wise fuld hjerne segmentering Linux, Mac Athinoula A. Martinos Center for biomedicinsk billeddannelse, MGH https://surfer.nmr.mgh.harvard.edu/
TOADS-CRUISE Automatisk hjerne segmentering værktøj Linux, Mac Har studeret på Johns Hopkins University https://www.nitrc.org/projects/toads-cruise
NiftySeg Automatisk værktøj til klassificering af hjernevæv Linux, Mac King's College London https://github.com/KCL-BMEIS/NiftySeg
BrainSuite PVC værktøj Brain tissue klassificering værktøj i BrainSuite pakke Windows, Linux, Mac University of Southern California http://brainsuite.org/

Tabel 1: liste over åben software i vid udstrækning anvendes til automatisk segmentering af hjernestrukturer.

Navn Beskrivelse System Organisation Link
MITK GUI software giver plugins til semi-automatisk (f. eks region dyrkning og vandshed thresholding) og manuel billedsegmentering Windows, Linux, Mac Tysk Cancer Research Center http://mitk.org/wiki/MITK
3D slicer GUI-software til medicinsk billedbehandling og 3D-visualisering. Segment editor i 3D slicer er et modul til manuel segmentering Windows, Linux, Mac Brigham and Women's
Hospital, Inc.
https://www.slicer.org/
ITK-snap GUI software til semi-automatisk (aktiv kontur metode) og manuel segmentering Windows, Linux, Mac University of Pennsylvania og University of Utah http://www.itksnap.org/pmwiki/pmwiki.php
GIMIAS GUI-software til biomedicinsk billedbehandling. Manuel segmentering plugin understøttes. Windows, Linux University of Sheffield http://www.gimias.org/
MRICron GUI software til NIFIT format Image Viewer. Det understøtter også Volume rendering, ROI region tegning, og statistiske værktøjer Windows, Linux, Mac Har studeret på University of South Carolina http://people.cas.sc.edu/rorden/mricron/index.html
Mango Billedfremviser med flere platforme, som understøtter Surface-visualisering, ROI-redigering og billedanalyse Windows, Linux, Mac University of Texas Health http://ric.uthscsa.edu/mango/index.html

Tabel 2: liste over åben software til manuel segmentering og visualisering.

Parameter Beskrivelse
-minAlpha Mindste vægt for intern kraft bevarelse Laplacian koordinater skabelon model (standard: 1,0)
--maxAlpha Maksimal vægt for intern kraft bevarelse Laplacian koordinater skabelon model (standard: 5,0)
--thresholdAlpha Tærskel parameter for at reducere alfa vægten gradvist under skabelonen deformation (standard: 0,01)
--minRing Minimum niveau af nabolag (standard: 1)
--maxRing Maksimum niveau for nabolag (standard: 3)
--Edge Vægt parameter for ekstern kraft (standard: 0,1)
--intensitet Voxel-værdi for målstruktur i segmenterings maske
--Range Afgrænsning af søgeområde (standard: 5,0)
--init Initialisering af skabelon model ved hjælp af iterativ nærmeste algoritme (standard: 1 (true))

Tabel 3: parametre for den enkelte form rekonstruktion.

Navn Beskrivelse System Organisation Link
MINC N3 Metode til normalisering af ikke-parametrisk ikke-ensartethed (N3) Linux, Mac McGill University https://www.nitrc.org/projects/nu_correct
ANTs N4BiasCorrection N4ITK: forbedret N3-metode i avancerede normaliserings værktøjer (ANTs)-softwarepakke Windows, Linux, Mac University of Pennsylvania https://sourceforge.net/projects/advants/
SkullStrippingToolkit Kraniet stripping værktøj ved hjælp af en niveau-sæt baseret fusion metode Matlab Har studeret på University of North Carolina https://www.nitrc.org/projects/skulltoolkit
ROBEX Kraniet stripping værktøj ved hjælp af en hjerne overflade fitting metode Linux, Mac University of California, Los Angeles https://www.nitrc.org/projects/robex/
FSL BET Kranium stripping værktøj i FSL pacakge Linux, Mac, Windows University of Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
BrainSuite BSE-værktøj Kranium stripping værktøj i BrainSuite pacakge Windows, Linux, Mac University of Southern California http://brainsuite.org/processing/surfaceextraction/bse/

Tabel 4: liste over åben software i vid udstrækning anvendes til hjernen hr forbehandling og kraniet stripping.

Discussion

Sammenfattende har vi beskrevet software pipeline til form analyse på hjernestrukturer, herunder (1) MR image segmentering ved hjælp af åbne værktøjer (2) individuel form rekonstruktion ved hjælp af en deformerbar skabelon model, og (3) kvantitativ form forskel måling via transitiv form korrespondance med skabelon modellen. Statistisk analyse under falsk Discovery rate (FDR) korrektion udføres med formen deformitet at undersøge betydningen af morfologiske ændringer af hjernestrukturer, forbundet med neuropatologiske processer.

Vores modellerings pipeline internt bruger interne værktøjer til at konstruere en skabelon model fra emne billeder. Trinene for skabelon konstruktionen er som følger: (i) beregne gruppens gennemsnitlige maske via iterativ tilpasning af motiv billeder til et gennemsnitligt billede, der udvikler sig ved hver gentagelse. (II) Generer en 3D-overflade maske fra den gennemsnitlige maske ved hjælp af marchere Cubes metode20. III) resample overflade masken ved hjælp af en gensampling af masker ved hjælp af værktøjet ACVD (https://www.creatis.Insa-Lyon.fr/site/en/acvd.html). Nummeret på skabelonen model kan indstilles i ShapeModeling plugin.

Den individuelle form rekonstruktion er baseret på en progressiv skabelon deformation metode. Denne metode gør det muligt at deforme en stor til lille skala for at minimere de geometriske forvrængninger af skabelon modellen og samtidig genskabe de individuelle figur detaljer ved at forme skabelon modellen til billed grænser. Deformations metoden er begrænset til strukturerne med sfærisk topologi. Mod denne begrænsning, har vi indført struktur-specifikke begrænsninger i form modellering af hjernen tredje ventrikel, som har et hul ved interthalamic vedhæftning6. De struktur specifikke begrænsninger understøttes dog ikke af den aktuelle version af vores software.

De individualiserede form modeller er justeret i fælles rum ved hjælp af den generaliserede Procrustes algoritme19. Her bruger vi ligheden transformation (isotropisk skala, oversættelse og rotation) til formmodel normalisering. De lokale form forskelle bestemmes af forskydnings vektoren mellem de tilsvarende knudepunkter for de enkelte overflade modeller og deres gennemsnitlige formmodel. Formen deformitet ved hvert knudepunkt er beregnet som den underskrevne euklidiske norm for forskydnings vektorer, der projiceres på knudepunktet normal af den gennemsnitlige model. De detaljerede trin i den statistiske figur analyse kan findes her5.

Til nøjagtigheds evalueringen af form modellering bruger vi 3 Metrics: terninge koefficient, MIDDEL afstand og Hausdorff distance. Dice-koefficienten repræsenterer volumen overlap mellem den rekonstruerede model og målsegmenterings masken. Middelafstanden er den gennemsnitlige afstand mellem dem, og Hausdorff afstanden er den maksimale afstand mellem dem. Lavere afstande og højere terning koefficient indikerer bedre nøjagtighed. For hippocampus-studiet5var terningen koefficient 0,85-0,9, den gennemsnitlige afstand var omkring 0,3 mm, og Hausdorff afstanden var 2 mm. Men disse resultater afhænger af mængden og formen detaljer af målstrukturen. Volumenforskel og overflade ruhed kan bruges som indikatorer for nøjagtighed og form kvalitet5.

For at lette brugen distribuerer vi også et MATLAB-script sammen til generering af liste filer og kørsel af kommandolinjeværktøjerne for hvert trin. I øjeblikket har vi testet værktøjerne i Linux, MacOS og Windows. Betydningen af in-House software er, at det er fuldt automatiseret til skabelon-baserede form modellering og måling. Vi har valideret sin robusthed og nøjagtighed med forskellige datasæt af aldring og Alzheimers sygdom populationer5. Desuden er der mange tilgange ved hjælp af formen modellering metode på forskellige menneskelige organer.

Disclosures

Forfatterne erklærer, at der ikke er nogen interessekonflikt.

Acknowledgments

Arbejdet blev finansieret af Koreas nationale forskningsfond (JP som PI). JK er finansieret af Kyungpooks nationale Universitets forskningsfond; og MCVH er finansieret af rækken Fogo velgørende Trust og Royal Society of Edinburgh. Hippocampus segmentering blev tilpasset fra in-House retningslinjer skrevet af Dr. Karen Ferguson, i Center for Clinical Brain Sciences, Edinburgh, UK.

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).
Tredimensionel form modellering og analyse af hjernestrukturer
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