Login processing...

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

Neuroscience

Driedimensionale vorm modellering en analyse van Hersenstructuren

doi: 10.3791/59172 Published: November 14, 2019

Summary

We introduceren een semi-automatisch protocol voor vorm analyse op hersenstructuren, inclusief beeldsegmentatie met behulp van open software, en verdere groepsgewijze vorm analyse met behulp van een geautomatiseerd modellerings pakket. Hier demonstreren we elke stap van het 3D-vorm analyse protocol met hippocampal segmentatie van Brain MR images.

Abstract

Analyse van de statistische vorm van hersenstructuren is gebruikt om de associatie tussen hun structurele veranderingen en pathologische processen te onderzoeken. We hebben een softwarepakket ontwikkeld voor nauwkeurige en robuuste vorm modellering en groepsgewijze analyse. Hier introduceren we een pijplijn voor de vorm analyse, van individuele 3D-vorm modellering tot kwantitatieve groepsvorm analyse. We beschrijven ook de pre-processing en segmentatie stappen met behulp van open softwarepakketten. Deze praktische gids zou onderzoekers helpen tijd en moeite te besparen in 3D-vorm analyse op hersenstructuren.

Introduction

Vorm analyse van hersenstructuren is ontstaan als het voorkeurs instrument om hun morfologische veranderingen onder pathologische processen te onderzoeken, zoals neurodegeneratieve ziekten en veroudering1. Er zijn verschillende computationele methodes nodig om 1) nauwkeurig de grenzen van doel structuren af te bakenen van medische beelden, 2) reconstrueren van de doel vorm in de vorm van 3D oppervlak gaas, 3) bouw Inter-subjecten over de individuele vorm modellen via vorm parametrering of oppervlakte registratie, en 4) kwantitatief beoordelen van de regionale vorm verschillen tussen individuen of groepen. In de afgelopen jaren zijn er veel methoden geïntroduceerd in neuroimaging-onderzoeken voor elk van deze stappen. Ondanks de opmerkelijke ontwikkelingen op dit gebied zijn er echter niet veel kaders die onmiddellijk van toepassing zijn op onderzoek. In dit artikel beschrijven we elke stap van de vorm analyse van hersenstructuren met behulp van onze aangepaste vorm modeling tools en publiek beschikbare beeldsegmentatie tools.

Hier demonstreren we de vorm analysekader voor hersenstructuren door middel van de vorm analyse van de linker en rechter hippocampi met behulp van een gegevensset van volwassen controles en de ziekte van Alzheimer patiënten. Atrofie van de hippocampi wordt erkend als een kritische beeldvormende biomarker in neurodegeneratieve ziekten2,3,4. In ons Framework voor vorm analyse maken we gebruik van het sjabloon model van de doel structuur en de vervormbare registratie van sjabloon-naar-afbeelding in het vormmodellerings proces. Het sjabloon model codeert algemene vormkenmerken van de doel structuur in een populatie en biedt ook een basislijn voor het kwantificeren van de vorm verschillen tussen de afzonderlijke modellen via hun transitieve relatie met het sjabloon model. In de registratie van de sjabloon-naar-Image hebben we een Laplacian oppervlak vervorming methode om te passen in het sjabloon model aan de doel structuur in afzonderlijke afbeeldingen, terwijl het minimaliseren van de vervorming van de punt verdeling in de sjabloon model5,6,7ontwikkeld. De haalbaarheid en robuustheid van het voorgestelde kader zijn gevalideerd in recente neuroimaging studies van cognitieve veroudering8, vroegtijdige opsporing van milde cognitieve stoornissen9, en om te verkennen associaties tussen structurele veranderingen van de hersenen en cortisol niveaus10. Deze aanpak zou het gemakkelijker maken om de vorm modellering en analysemethoden te gebruiken in verdere neuroimaging-onderzoeken.

Protocol

Hersenen de heer images werden verworven volgens het protocol dat is goedgekeurd door de lokale institutionele beoordelings Raad en de ethische commissie.

Opmerking: De tools voor vorm modellering en analyse kunnen worden gedownload van de NITRC repository: https://www.nitrc.org/projects/dtmframework/. De GUI-software (DTMModeling. exe) kan na extractie worden uitgevoerd. Zie Figuur 1.

1. Brain MR beeldsegmentatie

  1. Verwerven van hersenen heer beelden van individuele onderwerpen en hersenen segmentatie maskers.
    Opmerking: Gewoonlijk verwerven we T1-gewogen MR-images voor analyses van hersenstructuren. We gaan ervan uit dat de heer images vooraf worden verwerkt voor gradiënt niet-lineariteit correctie en intensiteit inhomogeniteit correctie met behulp van N311, verbeterde N3 methoden12, of fsl-Fast13. Sommige vrij beschikbare tools voor automatische segmentatie van menselijke hersenstructuren worden vermeld in tabel 1.
  2. Corrigeer de segmentatie resultaten handmatig.
    Opmerking: Open GUI-software die handmatige segmentatie ondersteunt, wordt weergegeven in tabel 2. Handmatige segmentatie protocollen voor de hersenstructuren kunnen hier worden gevonden14,15,16. Een video gids over handmatige segmentatie voor Hippocampus is hier17. We beschrijven het protocol voor hippocampal segmentatie in de volgende sectie.
    1. Open de T1-gewogen MRI en de automatische segmentatie resultaten met behulp van het menu bestand openen .
    2. Laad de segmentatie plug-in door te klikken op het menu venster | Toon | Segmentatie.
    3. Corrigeer het segmentatie masker met de gereedschappen toevoegen, aftrekkenen corrigeren in de segmentatie plug-in.
    4. Sla het gecorrigeerde segmentatie masker op in de nifti-indeling met behulp van het menu Opslaan .

2. handmatige bewerking van Hippocampal segmentatie

Opmerking: We introduceren een protocol voor het handmatig bewerken van hersen segmentatie met behulp van de GUI modeling software op basis van de MITK workbench (http://www.mitk.org/). De MITK Workbench biedt verschillende functies voor de handmatige en automatische segmentatie en medische beeld visualisatie. We demonstreren het handmatige bewerkingsproces voor de linker en rechter hippocampi. Stappen voorhand matig bewerken18 het resultaat van de automatische hippocampal segmentatie zijn als volgt.

  1. Open de T1-gewogen MR-afbeelding en de resultaten van de automatische hippocampal segmentatie met behulp van de MITK Workbench-software.
  2. Laad de segmentatie plug-in in de MITK Workbench door op het menu venster te klikken | Weergave tonen | Segmentatie.
  3. Selecteer de coronale View door te klikken op de rechterkant pictogram dat wordt weergegeven in de rechterbovenhoek van het scherm venster.
  4. Bewerk het binaire masker van elke Hippocampus (d.w.z. links en rechts) in het coronale View, beginnend vanaf de hippocampal hoofd naar het lichaam als volgt.
    1. Blader door het volume totdat de uncus is gevonden. Omvatten de uncus in de hippocampal masker waar het aanwezig is.
    2. Bewerk het masker van de hippocampal lichaam nadat de uncus is teruggekomen met behulp van de toevoegen en aftrekken functie in de segmentatie plugin.
    3. Doorgaan met het bewerken van de hippocampal masker totdat de hippocampal staart is gevonden. Als de pulvinar kern van de thalamus Recedes superieur aan de hippocampus, de fornix komt tevoorschijn.
    4. Voltooi het bewerken van het laatste coronale segment van de Hippocampus waarin de gehele lengte van de fornix zichtbaar is, maar nog niet continu met het splenium van het corpus callosum.
      Opmerking: Cerebrospinale vloeistof (CSF) ruimten kunnen worden opgenomen in de hippocampal regio's. De CSF-ruimten kunnen uit de hippocampal maskers worden verwijderd met behulp van het gereedschap aftrekken in de segmentatie plug-in van de mitk Workbench. het kan gemakkelijker zijn om de hippocampal gebieden volledig te definiëren en vervolgens door alle coronale plakjes van de hippocampal hoofd naar de staart voor de verwijdering van de CSF-ruimten.
    5. Volg hetzelfde proces voor het bewerken van de binaire maskers van beide hippocampi.
      Opmerking: De gereedschappen toevoegen, aftrekkenen corrigeren van de segmentatie plug-in in de mitk Workbench kunnen worden gebruikt voor het handmatig bewerken. De correctie tool is eenvoudig om kleine fouten in het segmentatie masker te hanteren door optellen en aftrekken uit te voeren op basis van gebruikersinvoer en het segmentatie masker zonder extra gereedschaps selectie.
  5. Sla de binaire maskers voor links en rechts hippocampi in nifti-indeling (NII of NII. gz) met behulp van het menu Opslaan in de mitk Workbench-software.
    Opmerking: De binaire maskers van linker en rechter hippocampi moeten afzonderlijk worden opgeslagen voor de daaropvolgende hippocampal vorm model stappen.

3. groeps sjabloon constructie

Opmerking: Na de segmentatie en handmatige bewerking voor alle onderwerpen, de afzonderlijke vorm modellering vereist het sjabloon model van de doel structuur. We bouwen het sjabloon model van het gemiddelde binaire masker voor een populatie, verkregen met behulp van de plugin "ShapeModeling" in de MITK Workbench. Stappen van de sjabloon model constructie met behulp van GUI-software zijn als volgt.

  1. Laad de ShapeModeling plugin met behulp van de menufunctie: Window | Weergave tonen | Vorm modelleren.
  2. Open een map met de binaire maskers van een Studiepopulatie door te klikken op de knop ' open map ' in de plugin voor shapemodeling .
  3. Klik op de sjabloon bouw knop in de shapemodeling plugin.
  4. Controleer het gemiddelde vorm gaas en sla het op in de indeling stereolithography (STL) met behulp van het menu Opslaan .

4. individuele vorm reconstructie

Opmerking: Bij deze stap voeren we de vorm modellering uit voor individuele onderwerpen met behulp van de Start shape Modeling knop in de "ShapeModeling" plugin. We vermelden de software parameters van deze plugin in tabel 3. Gedetailleerde uitleg over elke parameter kan hier worden gevonden5. Stappen van de individuele vorm reconstructie met behulp van GUI-software zijn als volgt.

  1. Laad T1-gewogen MR-afbeelding en het segmentatie masker met behulp van het menu bestand openen .
    Opmerking: We gebruiken de T1-gewogen MR-afbeelding voor visuele validatie.
  2. Controleer de modellerings parameters in de plugin ShapeModeling en wijzig indien nodig.
    Opmerking: Als het sjabloon model niet vervormd is of de afstand tussen het sjabloon model en de afbeeldings grens groot is, wordt aanbevolen het zoekbereik voor de grens te verhogen. Als er enkele geometrische vervormingen worden gevonden, zou het verhogen van maxAlpha en minAlpha met stap 0,5 helpen om het probleem op te lossen. Het is belangrijk om de Voxel-intensiteit voor het doelobject in het segmentatie masker te controleren. Als de waarde niet 1 is, moet de parameter intensiteit dienovereenkomstig worden gewijzigd.
  3. Klik op de knop vorm modellering om het vorm modelleringsproces uit te voeren en controleer het resultaat in de 3D-weergave van de mitk Workbench.
  4. Herhaal de stappen 4,2 en 4,3 wanneer het sjabloon model niet op de nauwkeurig op de beeld grens is gemonteerd.
    Opmerking: Het sjabloon model wordt gevisualiseerd met het segmentatie masker in de weergave Sagittaal, coronal, Axial en 3D van de MITK Workbench. Het sjabloon oppervlak is niet vervormd wanneer de afstand tussen het sjabloon model en de afbeeldings grens kleiner is dan een drempelwaarde die een tiende van de kleinste Voxel-grootte is.
  5. Sla het modellerings resultaat op in een stereolithography (STL)-indeling met behulp van het menu Opslaan in mitk Framework.

5. meting van de groep-Wise shape normalisatie en vorm verschil

Opmerking: Bij deze stap uitlijnen we de afzonderlijke vorm modellen naar het sjabloon model en berekenen we de vervorming van de punt-wijze vorm tussen de corresponderende hoekpunten tussen het sjabloon model en het afzonderlijke vorm model. De stappen voor de misvorming-meting van de vorm zijn als volgt.

  1. Selecteer het vorm model van een onderwerp in de gegevensbeheerder van de mitk Workbench.
    Opmerking: Gebruikers kunnen meerdere modellen selecteren voor de misvorming-meting.
  2. Voer de misvorming-meting uit door op de meet knop in de plugin shapemodeling te klikken.

Representative Results

Het vorm modelleringsproces dat hier wordt beschreven, is gebruikt voor verschillende neuroimaging-onderzoeken naar veroudering van6,8,10 en de ziekte van Alzheimer5,5. Vooral, deze vorm modelleringsmethode toonde de nauwkeurigheid en gevoeligheid in de vorm analyse op de Hippocampus voor een verouderende populatie van 654 proefpersonen8. Een kwantitatieve analyse van de software en de publiekelijk beschikbare software, ShapeWork, LDDMM-TI, en SPHARM-PDM, vindt u hier5. We beschrijven veel open hulpmiddelen van de heer image voor verwerking tot hersen segmentatie in tabel 1,tabel 2en tabel 4.

Figuur 2 is een diagram van het vorm modellerings raamwerk met behulp van de sjabloonmodellen van doel structuren. De sjabloonmodellen vertegenwoordigen algemene vorm karakteristieken van de hersenstructuren in een populatie. Figuur 3 presenteert de vervorming van de hippocampal sjabloon model voor individuele vorm reconstructie. De methode induceert een groot-op-kleine schaal vervorming van het sjabloon model om de vervorming van de punt verdeling te minimaliseren tijdens het herstellen van afzonderlijke vormkenmerken. Figuur 4 toont de gereconstrueerde vorm modellen van twee vakken met hun segmentatie maskers. Figuur 5 toont de uitgelijnde individuele vorm modellen, hun gemiddelde model en de vorm verschil vectoren met een individueel vorm model. Figuur 6 presenteert de gemiddelde vorm misvorming Maps, geprojecteerd op het gemiddelde model, voor twee groepen met kleine en grote hersenweefsel volume (BTV). We selecteerden onderwerpen waarvan de BTV groter of kleiner is dan een standaardafwijking van het gemiddelde van een gezonde verouderings populatie van 51 proefpersonen5. De vorm misvorming kaarten van twee groepen presenteren tegenovergestelde patronen van hippocampal vorm verschil in overeenkomstige gebieden.

Figure 1
Afbeelding 1: GUI-software voor het modelleren en analyseren van vormen. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 2
Figuur 2: stappen van de vorm modellering met behulp van de sjabloonmodellen voor hersenstructuren. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 3
Figuur 3: vervorming van het sjabloon model (oranje) voor individuele vorm reconstructie. Kleur kaart = vertex-Wise vervorming magnitude (mm). Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 4
Figuur 4: voorbeelden van individuele vorm modellering van de hippocampus. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 5
Figuur 5: uitgelijnde individuele vorm modellen, hun gemiddelde model en de vorm verschil vectoren met een individueel vorm model. Left = uitgelijnde individuele vorm modellen (wit) en hun gemiddelde model (blauw). Right = punt-Wise vorm verschil vectoren tussen het gemiddelde model en een individueel model. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 6
Figuur 6: gemiddelde vorm vervorming van twee groepen met klein en groot hersenweefsel volume (minder of meer dan één standaarddeviatie van het populatiegemiddelde) in een gezonde verouderende populatie. Klik hier om een grotere versie van dit cijfer te bekijken.

Naam Beschrijving Systeem Organisatie Link
Alvin Laterale ventrikel segmentatie Linux King's College Londen https://www.nitrc.org/projects/alvin_lv/
Eerste Subcorticale structuur segmentatie in FSL Linux, Mac Universiteit van Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
Snel Weefsel classificatie tool met de correctie voor variaties in ruimtelijke intensiteit Linux, Mac Universiteit van Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
FreeSurfer Voxel-Wise volledige hersen segmentatie Linux, Mac Athinoula A. Martinos centrum voor biomedische beeldvorming, MGH https://surfer.nmr.mgh.harvard.edu/
TOADS-CRUISE Automatische Brain segmentatie tool Linux, Mac Johns Hopkins University https://www.nitrc.org/projects/toads-cruise
NiftySeg Automatische hersenweefsel classificatie tool Linux, Mac King's College Londen https://github.com/KCL-BMEIS/NiftySeg
BrainSuite PVC gereedschap Hersenweefsel classificatie tool in BrainSuite pakket Windows, Linux, Mac Universiteit van Zuid-Californië http://brainsuite.org/

Tabel 1: lijst van open software op grote schaal gebruikt voor automatische segmentatie van hersenstructuren.

Naam Beschrijving Systeem Organisatie Link
MITK GUI-software die plug-ins biedt voor semi-automatische (bijv. regio groei en waterberging drempel) en handmatige beeldsegmentatie Windows, Linux, Mac Duits kanker onderzoekscentrum http://mitk.org/wiki/MITK
3D-slicer GUI-software voor medische beeldverwerking en 3D-visualisatie. Segment editor in 3D-slicer is een module voorhand matige segmentatie Windows, Linux, Mac Brigham en vrouwen
Hospital, Inc.
https://www.slicer.org/
ITK-module GUI-software voor semi-automatische (actieve contour methode) en handmatige segmentatie Windows, Linux, Mac Universiteit van Pennsylvania en de Universiteit van Utah http://www.itksnap.org/pmwiki/pmwiki.php
GIMIAS GUI-software voor biomedische beeldverwerking. Handmatige segmentatie plugin wordt ondersteund. Windows, Linux Universiteit van Sheffield http://www.gimias.org/
MRICron GUI-software voor NIFIT-formaat image viewer. Het ondersteunt ook volume rendering, ROI regio tekenen, en statistische hulpmiddelen Windows, Linux, Mac Universiteit van South Carolina http://people.cas.sc.edu/rorden/mricron/index.html
Mango Multi-platform image viewer ondersteunt oppervlakte visualisatie, ROI-bewerking en beeldanalyse Windows, Linux, Mac University of Texas Health http://ric.uthscsa.edu/mango/index.html

Tabel 2: lijst van open software voorhand matige segmentatie en visualisatie.

Parameter Beschrijving
--minAlpha Minimaal gewicht voor interne kracht het behoud van Laplacian-coördinaten van sjabloon model (standaard: 1,0)
--maxAlpha Maximaal gewicht voor interne kracht het behoud van Laplacian-coördinaten van sjabloon model (standaard: 5,0)
--thresholdAlpha Drempel parameter om het Alfa gewicht geleidelijk te verminderen tijdens de vervorming van de sjabloon (standaard: 0,01)
--minRing Minimum niveau van de buurt (standaard: 1)
--maxRing Maximum niveau van de buurt (standaard: 3)
--Edge Gewicht parameter voor externe kracht (standaard: 0,1)
--intensiteit Voxel-waarde voor doel structuur in segmentatie masker
--Range Bereik van grens zoeken (standaard: 5,0)
--init Sjabloon model initialisatie met behulp van iteratief dichtst algoritme (standaard: 1 (waar))

Tabel 3: parameters voor de individuele vorm reconstructie.

Naam Beschrijving Systeem Organisatie Link
MINC N3 Niet-parametrische niet-uniformiteit normalisatie (N3) methode Linux, Mac McGill University https://www.nitrc.org/projects/nu_correct
ANTs N4BiasCorrection N4ITK: verbeterde N3-methode in Advanced Normalzation tools (ANTs) softwarepakket Windows, Linux, Mac Universiteit van Pennsylvania https://sourceforge.net/projects/advants/
SkullStrippingToolkit Schedel strippen tool met behulp van een niveau-set gebaseerde Fusion-methode Matlab Universiteit van North Carolina https://www.nitrc.org/projects/skulltoolkit
ROBEX Schedel strippen tool met behulp van een hersen oppervlak fitting methode Linux, Mac Universiteit van Californië-Los Angeles https://www.nitrc.org/projects/robex/
FSL BET Schedel strippen tool in fsl Zie Linux, Mac, Windows Universiteit van Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
BrainSuite BSE tool Schedel strippen tool in brainsuite Zie Windows, Linux, Mac Universiteit van Zuid-Californië http://brainsuite.org/processing/surfaceextraction/bse/

Tabel 4: lijst van open software op grote schaal gebruikt voor de hersenen heer voor verwerking en schedel strippen.

Discussion

Samenvattend hebben we de software pijplijn beschreven voor de vorm analyse van hersenstructuren, waaronder (1) MR-beeldsegmentatie met behulp van open tools (2) individuele vorm reconstructie met behulp van een vervormbare sjabloon model, en (3) kwantitatief vorm verschil meting via transitieve vorm correspondentie met het sjabloon model. Statistische analyse onder de False Discovery rate (FDR) correctie wordt uitgevoerd met de vorm vervorming te onderzoeken van de betekenis van morfologische veranderingen van hersenstructuren, geassocieerd met neuropathologische processen.

Onze modelleer pijplijn gebruikt intern in-House tools om een sjabloon model te maken van onderwerpafbeeldingen. De stappen voor de sjabloon constructie zijn als volgt: (i) Bereken het groeps gemiddelde masker via iteratieve uitlijning van onderwerpafbeeldingen naar een gemiddelde afbeelding die bij elke iteratie evolueert. (II) Genereer een 3D-oppervlakte gaas van het gemiddelde masker met behulp van Marching cubes methode20. (III) het oppervlak van de mesh met behulp van de ACVD-tool (https://www.creatis.insa-Lyon.fr/site/en/acvd.html) opnieuw berekenen. Het nummer van het sjabloon model kan worden ingesteld in de plug-in ShapeModeling.

De individuele vorm reconstructie is gebaseerd op een progressieve sjabloon vervorming methode. Deze methode maakt het mogelijk een groot-op-kleine schaal vervorming te minimaliseren van de geometrische vervormingen van het sjabloon model tijdens het herstellen van de details van de afzonderlijke vorm door het sjabloon model doorgeven aan de grenzen van de afbeelding. De vervormings methode is beperkt tot de structuren met sferische topologie. Tegen deze beperking hebben we structuur-specifieke beperkingen geïntroduceerd in de vorm modellering van de derde ventrikel van de hersenen, die een gat heeft door interthalamic adhesie6. De structuurspecifieke beperkingen worden echter niet ondersteund door de huidige versie van onze software.

De geïndividualiseerde vorm modellen worden in gemeenschappelijke ruimte uitgelijnd met het gegeneraliseerde Procrustes-algoritme19. Hier gebruiken we de transformatie van overeenkomsten (isotrope schaal, translatie en rotatie) voor de normalisatie van het vorm model. De verschillen in de lokale vorm worden bepaald door de verschuivings vector tussen de corresponderende hoekpunten van de afzonderlijke oppervlakte modellen en hun gemiddelde vorm model. De vorm vervorming op elk hoekpunt wordt berekend als de ondertekende Euclidische norm van de verschuivings vectoren die op de vertex normaal van het gemiddelde model worden geprojecteerd. De gedetailleerde stappen van de analyse van de statistische vorm u hier vinden5.

Voor de nauwkeurigheids evaluatie van de vorm modellering gebruiken we 3 metrics: Dice coëfficiënt, gemiddelde afstand en Hausdorff-afstand. De dobbelstenen coëfficiënt vertegenwoordigt volume overlapping tussen het gereconstrueerde model en de target segmentatie masker. De gemiddelde afstand is de afstand tussen de twee en de Hausdorff-afstand is de maximale afstand daartussen. Lagere afstanden en hogere dobbelstenen coëfficiënt duiden op een betere nauwkeurigheid. Voor de Hippocampus studie5was de dobbelstenen coëfficiënt 0,85-0,9, de gemiddelde afstand was rond 0,3 mm, en de Hausdorff-afstand was 2 mm. Deze resultaten zijn echter afhankelijk van de volumes en vorm Details van de doel structuur. Volume verschil en oppervlakteruwheid kunnen worden gebruikt als indicatoren voor de nauwkeurigheid en vorm kwaliteit5.

Voor gebruiksgemak distribueren we ook een MATLAB-script voor het genereren van de lijst bestanden en het uitvoeren van de opdrachtregelprogramma's voor elke stap. Momenteel hebben we de tools in Linux, MacOS en Windows getest. Het belang van de in-House software is dat het volledig geautomatiseerd voor template gebaseerde vorm modellering en meting. We hebben de robuustheid en nauwkeurigheid gevalideerd met verschillende gegevenssets van veroudering en populaties van de ziekte van Alzheimer5. Verder zijn er veel benaderingen met behulp van de vorm modelleringsmethode op verschillende menselijke organen.

Disclosures

De auteurs verklaren dat er geen sprake is van belangenverstrengeling.

Acknowledgments

Het werk werd gefinancierd door de National Research Foundation of Korea (JP als de PI). JK wordt gefinancierd door het Kyungpook National University Research Fund; en MCVH wordt gefinancierd door de Row Fogo liefdadigheid Trust en de Royal Society of Edinburgh. De hippocampal segmentatie werd aangepast aan de in-House richtlijnen geschreven door Dr. Karen Ferguson, in het centrum voor klinische hersenen wetenschappen, Edinburgh, Verenigd Koninkrijk.

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).
Driedimensionale vorm modellering en analyse van Hersenstructuren
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