Login processing...

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

Neuroscience

Modélisation et analyse tridimensionnelles de la forme des structures cérébrales

doi: 10.3791/59172 Published: November 14, 2019

Summary

Nous introduisons un protocole semi-automatique pour l'analyse de la forme sur les structures cérébrales, y compris la segmentation des images à l'aide d'un logiciel ouvert, et d'autres analyses de forme au niveau du groupe à l'aide d'un paquet de modélisation automatisé. Ici, nous démontrons chaque étape du protocole d'analyse de forme 3D avec la segmentation hippocampal des images de MR de cerveau.

Abstract

L'analyse statistique de la forme des structures cérébrales a été utilisée pour étudier l'association entre leurs changements structurels et les processus pathologiques. Nous avons développé un logiciel pour une modélisation de forme précise et robuste et une analyse axée sur le groupe. Ici, nous introduisons un pipeline pour l'analyse de forme, de la modélisation de forme 3D individuelle à l'analyse quantitative de la forme de groupe. Nous décrivons également les étapes de prétraitement et de segmentation à l'aide de progiciels ouverts. Ce guide pratique aiderait les chercheurs à économiser du temps et des efforts dans l'analyse de la forme 3D sur les structures du cerveau.

Introduction

L'analyse de la forme des structures cérébrales est apparue comme l'outil préféré pour étudier leurs changements morphologiques dans le cadre de processus pathologiques, tels que les maladies neurodégénératives et le vieillissement1. Diverses méthodes de calcul sont nécessaires pour 1) délimiter avec précision les limites des structures cibles à partir d'images médicales, 2) reconstruire la forme cible sous forme de maillage de surface 3D, 3) construire la correspondance entre les sujets entre les modèles de forme individuels par la biais de la paramétrisation de forme ou de l'enregistrement de surface, et 4) évaluer quantitativement les différences de forme régionales entre les individus ou les groupes. Au cours des dernières années, de nombreuses méthodes ont été introduites dans les études de neuroimagerie pour chacune de ces étapes. Cependant, malgré les développements remarquables dans le domaine, il n'existe pas beaucoup de cadres immédiatement applicables à la recherche. Dans cet article, nous décrivons chaque étape de l'analyse de forme des structures cérébrales à l'aide de nos outils personnalisés de modélisation de forme et d'outils de segmentation d'image accessibles au public.

Ici, nous démontrons le cadre d'analyse de forme pour des structures de cerveau par l'analyse de forme de l'hippocampi gauche et droit utilisant un ensemble de données des contrôles adultes et des patients de la maladie d'Alzheimer. L'atrophie de l'hippocampe est reconnue comme un biomarqueur d'imagerie critique dans les maladies neurodégénératives2,3,4. Dans notre cadre d'analyse de forme, nous utilisons le modèle de modèle de la structure cible et l'enregistrement déformable de modèle à image dans le processus de modélisation de forme. Le modèle code les caractéristiques générales de forme de la structure cible dans une population, et il fournit également une base de référence pour quantifier les différences de forme entre les modèles individuels via leur relation transitoire avec le modèle de modèle. Dans l'enregistrement de modèle à image, nous avons développé une méthode de déformation de surface laplacienne pour adapter le modèle de modèle à la structure cible dans les images individuelles tout en minimisant la distorsion de la distribution de points dans le modèle de modèle5,6,7. La faisabilité et la robustesse du cadre proposé ont été validées dans des études récentes de neuroimagerie du vieillissement cognitif8, détection précoce de l'affaiblissement cognitif doux9, et d'explorer les associations entre les changements structurels du cerveau et les niveaux de cortisol10. Cette approche faciliterait l'utilisation des méthodes de modélisation et d'analyse de la forme dans d'autres études de neuroimagerie.

Protocol

Les images de M. cerveau ont été acquises selon le protocole approuvé par le comité d'examen institutionnel local et le comité d'éthique.

REMARQUE: Les outils de modélisation et d'analyse de la forme peuvent être téléchargés à partir du référentiel du NITRC : https://www.nitrc.org/projects/dtmframework/. Le logiciel GUI (DTMModeling.exe) peut être exécuté après extraction. Voir figure 1.

1. Segmentation d'image de cerveau mM

  1. Acquérir des images de M. du cerveau de sujets individuels et des masques de segmentation du cerveau.
    REMARQUE: Habituellement, nous acquérons des images MMR pondérées par T1 pour l'analyse des structures cérébrales. Nous supposons que les images MR sont pré-traitées pour la correction de non-linéarité de gradient et la correction d'inhomogénéité d'intensité utilisant N311, méthodes améliorées n312, ou FSL-FAST13. Certains outils disponibles gratuitement pour la segmentation automatique des structures cérébrales humaines sont énumérés dans le tableau 1.
  2. Corriger manuellement les résultats de segmentation.
    REMARQUE: Le logiciel open GUI supportant la segmentation manuelle est répertorié dans le tableau 2. Les protocoles manuels de segmentation pour les structures cérébrales peuvent être trouvés ici14,15,16. Un guide vidéo sur la segmentation manuelle pour l'hippocampe est ici17. Nous décrivons le protocole pour la segmentation hippocampal dans la section suivante.
    1. Ouvrez l'IRM pondérée par T1 et les résultats de segmentation automatique à l'aide du menu Fichier ouvert.
    2. Chargez le plugin de segmentation en cliquant sur menu fenêtre Afficher (en anglais) Segmentation.
    3. Corriger le masque de segmentation à l'aide des outils Add, Subtract, et Correction dans le plugin de segmentation.
    4. Enregistrez le masque de segmentation corrigé dans le format Nifti à l'aide du menu Enregistrer.

2. Montage manuel de la segmentation hippocampale

REMARQUE: Nous introduisons un protocole pour l'édition manuelle de la segmentation du cerveau à l'aide du logiciel de modélisation GUI basé sur l'établi MITK (http://www.mitk.org/). L'établi MITK fournit diverses fonctions pour la segmentation manuelle et automatique et la visualisation d'image médicale. Nous démontrons le processus d'édition manuel pour l'hippocampi gauche et droit. Étapes pour l'édition manuelle18 le résultat de la segmentation hippocampal automatique sont comme suit.

  1. Ouvrez l'image MR pondérée par T1 et les résultats de la segmentation hippocampal automatique à l'aide du logiciel de l'établi MITK.
  2. Chargez le plugin de segmentation dans l'établi MITK en cliquant sur la fenêtre du menu . Afficher la vue d'exposition Segmentation.
  3. Sélectionnez la vue coronale en cliquant sur l'icône côté droit qui apparaît dans le coin supérieur droit de la fenêtre Display.
  4. Modifier le masque binaire de chaque hippocampe (c'est-à-dire, à gauche et à droite) dans la vue coronale, à partir de la tête hippocampique au corps comme suit.
    1. Faites défiler tout le volume jusqu'à ce que l'uncus soit trouvé. Inclure l'uncus dans le masque hippocampique où il est présent.
    2. Modifier le masque du corps hippocampique après que l'uncus a reculé à l'aide de la fonction Add and Subtract dans le plugin de segmentation.
    3. Continuer à modifier le masque hippocampal jusqu'à ce que la queue hippocampal soit trouvée. Comme le noyau pulvinaire du thalamus recule supérieur à l'hippocampe, le fornix émerge.
    4. Terminer l'édition de la dernière tranche coronale de l'hippocampe dans laquelle toute la longueur du fornix est visible mais pas encore continue avec le splenium du corpus callosum.
      REMARQUE: Les espaces de fluide céphalo-rachidien (CSF) peuvent être contenus dans les régions hippocampales. Les espaces CSF peuvent être retirés des masques hippocampiques à l'aide de l'outil Soustraction dans le plugin de segmentation de l'établi MITK. il peut être plus facile de définir les régions hippocampiques entièrement et ensuite passer par toutes les tranches coronales de la tête hippocampal à la queue pour l'enlèvement des espaces CSF.
    5. Suivez le même processus pour l'édition des masques binaires des deux hippocampi.
      REMARQUE: Les outils Add, Subtract, et Correction du plugin de segmentation dans l'établi MITK peuvent être utilisés pour l'édition manuelle. L'outil de correction est facile à gérer les petites erreurs dans le masque de segmentation en effectuant l'addition et la soustraction en fonction de l'entrée de l'utilisateur et le masque de segmentation sans sélection d'outils supplémentaires.
  5. Enregistrer les masques binaires pour hippocampi gauche et droite en format Nifti (nii ou nii.gz) en utilisant le menu Enregistrer dans le logiciel de l'établi MITK.
    REMARQUE: Les masques binaires de l'hippocampi gauche et droit doivent être sauvegardés séparément pour les étapes ultérieures de modèle de forme hippocampal.

3. Construction de modèle de groupe

REMARQUE: Après la segmentation et l'édition manuelle pour tous les sujets, la modélisation de forme individuelle nécessite le modèle de modèle de la structure cible. Nous construisons le modèle modèle à partir du masque binaire moyen pour une population, acquis à l'aide de plugin "ShapeModeling" dans le mitK Workbench. Les étapes de la construction du modèle de modèle à l'aide d'un logiciel GUI sont les suivantes.

  1. Chargez le plugin ShapeModeling à l'aide de la fonction de menu : Fenêtre Afficher la vue d'exposition Modélisation de forme.
  2. Ouvrez un répertoire contenant les masques binaires d'une population d'étude en cliquant sur le bouton Open Directory dans le plugin ShapeModeling.
  3. Cliquez sur le bouton Template Construction dans le plugin ShapeModeling.
  4. Vérifiez le maillage de forme moyenne et enregistrez-le dans le format stéréolithographie (STL) à l'aide du menu Enregistrer.

4. Reconstruction individuelle de forme

REMARQUE: À cette étape, nous effectuons la modélisation de forme pour des sujets individuels à l'aide du bouton Start Shape Modeling dans le plugin "ShapeModeling". Nous énumérons les paramètres logiciels de ce plugin dans le tableau 3. Une explication détaillée sur chaque paramètre peut être trouvée ici5. Les étapes de la reconstruction de forme individuelle à l'aide d'un logiciel GUI sont les suivantes.

  1. Chargez l'image MR pondérée par T1 et son masque de segmentation à l'aide du menu Fichier ouvert.
    REMARQUE: Nous utilisons l'image MR pondérée par T1 pour la validation visuelle.
  2. Vérifiez les paramètres de modélisation dans le plugin ShapeModeling et modifiez si nécessaire.
    REMARQUE: Si le modèle de modèle n'est pas déformé ou si la distance entre le modèle de modèle et la limite d'image est grande, il est recommandé d'augmenter la plage de recherche limite. Si certaines distorsions géométriques sont trouvées, l'augmentation maxAlpha et minAlpha avec l'étape 0.5 aiderait à résoudre le problème. Il est important de vérifier l'intensité du voxel pour l'objet cible dans le masque de segmentation. Si la valeur n'est pas 1, le paramètre d'intensité doit être modifié en conséquence.
  3. Cliquez sur le bouton Modélisation de la forme pour exécuter le processus de modélisation de forme et vérifier le résultat dans la vue 3D de l'établi MITK.
  4. Répétez les étapes 4.2 et 4.3, lorsque le modèle de modèle n'est pas ajusté à la limite d'image de près.
    REMARQUE: Le modèle de modèle est visualisé avec le masque de segmentation dans la vue sagittale, coronale, axiale et 3D de l'établi MITK. La surface du modèle n'est pas déformée lorsque la distance entre le modèle de modèle et la limite d'image est inférieure à un seuil qui est un dixième de la plus petite taille de voxel.
  5. Enregistrer le résultat de modélisation dans un format stéréolithographie (STL) à l'aide du menu Enregistrer dans le cadre MITK.

5. Normalisation de forme axée sur le groupe et mesure de la différence de forme

REMARQUE: À cette étape, nous alignons les modèles de forme individuels sur le modèle de modèle et calculons la déformation de la forme pointée entre les vertices correspondantes entre le modèle de modèle et le modèle de forme individuel. Les étapes de la mesure de déformation de la forme sont les suivantes.

  1. Sélectionnez le modèle de forme d'un sujet dans le gestionnaire de données de l'établi MITK.
    REMARQUE: Les utilisateurs peuvent sélectionner plusieurs modèles pour la mesure de déformation.
  2. Effectuez la mesure de déformation en cliquant sur le bouton De mesure dans le plugin ShapeModeling.

Representative Results

Le processus de modélisation de la forme décrit ici a été utilisé pour diverses études de neuroimagerie sur le vieillissement6,8,10 et la maladie d'Alzheimer5,9. Particulièrement, cette méthode de modélisation de forme a montré sa précision et sensibilité dans l'analyse de forme sur l'hippocampe pour une population vieillissante de 654 sujets8. Une analyse quantitative du logiciel et du logiciel accessible au public, ShapeWork, LDDMM-TI et SPHARM-PDM, se trouve ici5. Nous décrivons de nombreux outils ouverts, du prétraitement de l'image MR à la segmentation du cerveau dans le tableau 1, letableau 2et le tableau 4.

La figure 2 est un diagramme du cadre de modélisation de la forme à l'aide des modèles modèles de structures cibles. Les modèles représentent les caractéristiques générales de forme des structures cérébrales d'une population. La figure 3 présente la déformation du modèle de modèle hippocampal pour la reconstruction de forme individuelle. La méthode induit une déformation à grande et à petite échelle du modèle de modèle afin de minimiser la distorsion de sa distribution de points tout en rétablissant les caractéristiques de forme individuelles. La figure 4 montre les modèles de forme reconstruits de deux sujets avec leurs masques de segmentation. La figure 5 montre les modèles de forme individuels alignés, leur modèle moyen et les vecteurs de différence de forme avec un modèle de forme individuel. La figure 6 présente les cartes de déformation de forme moyenne, projetées sur le modèle moyen, pour deux groupes avec le volume de tissu cérébral petit et grand (BTV). Nous avons sélectionné des sujets dont le BTV est plus ou moins qu'un écart standard par rapport à la moyenne d'une population vieillissante en bonne santé de 51 sujets5. Les cartes de déformation de forme de deux groupes présentent des modèles opposés de différence de forme hippocampal aux régions correspondantes.

Figure 1
Figure 1 : Logiciel GUI pour la modélisation et l'analyse de la forme. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 2
Figure 2 : Étapes de la modélisation de la forme à l'aide des modèles modèles pour les structures cérébrales. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 3
Figure 3 : Déformation du modèle (orange) pour la reconstruction de forme individuelle. Carte des couleurs et magnitude de déformation vertex-sage (mm). Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4
Figure 4 : Exemples de modélisation de forme individuelle de l'hippocampe. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5
Figure 5 : Modèles de forme individuels alignés, leur modèle moyen et les vecteurs de différence de forme avec un modèle de forme individuel. Gauche - Modèles de forme individuels alignés (blanc) et leur modèle moyen (bleu). Droite - Vecteurs de différence de forme point-sage entre le modèle moyen et un modèle individuel. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 6
Figure 6 : Déformation moyenne de la forme de deux groupes ayant un volume de tissu cérébral de petite et grande taille (moins ou plus d'un écart type par rapport à la moyenne de la population) dans une population vieillissante en bonne santé. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Nom Description Système Organisation Lien
Alvin Segmentation latérale du ventricule Linux King's College Londres https://www.nitrc.org/projects/alvin_lv/
Première Segmentation de la structure subcortical en FSL Linux, Mac Université d'Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
Rapide Outil de classification des tissus avec correction pour les variations d'intensité spatiale Linux, Mac Université d'Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
FreeSurfer (en) Segmentation complète du cerveau de Voxel-sage Linux, Mac Athinoula A. Martinos Center for Biomedical Imaging, MGH https://surfer.nmr.mgh.harvard.edu/
TOADS-CRUISE Outil de segmentation automatique du cerveau Linux, Mac Université Johns Hopkins https://www.nitrc.org/projects/toads-cruise
NiftySeg (en) Outil automatique de classification des tissus cérébraux Linux, Mac King's College Londres https://github.com/KCL-BMEIS/NiftySeg
Outil brainSuite PVC Outil de classification des tissus cérébraux dans le paquet BrainSuite Windows, Linux, Mac Université de Californie du Sud http://brainsuite.org/

Tableau 1 : Liste des logiciels ouverts largement utilisés pour la segmentation automatique des structures cérébrales.

Nom Description Système Organisation Lien
MITK MITK Logiciel GUI fournissant des plugins pour les semi-automatiques (p. ex. la croissance de la région et le seuil des bassins versants) et la segmentation manuelle des images Windows, Linux, Mac Centre allemand de recherche sur le cancer http://mitk.org/wiki/MITK
Trancheur 3D Logiciel GUI pour le traitement d'images médicales et la visualisation 3D. Segment Editor in 3D Slicer est un module de segmentation manuelle Windows, Linux, Mac Brigham et les femmes
Hôpital, Inc.
https://www.slicer.org/
ITK-Snap (en) Logiciel GUI pour la segmentation semi-automatique (méthode de contour actif) et la segmentation manuelle Windows, Linux, Mac Université de Pennsylvanie et Université de l'Utah http://www.itksnap.org/pmwiki/pmwiki.php
Gimias Logiciel GUI pour l'informatique d'image biomédicale. Le plugin de segmentation manuelle est pris en charge. Windows, Linux Université de Sheffield http://www.gimias.org/
MRICron (en) Logiciel GUI pour visualiseur d'images format NIFIT. Il prend également en charge le rendu en volume, le dessin de région de ROI, et les outils statistiques Windows, Linux, Mac Université de Caroline du Sud http://people.cas.sc.edu/rorden/mricron/index.html
Mangue Visionneuse d'images multiplateforme supportant la visualisation de surface, l'édition de retour sur investissement et l'analyse d'images Windows, Linux, Mac Université du Texas Santé http://ric.uthscsa.edu/mango/index.html

Tableau 2 : Liste des logiciels ouverts pour la segmentation et la visualisation manuelles.

Paramètre Description
--minAlpha Poids minimum pour la force interne préservant les coordonnées laplaciennes du modèle de modèle (par défaut : 1.0)
--maxAlpha Poids maximum pour la force interne préservant les coordonnées laplaciennes du modèle de modèle (par défaut : 5.0)
--thresholdAlpha Paramètre de seuil pour réduire progressivement le poids alpha pendant la déformation du modèle (par défaut : 0,01)
--minRing Niveau minimum de quartier (par défaut: 1)
--maxRing Niveau maximum du quartier (par défaut: 3)
--bord Paramètre de poids pour la force externe (par défaut : 0,1)
--intensité Valeur Voxel pour la structure cible dans le masque de segmentation
--gamme Gamme de recherche limite (par défaut : 5.0)
--init Initialisation du modèle de modèle à l'aide de l'algorithme itératif le plus proche (par défaut : 1 (vrai))

Tableau 3 : Paramètres de la reconstruction de la forme individuelle.

Nom Description Système Organisation Lien
MINC N3 Méthode de normalisation non paramétrique de non-uniformité (N3) Linux, Mac Université McGill https://www.nitrc.org/projects/nu_correct
ANTs N4BiasCorrection N4ITK : Amélioration de la méthode N3 dans le logiciel Advanced Normalization Tools (ANTs) Windows, Linux, Mac Université de Pennsylvanie https://sourceforge.net/projects/advants/
SkullStrippingToolkit (en) Outil de décapage du crâne à l'aide d'une méthode de fusion basée sur le niveau Matlab Université de Caroline du Nord https://www.nitrc.org/projects/skulltoolkit
Robex Outil de décapage de crâne utilisant une méthode de montage de surface de cerveau Linux, Mac Université de Californie, Los Angeles https://www.nitrc.org/projects/robex/
FSL BET Outil de décapage de crâne dans le pacakge de FSL Linux, Mac, Windows Université d'Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
Outil brainSuite bse Outil de décapage du crâne dans BrainSuite pacakge Windows, Linux, Mac Université de Californie du Sud http://brainsuite.org/processing/surfaceextraction/bse/

Tableau 4 : Liste des logiciels ouverts largement utilisés pour le prétraitement du cerveau et le décapage du crâne.

Discussion

En résumé, nous avons décrit le pipeline logiciel pour l'analyse de forme sur les structures du cerveau, y compris (1) la segmentation de l'image MR à l'aide d'outils ouverts (2) la reconstruction de forme individuelle à l'aide d'un modèle de modèle déformable, et (3) la différence de forme quantitative mesure par correspondance de forme transitoire avec le modèle de modèle. L'analyse statistique sous la correction de faux taux de découverte (FDR) est exécutée avec la déformation de forme pour étudier l'importance des changements morphologiques des structures de cerveau, associés aux processus neuropathologiques.

Notre pipeline de modélisation utilise en interne des outils internes pour construire un modèle à partir d'images en question. Les étapes de la construction du modèle sont les suivantes : (i) Calculer le masque moyen du groupe via un alignement itératif des images du sujet sur une image moyenne qui évolue à chaque itération. (ii) Générer un maillage de surface 3D à partir du masque moyen en utilisant la méthode des cubes de marche20. (iii) Rééchantillonner le maillage de surface à l'aide d'un rééchantillonnage de maille à l'aide de l'outil ACVD(https://www.creatis.insa-lyon.fr/site/en/acvd.html). Le nombre du modèle peut être réglé dans le plugin ShapeModeling.

La reconstruction de forme individuelle est basée sur une méthode progressive de déformation de modèle. Cette méthode permet une déformation à grande et à petite échelle pour minimiser les distorsions géométriques du modèle tout en rétablissant les détails de forme individuels en propageant le modèle modèle aux limites d'image. La méthode de déformation est limitée aux structures avec la topologie sphérique. Contre cette limitation, nous avons introduit des contraintes spécifiques à la structure dans la modélisation de la forme du cerveau troisième ventricule, qui a un trou par adhérence interthalamique6. Cependant, les contraintes spécifiques à la structure ne sont pas prises en charge par la version actuelle de notre logiciel.

Les modèles de forme individualisés sont alignés dans l'espace commun à l'aide de l'algorithme généralisé Procrustes19. Ici, nous utilisons la transformation de similitude (échelle isotropique, traduction et rotation) pour la normalisation du modèle de forme. Les différences de forme locales sont déterminées par le vecteur de déplacement entre les vertices correspondantes des modèles de surface individuels et leur modèle de forme moyenne. La déformation de forme à chaque vertex est calculée comme la norme euclidensignée des vecteurs de déplacement qui sont projetés sur le vertex normal du modèle moyen. Les étapes détaillées de l'analyse de la forme statistique peuvent être trouvées ici5.

Pour l'évaluation de la précision de la modélisation de la forme, nous utilisons 3 mesures : coefficient de dés, distance moyenne et distance Hausdorff. Le coefficient de dés représente le chevauchement de volume entre le modèle reconstruit et le masque de segmentation cible. La distance moyenne est la distance moyenne entre eux, et la distance Hausdorff est la distance maximale entre eux. Des distances plus basses et un coefficient de dés plus élevé indiquent une meilleure précision. Pour l'étude de l'hippocampe5, le coefficient de dés était de 0,85-0,9, la distance moyenne était d'environ 0,3 mm, et la distance Hausdorff était de 2 mm. Toutefois, ces résultats dépendent des volumes et des détails de la structure cible. La différence de volume et la rugosité de surface peuvent être utilisées comme indicateurs pour la précision et la qualité de forme5.

Pour faciliter l'utilisation, nous distribuons également un script Matlab ensemble pour générer les fichiers de liste et exécuter les outils de la ligne de commande pour chaque étape. Actuellement, nous avons testé les outils dans Linux, MacOS et Windows. L'importance du logiciel interne est qu'il est entièrement automatisé pour la modélisation et la mesure de la forme basée sur des modèles. Nous avons validé sa robustesse et sa précision avec divers ensembles de données sur les populations vieillissantes et atteintes de la maladie d'Alzheimer5. En outre, il existe de nombreuses approches utilisant la méthode de modélisation de la forme sur différents organes humains.

Disclosures

Les auteurs déclarent qu'il n'y a pas de conflit d'intérêts.

Acknowledgments

Les travaux ont été financés par la National Research Foundation of Korea (JP comme PI). JK est financé par le Fonds national de recherche universitaire Kyungpook; et MCVH est financé par le Row Fogo Charitable Trust et la Royal Society of Edinburgh. La segmentation hippocampique a été adaptée à partir de lignes directrices internes écrites par la Dre Karen Ferguson, au Centre for Clinical Brain Sciences, Edimbourg, Royaume-Uni.

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).
Modélisation et analyse tridimensionnelles de la forme des structures cérébrales
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