Login processing...

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

Neuroscience

Dreidimensionale Formmodellierung und Analyse von Gehirnstrukturen

doi: 10.3791/59172 Published: November 14, 2019

Summary

Wir führen ein halbautomatisches Protokoll für die Formanalyse von Gehirnstrukturen ein, einschließlich der Bildsegmentierung mit offener Software, und weitere gruppenweise Formanalyse mit einem automatisierten Modellierungspaket. Hier zeigen wir jeden Schritt des 3D-Formanalyseprotokolls mit Hippocampus-Segmentierung aus Hirn-MR-Bildern.

Abstract

Statistische Formanalysen von Hirnstrukturen wurden verwendet, um den Zusammenhang zwischen ihren strukturellen Veränderungen und pathologischen Prozessen zu untersuchen. Wir haben ein Softwarepaket für genaue und robuste Formmodellierung und gruppenweise Analyse entwickelt. Hier führen wir eine Pipeline für die Formanalyse ein, von der individuellen 3D-Formmodellierung bis zur quantitativen Gruppenformanalyse. Wir beschreiben auch die Vorverarbeitungs- und Segmentierungsschritte mit offenen Softwarepaketen. Dieser praktische Leitfaden würde Forschern helfen, Zeit und Mühe bei der 3D-Formanalyse von Gehirnstrukturen zu sparen.

Introduction

Die Formanalyse von Hirnstrukturen hat sich als bevorzugtes Werkzeug herauskristallisiert, um ihre morphologischen Veränderungen unter pathologischen Prozessen wie neurodegenerativen Erkrankungen und Alterung1zu untersuchen. Verschiedene Rechenmethoden sind erforderlich, um 1) die Grenzen von Zielstrukturen aus medizinischen Bildern genau abzugrenzen, 2) die Zielform in Form von 3D-Oberflächennetzen zu rekonstruieren, 3) intersubjektübergreifende Korrespondenz über die einzelnen Formmodelle mittels Formparametrierung oder Oberflächenregistrierung zu bilden und 4) die regionalen Formunterschiede zwischen Individuen oder Gruppen quantitativ zu bewerten. In den letzten Jahren, viele Methoden wurden in Neuroimaging-Studien für jeden dieser Schritte eingeführt. Trotz der bemerkenswerten Entwicklungen auf diesem Gebiet gibt es jedoch nicht viele Rahmenbedingungen, die sofort auf die Forschung anwendbar sind. In diesem Artikel beschreiben wir jeden Schritt der Formanalyse von Gehirnstrukturen mithilfe unserer benutzerdefinierten Formmodellierungstools und öffentlich verfügbaren Bildsegmentierungstools.

Hier zeigen wir den Rahmen für die Formanalyse für Hirnstrukturen durch die Formanalyse des linken und rechten Hippocamps anhand eines Datensatzes von Erwachsenenkontrollen und Alzheimer-Patienten. Atrophie des Hippocampi ist als kritischer bildgebender Biomarker bei neurodegenerativen Erkrankungen2,3,4anerkannt. In unserem Shape-Analyse-Framework verwenden wir das Vorlagenmodell der Zielstruktur und die vorlagenverformbare Registrierung im Formmodellierungsprozess. Das Vorlagenmodell kodiert allgemeine Formmerkmale der Zielstruktur in einer Grundgesamtheit und bietet auch eine Basisfürstfür die Quantifizierung der Formunterschiede zwischen den einzelnen Modellen über ihre transitive Beziehung zum Vorlagenmodell. In der Vorlagen-zu-Bild-Registrierung haben wir eine Laplacian-Oberflächenverformungsmethode entwickelt, um das Vorlagenmodell in einzelnen Bildern an die Zielstruktur anzupassen und gleichzeitig die Verzerrung der Punktverteilung im Vorlagenmodell5,6,7zu minimieren. Die Machbarkeit und Robustheit des vorgeschlagenen Rahmens wurden in den jüngsten neuroimaging Studien der kognitiven Alterungvalidiert 8, Früherkennung von leichten kognitiven Beeinträchtigungenthoben 9, und um Assoziationen zwischen strukturellen Veränderungen des Gehirns und Cortisolspiegel10zu untersuchen. Dieser Ansatz würde es einfacher machen, die Formmodellierungs- und Analysemethoden in weiteren neuroimaging-Studien zu verwenden.

Protocol

Brain MR-Bilder wurden gemäß dem Protokoll erworben, das vom lokalen institutionellen Überprüfungsausschuss und der Ethikkommission genehmigt wurde.

HINWEIS: Die Werkzeuge für die Formmodellierung und -analyse können aus dem NITRC-Repository heruntergeladen werden: https://www.nitrc.org/projects/dtmframework/. Die GUI-Software (DTMModeling.exe) kann nach der Extraktion ausgeführt werden. Siehe Abbildung 1.

1. Brain MR Bildsegmentierung

  1. Erfassen Sie Hirn-MR-Bilder von einzelnen Probanden und Gehirnsegmentierungsmasken.
    HINWEIS: Üblicherweise erfassen wir T1-gewichtete MR-Bilder für Analysen von Hirnstrukturen. Wir gehen davon aus, dass die MR-Bilder für die Gradienten-Nichtlinearitätskorrektur und die Intensitätsinhomogenitätskorrektur mit N311, verbesserten N3-Methoden12oder FSL-FAST13vorverarbeitet werden. Einige frei verfügbare Werkzeuge zur automatischen Segmentierung menschlicher Gehirnstrukturen sind in Tabelle 1aufgeführt.
  2. Korrigieren Sie die Segmentierungsergebnisse manuell.
    HINWEIS: Offene GUI-Software, die die manuelle Segmentierung unterstützt, sind in Tabelle 2aufgeführt. Manuelle Segmentierungsprotokolle für die Hirnstrukturen finden Sie hier14,15,16. Eine Videoanleitung zur manuellen Segmentierung für Hippocampus finden Sie hier17. Wir beschreiben das Protokoll zur Hippocampussegmentierung im nächsten Abschnitt.
    1. Öffnen Sie die T1-gewichtete MRT und die automatischen Segmentierungsergebnisse über das Menü Datei öffnen.
    2. Laden Sie das Segmentierungs-Plugin, indem Sie auf Fenstermenü klicken | Anzeigen | Segmentierung.
    3. Korrigieren Sie die Segmentierungsmaske mit den Werkzeugen Hinzufügen, Subtrahierenund Korrigieren im Segmentierungs-Plugin.
    4. Speichern Sie die korrigierte Segmentierungsmaske im Nifti-Format über das Menü Speichern.

2. Manuelle Bearbeitung der Hippocampal Segmentierung

HINWEIS: Wir führen ein Protokoll zur manuellen Bearbeitung der Gehirnsegmentierung mit der GUI-Modellierungssoftware basierend auf der MITK Workbench (http://www.mitk.org/) ein. Die MITK Workbench bietet verschiedene Funktionen für die manuelle und automatische Segmentierung und medizinische Bildvisualisierung. Wir zeigen den manuellen Bearbeitungsprozess für das linke und rechte Hippocampi. Schritte zur manuellen Bearbeitung18 das Ergebnis der automatischen Hippocampus-Segmentierung sind wie folgt.

  1. Öffnen Sie das T1-gewichtete MR-Bild und die Ergebnisse der automatischen Hippocampus-Segmentierung mit der MITK-Workbench-Software.
  2. Laden Sie das Segmentierungs-Plugin in die MITK-Workbench, indem Sie auf das Menü Fenster | Ansicht anzeigen | Segmentierung.
  3. Wählen Sie die koronale Ansicht aus, indem Sie auf das rechte Symbol klicken, das in der oberen rechten Ecke des Fensters "Anzeigen" angezeigt wird.
  4. Bearbeiten Sie die binäre Maske jedes Hippocampus (d. h. links und rechts) in der koronalen Ansicht, beginnend vom Hippocampuskopf bis zum Körper wie folgt.
    1. Scrollen Sie durch das Volume, bis der Uncus gefunden ist. Fügen Sie den Uncus in die Hippocampusmaske ein, wo er vorhanden ist.
    2. Bearbeiten Sie die Maske des Hippocampuskörpers, nachdem der Uncus mit der Funktion Hinzufügen und Subtrahieren im Segmentierungs-Plugin zurückgegangen ist.
    3. Fahren Sie mit der Bearbeitung der Hippocampusmaske fort, bis der Hippocampusschwanz gefunden ist. Wenn der Pulvinarkern des Thalamus dem Hippocampus überlegen ist, entsteht der Fornix.
    4. Beenden Sie die Bearbeitung der letzten koronalen Scheibe des Hippocampus, in der die gesamte Länge des Fornix sichtbar, aber noch nicht kontinuierlich mit dem Splenium des Corpus callosum ist.
      HINWEIS: Cerebrospinalflüssigkeit (CSF) Räume können in den Hippocampus-Regionen enthalten sein. Die CSF-Räume können mit dem Subtrahier-Tool im Segmentierungs-Plugin der MITK-Workbench aus den Hippocampusmasken entfernt werden. es kann einfacher sein, die Hippocampus-Regionen vollständig zu definieren und dann durch alle koronalen Scheiben vom Hippocampus kopf bis schwanz für die Entfernung von CSF-Räumen zu gehen.
    5. Befolgen Sie den gleichen Prozess für die Bearbeitung der binären Masken der beiden Hippocampi.
      HINWEIS: Für die manuelle Bearbeitung können die Werkzeuge Add, Subtractund Correction des Segmentierungs-Plugins in der MITK-Workbench verwendet werden. Das Korrekturwerkzeug ist einfach zu handhaben mit kleinen Fehlern in der Segmentierungsmaske, indem Addition und Subtraktion entsprechend der Benutzereingabe und der Segmentierungsmaske ohne zusätzliche Werkzeugauswahl durchgeführt wird.
  5. Speichern Sie die binären Masken für linke und rechte Hippocampi im Nifti-Format (nii oder nii.gz) mit dem Menü Speichern in der MITK-Workbench-Software.
    HINWEIS: Die binären Masken von linken und rechten Hippocampi sollten separat für die nachfolgenden Hippocampus-Formmodell-Schritte gespeichert werden.

3. Gruppenvorlagenbau

HINWEIS: Nach der Segmentierung und manuellen Bearbeitung für alle Motive erfordert die individuelle Formmodellierung das Vorlagenmodell der Zielstruktur. Wir konstruieren das Vorlagenmodell aus der durchschnittlichen binären Maske für eine Grundgesamtheit, die mit dem Plugin "ShapeModeling" in der MITK Workbench erworben wurde. Die Schritte der Vorlagenmodellerstellung mit GUI-Software sind wie folgt.

  1. Laden Sie das ShapeModeling Plugin mit der Menüfunktion: Fenster | Ansicht anzeigen | Shape-Modellierung.
  2. Öffnen Sie ein Verzeichnis, das die binären Masken einer Studienpopulation enthält, indem Sie im ShapeModeling-Plugin auf die Schaltfläche Verzeichnis öffnen klicken.
  3. Klicken Sie im ShapeModeling-Plugin auf die Schaltfläche Vorlagenkonstruktion.
  4. Überprüfen Sie das mittlere Shape-Netz und speichern Sie es im Stereolithographie-Format (STL) über das Menü Speichern.

4. Individuelle Formrekonstruktion

HINWEIS: In diesem Schritt führen wir die Formmodellierung für einzelne Motive mithilfe der Schaltfläche Shape Modeling starten im Plugin "ShapeModeling" durch. Wir listen die Softwareparameter dieses Plugins in Tabelle 3auf. Detaillierte Erläuterungen zu jedem Parameter finden Sie hier5. Schritte der individuellen Formrekonstruktion mit GUI-Software sind wie folgt.

  1. Laden Sie das T1-gewichtete MR-Bild und seine Segmentierungsmaske über das Menü Datei öffnen.
    HINWEIS: Für die visuelle Validierung verwenden wir das T1-gewichtete MR-Bild.
  2. Überprüfen Sie die Modellierungsparameter im ShapeModeling-Plugin, und ändern Sie sie ggf..
    HINWEIS: Wenn das Vorlagenmodell nicht verformt ist oder der Abstand zwischen dem Vorlagenmodell und der Bildgrenze groß ist, wird empfohlen, den Grenzsuchbereich zu vergrößern. Wenn einige geometrische Verzerrungen gefunden werden, würde die Erhöhung von maxAlpha und minAlpha mit Schritt 0.5 helfen, das Problem zu beheben. Es ist wichtig, die Voxelintensität für das Zielobjekt in der Segmentierungsmaske zu überprüfen. Wenn der Wert nicht 1 ist, sollte der Intensitätsparameter entsprechend geändert werden.
  3. Klicken Sie auf die Schaltfläche Formmodellierung, um den Shape-Modellierungsprozess auszuführen und das Ergebnis in der 3D-Ansicht der MITK-Workbench zu überprüfen.
  4. Wiederholen Sie die Schritte 4.2 und 4.3, wenn das Vorlagenmodell nicht eng an die Bildgrenze angepasst ist.
    HINWEIS: Das Vorlagenmodell wird mit der Segmentierungsmaske in der sagittalen, koronaren, axialen und 3D-Ansicht der MITK-Werkbank visualisiert. Die Vorlagenoberfläche wird nicht verformt, wenn der Abstand zwischen dem Vorlagenmodell und der Bildgrenze kleiner als ein Schwellenwert ist, der ein Zehntel der kleinsten Voxelgröße beträgt.
  5. Speichern Sie das Modellierungsergebnis in einem Stereolithographieformat (STL) mit dem Menü Speichern im MITK-Framework.

5. Gruppenweise Formnormalisierung und Formdifferenzmessung

HINWEIS: In diesem Schritt richten wir die einzelnen Formmodelle am Vorlagenmodell aus und berechnen die punktweise Formdeformität zwischen den entsprechenden Scheitelpunkten zwischen dem Vorlagenmodell und dem einzelnen Formmodell. Die Schritte für die Messung der Formdeformität sind wie folgt.

  1. Wählen Sie das Formmodell eines Betreffs im Datenmanager der MITK-Workbench aus.
    HINWEIS: Benutzer können mehrere Modelle für die Deformitätsmessung auswählen.
  2. Führen Sie die Deformitätsmessung durch, indem Sie im ShapeModeling-Plugin auf die Schaltfläche "Messung" klicken.

Representative Results

Der hier beschriebene Prozess der Formmodellierung wurde für verschiedene neuroimaging Studien über das Altern6,8,10 und Alzheimer-Krankheit5,9eingesetzt. Insbesondere zeigte diese Formmodellierungsmethode ihre Genauigkeit und Empfindlichkeit in der Formanalyse auf dem Hippocampus für eine alternde Population von 654 Probanden8. Eine quantitative Analyse der Software und der öffentlich zugänglichen Software ShapeWork, LDDMM-TI und SPHARM-PDM finden Sie hier5. Wir beschreiben viele offene Werkzeuge von der MR-Bildvorverarbeitung bis zur Gehirnsegmentierung in Tabelle 1,Tabelle 2und Tabelle 4.

Abbildung 2 ist ein Diagramm des Formmodellierungsframeworks unter Verwendung der Vorlagenmodelle von Zielstrukturen. Die Vorlagenmodelle stellen allgemeine Formmerkmale der Gehirnstrukturen in einer Population dar. Abbildung 3 zeigt die Verformung des Hippocampus-Vorlagenmodells für die individuelle Formrekonstruktion. Die Methode induziert eine groß-zu-kleine Verformung des Vorlagenmodells, um die Verzerrung der Punktverteilung zu minimieren und gleichzeitig einzelne Formeigenschaften wiederherzustellen. Abbildung 4 zeigt die rekonstruierten Formmodelle zweier Motive mit ihren Segmentierungsmasken. Abbildung 5 zeigt die ausgerichteten einzelnen Formmodelle, ihr Durchschnittsmodell und die Formdifferenzvektoren mit einem einzelnen Formmodell. Abbildung 6 zeigt die durchschnittlichen Formdeformitätskarten, die auf das durchschnittsmodell projiziert werden, für zwei Gruppen mit kleinem und großem Hirngewebevolumen (BTV). Wir wählten Probanden aus, deren BTV größer oder kleiner als eine Standardabweichung vom Mittelwert einer gesunden alternden Bevölkerung von 51 Probandenist 5. Die Formdeformitätskarten zweier Gruppen zeigen entgegengesetzte Muster des Hippocampus-Formunterschieds an den entsprechenden Regionen.

Figure 1
Abbildung 1: GUI-Software für die Formmodellierung und -analyse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 2
Abbildung 2: Schritte der Formmodellierung mithilfe der Vorlagenmodelle für Gehirnstrukturen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 3
Abbildung 3: Verformung des Vorlagenmodells (orange) für die individuelle Formrekonstruktion. Farbkarte = scheitelweise Verformungsgröße (mm). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4: Beispiele für die individuelle Formmodellierung des Hippocampus. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 5
Abbildung 5: Ausgerichtete einzelne Formmodelle, ihr Durchschnittsmodell und die Formdifferenzvektoren mit einem einzelnen Formmodell. Links = Ausgerichtete einzelne Formmodelle (weiß) und ihr Durchschnittsmodell (blau). Rechts = Punktweise Formdifferenzvektoren zwischen dem durchschnittsmodell und einem einzelnen Modell. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 6
Abbildung 6: Durchschnittliche Formdeformität von zwei Gruppen mit kleinem und großem Hirngewebevolumen (weniger oder größer als eine Standardabweichung vom Bevölkerungsdurchschnitt) in einer gesunden alternden Bevölkerung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Namen Beschreibung System Organisation verbinden
Alvin Lateralventricle Segmentierung Linux King es College London https://www.nitrc.org/projects/alvin_lv/
Ersten Subkortikale Struktursegmentierung in FSL Linux, Mac University of Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
schnell Gewebeklassifizierungswerkzeug mit der Korrektur für räumliche Intensitätsschwankungen Linux, Mac University of Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
FreeSurfer Voxel-weise Vollhirnsegmentierung Linux, Mac Athinoula A. Martinos Center for Biomedical Imaging, MGH https://surfer.nmr.mgh.harvard.edu/
TOADS-CRUISE Automatisches Gehirnsegmentierungstool Linux, Mac Johns Hopkins University https://www.nitrc.org/projects/toads-cruise
NiftySeg Automatisches Gehirngewebe-Klassifizierungstool Linux, Mac King es College London https://github.com/KCL-BMEIS/NiftySeg
BrainSuite PVC-Tool Gehirngewebe-Klassifizierungstool im BrainSuite-Paket Windows, Linux, Mac University of Southern California http://brainsuite.org/

Tabelle 1: Liste der offenen Software, die weit verbreitet für die automatische Segmentierung von Gehirnstrukturen verwendet wird.

Namen Beschreibung System Organisation verbinden
MITK GUI-Software mit Plugins für halbautomatische (z. B. Region Anbau und Einzugsgebietsschwellen) und manuelle Bildsegmentierung Windows, Linux, Mac Deutsches Krebsforschungszentrum http://mitk.org/wiki/MITK
3D-Slicer GUI-Software für medizinische Bildverarbeitung und 3D-Visualisierung. Segment Editor in 3D Slicer ist ein Modul zur manuellen Segmentierung Windows, Linux, Mac Brigham und Frauen
Hospital, Inc.
https://www.slicer.org/
ITK-Snap GUI-Software für halbautomatische (aktive Konturmethode) und manuelle Segmentierung Windows, Linux, Mac University of Pennsylvania and University of Utah http://www.itksnap.org/pmwiki/pmwiki.php
GIMIAS GUI-Software für biomedizinisches Bild-Computing. Manuelle Segmentierung Plugin wird unterstützt. Windows, Linux University of Sheffield http://www.gimias.org/
MRICron GUI-Software für Denkbetrachter im NIFIT-Format. Es unterstützt auch Volumen-Rendering, ROI-Bereichszeichnung und statistische Werkzeuge Windows, Linux, Mac University of South Carolina http://people.cas.sc.edu/rorden/mricron/index.html
Mango Multi-Plattform-Bildbetrachter zur Unterstützung von Oberflächenvisualisierung, ROI-Bearbeitung und Bildanalyse Windows, Linux, Mac University of Texas Health http://ric.uthscsa.edu/mango/index.html

Tabelle 2: Liste der offenen Software für die manuelle Segmentierung und Visualisierung.

Parameter Beschreibung
--minAlpha Mindestgewicht für die interne Krafterhaltung laplacischer Koordinaten des Vorlagenmodells (Standard: 1,0)
--maxAlpha Maximales Gewicht für die interne Krafterhaltung der Laplacischen Koordinaten des Vorlagenmodells (Standard: 5.0)
--thresholdAlpha Schwellenwertparameter zur schrittweisen Reduzierung des Alphagewichts während der Vorlagenverformung (Standard: 0,01)
--minRing Minimale Nachbarschaftsstufe (Standard: 1)
--maxRing Maximale Nachbarschaftsstufe (Standard: 3)
--Kante Gewichtungsparameter für externe Kraft (Standard: 0,1)
--Intensität Voxel-Wert für Zielstruktur in Segmentierungsmaske
--Bereich Grenzsuchbereich (Standard: 5,0)
--init Vorlagenmodellinitialisierung mit iterativem Engstalgorithmus (Standard: 1 (true))

Tabelle 3: Parameter für die individuelle Formrekonstruktion.

Namen Beschreibung System Organisation verbinden
MINC N3 Nicht-parametrische Non-Uniformitätsnormalisierungsmethode (N3) Linux, Mac McGill University https://www.nitrc.org/projects/nu_correct
ANTs N4BiasKorrektur N4ITK: Verbesserte N3-Methode im Softwarepaket Advanced Normalization Tools (ANTs) Windows, Linux, Mac University of Pennsylvania https://sourceforge.net/projects/advants/
SkullStrippingToolkit Schädel-Abisolierwerkzeug mit einer level-set-basierten Fusionsmethode Matlab University of North Carolina https://www.nitrc.org/projects/skulltoolkit
Robex Schädel-Abisolierwerkzeug mit einer Methode zur Oberflächenbefestigung des Gehirns Linux, Mac University of California https://www.nitrc.org/projects/robex/
FSL BET Schädel-Stripping-Werkzeug in FSL-Pacakge Linux, Mac, Windows University of Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
BrainSuite bse-Tool Schädel-Stripping-Tool in BrainSuite pacakge Windows, Linux, Mac University of Southern California http://brainsuite.org/processing/surfaceextraction/bse/

Tabelle 4: Liste der offenen Software, die weit verbreitet für die MR-Vorverarbeitung und das Abstreifen des Schädels verwendet wird.

Discussion

Zusammenfassend haben wir die Software-Pipeline für die Formanalyse von Hirnstrukturen einschließlich (1) MR-Bildsegmentierung mit offenen Werkzeugen (2) individueller Formrekonstruktion mit einem verformbaren Vorlagenmodell und (3) quantitativeformdifferenzierend beschrieben. Messung über transitive Formkorrespondenz mit dem Vorlagenmodell. Statistische Analysen im Rahmen der Korrektur der falschen Entdeckungsrate (FDR) werden mit der Formdeformität durchgeführt, um die Bedeutung morphologischer Veränderungen von Gehirnstrukturen zu untersuchen, die mit neuropathologischen Prozessen verbunden sind.

Unsere Modellierungspipeline verwendet intern interne Tools, um ein Vorlagenmodell aus Betreffbildern zu erstellen. Die Schritte für die Vorlagenkonstruktion sind wie folgt: (i) Berechnen Sie die Gruppendurchschnittsmaske über die iterative Ausrichtung von Betreffbildern auf ein durchschnittliches Bild, das sich bei jeder Iteration entwickelt. (ii) Generieren Sie ein 3D-Oberflächennetz aus der durchschnittlichen Maske mit der Marching Cubes-Methode20. iii) Das Oberflächennetz mit hilfe eines Netz-Resamplings mit dem WERKZEUG ACVD (https://www.creatis.insa-lyon.fr/site/en/acvd.html) erneut sampeln. Die Nummer des Vorlagenmodells kann im ShapeModeling-Plugin festgelegt werden.

Die individuelle Formrekonstruktion basiert auf einer progressiven Schablaufsationsmethode. Diese Methode ermöglicht eine verformung im großen bis kleinen Maßstab, um die geometrischen Verzerrungen des Vorlagenmodells zu minimieren und gleichzeitig die einzelnen Formdetails wiederherzustellen, indem das Vorlagenmodell an Bildgrenzen weitergegeben wird. Die Verformungsmethode ist auf die Strukturen mit sphärischer Topologie beschränkt. Gegen diese Einschränkung haben wir strukturspezifische Einschränkungen in die Formmodellierung des dritten Hirnventrikels eingeführt, der ein Loch durch interthalamische Adhäsion6aufweist. Die strukturspezifischen Einschränkungen werden jedoch von der aktuellen Version unserer Software nicht unterstützt.

Die individualisierten Formmodelle werden im gemeinsamen Raum mit dem generalisierten Procrustes-Algorithmus19ausgerichtet. Hier verwenden wir die Ähnlichkeitstransformation (isotrope Skala, Übersetzung und Rotation) für die Normalisierung des Formmodells. Die lokalen Formunterschiede werden durch den Verschiebungsvektor zwischen den entsprechenden Scheitelpunkten der einzelnen Oberflächenmodelle und ihrem mittleren Formmodell bestimmt. Die Formdeformität an jedem Scheitelpunkt wird als signierte euklidische Norm der Verschiebungsvektoren berechnet, die auf die Scheitelpunktnormale des Mittelwertmodells projiziert werden. Die detaillierten Schritte der statistischen Formanalyse finden Sie hier5.

Für die Genauigkeitsauswertung der Formmodellierung verwenden wir 3 Metriken: Würfelkoeffizient, mittlerer Abstand und Hausdorff-Abstand. Der Würfelkoeffizient stellt die Volumenüberlappung zwischen dem rekonstruierten Modell und der Zielsegmentierungsmaske dar. Der mittlere Abstand ist der durchschnittliche Abstand zwischen ihnen, und der Hausdorff-Abstand ist der maximale Abstand zwischen ihnen. Niedrigere Entfernungen und ein höherer Würfelkoeffizient weisen auf eine bessere Genauigkeit hin. Für die Hippocampus-Studie5betrug der Würfelkoeffizient 0,85-0,9, der mittlere Abstand etwa 0,3 mm und der Hausdorff-Abstand 2 mm. Diese Ergebnisse hängen jedoch von den Volumen- und Formdetails der Zielstruktur ab. Volumendifferenz und Oberflächenrauheit können als Indikatoren für die Genauigkeit und Formqualität verwendet werden5.

Zur Benutzerfreundlichkeit verteilen wir auch ein Matlab-Skript zusammen, um die Listendateien zu generieren und die Befehlszeilentools für jeden Schritt auszuführen. Derzeit haben wir die Tools in Linux, MacOS und Windows getestet. Die Bedeutung der hauseigenen Software liegt darin, dass sie vollautomatisch für die vorlagenbasierte Formmodellierung und -messung ist. Wir haben seine Robustheit und Genauigkeit mit verschiedenen Datensätzen von Alterungs- und Alzheimer-Populationen validiert5. Darüber hinaus gibt es viele Ansätze, die die Formmodellierungsmethode auf verschiedenen menschlichen Organen verwenden.

Disclosures

Die Autoren erklären, dass es keinen Interessenkonflikt gibt.

Acknowledgments

Die Arbeit wurde von der National Research Foundation of Korea (JP as the PI) finanziert. JK wird vom Kyungpook National University Research Fund finanziert; und MCVH wird vom Row Fogo Charitable Trust und der Royal Society of Edinburgh finanziert. Die Hippocampussegmentierung wurde nach den internen Richtlinien von Dr. Karen Ferguson am Centre for Clinical Brain Sciences, Edinburgh, UK, angepasst.

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).
Dreidimensionale Formmodellierung und Analyse von Gehirnstrukturen
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