Login processing...

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

Neuroscience

뇌 구조의 3차원 형상 모델링 및 분석

doi: 10.3791/59172 Published: November 14, 2019

Summary

개방형 소프트웨어를 사용한 이미지 세분화, 자동화된 모델링 패키지를 사용한 그룹 별 모양 분석 등 뇌 구조에 대한 형상 분석을 위한 반자동 프로토콜을 소개합니다. 여기서, 우리는 뇌 MR 이미지로부터 해마 세분화를 가진 3D 형상 분석 프로토콜의 각 단계를 시연한다.

Abstract

뇌 구조의 통계적 모양 분석은 구조적 변화와 병리학 적 과정 사이의 연관성을 조사하는 데 사용되었습니다. 우리는 정확하고 견고한 형상 모델링 및 그룹 별 분석을위한 소프트웨어 패키지를 개발했습니다. 여기서는 개별 3D 형상 모델링에서 정량적 그룹 모양 분석에 이르는 모양 분석을 위한 파이프라인을 소개합니다. 또한 개방형 소프트웨어 패키지를 사용하는 전처리 및 세분화 단계에 대해서도 설명합니다. 이 실용적인 가이드는 연구원이 뇌 구조에 대한 3D 모양 분석에서 시간과 노력을 절약하는 데 도움이 될 것입니다.

Introduction

뇌 구조의 모양 분석은 신경 퇴행성 질환 및 노화1과같은 병리학 적 과정에서 자신의 형태 학적 변화를 조사하는 바람직한 도구로 부상했다. 다양한 계산 방법은 1) 의료 이미지로부터 대상 구조의 경계를 정확하게 묘사하고, 2) 3D 표면 메쉬의 형태로 대상 형상을 재구성하고, 3) 형상 매개변수화 또는 표면 등록을 통해 개별 형상 모델에 대한 피사체 간 대응을 구축하고, 4) 개인 또는 그룹 간의 지역 형상 차이를 정량적으로 평가하는 데 요구된다. 지난 몇 년 동안, 많은 방법은 이러한 단계의 각각에 대 한 신경 이미징 연구에서 도입 되었습니다. 그러나, 분야에서 놀라운 발전에도 불구하고, 연구에 즉시 적용 할 수있는 많은 프레임 워크가 없습니다. 이 문서에서는 사용자 지정 모양 모델링 도구와 공개적으로 사용 가능한 이미지 세분화 도구를 사용하여 뇌 구조의 모양 분석의 각 단계를 설명합니다.

여기서, 우리는 성인 대조군 및 알츠하이머 병 환자의 데이터 세트를 사용하여 좌우 해마의 모양 분석을 통해 뇌 구조에 대한 형상 분석 프레임워크를 입증한다. 해마의 위축은 퇴행성 신경질환2,3,4에서중요한 영상바이오마커로 인식되고 있다. 모양 분석 프레임워크에서는 대상 구조의 템플릿 모델과 셰이프 모델링 프로세스에서 템플릿 대 이미지 변형 가능한 등록을 사용합니다. 템플릿 모델은 모집단에서 대상 구조의 일반적인 모양 특성을 인코딩하고 템플릿 모델과의 전이 관계를 통해 개별 모델 간의 모양 차이를 정량화하기 위한 기준을 제공합니다. 템플릿-대 이미지 등록에서는 템플릿모델5,6,7에서포인트 분포의 왜곡을 최소화하면서 개별 이미지의 대상 구조에 템플릿 모델을 맞추는 라플락시안 표면 변형 방법을 개발했습니다. 제안된 프레임워크의 타당성 및 견고성은 최근 인지노화8, 경도 인지 장애의 조기 발견9,뇌 구조적 변화와 코티솔 수준10사이의 연관성을 탐구하는 신경 이미징 연구에서 검증되었다. 이 접근은 추가 신경 화상 진찰 연구 결과에 있는 모양 모델링 및 분석 방법을 사용하는 것을 쉽게 만들 것입니다.

Protocol

뇌 MR 이미지는 지역 기관 검토 위원회 및 윤리 위원회가 승인 한 프로토콜에 따라 획득되었습니다.

참고: 모양 모델링 및 분석을 위한 도구는 NITRC 리포지토리: https://www.nitrc.org/projects/dtmframework/에서 다운로드할 수 있습니다. GUI 소프트웨어(DTMModeling.exe)는 추출 후 실행할 수 있습니다. 그림 1을참조하십시오.

1. 뇌 MR 이미지 세분화

  1. 개별 피사체와 뇌 세분화 마스크의 뇌 MR 이미지를 획득합니다.
    참고: 일반적으로, 우리는 뇌 구조의 분석을 위해 T1 가중 MR 이미지를 취득합니다. MR 이미지는 N311,개선 된 N3 방법12,또는 FSL-FAST13을사용하여 그라데이션 비선형 보정 및 강도 비균질 보정을 위해 사전 처리된다고 가정합니다. 인간의 뇌 구조의 자동 세분화를 위해 자유롭게 사용할 수 있는 일부 도구는 표 1에나열되어 있습니다.
  2. 세분화 결과를 수동으로 수정합니다.
    참고: 수동 세분화를 지원하는 개방형 GUI 소프트웨어가 표 2에나열되어 있습니다. 뇌 구조에 대한 수동 세분화 프로토콜은 여기에서 찾을 수 있습니다14,15,16. 해마에 대한 수동 세분화에 대한 비디오 가이드는 여기에17입니다. 우리는 다음 섹션에서 해마 분절에 대한 프로토콜을 설명합니다.
    1. 파일 열기 메뉴를 사용하여 T1 가중치 MRI 및 자동 분할 결과를 엽니다.
    2. 창 메뉴를 클릭하여 세분화 플러그인로드 | 쇼 | 분할.
    3. 세분화 플러그인에서 추가, 빼기수정 도구를 사용하여 세분화 마스크를 수정합니다.
    4. 수정된 세분화 마스크를 저장 메뉴를 사용하여 Nifti 형식으로 저장합니다.

2. 해마 세분화의 수동 편집

참고: MITK 워크벤치(http://www.mitk.org/)를 기반으로 하는 GUI 모델링 소프트웨어를 사용하여 뇌 세분화를수동으로 편집하는 프로토콜을 소개합니다. MITK 워크벤치는 수동 및 자동 세분화 및 의료 이미지 시각화를 위한 다양한 기능을 제공합니다. 우리는 왼쪽과 오른쪽 해마에 대한 수동 편집 과정을 보여줍니다. 자동 해마 분절의 결과는 수동으로편집(18)을 위한 단계는 다음과 같다.

  1. MITK 워크벤치 소프트웨어를 사용하여 T1 가중 MR 이미지와 자동 해마 세분화 결과를 엽니다.
  2. 메뉴 창을 클릭하여 MITK 작업대에서 세분화 플러그인로드 | 쇼 뷰 | 분할.
  3. 디스플레이 창의 오른쪽 상단에 나타나는 오른쪽 아이콘을 클릭하여 관상 뷰를 선택합니다.
  4. 각 해마의 이진 마스크를 편집 (즉, 왼쪽과 오른쪽) 관상 보기에서, 다음과 같이 신체에 해마 머리에서 시작.
    1. 언커스가 발견될 때까지 볼륨 전체로 스크롤합니다. 그것이 존재하는 해마 마스크에 uncus를 포함하십시오.
    2. 분할 플러그인에서 추가빼기 기능을 사용하여 uncus가 물러난 후 해마 바디의 마스크를 편집합니다.
    3. 해마 꼬리가 발견 될 때까지 해마 마스크를 계속 편집하십시오. 시상의 펄비나르 핵이 해마보다 우수해짐에 따라 포닉스가 나타난다.
    4. 포닉스의 전체 길이가 볼 수 있지만 아직 코퍼스 callosum의 화려한과 함께 연속되지 않는 해마의 마지막 관상 동맥 조각을 편집 완료합니다.
      참고: 뇌척수액 (CSF) 공간은 해마 지구 내의 포함될 수 있습니다. CSF 공간은 MITK 워크벤치의 세분화 플러그인에서 빼기 도구를 사용하여 해마 마스크에서 제거 할 수 있습니다. 그것은 완전히 해 마 영역을 정의 하 고 CSF 공간의 제거에 대 한 꼬리에 해 마 머리에서 모든 관상 동맥 조각을 통해 이동 하는 것이 더 쉬울 수 있습니다.
    5. 두 해마의 이진 마스크를 편집하기위한 동일한 과정을 따르십시오.
      참고: MITK 워크벤치의 세분화 플러그인의 추가, 빼기수정 도구를 수동 편집에 사용할 수 있습니다. 보정 도구는 추가 도구 선택없이 사용자 입력 및 세분화 마스크에 따라 덧셈 및 뺄셈을 수행하여 세분화 마스크의 작은 오류를 처리하기 쉽습니다.
  5. MITK 워크벤치 소프트웨어의 저장 메뉴를 사용하여 Nifti 형식(nii 또는 nii.gz)의 왼쪽 및 오른쪽 해마에 대한 이진 마스크를 저장합니다.
    참고: 왼쪽 및 오른쪽 해마의 이진 마스크는 후속 해마 모양 모델 단계에 대해 별도로 저장해야합니다.

3. 그룹 템플릿 구성

참고: 모든 피사체에 대한 세분화 및 수동 편집 후 개별 쉐이프 모델링에는 대상 구조의 템플릿 모델이 필요합니다. MITK 워크벤치에서 "ShapeModeling" 플러그인을 사용하여 획득한 모집단의 평균 이진 마스크에서 템플릿 모델을 구성합니다. GUI 소프트웨어를 이용한 템플릿 모델 시공의 단계는 다음과 같다.

  1. 메뉴 기능을 사용하여 Shape모델링 플러그인로드: 창 | 쇼 뷰 | 모양 모델링.
  2. ShapeModeling 플러그인에서 디렉터리 열기 단추를 클릭하여 스터디 모집단의 이진 마스크가 포함된 디렉토리를 엽니다.
  3. Shape모델링 플러그인에서 템플릿 구성 버튼을 클릭합니다.
  4. 평균 모양 메시를 확인하고 저장 메뉴를 사용하여 STL(스테레오리토그래피) 형식으로 저장합니다.

4. 개별 모양 재건

참고: 이 단계에서는 "ShapeModeling" 플러그인에서 모양 모델링 시작 단추를 사용하여 개별 피사체에 대한 모양 모델링을 수행합니다. 우리는 표 3에서이플러그인의 소프트웨어 매개 변수를 나열합니다. 각 매개 변수에 대한 자세한 설명은 여기에서 찾을 수 있습니다5. GUI 소프트웨어를 이용한 개별 형상 재구성의 단계는 다음과 같다.

  1. 파일 열기 메뉴를 사용하여 T1 가중치 MR 이미지와 분할 마스크를 로드합니다.
    참고: 시각적 유효성 검사를 위해 T1 가중치 MR 이미지를 사용합니다.
  2. ShapeModeling 플러그인에서 모델링 매개 변수를 확인하고 필요한 경우 수정합니다.
    참고: 템플릿 모델이 변형되지 않거나 템플릿 모델과 이미지 경계 사이의 거리가 큰 경우 경계 검색 범위를 늘리는 것이 좋습니다. 일부 기하학적 왜곡이 발견되면 maxAlpha 및 minAlpha를 단계 0.5로 늘리면 문제를 해결하는 데 도움이 됩니다. 세분화 마스크에서 대상 오브젝트의 복셀 강도를 확인하는 것이 중요합니다. 값이 1이 아닌 경우 강도 매개변수를 적절히 변경해야 합니다.
  3. 모양 모델링 단추를 클릭하여 모양 모델링 프로세스를 실행하고 MITK 작업대의 3D 뷰에서 결과를 확인합니다.
  4. 템플릿 모델이 이미지 경계에 밀접하게 끼이지 않은 경우 4.2 및 4.3 단계를 반복합니다.
    참고: 템플릿 모델은 MITK 워크벤치의 시상, 관상, 축 및 3D 뷰의 세분화 마스크로 시각화됩니다. 템플릿 서피스는 템플릿 모델과 이미지 경계 사이의 거리가 가장 작은 복셀 크기의 10분의 1인 임계값보다 작으면 변형되지 않습니다.
  5. MITK 프레임워크의 저장 메뉴를 사용하여 모델링 결과를 STL(스테레오리토그래피) 형식으로 저장합니다.

5. 그룹 별 모양 정규화 및 모양 차이 측정

참고: 이 단계에서는 개별 셰이프 모델을 템플릿 모델에 정렬하고 템플릿 모델과 개별 셰이프 모델 사이의 해당 정점 사이의 점 별 모양 변형을 계산합니다. 형상 변형 측정을 위한 단계는 다음과 같다.

  1. MITK 작업대의 데이터 관리자에서 피사체의 모양 모델을 선택합니다.
    참고: 사용자는 변형 측정을 위해 여러 모델을 선택할 수 있습니다.
  2. ShapeModeling 플러그인에서 측정 단추를 클릭하여 변형 측정을 수행합니다.

Representative Results

여기서 설명된 형상 모델링 과정은노화에대한 다양한 신경이미징 연구에 사용되어 왔으며6,8,10 및 알츠하이머병5,9. 특히, 이러한 형상 모델링 방법은 654명의 고령자8의노령화 인구에 대한 해마의 형상 분석에서 그 정확성과 민감도를 보였다. 소프트웨어및공개적으로사용가능한소프트웨어인 ShapeWork, LDDMM-TI 및 SPHARM-PDM의 정량적 분석은 여기에서 찾을 수 있습니다5. 우리는 설명 MR 이미지 전처리에서 뇌 세분화에 표 1,표 2표 4.

도 2는 대상 구조물의 템플릿 모델을 사용하는 형상 모델링 프레임워크의 다이어그램입니다. 템플릿 모델은 인구에서 뇌 구조의 일반적인 모양 특성을 나타냅니다. 도 3은 개별 형상 재구성을 위한 해마 템플릿 모델의 변형을 제시한다. 이 방법은 템플릿 모델의 대-소축 스케일 변형을 유도하여 개별 형상 특성을 복원하면서 점 분포의 왜곡을 최소화합니다. 그림 4는 분할 마스크가 있는 두 피사체의 재구성된 형상 모델을 보여줍니다. 그림 5는 정렬된 개별 셰이프 모델, 평균 모델 및 개별 셰이프 모델의 모양 차이 벡터를 보여 주었습니다. 그림 6은 크고 작은 뇌 조직 부피(BTV)를 가진 두 그룹에 대해 평균 모델에 투영된 평균 모양 변형 맵을 제공합니다. 우리는 BTV가 51과목의 건강한 노화 인구의 평균에서 표준 편차보다 크거나 적은 과목을 선택했습니다5. 두 그룹의 모양 기형 지도는 해당 영역에서 해마 모양 차이의 반대 패턴을 제시한다.

Figure 1
그림 1: 형상 모델링 및 해석을 위한 GUI 소프트웨어. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 2
그림 2: 뇌 구조에 대한 템플릿 모델을 사용한 모양 모델링 단계입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 3
그림 3: 개별 셰이프 재구성을 위한 템플릿 모델(주황색)의 변형. 색상 맵 = 정점 별 변형 크기(mm)입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 4
도 4: 해마의 개별 형상 모델링의 예. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 5
그림 5: 정렬된 개별 셰이프 모델, 평균 모델 및 개별 셰이프 모델의 셰이프 차이 벡터입니다. 왼쪽 = 정렬된 개별 셰이프 모델(흰색) 및 평균 모델(파란색)입니다. 오른쪽 = 평균 모델과 개별 모델 간의 점 별 모양 차이 벡터입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 6
그림 6: 건강한 노화 집단에서 크고 큰 뇌 조직 부피(인구 평균에서 1개의 표준 편차 보다 적거나 큰)를 가진 두 그룹의 평균 형상 변형. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이름 설명 시스템 조직 링크
앨빈 측심실 분절 리눅스 킹스 칼리지 런던 https://www.nitrc.org/projects/alvin_lv/
첫 번째 FSL의 피질 구조 세분화 리눅스, 맥 옥스퍼드 대학교 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
빠른 공간 강도 변화에 대한 보정과 조직 분류 도구 리눅스, 맥 옥스퍼드 대학교 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
프리서퍼 복셀 현명한 전체 뇌 세분화 리눅스, 맥 아티눌라 A. 마티노스 생물의학 영상 센터, MGH https://surfer.nmr.mgh.harvard.edu/
두꺼비 크루즈 자동 뇌 세분화 도구 리눅스, 맥 존스 홉킨스 대학교 https://www.nitrc.org/projects/toads-cruise
니프티세그 자동 뇌 조직 분류 도구 리눅스, 맥 킹스 칼리지 런던 https://github.com/KCL-BMEIS/NiftySeg
브레인 스위트 PVC 도구 브레인 스위트 패키지의 뇌 조직 분류 도구 윈도우, 리눅스, 맥 유니버시티 오브 서던 캘리포니아 http://brainsuite.org/

표 1: 뇌 구조의 자동 세분화에 널리 사용되는 개방형 소프트웨어 목록입니다.

이름 설명 시스템 조직 링크
Mitk 반자동(예: 지역 성장 및 유역 임계값) 및 수동 이미지 세분화를 위한 플러그인을 제공하는 GUI 소프트웨어 윈도우, 리눅스, 맥 독일 암 연구 센터 http://mitk.org/wiki/MITK
3D 슬라이서 의료 이미지 처리 및 3D 시각화를 위한 GUI 소프트웨어. 3D 슬라이서의 세그먼트 편집기는 수동 세분화를 위한 모듈입니다. 윈도우, 리눅스, 맥 브리검과 여성용
주식회사 병원
https://www.slicer.org/
ITK 스냅 반자동(능동 선)과 수동 세분화를 위한 GUI 소프트웨어 윈도우, 리눅스, 맥 펜실베이니아 대학교 및 유타 대학교 http://www.itksnap.org/pmwiki/pmwiki.php
기미아스 (것)과 함께 생물 의학 이미지 컴퓨팅을위한 GUI 소프트웨어. 수동 세분화 플러그인이 지원됩니다. 윈도우, 리눅스 셰필드 대학교 http://www.gimias.org/
MRI크론 NIFIT 포맷 이미지 뷰어용 GUI 소프트웨어. 또한 볼륨 렌더링, ROI 영역 그리기 및 통계 도구를 지원합니다. 윈도우, 리눅스, 맥 사우스캐롤라이나 대학교 http://people.cas.sc.edu/rorden/mricron/index.html
망고 표면 시각화, ROI 편집 및 이미지 분석을 지원하는 멀티 플랫폼 이미지 뷰어 윈도우, 리눅스, 맥 텍사스 대학교 헬스 http://ric.uthscsa.edu/mango/index.html

표 2: 수동 세분화 및 시각화를 위한 개방형 소프트웨어 목록입니다.

매개 변수 설명
--미니알파 템플릿 모델의 라플락시안 좌표를 보존하는 내부 힘의 최소 가중치(기본값: 1.0)
--맥스알파 템플릿 모델의 라플락시안 좌표를 보존하는 내부 힘의 최대 가중치(기본값: 5.0)
--임계값알파 템플릿 변형 중에 알파 가중치를 점진적으로 줄이기 위한 임계값 매개변수(기본값: 0.01)
--미니링 최소 근문 수준(기본값: 1)
--맥스링 최대 근문 수준(기본값: 3)
--가장자리 외부 힘에 대한 가중치 매개변수(기본값: 0.1)
--강도 세분화 마스크의 대상 구조에 대한 복셀 값
--범위 경계 검색 범위(기본값: 5.0)
--init 반복적 가장 가까운 알고리즘을 사용한 템플릿 모델 초기화(기본값: 1(true))

표 3: 개별 셰이프 재구성에 대한 매개변수입니다.

이름 설명 시스템 조직 링크
MINC N3 비파라메트릭 비균일성 정규화(N3) 방법 리눅스, 맥 맥길 대학교 https://www.nitrc.org/projects/nu_correct
ANTs N4BiasCorrection N4ITK: 고급 정규화 도구(ANT) 소프트웨어 패키지에서 향상된 N3 방법 윈도우, 리눅스, 맥 펜실베이니아 대학교 https://sourceforge.net/projects/advants/
해골 스트립툴킷 레벨 세트 기반 융합 방법을 사용하는 두개골 제거 도구 Matlab 노스캐롤라이나 대학교 https://www.nitrc.org/projects/skulltoolkit
로브스 (주) 뇌 표면 피팅 방법을 사용하여 두개골 스트리핑 도구 리눅스, 맥 캘리포니아 대학교 로스앤젤레스 https://www.nitrc.org/projects/robex/
FSL 베팅 FSL 파카지의 두개골 스트리핑 도구 리눅스, 맥, 윈도우 옥스퍼드 대학교 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
브레인 스위트 bse 도구 브레인 스위트 파카지의 두개골 스트리핑 도구 윈도우, 리눅스, 맥 유니버시티 오브 서던 캘리포니아 http://brainsuite.org/processing/surfaceextraction/bse/

표 4: 뇌 MR 전처리 및 두개골 박리에 널리 사용되는 개방형 소프트웨어 목록.

Discussion

요약하면, 우리는 변형 가능한 템플릿 모델을 이용한 오픈 툴(2) 개별 형상 재구성을 이용한 (1) MR 이미지 분할, (3) 정량적 형상 차이를 포함한 뇌 구조에 대한 형상 분석을 위한 소프트웨어 파이프라인을 설명하였다. 템플릿 모델과의 전이 형상 대응을 통한 측정. 거짓 발견 속도 (FDR) 보정하에 통계 분석은 신경 병리학 과정과 관련된 뇌 구조의 형태학적 변화의 중요성을 조사하기 위해 모양 기형으로 수행됩니다.

모델링 파이프라인은 내부적으로 사내 도구를 사용하여 주제 이미지에서 템플릿 모델을 구성합니다. 템플릿 구성단계는 다음과 같습니다: (i) 피사체 이미지의 반복적 정렬을 통해 그룹 평균 마스크를 각 반복에서 진화하는 평균 이미지로 계산합니다. (ii) 행진 큐브 방법20을사용하여 평균 마스크로부터 3D 표면 메쉬를 생성한다. (iii) ACVD도구(https://www.creatis.insa-lyon.fr/site/en/acvd.html)를사용하여 메시 리샘플링을 사용하여 표면 메시를 리샘플링합니다. ShapeModeling 플러그인에서 템플릿 모델 수를 설정할 수 있습니다.

개별 쉐이프 재구성은 점진적 템플릿 변형 방법을 기반으로 합니다. 이 방법을 사용하면 템플릿 모델을 이미지 경계로 전파하여 개별 쉐이프 세부 사항을 복원하는 동안 템플릿 모델의 기하학적 왜곡을 최소화할 수 있는 대형 스케일 변형을 사용할 수 있습니다. 변형 방법은 구형 토폴로지가 있는 구조로 제한됩니다. 이러한 제한에 대해, 우리는 뇌 제 3 심실의 형상 모델링에 구조별 제약 조건을 도입했으며, 이는 사내 접착에 의한 구멍이있다 6. 그러나 구조별 제약 조건은 현재 버전의 소프트웨어에서 지원되지 않습니다.

개별화된 형상 모델은 일반화된 Procrustes 알고리즘19를사용하여 공통 공간에 정렬됩니다. 여기서는 형상 모델 정규화에 유사성 변환(등방축 축척, 변환 및 회전)을 사용합니다. 로컬 쉐이프 차이는 개별 서피스 모델의 해당 정점과 평균 모양 모델 간의 변위 벡터에 의해 결정됩니다. 각 정점의 모양 변형은 평균 모델의 정점 법선에 투영되는 변위 벡터의 서명된 유클리드 표준으로 계산됩니다. 통계 적 모양 분석의 자세한 단계는 여기에서 찾을 수 있습니다5.

형상 모델링의 정확도 평가를 위해 주사위 계수, 평균 거리 및 Hausdorff 거리라는 3가지 메트릭을 사용합니다. 주사위 계수는 재구성된 모델과 대상 세분화 마스크 간의 볼륨 중복을 나타냅니다. 평균 거리는 둘 사이의 평균 거리이며, 하우스도르프 거리는 둘 사이의 최대 거리입니다. 거리가 낮고 주사위 계수가 높을수록 정확도가 향상됩니다. 해마 연구5의경우, 주사위 계수는 0.85-0.9, 평균 거리는 약 0.3 mm, 하우스도르프 거리는 2 mm였다. 그러나 이러한 결과는 대상 구조의 체적 및 모양 세부 정보에 따라 달라집니다. 체적 차이 및 표면 거칠기는 정확도 및 형상 품질5에대한 지표로 사용할 수 있습니다.

또한 쉽게 사용할 수 있도록 목록 파일을 생성하고 각 단계에 대한 명령줄 도구를 실행하기 위해 Matlab 스크립트를 함께 배포합니다. 현재, 우리는 리눅스에서 도구를 테스트 했습니다., 맥 OS, 그리고 윈도우. 사내 소프트웨어의 중요성은 템플릿 기반 형상 모델링 및 측정을 위해 완전히 자동화되어 있다는 것입니다. 우리는 노화와 알츠하이머 병 인구의 다양한 데이터 세트와 그 견고성과 정확성을검증했다 5. 더욱이, 다른 인간 기관에 모양 모델링 방법을 사용하여 많은 접근이 있다.

Disclosures

저자는 이해 상충이 없다고 선언합니다.

Acknowledgments

이 작품은 한국연구재단(JP)의 후원을 받았습니다. JK는 경북대학교 연구기금의 지원을 받고 있다. MCVH는 로 포고 자선 신탁과 에든버러 왕립 협회의 지원을 받습니다. 해마 분절은 임상 두뇌 과학을 위한 센터에 카렌 퍼거슨 박사에 의해 작성된 사내 지침에서 적응되었습니다, 에딘버러, 영국.

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).
뇌 구조의 3차원 형상 모델링 및 분석
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