Summary
Vi introduserer en halvautomatisk protokoll for figur analyse på hjernens strukturer, inkludert bilde segmentering ved hjelp av åpen programvare, og ytterligere gruppe-klok form analyse ved hjelp av en automatisert modellering pakke. Her viser vi hvert trinn i 3D form analyse protokoll med hippocampus segmentering fra hjernen MR bilder.
Abstract
Statistisk form analyse av hjernens strukturer har blitt brukt til å undersøke tilknytningen mellom deres strukturelle endringer og patologiske prosesser. Vi har utviklet en programvarepakke for nøyaktig og robust form modellering og gruppe-klok analyse. Her introduserer vi en rørledning for figur analysen, fra individuelle 3D-former modellering til kvantitativ gruppe figur analyse. Vi beskriver også fremgangsmåten før prosessering og segmentering ved hjelp av åpne programvarepakker. Denne praktiske guiden vil hjelpe forskerne å spare tid og krefter i 3D-form analyse på hjernens strukturer.
Introduction
Form analyse av hjernens strukturer har dukket opp som det foretrukne verktøyet for å undersøke deres morfologiske endringer under patologiske prosesser, slik som nevrodegenerative sykdommer og aldring1. Ulike beregningsorientert metoder er nødvendig for å 1) nøyaktig avgrense grensene av målet strukturer fra medisinske bilder, 2) rekonstruere målet form i form av 3D-overflate mesh, 3) bygge Inter-fag korrespondanse på tvers av individuelle form modeller via form parametrisering eller overflate registrering, og 4) kvantitativt vurdere den regionale formen forskjellene mellom individer eller grupper. I løpet av de siste årene har mange metoder blitt innført i neuroimaging studier for hvert av disse trinnene. Men til tross for den bemerkelsesverdige utviklingen i feltet, er det ikke mange rammeverk umiddelbart gjeldende for forskning. I denne artikkelen beskriver vi hvert trinn i formen analyse av hjernens strukturer ved hjelp av vår egendefinerte form modellering verktøy og offentlig tilgjengelig bilde segmentering verktøy.
Her viser vi formen analyse rammeverk for hjernen strukturer gjennom formen analyse av venstre og høyre hippocampi ved hjelp av et datasett av voksne kontroller og Alzheimers sykdom pasienter. Atrofi av hippocampi er anerkjent som en kritisk Imaging biomarkør i nevrodegenerative sykdommer2,3,4. I vår form analyse rammeverk, benytter vi malen modell av mål strukturen og mal-til-bilde deformerbare registrering i form modellering prosessen. Mal modellen koder generelle figur karakteristikker for mål strukturen i en populasjon, og den gir også en opprinnelig plan for kvantifisere av figur forskjellene mellom de enkelte modellene via deres Transitive relasjon med mal modellen. I mal til bilde registrering, har vi utviklet en Laplacian overflate deformasjon metode for å passe malen modellen til mål strukturen i individuelle bilder samtidig minimere forvrengningen av punkt fordelingen i malen modell5,6,7. Gjennomførbarhet og robusthet av de foreslåtte rammeverket har blitt validert i nyere neuroimaging studier av kognitiv aldring8, tidlig påvisning av mild kognitiv svikt9, og å utforske assosiasjoner mellom hjernens strukturelle endringer og kortisol nivåer10. Denne tilnærmingen vil gjøre det enklere å bruke formen modellering og analysemetoder i ytterligere neuroimaging studier.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Brain MR bilder ble kjøpt i henhold til protokollen godkjent av den lokale institusjonelle anmeldelsen styret og etikk komiteen.
Merk: Verktøyene for form modellering og analyse kan lastes ned fra NITRC depotet: https://www.nitrc.org/projects/dtmframework/. Det GUI programvare (DTMModeling. exe) kan henrettet etter trekking. Se figur 1.
1. Brain MR bilde segmentering
- Erverve hjernen MR bilder av individuelle og hjernen segmentering masker.
Merk: Vanligvis anskaffer vi T1-vektet MR bilder for analyser av hjernens strukturer. Vi antar at MR bildene er pre-behandlet for gradient ikke-linearitet korreksjon og intensitet inhomogeneity korreksjon bruker N311, forbedret N3 metoder12, eller FSL-rask13. Noen fritt tilgjengelige verktøy for automatisk segmentering av menneskelige hjernens strukturer er oppført i tabell 1. - Rett segmentering resultatene manuelt.
Merk: Åpen GUI programvare som støtter manuell segmentering er oppført i tabell 2. Manuell segmentering protokoller for hjernens strukturer kan bli funnet her14,15,16. En video guide på manuell segmentering for hippocampus er her17. Vi beskriver protokollen for hippocampus segmentering i neste avsnitt.- Åpne den T1-vektet MRI og automatiske segmentering resultater ved hjelp av Åpne fil- menyen.
- Last segmentering plugg ved å klikke window meny | Vis | Og segmentering.
- Korriger segmentering masken ved hjelp av Legg til, subtrahere, og korrigering verktøy i Segmentering plugin.
- Lagre korrigert segmentering masken i Nifti format ved hjelp av Lagre -menyen.
2. manuell redigering av hippocampus segmentering
Merk: Vi introduserer en protokoll for manuell redigering av hjernen segmentering ved hjelp av GUI modellering programvare basert på MITK Workbench (http://www.mitk.org/). Den MITK Workbench gir ulike funksjoner for manuell og automatisk segmentering og medisinsk bilde visualisering. Vi viser den manuelle redigeringsprosessen for venstre og høyre hippocampi. Fremgangsmåte for manuell redigering18 resultatet av den automatiske hippocampus segmentering er som følger.
- Åpne T1-vektet MR-bildet og resultatene av automatisk hippocampus segmentering ved hjelp av MITK Workbench-programvaren.
- Last inn segmentering plugin i MITK Workbench ved å klikke på menyen vinduet | Vis visning | Og segmentering.
- Velg den koronale visningen ved å klikke på ikonet på høyre side som vises øverst til høyre i skjerm vinduet.
- Rediger den binære masken for hver hippocampus (dvs. venstre og høyre) i koronale visningen, med start fra hippocampus hodet til kroppen som følger.
- Bla gjennom volumet til uncus er funnet. Inkluder uncus i den hippocampus masken der den finnes.
- Rediger masken til hippocampus kroppen etter at uncus har trakk seg tilbake ved hjelp av Legg til og trekk fra funksjonen i Segmentering plugin.
- Fortsett å redigere hippocampus masken til hippocampus halen er funnet. Som pulvinar kjernen av thalamus forsvinner overlegen til hippocampus, den fornix framgår.
- Finish redigere den siste koronale skive av hippocampus der hele lengden av fornix er synlig, men ennå ikke kontinuerlig med splenium av corpus callosum.
Merk: Spinalvæske (CSF) mellomrom kan inngå i hippocampus regioner. Den CSF mellomrom kan fjernes fra hippocampus masker ved hjelp av subtrahere verktøyet i segmentering PLUGIN av MITK Workbench. Det kan være lettere å definere hippocampus regioner helt og deretter gå gjennom alle koronale skiver fra hippocampus hode til hale for fjerning av CSF mellomrom. - Følg samme fremgangsmåten for å redigere de binære maskene for begge hippocampi.
Merk: De Legg til, subtrahere, og korreksjon verktøy av Segmentering plugin i MITK Workbench kan brukes for manuell redigering. Korreksjon verktøyet er lett å håndtere små feil i segmentering masken ved å utføre addisjon og subtraksjon i henhold til brukerens innspill og segmentering maske uten ekstra verktøy valg.
- Lagre binære masker for venstre og høyre hippocampi i Nifti format (NII eller NII. gz) ved hjelp av Lagre -menyen i MITK Workbench programvare.
Merk: De binære maskene av venstre og høyre hippocampi bør lagres separat for de påfølgende hippocampus figur modell trinnene.
3. gruppe mal konstruksjon
Merk: Etter segmentering og manuell redigering for alle emner, krever den individuelle figur modellering mal modellen for mål strukturen. Vi konstruerer malen modellen fra den gjennomsnittlige binære masken for en befolkning, ervervet ved hjelp av "ShapeModeling" plugin i MITK Workbench. Trinnene i malen modellen konstruksjonen ved hjelp av GUI-programvare er som følger.
- Last ShapeModeling plugin ved hjelp av menyfunksjonen: window | Vis visning | Figur modellering.
- Åpne en katalog som inneholder de binære maskene av en studie populasjon ved å klikke på Åpne katalog knappen i ShapeModeling plugin.
- Klikk på mal konstruksjon knappen i ShapeModeling plugin.
- Sjekk gjennomsnittlig form mesh og lagre det i Stereolithography (STL)-format ved hjelp av Lagre -menyen.
4. rekonstruksjon av individuell form
Merk: På dette trinnet, utfører vi formen modellering for enkelte ved hjelp av Start Shape modellering knappen i ShapeModeling plugin. Vi viser programvare parametrene for denne plugin-modulen i tabell 3. Detaljert forklaring på hver parameter kan bli funnet her5. Trinn av individuell form gjenoppbygging ved hjelp av GUI-programvare er som følger.
- Last inn T1-vektet MR-bilde og dens segmentering maske ved hjelp av Åpne fil- menyen.
Merk: Vi bruker T1-vektet MR-bildet for visuell validering. - Sjekk modellering parametrene i ShapeModeling plugin og endre om nødvendig.
Merk: Hvis mal modellen ikke er deformert eller avstanden mellom mal modellen og bilde grensen er stor, anbefales det å øke grense søkeområdet. Hvis noen geometriske forvrengninger er funnet, øker maxAlpha og minAlpha med trinn 0,5 vil bidra til å løse problemet. Det er viktig å kontrollere Voxel intensitet for målet objektet i segmentering masken. Hvis verdien ikke er 1, bør intensitet parameteren endres tilsvarende. - Klikk figuren modellering knappen for å kjøre figuren modellering prosessen og kontrollere resultatet i 3D-visning av MITK Workbench.
- Gjenta trinn 4,2 og 4,3, når mal modellen ikke er tilpasset bildets grenser nøye.
Merk: Malen modellen er visualisere med segmentering masken i sagittal, koronale, aksial og 3D-visning av MITK Workbench. Mal overflaten er ikke deformert når avstanden mellom mal modellen og bilde grensen er mindre enn en terskel som er en tiendedel av den minste Voxel størrelsen. - Lagre modellerings resultatet i et Stereolithography format (STL) ved hjelp av Lagre -menyen i MITK-rammeverket.
femte gruppe-klok Shape normalisering og form forskjell måling
Merk: På dette trinnet justerer vi de individuelle figur modellene til mal modellen og beregner den punkt kloke formen misdannelse mellom de tilsvarende hjørnene mellom mal modellen og den individuelle figur modellen. Trinn for figur misdannelse måling er som følger.
- Velg figur modellen for et emne i databehandling for MITK-Workbench.
Merk: Brukere kan velge flere modeller for misdannelse måling. - Utfør misdannelse måling ved å klikke målingen knappen i ShapeModeling plugin.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Figuren modellering prosessen beskrevet her har vært ansatt for ulike neuroimaging studier på aldring6,8,10 og Alzheimers sykdom5,9. Spesielt viste denne formen modellering metoden sin nøyaktighet og følsomhet i form analyse på hippocampus for en aldrende befolkning på 6548. En kvantitativ analyse av programvaren og den offentlig tilgjengelige programvaren, ShapeWork, LDDMM-TI og SPHARM-PDM finner du her5. Vi beskriver mange åpne verktøy fra MR image forbehandling til hjernen segmentering i tabell 1,tabell 2og Tabell 4.
Figur 2 er et diagram av formen modellering rammeverket ved hjelp av malen modeller av mål strukturer. Malen modellene representerer generelle formen karakteristikker av hjernens strukturer i en befolkning. Figur 3 presenterer deformasjon av hippocampus mal modell for individuell form rekonstruksjon. Metoden induserer en stor-til-liten skala deformasjon av mal modellen for å minimere forvrengningen av punkt distribusjonen under gjenoppretting av individuelle figuregenskaper. Figur 4 viser rekonstruert form modeller av to med sine segmentering masker. Figur 5 viser de justerte individuelle figur modellene, gjennomsnitts modellen og figur forskjellen vektorer med en individuell figur modell. Figur 6 presenterer den gjennomsnittlige formen misdannelse kart, projisert på den gjennomsnittlige modellen, for to grupper med små og store hjernevev volum (BTV). Vi valgte som BTV er større eller mindre enn et standardavvik fra gjennomsnittet av en sunn aldrende befolkning på 515. Formen misdannelse kart over to grupper presenterer motsatte mønstre av hippocampus form forskjell i tilsvarende regioner.
Figur 1: GUI programvare for formen modellering og analyse. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 2: trinn i form modellering ved hjelp av malen modeller for hjernen strukturer. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 3: deformasjon av malen modellen (oransje) for individuell form rekonstruksjon. Fargekart = Vertex-klok deformasjon størrelsesorden (mm). Vennligst klikk her for å se en større versjon av dette tallet.
Figur 4: eksempler på individuell form modellering av hippocampus. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 5: justerte individuelle figur modeller, gjennomsnittlig modell og figur forskjell vektorer med en individuell figur modell. Venstre = justert individuelle figur modeller (hvit) og deres gjennomsnittlige modell (blå). Høyre = Point-klok form forskjell vektorer mellom gjennomsnittlig modell og en individuell modell. Vennligst klikk her for å se en større versjon av dette tallet.
Figur 6: gjennomsnittlig form misdannelse av to grupper med små og store hjernevev volum (mindre eller større enn ett standardavvik fra gjennomsnittet av befolkningen) i en sunn aldrende befolkning. Vennligst klikk her for å se en større versjon av dette tallet.
| navn | Beskrivelse | System | Organisasjon | Link |
| Alvin | Lateral ventrikkel segmentering | Linux | King ' s College London | https://www.nitrc.org/projects/alvin_lv/ |
| Første | Subkortikal struktur segmentering i FSL | Linux, Mac | Universitetet i Oxford | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST |
| Rask | Vevs klassifiserings verktøy med korreksjon for variasjoner i romlig intensitet | Linux, Mac | Universitetet i Oxford | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST |
| FreeSurfer | Voxel-klok full hjerne segmentering | Linux, Mac | Athinoula A. Martinos senter for biomedisinsk bildebehandling, MGH | https://surfer.nmr.mgh.harvard.edu/ |
| PADDER-CRUISE | Automatisk hjerne segmentering verktøyet | Linux, Mac | University of John | https://www.nitrc.org/projects/toads-cruise |
| NiftySeg | Automatisk hjernevev klassifiserings verktøy | Linux, Mac | King ' s College London | https://github.com/KCL-BMEIS/NiftySeg |
| BrainSuite PVC-verktøy | Hjernevev klassifiserings verktøy i BrainSuite pakke | Windows, Linux, Mac | Universitetet i Sør-California | http://brainsuite.org/ |
Tabell 1: liste over åpen programvare mye brukt for automatisk segmentering av hjernens strukturer.
| navn | Beskrivelse | System | Organisasjon | Link |
| MITK | GUI programvare som gir plugins for semi-automatisk (f. eks regionen voksende og vannskille terskelverdi) og manuell bilde segmentering | Windows, Linux, Mac | Det tyske kreft forskningssenteret | http://mitk.org/wiki/MITK |
| 3D-slicer | GUI-programvare for medisinsk bildebehandling og 3D-visualisering. Segment redigering i 3D-slicer er en modul for manuell segmentering | Windows, Linux, Mac | Brigham og kvinners Hospital, Inc. |
https://www.slicer.org/ |
| ITK-snap | GUI programvare for semi-automatisk (aktiv kontur metode) og manuell segmentering | Windows, Linux, Mac | Universitetet i Pennsylvania og University of Utah | http://www.itksnap.org/pmwiki/pmwiki.php |
| GIMIAS | GUI-programvare for biomedisinsk bildebehandling. Manuell segmentering plugin støttes. | Windows, Linux | Universitetet i Sheffield | http://www.gimias.org/ |
| MRICron | GUI programvare for NIFIT formatter image seer. Den støtter også volum gjengivelse, ROI region tegning, og statistiske verktøy | Windows, Linux, Mac | Universitetet i Sør-Carolina | http://people.cas.sc.edu/rorden/mricron/index.html |
| Mango | Bildevisningsprogram for flere plattformer som støtter overflate visualisering, ROI-redigering og bildeanalyse | Windows, Linux, Mac | University of Texas helse | http://ric.uthscsa.edu/mango/index.html |
Tabell 2: liste over åpne programvare for manuell segmentering og visualisering.
| Parameteren | Beskrivelse |
| --minAlpha | Minimum vekt for intern styrke bevare Laplacian koordinater for mal modell (standard: 1,0) |
| --maxAlpha | Maksimal vekt for intern styrke bevaring Laplacian koordinater for mal modell (standard: 5,0) |
| --thresholdAlpha | Terskel parameter for å redusere Alpha vekt gradvis under malen deformasjon (standard: 0,01) |
| --minRing | Minimumsnivå for nabolag (standard: 1) |
| --maxRing | Maksimum nivå av nabolaget (standard: 3) |
| -kant | Vekt parameter for ekstern kraft (standard: 0,1) |
| --intensitet | Voxel verdi for mål struktur i segmentering maske |
| --utvalg | Grense søkeområde (standard: 5,0) |
| --init | Initialisering av mal modell ved hjelp av gjentakende nærmeste algoritme (standard: 1 (sann)) |
Tabell 3: parametere for den individuelle figur gjenoppbyggingen.
| navn | Beskrivelse | System | Organisasjon | Link |
| MINC N3 | Ikke-parametrisk ikke-ensartethet normalisering (N3) metode | Linux, Mac | Fra McGill University | https://www.nitrc.org/projects/nu_correct |
| Maur N4BiasCorrection | N4ITK: forbedret N3 metoden i avansert normalisering verktøy (ANTs) programvarepakke | Windows, Linux, Mac | Universitetet i Pennsylvania | https://sourceforge.net/projects/advants/ |
| SkullStrippingToolkit | Skull stripping verktøy ved hjelp av en level-set basert Fusion metode | Matlab | Universitetet i Nord-Carolina | https://www.nitrc.org/projects/skulltoolkit |
| ROBEX | Skull stripping verktøy ved hjelp av en hjerne overflatemontering metode | Linux, Mac | University of California, Los Angeles | https://www.nitrc.org/projects/robex/ |
| FSL-SPILL | Skull stripping verktøy i FSL pacakge | Linux, Mac, Windows | Universitetet i Oxford | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET |
| BrainSuite BSE verktøy | Skull stripping verktøy i BrainSuite pacakge | Windows, Linux, Mac | Universitetet i Sør-California | http://brainsuite.org/processing/surfaceextraction/bse/ |
Tabell 4: liste over åpen programvare mye brukt for hjernen MR forbehandling og skallen stripping.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Oppsummert har vi beskrevet programvare rørledningen for figuren analyse på hjernens strukturer inkludert (1) MR bilde segmentering med åpne verktøy (2) individuell form rekonstruksjon ved hjelp av en deformerbare mal modell, og (3) kvantitativ form forskjell måling via Transitive form korrespondanse med malen modellen. Statistisk analyse under korreksjon av falsk oppdagelses rate (FDR) utføres med formen misdannelse for å undersøke betydningen av morfologiske endringer av hjernens strukturer, forbundet med neuropathological prosesser.
Vår modellering rørledning internt bruke interne verktøy for å konstruere en mal modell fra motivet bilder. Trinnene for malen konstruksjonen er som følger: (i) Beregn gjennomsnittlig maske for gruppe via gjentakende justering av motiv bilder til et gjennomsnittlig bilde som utvikles i hver gjentakelse. (II) Generer en 3D-overflate mesh fra den gjennomsnittlige masken ved å marsjere kuber metode20. (III) Oppdater overflate nettet ved hjelp av en maske oppdatering ved hjelp av ACVD-verktøyet (https://www.creatis.INSA-Lyon.fr/site/en/acvd.html). Nummeret på malen modellen kan settes i ShapeModeling plugin.
Den enkelte form gjenoppbygging er basert på en progressiv mal deformasjon metode. Denne metoden gjør det mulig for en stor-til-liten skala deformasjon for å minimere geometriske forvrengninger av mal modellen mens du gjenoppretter de enkelte figur detaljene ved å spre mal modellen til bilde grenser. Den deformasjon metoden er begrenset til strukturer med sfærisk topologi. Mot denne begrensningen, har vi innført struktur-spesifikke begrensninger i form modellering av hjernen tredje ventrikkel, som har et hull ved interthalamic vedheft6. De struktur spesifikke begrensningene støttes imidlertid ikke av den gjeldende versjonen av programvaren vår.
Den individualisert form modellene er justert i felles rom ved hjelp av generalisert Procrustes algoritmen19. Her bruker vi likheten transformasjon (isotropic skala, oversettelse og rotasjon) for formen modellen normalisering. De lokale figur forskjellene bestemmes av Forskyvnings vekt Oren mellom de tilsvarende hjørnene på de enkelte overflate modellene og deres gjennomsnittlige figur modell. Formen misdannelse på hvert toppunkt er beregnet som den signerte euklidsk normen av forskyvning vektorer som projiseres på toppunktet normal av gjennomsnittlig modell. De detaljerte trinnene i den statistiske formen analysen kan bli funnet her5.
For nøyaktigheten evaluering av formen modellering, bruker vi 3 beregninger: terning koeffisient, gjennomsnittlig avstand, og Hausdorff avstand. Dice-koeffisienten representerer volum overlapping mellom rekonstruert modell og mål segmentering masken. Gjennomsnittlig avstand er den gjennomsnittlige avstanden mellom dem, og Hausdorff avstanden er den maksimale avstanden mellom dem. Lavere avstander og høyere terning koeffisient indikerer bedre nøyaktighet. For hippocampus studien5, var terningen koeffisienten 0.85-0.9, gjennomsnittlig avstand var rundt 0,3 mm, og Hausdorff avstanden var 2 mm. Disse resultatene avhenger imidlertid av volumene og figur detaljene i mål strukturen. Volum forskjell og overflate grovhet kan brukes som indikatorer for nøyaktigheten og formen kvalitet5.
For å lette bruken distribuerer vi også et MATLAB-skript sammen for å generere liste filene og kjøre kommandolinjeverktøyene for hvert trinn. For øyeblikket har vi testet verktøyene i Linux, MacOS og Windows. Betydningen av in-House programvare er at det er fullt automatisert for mal-basert form modellering og måling. Vi har validert sin robusthet og nøyaktighet med ulike datasett av aldring og Alzheimers sykdom populasjoner5. Videre er det mange tilnærminger ved hjelp av formen modellering metoden på ulike menneskelige organer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne erklærer at det ikke er noen interessekonflikt.
Acknowledgments
Arbeidet ble finansiert av National Research Foundation of Korea (JP som PI). JK er finansiert av Kyungpook National University Research Fund; og MCVH er finansiert av Row Fogo veldedige Trust og Royal Society of Edinburgh. Den hippocampus segmentering ble tilpasset fra interne retningslinjer skrevet av Dr. Karen Ferguson, ved Senter for Clinical Brain Sciences, Edinburgh, UK.
Materials
| Name | Company | Catalog Number | Comments |
References
- Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56 (1), 212-219 (2011).
- Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer's Disease. Neuroinformatics. , 1-19 (2018).
- 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).
- Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
- 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).
- 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).
- 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).
- 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).
- 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).
- Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
- 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).
- Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29 (6), 1310-1320 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59 (2), 169-174 (2002).
- Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40 (1), 33-51 (1975).
- Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. , 163-169 (1987).
