Login processing...

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

Neuroscience

Modelagem e análise tridimensional da forma de estruturas do cérebro

doi: 10.3791/59172 Published: November 14, 2019

Summary

Introduzimos um protocolo semiautomático para análise de forma em estruturas cerebrais, incluindo segmentação de imagem usando software aberto e uma análise de forma mais em termos de grupo usando um pacote de modelagem automatizado. Aqui, demonstramos cada etapa do protocolo de análise de forma 3D com segmentação hipocampal a partir de imagens de MR cerebrais.

Abstract

A análise estatística da forma de estruturas do cérebro foi usada para investigar a associação entre suas mudanças estruturais e processos patológicos. Desenvolvemos um pacote de software para modelagem de forma precisa e robusta e análise em termos de grupo. Aqui, introduzimos um pipeline para a análise de forma, desde modelagem de forma 3D individual até análise quantitativa de forma de grupo. Também descrevemos as etapas de pré-processamento e segmentação usando pacotes de software aberto. Este guia prático ajudaria os pesquisadores a economizar tempo e esforço na análise de forma 3D em estruturas cerebrais.

Introduction

A análise da forma de estruturas cerebrais emergiu como a ferramenta preferida para investigar suas mudanças morfológicas em processos patológicos, como doenças neurodegenerativas e envelhecimento1. Vários métodos computacionais são necessários para 1) delineam com precisão os limites das estruturas alvo de imagens médicas, 2) reconstruir a forma de alvo na forma de malha de superfície 3D, 3) construir correspondência inter-sujeitos em todos os modelos de forma individual através de parametrização de forma ou registro de superfície, e 4) avaliar quantitativamente as diferenças de forma regional entre indivíduos ou grupos. Ao longo dos últimos anos, muitos métodos foram introduzidos em estudos de neuroimagem para cada uma dessas etapas. No entanto, apesar dos desenvolvimentos notáveis no campo, não há muitos quadros imediatamente aplicáveis à pesquisa. Neste artigo, descrevemos cada etapa da análise de forma das estruturas cerebrais usando nossas ferramentas de modelagem de forma personalizada e ferramentas de segmentação de imagem disponíveis publicamente.

Aqui, demonstramos a estrutura de análise de forma para estruturas cerebrais através da análise de forma dos hipocampi esquerdo e direito usando um conjunto de dados de controles adultos e pacientes com doença de Alzheimer. A atrofia do hipocampi é reconhecida como um biomarcador crítico de imagem em doenças neurodegenerativas2,3,4. Em nossa estrutura de análise de forma, empregamos o modelo modelo da estrutura alvo e o registro deformável modelo-a-imagem no processo de modelagem de forma. O modelo de modelo codifica características gerais de forma da estrutura alvo em uma população, e também fornece uma linha de base para quantificar as diferenças de forma entre os modelos individuais através de sua relação transitiva com o modelo modelo. No registro modelo-a-imagem, desenvolvemos um método de deformação da superfície laplácina para ajustar o modelo modelo à estrutura alvo em imagens individuais, minimizando a distorção da distribuição de pontos no modelomodelo modelo 5,6,7. A viabilidade e robustez do quadro proposto foram validados em estudos recentes de neuroimagem do envelhecimento cognitivo8, detecção precoce do comprometimento cognitivo leve9,e para explorar associações entre as alterações estruturais cerebrais e os níveis de cortisol10. Essa abordagem facilitaria o uso dos métodos de modelagem e análise de forma em estudos de neuroimagem adicionais.

Protocol

As imagens de MR do cérebro foram adquiridas de acordo com o protocolo aprovado pelo conselho de revisão institucional local e pelo comitê de ética.

Nota: As ferramentas para modelagem e análise de forma podem ser baixadas do repositório nitrc: https://www.nitrc.org/projects/dtmframework/. O software GUI (DTMModeling.exe) pode ser executado após a extração. Veja a Figura 1.

1. Brain MR Segmentação de imagem

  1. Adquirir imagens de RM do cérebro de indivíduos individuais e máscaras de segmentação cerebral.
    Nota: Normalmente, adquirimos imagens de RM ponderadas por T1 para análises de estruturas cerebrais. Assumimos que as imagens de RM são pré-processadas para correção de não linearidade gradiente e correção de inhomogeneidade de intensidade usando N311, métodos N3 melhorados12,ou FSL-FAST13. Algumas ferramentas disponíveis gratuitamente para segmentação automática de estruturas cerebrais humanas estão listadas na Tabela 1.
  2. Corrija os resultados da segmentação manualmente.
    Nota: A segmentação manual de suporte de software Open GUI está listada na Tabela 2. Protocolos de segmentação manual para as estruturas cerebrais podem ser encontrados aqui14,15,16. Um guia de vídeo sobre segmentação manual para hipocampo está aqui17. Descrevemos o protocolo de segmentação hipocampal na próxima seção.
    1. Abra a ressonância magnética ponderada pelo T1 e os resultados automáticos de segmentação usando o menu Open File.
    2. Carregue o plugin de segmentação clicando no Menu da Janela | Show | Segmentação.
    3. Corrija a máscara de segmentação usando as ferramentas adicionar, subtratoe correção no plugin de segmentação.
    4. Salve a máscara de segmentação corrigida no formato Nifti usando o menu Save.

2. Edição manual da segmentação hipocampal

Nota: Introduzimos um protocolo para edição manual de segmentação cerebral usando o software de modelagem GUI baseado na bancada do MITK(http://www.mitk.org/). A bancada do MITK fornece várias funções para a segmentação manual e automática e visualização de imagens médicas. Demonstramos o processo de edição manual para o hipocampo esquerdo e direito. Etapas para edição manual18 o resultado da segmentação hipocampal automática são as seguintes.

  1. Abra a imagem de RM ponderada pelo T1 e os resultados da segmentação hipocampal automática usando o software de bancada Do MITK.
  2. Carregue o plugin de segmentação na bancada do MITK clicando na janela do menu | Mostrar Vista | Segmentação.
  3. Selecione a visão coronal clicando no ícone do lado direito que aparece no canto superior direito da janela display.
  4. Eitie a máscara binária de cada hipocampo (ou seja, esquerda e direita) na visão coronal, a partir da cabeça hipocampal para o corpo da seguinte forma.
    1. Role por todo o volume até que o uncus seja encontrado. Inclua o uncus na máscara hipocampal onde está atual.
    2. Eite a máscara do corpo hipocampal depois que o uncus recuou usando a função adicionar e subtrair no plugin segmentação.
    3. Continue editar a máscara hipocampal até que a cauda hipocampal seja encontrada. Como o núcleo pulvinar do tálamo recua superior ao hipocampo, o fornix emerge.
    4. Termine de editar a última fatia coronal do hipocampo em que todo o comprimento do fornix é visível, mas ainda não contínuo com o esplenio do corpo caloso.
      Nota: Os espaços de líquido cefalorraquidiano (CSF) podem ser contidos nas regiões hipocampais. Os espaços CSF podem ser removidos das máscaras hipocampais usando a ferramenta Subtrain no plugin de segmentação da bancada do MITK. pode ser mais fácil definir as regiões hipocampais inteiramente e, em seguida, passar por todas as fatias coronais da cabeça hipocampal à cauda para a remoção de espaços CSF.
    5. Siga o mesmo processo para editar as máscaras binárias de ambos os hipocampi.
      Nota: As ferramentas de adicionar, subtratoe correção do plugin de segmentação na bancada do MITK podem ser usadas para a edição manual. A ferramenta correção é fácil de lidar com pequenos erros na máscara de segmentação, realizando adição e subtração de acordo com a entrada do usuário e a máscara de segmentação sem seleção de ferramentas adicionais.
  5. Guarde as máscaras binárias para hipocampi esquerdo e direito no formato Nifti (nii ou nii.gz) usando o menu Save no software de bancada Do MITK.
    Nota: As máscaras binárias dos hipocampi esquerdo e direito devem ser salvas separadamente para os passos subsequentes do modelo de forma hipocampal.

3. Construção do modelo do grupo

Nota: Após a segmentação e edição manual para todos os sujeitos, a modelagem de forma individual requer o modelo de modelo da estrutura alvo. Construímos o modelo de modelo da máscara binária média para uma população, adquirida usando plugin "ShapeModeling" na bancada do MITK. As etapas da construção do modelo modelo usando o software GUI são as seguintes.

  1. Carregue o plugin shapemodeling usando a função do menu: Janela | Mostrar Vista | Modelagem de forma.
  2. Abra um diretório contendo as máscaras binárias de uma população de estudo clicando no botão Open Directory no plugin ShapeModeling.
  3. Clique no botão De construção de modelos no plugin ShapeModeling.
  4. Verifique a malha de forma média e guarde-a no formato de estereolitografia (STL) usando o menu Save.

4. Reconstrução da forma individual

Nota: Nesta etapa, executamos a modelagem de forma para assuntos individuais usando o botão de modelagem Start Shape no plugin "ShapeModeling". Listamos os parâmetros de software deste plugin na Tabela 3. Explicação detalhada sobre cada parâmetro pode ser encontrada aqui5. As etapas da reconstrução individual da forma usando o software da GUI são as seguintes.

  1. Carregue a imagem mr ponderada por T1 e sua máscara de segmentação usando o menu Open File.
    Nota: Usamos a imagem de RM ponderada pelo T1 para validação visual.
  2. Verifique os parâmetros de modelagem no plugin ShapeModeling e modifique, se necessário.
    Nota: Se o modelo modelo modelo não for deformado ou a distância entre o modelo e o limite de imagem for grande, é recomendado aumentar o alcance de pesquisa de limites. Se algumas distorções geométricas forem encontradas, aumentar maxAlpha e minAlpha com a etapa 0.5 ajudaria a resolver o problema. É importante verificar a intensidade do voxel para o objeto alvo na máscara de segmentação. Se o valor não for 1, o parâmetro de intensidade deve ser alterado em conformidade.
  3. Clique no botão modelagem shape para executar o processo de modelagem de forma e verificar o resultado na visualização 3D da bancada MITK.
  4. Repita os passos 4.2 e 4.3, quando o modelo modelo não é montado no limite de imagem de perto.
    Nota: O modelo modelo é visualizado com a máscara de segmentação na visão sagital, coronal, axial e 3D da bancada do MITK. A superfície do modelo não é deformada quando a distância entre o modelo modelo e o limite de imagem é inferior a um limiar que é um décimo do menor tamanho do voxel.
  5. Salve o resultado da modelagem em um formato de estereolitografia (STL) usando o menu Save na estrutura do MITK.

5. Normalização de forma em grupo e medição da diferença de forma

Nota: Nesta etapa, alinhamos os modelos de forma individual ao modelo modelo e calculamos a deformidade de forma em termos de ponto entre os vérteges correspondentes entre o modelo e o modelo de forma individual. As etapas para a medida da deformidade da forma são as seguintes.

  1. Selecione o modelo de forma de um assunto no Gerente de Dados da bancada do MITK.
    Nota: Os usuários podem selecionar vários modelos para a medição de deformidade.
  2. Executar a medição de deformidade clicando no botão de medição no plugin ShapeModeling.

Representative Results

O processo de modelagem de forma descrito aqui tem sido empregado para vários estudos de neuroimagem sobre o envelhecimento6,8,10 e a doença de Alzheimer5,9. Especialmente, este método de modelagem de forma mostrou sua precisão e sensibilidade na análise de forma no hipocampo para uma população envelhecida de 654 indivíduos8. Uma análise quantitativa do software e do software disponível publicamente, ShapeWork, LDDMM-TI e SPHARM-PDM, pode ser encontrada aqui5. Descrevemos muitas ferramentas abertas, desde o pré-processamento de imagens de RM até a segmentação cerebral na Tabela 1,tabela 2e Tabela 4.

A figura 2 é um diagrama da estrutura de modelagem de forma usando os modelos de estruturas-alvo. Os modelos representam características gerais da forma das estruturas cerebrais em uma população. A Figura 3 apresenta a deformação do modelo hipocampal para a reconstrução da forma individual. O método induz uma deformação em grande a pequena escala do modelo modelo para minimizar a distorção de sua distribuição de pontos, restaurando as características de forma individual. A figura 4 mostra os modelos de forma reconstruída de dois sujeitos com suas máscaras de segmentação. A figura 5 mostra os modelos de forma individuais alinhados, seu modelo médio e os vetores de diferença de forma com um modelo de forma individual. A Figura 6 apresenta os mapas médios de deformidade de forma, projetados no modelo médio, para dois grupos com volume de tecido cerebral pequeno e grande (BTV). Nós selecionamos assuntos cujo BTV é maior ou menos do que um desvio padrão da média de uma população saudável do envelhecimento de 51 assuntos5. Os mapas de deformidade de forma de dois grupos apresentam padrões opostos de diferença de forma hipocampal em regiões correspondentes.

Figure 1
Figura 1: software GUI para a modelagem e análise de forma. Clique aqui para ver uma versão maior deste número.

Figure 2
Figura 2: Etapas da modelagem da forma usando os modelos do molde para estruturas do cérebro. Clique aqui para ver uma versão maior deste número.

Figure 3
Figura 3: Deformação do modelo modelo (laranja) para reconstrução de forma individual. Mapa de cores = magnitude de deformação em forma de vértice (mm). Clique aqui para ver uma versão maior deste número.

Figure 4
Figura 4: Exemplos de modelagem de forma individual do hipocampo. Clique aqui para ver uma versão maior deste número.

Figure 5
Figura 5: Modelos de forma individuais alinhados, seu modelo médio e os vetores de diferença de forma com um modelo de forma individual. Esquerda = Modelos de forma individual alinhados (branco) e seu modelo médio (azul). Direita = Ponto-sábio forma diferença vetores entre o modelo médio e um modelo individual. Clique aqui para ver uma versão maior deste número.

Figure 6
Figura 6: Deformidade média da forma de dois grupos com volume pequeno e grande do tecido de cérebro (menos ou mais grande de um desvio padrão da média da população) em uma população saudável do envelhecimento. Clique aqui para ver uma versão maior deste número.

Nome Descrição Sistema Organização Link
Alvin Segmentação do ventrículo lateral Linux King's College De Londres https://www.nitrc.org/projects/alvin_lv/
Primeiro Segmentação de estrutura subcortical na FSL Linux Universidade de Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST
Rápido Ferramenta de classificação de tecidos com correção para variações de intensidade espacial Linux Universidade de Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
FreeSurfer FreeSurfer Voxel-wise segmentação cerebral completa Linux Centro Athinoula A. Martinos de Imagem Biomédica, MGH https://surfer.nmr.mgh.harvard.edu/
SAPOS-CRUZEIRO Ferramenta automática de segmentação cerebral Linux Universidade Johns Hopkins https://www.nitrc.org/projects/toads-cruise
NiftySeg NiftySeg Ferramenta automática de classificação do tecido cerebral Linux King's College De Londres https://github.com/KCL-BMEIS/NiftySeg
Ferramenta brainsuite de PVC Ferramenta de classificação de tecido cerebral no pacote BrainSuite Windows, Linux, Mac Universidade do Sul da Califórnia http://brainsuite.org/

Tabela 1: Lista de software aberto amplamente utilizado para segmentação automática de estruturas cerebrais.

Nome Descrição Sistema Organização Link
MITK MITK Software GUI fornecendo plugins para semi-automática (por exemplo, região em crescimento e limiar de baciahidrográfica) e segmentação manual de imagem Windows, Linux, Mac Centro alemão de pesquisa do cancro http://mitk.org/wiki/MITK
Fatiador 3D Software GUI para processamento de imagem médica e visualização 3D. Editor de segmento em Fatiador 3D é um módulo de segmentação manual Windows, Linux, Mac Brigham e Mulheres
Hospital, Inc.
https://www.slicer.org/
ITK-Snap ITK-Snap Software GUI para segmentação semiautomática (método de contorno ativo) e segmentação manual Windows, Linux, Mac Universidade da Pensilvânia e Universidade de Utah http://www.itksnap.org/pmwiki/pmwiki.php
GIMIAS GIMIAS Software GUI para computação de imagem biomédica. O plugin manual da segmentação é suportado. Windows, Linux Universidade de Sheffield http://www.gimias.org/
MRIcron MRIcron Software GUI para visualizador de imagens do formato NIFIT. Ele também suporta a renderização de volume, desenho da região roi, e ferramentas estatísticas Windows, Linux, Mac Universidade da Carolina do Sul http://people.cas.sc.edu/rorden/mricron/index.html
Manga Visualizador de imagens multiplataforma que suporta visualização de superfície, edição de ROI e análise de imagem Windows, Linux, Mac Saúde da Universidade do Texas http://ric.uthscsa.edu/mango/index.html

Tabela 2: Lista de software aberto para segmentação e visualização manual.

Parâmetro Descrição
-minAlpha Peso mínimo para a força interna preservando as coordenadas lapadianas do modelo modelo (padrão: 1.0)
--maxAlpha --maxAlpha Peso máximo para a força interna preservando as coordenadas lapadianas do modelo modelo (padrão: 5.0)
--thresholdAlpha --thresholdAlpha Parâmetro limiar para reduzir o peso alfa gradualmente durante a deformação do modelo (padrão: 0,01)
-minRing Nível mínimo de bairro (padrão: 1)
--maxRing --maxRing Nível máximo de vizinhança (padrão: 3)
--borda Parâmetro de peso para força externa (padrão: 0.1)
--intensidade Voxel valor para a estrutura alvo na máscara de segmentação
--range Faixa de pesquisa de limite (padrão: 5.0)
-- init Inicialização do modelo modelo usando algoritmo mais próximo iterativo (padrão: 1 (verdadeiro))

Tabela 3: Parâmetros para a reconstrução da forma individual.

Nome Descrição Sistema Organização Link
MINC N3 Método de normalização não paramétrica de não-uniformidade (N3) Linux Universidade McGill https://www.nitrc.org/projects/nu_correct
ANTs N4BiasCorrection N4ITK: Método N3 melhorado no pacote de software Advanced Normalization Tools (ANTs) Windows, Linux, Mac Universidade da Pensilvânia https://sourceforge.net/projects/advants/
SkullStrippingToolkit SkullStrippingToolkit Ferramenta de descascamento do crânio usando um método de fusão baseado em nível Matlab Universidade da Carolina do Norte https://www.nitrc.org/projects/skulltoolkit
ROBEX ROBEX Ferramenta de descascamento do crânio usando um método de ajuste da superfície do cérebro Linux Universidade da Califórnia, Los Angeles https://www.nitrc.org/projects/robex/
FSL BET Ferramenta de descascamento do crânio no pacakge de FSL Linux, Mac, Windows Universidade de Oxford https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET
Ferramenta bse BrainSuite Ferramenta de descascamento do crânio no pacakge de BrainSuite Windows, Linux, Mac Universidade do Sul da Califórnia http://brainsuite.org/processing/surfaceextraction/bse/

Tabela 4: Lista de software aberto amplamente utilizado para pré-processamento de RO cerebral e descascamento do crânio.

Discussion

Em resumo, descrevimos o pipeline de software para a análise de forma em estruturas cerebrais, incluindo (1) segmentação de imagem de RM usando ferramentas abertas (2) reconstrução de forma individual usando um modelo de modelo deformado e (3) diferença de forma quantitativa medição via correspondência de forma transitiva com o modelo modelo. A análise estatística a correção da falsa taxa de descoberta (FDR) é realizada com a deformidade da forma para investigar o significado das alterações morfológicas das estruturas cerebrais, associadas a processos neuropatológicos.

Nosso pipeline de modelagem usa internamente ferramentas internas para construir um modelo de modelo a partir de imagens de assunto. Os passos para a construção do modelo são os seguintes: (i) Compute a máscara média do grupo através do alinhamento iterativo de imagens de assunto para uma imagem média que evolui a cada iteração. (ii) Gerar uma malha de superfície 3D a partir da máscara média usando cubos marchando método20. (iii) Resample a malha de superfície usando uma reamostragem de malha usando a ferramenta ACVD(https://www.creatis.insa-lyon.fr/site/en/acvd.html). O número do modelo modelo pode ser definido no plugin ShapeModeling.

A reconstrução da forma individual é baseada em um método progressivo da deformação do modelo. Este método permite que uma deformação de escala grande a pequena minimize as distorções geométricas do modelo, restaurando os detalhes da forma individual, propagando o modelo para os limites da imagem. O método de deformação é limitado às estruturas com topologia esférica. Contra essa limitação, introduzimos restrições específicas da estrutura na modelagem de forma do terceiro ventrículo cerebral, que tem um buraco por adesão intertalâmica6. No entanto, as restrições específicas da estrutura não são suportadas pela versão atual do nosso software.

Os modelos de forma individualizada estão alinhados no espaço comum usando o algoritmo de Procrustes generalizada19. Aqui, usamos a transformação da semelhança (escala isotrópica, tradução e rotação) para a normalização do modelo de forma. As diferenças de forma local são determinadas pelo vetor de deslocamento entre os vérteges correspondentes dos modelos de superfície individuais e seu modelo de forma média. A deformidade de forma em cada vértice é computada como a norma euclideana assinada dos vetores de deslocamento que são projetados no vertex normal do modelo médio. As etapas detalhadas da análise estatística da forma podem ser encontradas aqui5.

Para a avaliação de precisão da modelagem de forma, usamos 3 métricas: coeficiente de dados, distância média e distância hausdorff. O coeficiente dice representa a sobreposição de volume entre o modelo reconstruído e a máscara de segmentação alvo. A distância média é a distância média entre eles, e a distância de Hausdorff é a distância máxima entre eles. Distâncias mais baixas e coeficiente de dados mais alto indicam melhor precisão. Para o estudo do hipocampo5,o coeficiente de Dados foi de 0,85-0,9, a distância média foi de cerca de 0,3 mm, e a distância de Hausdorff foi de 2 mm. No entanto, esses resultados dependem dos volumes e detalhes de forma da estrutura alvo. Diferença de volume e aspereza superficial podem ser usadas como indicadores para a precisão e qualidade de forma5.

Para facilitar o uso, também distribuímos um script Matlab juntos para gerar os arquivos da lista e executar as ferramentas de linha de comando para cada etapa. Atualmente, testamos as ferramentas em Linux, MacOS e Windows. O significado do software interno é que ele é totalmente automatizado para modelagem e medição de forma baseada em modelos. Validamos sua robustez e precisão com vários conjuntos de dados de populações de envelhecimento e doença de Alzheimer5. Além disso, existem muitas abordagens usando o método de modelagem de forma em diferentes órgãos humanos.

Disclosures

Os autores declaram que não há conflito de interesses.

Acknowledgments

O trabalho foi financiado pela National Research Foundation of Korea (JP as the PI). JK é financiado pelo Kyungpook National University Research Fund; e o MCVH é financiado pelo Row Fogo Charitable Trust e pela Royal Society of Edinburgh. A segmentação hipocampal foi adaptada das diretrizes in-house escritas pela Dra.

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).
Modelagem e análise tridimensional da forma de estruturas do cérebro
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