Summary
Introducimos un protocolo semiautomático para el análisis de formas en estructuras cerebrales, incluida la segmentación de imágenes mediante software abierto, y más análisis de formas en grupo mediante un paquete de modelado automatizado. Aquí, demostramos cada paso del protocolo de análisis de forma 3D con segmentación hipocampal a partir de imágenes de RM cerebral.
Abstract
El análisis estadístico de la forma de las estructuras cerebrales se ha utilizado para investigar la asociación entre sus cambios estructurales y procesos patológicos. Hemos desarrollado un paquete de software para el modelado de formas preciso y robusto y el análisis en grupo. Aquí, presentamos una canalización para el análisis de formas, desde el modelado de forma 3D individual hasta el análisis cuantitativo de formas de grupo. También describimos los pasos de preprocesamiento y segmentación mediante paquetes de software abiertos. Esta guía práctica ayudaría a los investigadores a ahorrar tiempo y esfuerzo en el análisis de formas 3D en estructuras cerebrales.
Introduction
El análisis de formas de las estructuras cerebrales ha surgido como la herramienta preferida para investigar sus cambios morfológicos en procesos patológicos, como las enfermedades neurodegenerativas y el envejecimiento1. Se requieren varios métodos computacionales para 1) delinear con precisión los límites de las estructuras objetivo a partir de imágenes médicas, 2) reconstruir la forma objetivo en forma de malla de superficie 3D, 3) construir correspondencia entre sujetos a través de los modelos de forma individuales a través de la parametrización de la forma o el registro de superficie, y 4) evaluar cuantitativamente las diferencias de forma regional es entre individuos o grupos. En los últimos años, se han introducido muchos métodos en estudios de neuroimagen para cada uno de estos pasos. Sin embargo, a pesar de los notables avances en el campo, no hay muchos marcos inmediatamente aplicables a la investigación. En este artículo, describimos cada paso del análisis de formas de las estructuras cerebrales utilizando nuestras herramientas de modelado de formas personalizadas y herramientas de segmentación de imágenes disponibles públicamente.
Aquí, demostramos el marco de análisis de forma para las estructuras cerebrales a través del análisis de la forma del hipocampo izquierdo y derecho utilizando un conjunto de datos de controles adultos y pacientes con enfermedad de Alzheimer. La atrofia del hipopótamo es reconocida como un biomarcador de imágenes crítico en enfermedades neurodegenerativas2,3,4. En nuestro marco de análisis de formas, empleamos el modelo de plantilla de la estructura de destino y el registro deformable de plantilla a imagen en el proceso de modelado de formas. El modelo de plantilla codifica las características generales de la forma de la estructura de destino en una población y también proporciona una línea base para cuantificar las diferencias de forma entre los modelos individuales a través de su relación transitiva con el modelo de plantilla. En el registro de plantilla a imagen, hemos desarrollado un método de deformación de superficie laplaciana para ajustar el modelo de plantilla a la estructura de destino en imágenes individuales, minimizando al mismo tiempo la distorsión de la distribución de puntos en el modelo de plantilla5,6,7. La viabilidad y robustez del marco propuesto han sido validadas en estudios recientes de neuroimagen del envejecimiento cognitivo8,detección temprana de deterioro cognitivo leve9,y para explorar las asociaciones entre los cambios estructurales del cerebro y los niveles de cortisol10. Este enfoque facilitaría el uso de los métodos de modelado y análisis de formas en estudios de neuroimagen posteriores.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Las imágenes de Brain MR fueron adquiridas según el protocolo aprobado por la junta de revisión institucional local y el comité de ética.
NOTA: Las herramientas para el modelado y análisis de formas se pueden descargar desde el repositorio NITRC: https://www.nitrc.org/projects/dtmframework/. El software GUI (DTMModeling.exe) se puede ejecutar después de la extracción. Vea la figura 1.
1. Segmentación de imagen Brain MR
- Adquirir imágenes de RM nbrain de sujetos individuales y máscaras de segmentación cerebral.
NOTA: Por lo general, adquirimos imágenes de RM ponderadas por T1 para análisis de estructuras cerebrales. Suponemos que las imágenes MR se procesan previamente para la corrección de la no linealidad del degradado y la corrección de la inhomogeneidad de la intensidad utilizando N311, los métodos N3mejorados 12o FSL-FAST13. Algunas herramientas de libre disposición para la segmentación automática de estructuras cerebrales humanas se enumeran en la Tabla 1. - Corrija los resultados de segmentación manualmente.
NOTA: El software GUI abierto que admite la segmentación manual se enumeran en la Tabla 2. Los protocolos de segmentación manual para las estructuras cerebrales se pueden encontrar aquí14,15,16. Una guía de vídeo sobre la segmentación manual para el hipocampo está aquí17. Describimos el protocolo para la segmentación del hipocampo en la siguiente sección.- Abra la RMN ponderada T1 y los resultados de segmentación automática mediante el menú Abrir archivo.
- Cargue el plugin segmentación haciendo clic en Menú de ventanas . Mostrar ? Segmentación.
- Corrija la máscara de segmentación con las herramientas Agregar, Restary Corrección del complemento Segmentación.
- Guarde la máscara de segmentación corregida en formato Nifti mediante el menú Guardar.
2. Edición manual de la segmentación del hipocampo
NOTA: Introducimos un protocolo para la edición manual de la segmentación cerebral utilizando el software de modelado GUI basado en el banco de trabajo MITK (http://www.mitk.org/). El banco de trabajo MITK proporciona varias funciones para la segmentación manual y automática y la visualización de imágenes médicas. Demostramos el proceso de edición manual para el hipocampo izquierdo y derecho. Los pasos para editar manualmente18 el resultado de la segmentación automática del hipocampo son los siguientes.
- Abra la imagen MR ponderada en T1 y los resultados de la segmentación automática del hipocampo utilizando el software mitk workbench.
- Cargue el plugin segmentation en el área de trabajo de MITK haciendo clic en el menú Ventana de la aplicación. Mostrar vista ? Segmentación.
- Seleccione la vista coronal haciendo clic en el icono del lado derecho que aparece en la esquina superior derecha de la ventana Visualización.
- Edite la máscara binaria de cada hipocampo (es decir, izquierda y derecha) en la vista coronal, comenzando desde la cabeza del hipocampo hasta el cuerpo de la siguiente manera.
- Desplácese por todo el volumen hasta que se encuentre el uncus. Incluya el uncus en la máscara del hipocampo donde está presente.
- Edite la máscara del cuerpo del hipocampo después de que el uncus haya retrocedido usando la función Agregar y Restar en el plugin Segmentación.
- Continúe editando la máscara del hipocampo hasta que se encuentre la cola del hipocampo. A medida que el núcleo pulvinar del tálamo retrocede superior al hipocampo, el fornix emerge.
- Termina de editar la última rebanada coronal del hipocampo en la que toda la longitud del fornix es visible pero aún no continua con el esplenio del cuerpo calloso.
NOTA: Los espacios del líquido cefalorraquídeo (LCR) pueden estar dentro de las regiones del hipocampo. Los espacios CSF se pueden eliminar de las máscaras del hipocampo utilizando la herramienta Restar en el plugin de segmentación del banco de trabajo MITK. puede ser más fácil definir las regiones del hipocampo por completo y luego pasar por todas las rodajas coronales de la cabeza al hipocampo de la cabeza a la cola para la eliminación de los espacios del LCR. - Siga el mismo proceso para editar las máscaras binarias de ambos hipocampi.
NOTA: Las herramientas Agregar, Restary Corrección del complemento Segmentación en el área de trabajo de MITK se pueden utilizar para la edición manual. La herramienta Corrección es fácil de manejar pequeños errores en la máscara de segmentación mediante la realización de suma y resta de acuerdo con la entrada del usuario y la máscara de segmentación sin selección de herramienta adicional.
- Guarde las máscaras binarias para el hipocampo izquierdo y derecho en formato Nifti (nii o nii.gz) utilizando el menú Guardar del software mijón DE MITK.
NOTA: Las máscaras binarias del hipocampo izquierdo y derecho deben guardarse por separado para los siguientes pasos del modelo de forma de hipocampo.
3. Construcción de plantillas de grupo
NOTA: Después de la segmentación y la edición manual para todos los temas, el modelado de forma individual requiere el modelo de plantilla de la estructura de destino. Construimos el modelo de plantilla a partir de la máscara binaria promedio para una población, adquirida usando el plugin "ShapeModeling" en MITK Workbench. Los pasos de la construcción del modelo de plantilla mediante el software GUI son los siguientes.
- Cargar el plugin ShapeModeling utilizando la función de menú: Ventana Mostrar vista ? Modelado de formas.
- Abra un directorio que contenga las máscaras binarias de una población de estudio haciendo clic en el botón Abrir directorio del complemento ShapeModeling.
- Haga clic en el botón Construcción de plantilla en el complemento ShapeModeling.
- Compruebe la malla de forma media y guárdela en formato de estereolitografía (STL) mediante el menú Guardar.
4. Reconstrucción de la forma individual
NOTA: En este paso, realizamos el modelado de formas para temas individuales usando el botón Iniciar modelado de formas en el plugin "ShapeModeling". Enumeramos los parámetros de software de este plugin en la Tabla 3. La explicación detallada de cada parámetro se puede encontrar aquí5. Los pasos de la reconstrucción de la forma individual utilizando el software GUI son los siguientes.
- Cargue la imagen MR ponderada por T1 y su máscara de segmentación mediante el menú Abrir archivo.
NOTA: Usamos la imagen MR ponderada en T1 para la validación visual. - Compruebe los parámetros de modelado en el plugin ShapeModeling y modifique si es necesario.
NOTA: Si el modelo de plantilla no está deformado o la distancia entre el modelo de plantilla y el límite de la imagen es grande, se recomienda aumentar el rango de búsqueda de límites. Si se encuentran algunas distorsiones geométricas, aumentar maxAlpha y minAlpha con el paso 0.5 ayudaría a resolver el problema. Es importante comprobar la intensidad del voxel para el objeto de destino en la máscara de segmentación. Si el valor no es 1, el parámetro de intensidad debe cambiarse en consecuencia. - Haga clic en el botón Modelado de formas para ejecutar el proceso de modelado de formas y comprobar el resultado en la vista 3D del área de trabajo de MITK.
- Repita los pasos 4.2 y 4.3, cuando el modelo de plantilla no esté ajustado al contorno de la imagen de cerca.
NOTA: El modelo de plantilla se visualiza con la máscara de segmentación en la vista sagital, coronal, axial y 3D del banco de trabajo MITK. La superficie de la plantilla no se deforma cuando la distancia entre el modelo de plantilla y el límite de la imagen es inferior a un umbral que es una décima parte del tamaño de voxel más pequeño. - Guarde el resultado del modelado en un formato de estereolitografía (STL) mediante el menú Guardar en el marco MITK.
5. Normalización de la forma en el grupo y medición de la diferencia de forma
NOTA: En este paso, alineamos los modelos de forma individuales con el modelo de plantilla y calculamos la deformidad de la forma por puntos entre los vértices correspondientes entre el modelo de plantilla y el modelo de forma individual. Los pasos para la medición de la deformidad de la forma son los siguientes.
- Seleccione el modelo de forma de un sujeto en el Administrador de datos del área de trabajo de MITK.
NOTA: Los usuarios pueden seleccionar varios modelos para la medición de deformidad. - Realice la medición de deformidad haciendo clic en el botón Medición en el plugin ShapeModeling.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
El proceso de modelado de la forma descrito aquí se ha empleado para varios estudios de neuroimagen sobre el envejecimiento6,8,10 y la enfermedad de Alzheimer5,9. Especialmente, este método de modelado de formas mostró su precisión y sensibilidad en el análisis de la forma en el hipocampo para una población envejecida de 654 sujetos8. Un análisis cuantitativo del software y el software disponible públicamente, ShapeWork, LDDMM-TI y SPHARM-PDM, se puede encontrar aquí5. Describimos muchas herramientas abiertas, desde el preprocesamiento de imágenes MR hasta la segmentación cerebral en la Tabla 1,la Tabla 2y la Tabla 4.
La figura 2 es un diagrama del marco de modelado de formas mediante los modelos de plantilla de estructuras de destino. Los modelos de plantilla representan características generales de forma de las estructuras cerebrales en una población. La Figura 3 presenta la deformación del modelo de plantilla hipocampal para la reconstrucción de formas individuales. El método induce una deformación a escala de gran tamaño a pequeño del modelo de plantilla para minimizar la distorsión de su distribución de puntos mientras se restauran las características de forma individuales. La Figura 4 muestra los modelos de forma reconstruidos de dos sujetos con sus máscaras de segmentación. La Figura 5 muestra los modelos de forma individuales alineados, su modelo promedio y los vectores de diferencia de forma con un modelo de forma individual. La Figura 6 presenta los mapas de deformidad de forma promedio, proyectados sobre el modelo promedio, para dos grupos con volumen de tejido cerebral pequeño y grande (BTV). Seleccionamos sujetos cuya BTV es mayor o menor que una desviación estándar de la media de una población sana de envejecimiento de 51 sujetos5. Los mapas de deformidad de forma de dos grupos presentan patrones opuestos de diferencia de forma del hipocampo en las regiones correspondientes.
Figura 1: Software GUI para el modelado y análisis de formas. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Pasos del modelado de formas utilizando los modelos de plantilla para estructuras cerebrales. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Deformación del modelo de plantilla (naranja) para la reconstrucción de formas individuales. Mapa de colores: magnitud de deformación en vértice (mm). Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Ejemplos de modelado de forma individual del hipocampo. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Modelos de forma individuales alineados, su modelo promedio y los vectores de diferencia de forma con un modelo de forma individual. Izquierda: modelos de forma individuales alineados (blanco) y su modelo medio (azul). Derecha: vectores de diferencia de forma puntual es el modelo medio y un modelo individual. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Deformidad de forma media de dos grupos con volumen de tejido cerebral pequeño y grande (menos o mayor que una desviación estándar de la media de la población) en una población sana de envejecimiento. Haga clic aquí para ver una versión más grande de esta figura.
| Nombre | Descripción | Sistema | Organización | Enlace |
| Alvin | Segmentación del ventrículo lateral | Linux | King's College de Londres | https://www.nitrc.org/projects/alvin_lv/ |
| Primero | Segmentación de estructura subcortical en FSL | Linux, Mac | Universidad de Oxford | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST |
| rápido | Herramienta de clasificación de tejidos con corrección para variaciones de intensidad espacial | Linux, Mac | Universidad de Oxford | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST |
| FreeSurfer | Segmentación cerebral completa en forma de Voxel | Linux, Mac | Centro Athinoula A. Martinos de Imágenes Biomédicas, MGH | https://surfer.nmr.mgh.harvard.edu/ |
| TOADS-CRUISE | Herramienta de segmentación automática del cerebro | Linux, Mac | Universidad Johns Hopkins | https://www.nitrc.org/projects/toads-cruise |
| NiftySeg | Herramienta automática de clasificación de tejido cerebral | Linux, Mac | King's College de Londres | https://github.com/KCL-BMEIS/NiftySeg |
| Herramienta de PVC BrainSuite | Herramienta de clasificación de tejido cerebral en el paquete BrainSuite | Windows, Linux, Mac | Universidad del Sur de California | http://brainsuite.org/ |
Tabla 1: Lista de software abierto ampliamente utilizado para la segmentación automática de estructuras cerebrales.
| Nombre | Descripción | Sistema | Organización | Enlace |
| MITK | Software GUI que proporciona plugins para semiautomático (por ejemplo, crecimiento de la región y umbral de cuencas hidrográficas) y segmentación manual de imágenes | Windows, Linux, Mac | Centro Alemán de Investigación del Cáncer | http://mitk.org/wiki/MITK |
| Cortadora 3D | Software GUI para procesamiento de imágenes médicas y visualización 3D. Editor de segmentos en 3D Slicer es un módulo para segmentación manual | Windows, Linux, Mac | Brigham and Women's Hospital, Inc. |
https://www.slicer.org/ |
| ITK-Snap | Software GUI para segmentación manual (método de contorno activo) y semiautomático | Windows, Linux, Mac | Universidad de Pensilvania y Universidad de Utah | http://www.itksnap.org/pmwiki/pmwiki.php |
| GIMIAS | Software GUI para la informática de imágenes biomédicas. Se admite el plugin de segmentación manual. | Windows, Linux | Universidad de Sheffield | http://www.gimias.org/ |
| MRICron | Software GUI para el visor de imágenes en formato NIFIT. También es compatible con la representación de volúmenes, el dibujo de regiones de ROI y herramientas estadísticas | Windows, Linux, Mac | Universidad de Carolina del Sur | http://people.cas.sc.edu/rorden/mricron/index.html |
| Mango | Visor de imágenes multiplataforma que admite visualización de superficies, edición de ROI y análisis de imágenes | Windows, Linux, Mac | Salud de la Universidad de Texas | http://ric.uthscsa.edu/mango/index.html |
Tabla 2: Lista de software abierto para segmentación y visualización manuales.
| Parámetro | Descripción |
| --minAlpha | Peso mínimo para la fuerza interna conservando las coordenadas Laplacian del modelo de plantilla (predeterminado: 1.0) |
| --maxAlpha | Peso máximo para la fuerza interna conservando las coordenadas Laplacian del modelo de plantilla (predeterminado: 5.0) |
| --thresholdAlpha | Parámetro Umbral para reducir el peso alfa gradualmente durante la deformación de la plantilla (predeterminado: 0,01) |
| --minRing | Nivel mínimo de vecindad (predeterminado: 1) |
| --maxRing | Nivel máximo de vecindad (predeterminado: 3) |
| --edge | Parámetro de peso para fuerza externa (predeterminado: 0,1) |
| --intensidad | Valor Voxel para la estructura objetivo en la máscara de segmentación |
| --rango | Rango de búsqueda de límites (predeterminado: 5.0) |
| --init | Inicialización del modelo de plantilla mediante el algoritmo iterativo más cercano (predeterminado: 1 (true)) |
Tabla 3: Parámetros para la reconstrucción de la forma individual.
| Nombre | Descripción | Sistema | Organización | Enlace |
| MINC N3 | Método de normalización de la no uniformidad no paramétrica (N3) | Linux, Mac | Universidad McGill | https://www.nitrc.org/projects/nu_correct |
| ANTs N4BiasCorrection | N4ITK: Método N3 mejorado en el paquete de software Advanced Normalization Tools (ANTs) | Windows, Linux, Mac | Universidad de Pensilvania | https://sourceforge.net/projects/advants/ |
| SkullStrippingToolkit | Herramienta de desmontaje de cráneo sin un método de fusión basado en niveles | Matlab | Universidad de Carolina del Norte | https://www.nitrc.org/projects/skulltoolkit |
| Robex | Herramienta de desmontaje de cráneo utilizando un método de ajuste de la superficie cerebral | Linux, Mac | Universidad de California, Los Angeles | https://www.nitrc.org/projects/robex/ |
| FSL BET | Herramienta de desmontaje de cráneo en fSL pacakge | Linux, Mac, Windows | Universidad de Oxford | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET |
| Herramienta de somnocone BrainSuite | Herramienta de desmontaje de cráneo sin BrainSuite pacakge | Windows, Linux, Mac | Universidad del Sur de California | http://brainsuite.org/processing/surfaceextraction/bse/ |
Tabla 4: Lista de software abierto ampliamente utilizado para el preprocesamiento de RM del cerebro y desmontaje del cráneo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
En resumen, hemos descrito la canalización de software para el análisis de formas en estructuras cerebrales, incluyendo (1) segmentación de imágenes MR utilizando herramientas abiertas (2) reconstrucción de formas individuales utilizando un modelo de plantilla deformable, y (3) diferencia de forma cuantitativa medición a través de correspondencia de forma transitiva con el modelo de plantilla. El análisis estadístico bajo la corrección de la tasa de detección falsa (FDR) se realiza con la deformidad de la forma para investigar la importancia de los cambios morfológicos de las estructuras cerebrales, asociados con los procesos neuropatológicos.
Nuestra canalización de modelado utiliza internamente herramientas internas para construir un modelo de plantilla a partir de imágenes de asunto. Los pasos para la construcción de la plantilla son los siguientes: (i) Calcular la máscara media del grupo a través de la alineación iterativa de las imágenes de sujeto a una imagen promedio que evoluciona en cada iteración. (ii) Generar una malla de superficie 3D a partir de la máscara promedio utilizando el método de cubos de marcha20. (iii) Remuestrear la malla de superficie mediante un remuestreo de malla con la herramienta ACVD (https://www.creatis.insa-lyon.fr/site/en/acvd.html). El número del modelo de plantilla se puede establecer en el complemento ShapeModeling.
La reconstrucción de la forma individual se basa en un método de deformación de plantilla progresivo. Este método permite una deformación a escala de gran tamaño a pequeña para minimizar las distorsiones geométricas del modelo de plantilla mientras se restauran los detalles de forma individuales propagando el modelo de plantilla a los límites de la imagen. El método de deformación se limita a las estructuras con topología esférica. Contra esta limitación, hemos introducido restricciones específicas de la estructura en el modelado de la forma del tercer ventrículo cerebral, que tiene un agujero por adhesión intertalámica6. Sin embargo, las restricciones específicas de la estructura no son compatibles con la versión actual de nuestro software.
Los modelos de forma individualizados se alinean en el espacio común utilizando el algoritmo Procrustes generalizado19. Aquí, usamos la transformación de similitud (escala isotrópica, traslación y rotación) para la normalización del modelo de forma. Las diferencias de forma local se determinan mediante el vector de desplazamiento entre los vértices correspondientes de los modelos de superficie individuales y su modelo de forma media. La deformidad de la forma en cada vértice se calcula como la norma euclidiana firmada de los vectores de desplazamiento que se proyectan sobre el vértice normal del modelo medio. Los pasos detallados del análisis estadístico de la forma se pueden encontrar aquí5.
Para la evaluación de precisión del modelado de formas, utilizamos 3 métricas: coeficiente de dados, distancia media y distancia Hausdorff. El coeficiente de dados representa la superposición de volumen entre el modelo reconstruido y la máscara de segmentación de destino. La distancia media es la distancia media entre ellos, y la distancia Hausdorff es la distancia máxima entre ellos. Las distancias más bajas y el coeficiente de dados más alto indican una mayor precisión. Para el estudio del hipocampo5,el coeficiente de dados fue de 0,85-0,9, la distancia media era de alrededor de 0,3 mm, y la distancia Hausdorff era de 2 mm. Sin embargo, estos resultados dependen de los volúmenes y los detalles de la forma de la estructura de destino. La diferencia de volumen y la rugosidad de la superficie se pueden utilizar como indicadores de precisión y calidad de forma5.
Para facilitar su uso, también distribuimos un script de Matlab juntos para generar los archivos de lista y ejecutar las herramientas de línea de comandos para cada paso. Actualmente, hemos probado las herramientas en Linux, MacOS y Windows. La importancia del software interno es que está totalmente automatizado para el modelado y la medición de formas basados en plantillas. Hemos validado su robustez y precisión con varios conjuntos de datos de las poblaciones de envejecimiento y enfermedad de Alzheimer5. Además, hay muchos enfoques que utilizan el método de modelado de formas en diferentes órganos humanos.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores declaran que no hay conflicto de intereses.
Acknowledgments
El trabajo fue financiado por la National Research Foundation of Korea (JP como PI). JK está financiado por el Fondo de Investigación de la Universidad Nacional Kyungpook; y MCVH está financiado por Row Fogo Charitable Trust y la Royal Society de Edimburgo. La segmentación del hipocampo fue adaptada de las directrices propias escritas por la Dra. Karen Ferguson, en el Centro de Ciencias Clínicas del Cerebro, Edimburgo, Reino Unido.
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).
