Yöntem makalesi

Bütün beyin segmentasyon ve değişim noktası analizi anatomik beyin MR'ı — uygulama Premanifest Huntington hastalığı

DOI:

10.3791/57256

⸱

9 Haziran 2018

 ,  ,  ,  ,  , 
1The Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine, 2Center for Imaging Science, Johns Hopkins University, 3Institute for Computational Medicine, Johns Hopkins University, 4Department of Applied Mathematics and Statistics, Johns Hopkins University, 5Division of Neurobiology, Departments of Psychiatry, Neurology, Neuroscience and Pharmacology, and Program in Cellular and Molecular Medicine, Johns Hopkins University School of Medicine, 6F.M. Kirby Research Center for Functional Brain Imaging, Kennedy Krieger Institute, 7Department of Biomedical Engineering, Johns Hopkins University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu kağıt beyin atrofi premanifest Huntington hastalığı başladığında, "değişim noktası" tanımlayan hacimsel MRG veri analizi için istatistiksel bir modelini açıklar. Bütün beyin haritalama değişim noktaları T1 ağırlıklı görüntülerin bir atlas tabanlı segmentasyon boru hattı kullanılarak elde beyin birimlerde dayalı elde edilir.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

MRI son gelişmeler nörodejeneratif hastalıklar tanımlamak için yararlı işaretleri çeşitli sunuyoruz. Huntington hastalığı (HD), bölgesel beyin atrofi motor başlangıçlı ("premanifest" döneminde) önce uzun yıllar başlar fakat beyin genelinde bölgesel atrofi kronolojik zamanmekansal desen değil tam olarak karakterize. Burada biz bir online bulut bilgi işlem platformu, "MRICloud" T1 ağırlıklı görüntüleri birden çok taneciklik düzeyde atlas tabanlı bütün beyin ayrılmasını sağlar ve böylece, beyin anatomisi bölgesel özelliklerine erişmek bize sağlayan, göstermek. Sonra istatistiksel olarak önemli dönüm noktaları, bölgesel beyin atrofi olmak göze çarpan başladığı algılar yani "değişim noktası", bir hastalık ilerleme dizin ile ilgili olarak bir regresyon modeli açıklar. CAG-yaş ürün (CAP) puanı HD hastalarda hastalık ilerleme dizinini oluşturmak için kullanılır. Segmentasyon boru hattı üzerinden hacimsel ölçü değişim noktası analizi bu nedenle, beyin arasında düzen ve yapısal atrofi desen önemli bilgiler sağlar. Kağıdın T1 ağırlıklı MRG veri büyük kadınlarında PREDICT-HD çalışması bir premanifest HD konu üzerinde bu tekniklerin kullanılması gösterilmiştir. Bu tasarım potansiyel beyin anatomisi dinamik değişiklikleri öğrenmek için nörodejeneratif hastalıkların bir dizi geniş bir uygulaması vardır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Manyetik rezonans görüntüleme (MRG) yeteneğimizi beyin anatomisi ve nörodejeneratif hastalıklar1,2,3işlevlerinde incelemek için önemli ölçüde geliştirilmiştir. En yaygın MRG biri T1 ağırlıklı yapısal beyin anatomisi ve ilgili patoloji değerlendirmek için rutin klinik uygulamada görüntüleme aracı benimsenmiş. Kantitatif analiz T1 ağırlıklı yüksek çözünürlüklü görüntülerin anatomik değişiklikler sırasında beyin dejenerasyonu ölçmek için yararlı işaretleri sağlar. Özellikle, tabanlı segmentasyon miktar yaklaşımlar etkin bir şekilde azaltır görüntü dimensionality Voksel düzeyinden (sırayla tarafındaki (106)) anatomik yapısal düzeyine ((102)) yüksek üretilen iş Nöroinformatik4 için , 5. otomatik beyin segmentasyon elde edilebilir önceden tanımlanmış anatomik etiketleri hasta görüntüleri üzerine bir Atlas harita atlas tabanlı yöntemleri6,7,8,9 kullanarak . Atlas tabanlı yöntemler arasında çok atlas algoritmaları10,11,12,13,14 edilen üstün segmentasyon doğruluk ve sağlamlık. Grubumuza bir tam otomatik T1 çok atlas segmentasyon boru hattı, gelişmiş diffeomorphic görüntü kayıt algoritmaları15, çoklu atlas füzyon yöntemleri16,17ve zengin çok atlas kitaplıkları ile geliştirdi 18. boru hattı 2015 yılından bu yana, bir bulut bilgi işlem platformunda, MRICloud19, dağıtılmış ve nörodejeneratif hastalıklar, Alzheimer hastalığı (Ah)20,gibi21, birincil çalışma için kullanılan İlerici afazi22ve Huntington hastalığı23.

Yüksek çözünürlüklü görüntüler beyin yapılarına parçalara sonra birimler gibi bölgesel özellikleri nöroanatomik değişiklikleri tanımlamak için matematiksel modeller kurmak için kullanılabilir. Bir değişim noktası analizi yöntemi son zamanlarda istatistiksel olarak anlamlı beyin xarakteristikaları değişiklikler gerçekleştiği, boyuna ve/veya kesit MRI verilerine dayalı zamansal sipariş analiz etmek bizim grup tarafından kurulmuştur. Bu istatistiksel model ilk reklam hastalar21,24yaş üstü şekle dayanan diffeomorphometry ölçmek için geliştirilmiştir; ve daha sonra Huntington yenidoğan beyin25beyin gelişimsel değişiklikleri açıklamak olarak hastalığı (HD), de beyin yapısal değişiklikleri öğrenmek için uyarlanmıştır. HD hastalarda, değişim noktası CAG-yaş ürün (CAP) puanı, saygı ile HTT 26CAG genişleme maruz ölçüde bir göstergesi olarak tanımlanmıştır. Striatal atrofi bir HD, globus pallidus27tarafından takip en erken işaretleri olduğunu iyi bilinmektedir. Henüz striatum beyin belirsizliğini genelinde diğer gri ve beyaz maddenin yapıları ile ilgili olarak değişimler. Bu ilişki bize hastalık ilerleme anlamak önemlidir. Değişim noktası analizi tüm beyin yapıları olarak hacimsel değişiklikler büyük olasılıkla beyin atrofi HD premanifest aşamasında sistematik bilgi sağlayacaktır.

Burada bütün beyin segmentasyon premanifest HD bireylerde hacimsel veri değişim noktası çözümlemesi gerçekleştirmek için MRICloud (www.mricloud.org) ve adımları kullanarak gerçekleştirme yordamları gösterir. MRG veri büyük nüfus multicenter toplanmıştır PREDICT-HD28,29 yaklaşık 400 denetimleri ve premanifest HD konular ile çalışma. Atlas tabanlı segmentasyon ve değişim noktası analizi birleşimi beyin yapısal değişiklikler ve hastalık ilerleme desen kronolojik zamanmekansal sırası hakkında benzersiz bilgi beyin getiriyor. Teknikleri potansiyel beyin dejenerasyonu eşleştirmek için çeşitli biyolojik ile nörodejeneratif hastalıkların bir dizi için geçerlidir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. tüm beyin Atlas tabanlı segmentasyon

  1. Veri hazırlama
    1. Genellikle ile satıcıya özgü DICOM (Digital Imaging and iletişim) biçimine analiz biçimi MPRAGE (mıknatıslanma hazırlanan hızlı degrade-echo) serisinden alınan üç boyutlu (3D) T1 ağırlıklı görüntüleri, dönüştürün. Bulut hesaplama uzak kümelere aktarılacak Kullanıcı verilerini gerekir. Durum sigorta taşınabilirlik ve Accountability Act (HIPPA) göre hastaların kişisel kimlik bilgileri görüntü dosyalarından kaldırın.
      Not: Dosya biçimi dönüştürme gibi kişisel sağlık bilgi de-tanımlaması için bir analiz DICOM dönüştürücü (https://braingps.mricloud.org/t1prep) MRICloud sunar.
      1. Dcm2Analyze.exe açmak için çift tıklatın. A halk pencere-ecek açık (Şekil 1A).
      2. Girdi ve çıktı olarak analiz resim yolu ve dosya adı olarak giriş DICOM veri dizin yolunu belirtir.
      3. Dönüştürmeyi tamamlamak üzere "git" tıklayın.
        Not: Dönüşüm bireysel her hasta için yapılması gereken ve toplu işlem (1.2.2.1) için bir çalışma klasöründeki tüm dönüştürülen görüntüleri çıktı faydalı olacaktır.
  2. Çoklu atlas MRICloud19kullanarak T1 görüntü segmentasyonu dayalı.
    1. Kütük-"Beyin GPS" (ilk kez kullananlar için kayıt ol)--dan https://mricloud.org içinde. Ana menüden (Şekil 1B) "Segmentasyon" aracını seçin. İki uygulama programlama arabirimi (API) seçenekleri altında "Segmentasyon" vardır: "T1-MultiAtlas" tek T1 görüntü segmentasyonu ve "T1-MultiAtlas toplu" için toplu işlem için. Değişim noktası analizi büyük nüfus verileri gerektirir, ve böylece, toplu işleme kez bir seçimdir.
    2. "T1-MultiAtlas toplu" API işleri gönderin.
      1. Bir ZIP dosyası içine birden fazla analiz resim dosyaları sıkıştırmak. Tıklatın "+ .zip" ZIP dosya yüklemek için Şekil 1B .
        Not: Geçerli bulut portal 30 her ZIP klasörde yansıma sayısını sınırlar. Büyük veri işleme için birden fazla ZIP klasör ayrılabilir. Özel istek ZIP dosya başına daha çok resim karşılamak için yapılabilir. Gelecekte, biz potansiyel sınırlı sayıda artış veya daha uzaktan Hesaplamalı kaynaklar kullanılabilir olduğunda bile çıkarmak belgili tanımlık limit.
      2. Şekil 1Bgerekli alanları doldurun.
        1. İşlem sunucusu: "Hesaplamalı anatomi bilim ağ geçidi" seçin.
        2. Dilim türü: Seçin "Sagittal", "Axial" veya "Sagittal Axial için dönüştürülmüş".
          Not: "Sagittal" önünde-Posterior ve kafa metrelik yön uçak-manzaralı sagittal yönlendirmeye sahip alınan görüntüleri gösterir. "Aksiyel" alınan görüntüleri Aksiyel yönlendirmesini soldan sağa ve önünde-arka yönde uçak-manzaralı gösterir. "Sagittal Axial için dönüştürülmüş" Aslında eksenel yönde alınan ancak daha sonra sagittal görüntüleri (bunlar genellikle "Aksiyel" görüntüleri ile uzun boyun bölgesi) dönüştürülmüş görüntüleri gösterir.
        3. Çoklu atlas Kütüphane: Kullanıcı verileri bölümleme doğruluğu en iyi duruma getirmek için yakın yaş aralığı ile atlas kitaplığı seçin. Önceden oluşturulmuş çoklu atlas veri kümeleri18 farklı yaş aralıkları, örneğin, "Pediatrik 4-8 yıl", "Çocuk 8-12 yıl", sunduğumuz "yetişkin 22-50", ve "Yetişkin 50-90", yanı sıra farklı atlas sürümleri. Atlas sürümleri hakkında bilgi-ebilmek bulunmak içinde https://braingps.mricloud.org/atlasrepo.
    3. "Benim iş durumu" ile işi durumunu denetlemek (Şekil 1 c). İşleri bitti kez "Download sonuçları" düğme-ecek gözükmek segmentasyon sonuçları bir .zip dosyası olarak indirmek kullanıcılar sağlar.
    4. Sonuç görselleştirin. Tek konu için segmentasyon sonucu elde edilen birimleri çevrimiçi görüntülenmeyecektir (toplu sonuçlar işleme için mümkün değil).
      1. Şekil 1 c"sonuç göster" düğmesini tıklatın. Web sayfası görüntüleme arabirimi (Şekil 1 d) dönecek. Bölümleme harita Aksiyel, sagittal ve koronal görüşlerini T1 ağırlıklı anatomik görüntüde örtüşen. Kesimli beyin yapıları 3D render üst sol pencerede gösterilir. Renk overlaying ayrılmasını harita z-score bir yapısal birimi gösterir.
      2. Görsel öğe seçenekleri ayarlamak, yer paylaşımı da dahil olmak üzere açık/kapalı, kaplamanın opaklığını, yakınlaştırma ve uzaklaştırma ve Şekil 1 düst sağ panelde üzerinden dilim konumlandırır.
      3. En iyi segmentasyon koli farklı taneciklik grup. Bizim atlaslar, biz beş düzeyleri, taneciklik iki türü Ontoloji ilişkiler18,30ile tanımlanır. Ağaç görünümünü hiyerarşik çok düzeyli anatomik tanımları alt sol panelinde (Şekil 1 d) gösterilir. Düzeyi numaralarını karşılık gelen Ontoloji düzeyinde yapıları genişletmek için tıklatın. Segmentasyon haritalar aynı anda karşılık gelen Ontoloji seviyeye geçiş yapar.
        Not: İki ayda MRICloud atölyeler Yardım'ı Johns Hopkins Üniversitesi Tıp Fak. yukarıda açıklanan online işlemleri uygulamalı dersler sunmak için vardır. Atölye bilgi-ebilmek bulunmak https://braingps.mricloud.org/workshops.
    5. Daha sonraki analiz için segmentasyon sonuçları indirmek. Bir kullanıcı çalışma dizinine sonuçları örneğin unzip, birlikte bir çalışma dizini, her kendi bireysel konu klasörlerdeki tüm konulardan segmentasyon sonuçları koymak.
      Not: Sonuçlar içerir
    • example.img: orijinal T1 görüntü eksenel yönde.
    • example_MNI.img: T1 görüntü Talairach koordinatları takip MNI uzayda.
    • example_7Labels.img ve example_7Labels_MNI.img: yerli içinde 7 parsel (gri, beyaz madde, beyin omurilik sıvısı, lateral ventrikül, kafatası ve arka plan) ile kaba segmentasyon ve MNI alanı, anılan sıraya göre.
    • example_283Labels_M2.img ve example_283Labels_M2_MNI.img: segmentasyon yerel ve MNI alanı, 283 parsel (atlas sürüm V9B) ile sırasıyla tamam. Etiketleri tam sayısını atlas sürümüne bağlıdır.
    • example_corrected_MNI_stats.txt ve example_MNI_stats.txt: her beyin hacimleri istatistiklerinin parsel yerli ve MNI uzayda.
    • multilevel_lookup_table.txt: çok düzeyli Ontoloji tanımı beyin parsel.
  3. Beyin cilt bir nüfus olarak elde etmek için toplu işlem gerçekleştirmek. Bir kurum içi Matlab (www.mathworks.com) toplu beyin birimleri tek tek sonuç klasörlerden ayıklamak ve tüm konuların hacimsel veri tüm birleştirmek için komut dosyası işleme parçalı yapı bir e-tabloya düzeyleri kullanın. Bir grafik kullanıcı arabirimi (GUI) giriş ve çıkış belirtmek için kullanılır.
    1. Açık Matlab.exe, Main.fig ve bir GUI çalıştırın (Şekil 2A) açılır.
    2. "T1 ses çıkarma MRICloud" paneli ( Şekil 2Aüst panelinde), belirttiğiniz çalışma dizini de dahil olmak üzere girdileri, nerede indirilen segmentasyon sonuçları (bkz: 1.2.5) kaydedilir; ve çok düzeyli arama tablosu dosya yolu ve dosya adı.
    3. Nerede birimin veri-ecek var olmak yazmak için çıkış elektronik tablo dosyası yolunu ve dosya adını belirtin.
    4. Analizi çalıştırmak için "birim özü" düğmesini tıklatın. Sonuçları programlanabilir elektronik tabloda kontrol edilebilir.
      Not: Ayrıca, bir R paket MRICloud veriyor ve daha fazla Dr Brian Caffo31tarafından sağlanan istatistiksel çözümleme gerçekleştirme işlemi için geliştirilmiştir. Paket-ebilmek var olmak downloaded--dan https://github.com/bcaffo/MRIcloudT1volumetrics.

2. değişim noktası analizi hacimsel veri

Not: Lütfen bizim önceki yayınları21,24,23için teorisi ve matematiksel ayrıntıları Değiştir-nokta modelinin bakın. Kısaca, HD veri için bir regresyon modeli kurulan kap ve birim arasında doğrusal regresyon istatistik olur bir kritik değişim-içinden, başlangıç noktası (açısından CAP puanı), tanımlamak için önemli, hastanın yaşı, efektler için Düzeltme sırasında cinsiyet ve kafa içi hacim. Kurum içi Matlab komut dosyaları, bir GUI (Şekil 2A, alt panel), birlikte bireysel yapılar için değişiklik puan hesaplamak ve istatistiksel analiz için geliştirilmiştir. Komut dosyalarını kullanıcılara istek üzerine mevcuttur.

  1. Bireysel beyin yapıları için değişiklik-puan hesaplamak.
    1. Şekil 2A"değişim noktası analizi" panelinde, dosya yolu ve 1.3 göre oluşturulan çok seviyeli birimi elektronik tablonun adını belirtin.
    2. Dosya yolunu ve değişim noktası sonuçları için yazılı çıktı metin dosyasının adını belirtin.
    3. Değişim noktası analizi gerçekleştirilecek parçalı yapı ve türü aþaðý açýlan kutusunda (Seviye 1-5), Ontoloji tanımının düzeyini seçin.
    4. Başvuru23ve sonuç değişim noktaları bölümünde açıklandığı gibi değişim noktası analizi gerçekleştirmek için "Calculate Değiştir-point" düğmesini tıklatın çıktı metin dosyasına kaydedilir.
  2. İstatistiksel değerlendirme değişim noktaları.
    1. Matlab GUI (Şekil 2A, alt panel) içinde permütasyon (varsayılan 10.000) sayısı, önyükleme (varsayılan 10.000) sayısı ve p-değeri eşik (FDR düzeltme yapıldıktan sonra varsayılan 0,05) gibi istatistiksel testler parametrelerini belirtin.
    2. Testleri çalıştırmak için "İstatistiksel test" düğmesini tıklatın. Bu adımdan sonra p-değeri (tarafından permütasyon testi), önce ve sonra yanlış bulma oranı (FDR) düzeltme, yanı sıra standart sapma ve değişim noktaları % 95 güven aralığı (önyükleme tarafından) yazılı olacak çıkış metin dosyası ek sütunlar . 23,24istatistiksel test prosedürleri ayrıntılarını görmek.
  3. Değişim noktası haritalar (isteğe bağlı) oluşturur. Matlab GUI (Şekil 2A, alt panel) içinde değişim noktası haritalar oluşturmak için "Harita değişikliği-point" düğmesini tıklatın. İstatistiksel olarak anlamlı değişim-puan değerleri MNI alanı anatomik görüntüde kayma desen görselleştirmek için eşleştirilir. Bu eşleştirme 2.1 içinde belirtilen anatomik düzeyine bağlı olarak farklı taneciklik düzeyde yapılabilir. Değişim noktası haritalar MRIcro (Şekil 2B) (http://www.cabi.gatech.edu/mricro/mricro/) kullanarak T1 ağırlıklı görüntülerde overlaid.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1.1-1. 3'nda açıklanan yordamları kullanarak tüm beyin segmentasyon haritalar MRICloud elde edilebilir. Atlas (V9B) geçerli sürümünde, 283 parsel, taneciklik, Örneğinfarklı düzeylerde gruplandýrýlmýþ en iyi taneciklik (seviye 5), bölümlenmiş., dan Yarımküre lobules ve parsel, belirli Ontoloji tanımları göre. Şekil 3 beş düzeyde çok düzeyli segmentations iki tür Aksiyel ve koronal görünümlerinde gösterir. Örneğin, coarsest düzeyinde yazın-ben segment ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu yazıda gösterildiği gibi beyin MRI bütün beyin ayrılmasını uygun bizim online platformu MRICloud kullanılarak elde edilebilir. T1 ağırlıklı MRG göre hacimsel marker sağlam ve nörodejeneratif hastalıklar1,2,3dizi hassas olmak göstermiştir. Hacimsel önlemler matematiksel modelleme ve Özellik seçimi ve sınıflandırma analizi gibi çeşitli akış aşağı analizi için klinik tanı ve teşhis yardımcı olmak için kullanılır. Değişim noktası...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar ifşa gerek yok.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PREDICT-HD müfettişler, özellikle, Hans Johnson ve Dr. Jane S. Pauslen Iowa Üniversitesi,'içinde MRG veri ve veri analizi ve sonuçları üzerinde yapıcı tartışma pay onların cömertlik için teşekkür ediyoruz.

Bu eser NIH tarafından desteklenen R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 ve U01 NS082085 verir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
MATLABMathworksN/ASürüm 2015b ve üzeri
Dell İş İstasyonuDellDell Precision T5500 (Intel Xeon CPU)

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Paulsen, J. S., et al. Clinical and Biomarker Changes in Premanifest Huntington Disease Show Trial Feasibility: A Decade of the PREDICT-HD Study. Front Aging Neurosci. 6, 78(2014).
  2. Jack, C. R. Jr, et al. Hypothetical model of dynamic biomarkers of the Alzheimer's pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
  3. Laakso, M. P., et al. Hippocampal volumes in Alzheimer's disease, Parkinson's disease with and without dementia, and in vascular dementia: An MRI study. Neurology. 46 (3), 678-681 (1996).
  4. Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31(2013).
  5. Mori, S., Oishi, K., Faria, A. V., Miller, M. I. Atlas-based neuroinformatics via MRI: harnessing information from past clinical cases and quantitative image analysis for patient care. Annu Rev Biomed Eng. 15, 71-92 (2013).
  6. Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7(2005).
  7. Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion. Neuroimage. 33 (1), 115-126 (2006).
  8. Artaechevarria, X., Munoz-Barrutia, A., Ortiz-de-Solorzano, C. Combination strategies in multi-atlas image segmentation: application to brain MR data. IEEE Trans Med Imaging. 28 (8), 1266-1277 (2009).
  9. Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
  10. Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocol microscopy images of bee brains. Neuroimage. 21 (4), 1428-1442 (2004).
  11. Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
  12. Collins, D. L., Holmes, C. J., Peters, T. M., Evans, A. C. Automatic 3-D model-based neuroanatomical segmentation. Human Brain Mapping. 3 (3), 190-208 (1995).
  13. Dawant, B. M., et al. Automatic 3-D segmentation of internal structures of the head in MR images using a combination of similarity and free-form transformations: Part I, methodology and validation on normal subjects. Ieee Transactions on Medical Imaging. 18 (10), 909-916 (1999).
  14. Wu, G., et al. A generative probability model of joint label fusion for multi-atlas based brain segmentation. Med Image Anal. 18 (6), 881-890 (2014).
  15. Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
  16. Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591(2013).
  17. Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
  18. Wu, D., et al. Resource atlases for multi-atlas brain segmentations with multiple ontology levels based on T1-weighted MRI. Neuroimage. 125, 120-130 (2015).
  19. Mori, S., et al. MRICloud: Delivering High-Throughput MRI Neuroinformatics as Cloud-Based Software as a Service. Computing in Science & Engineering. 18 (5), 21-35 (2016).
  20. Wu, D., Ceritoglu, C., Miller, M. I., Mori, S. Direct estimation of patient attributes from anatomical MRI based on multi-atlas voting. Neuroimage-Clinical. 12, 570-581 (2016).
  21. Miller, M. I., et al. Network Neurodegeneration in Alzheimer's Disease via MRI Based Shape Diffeomorphometry and High-Field Atlasing. Front Bioeng Biotechnol. 3, 54(2015).
  22. Faria, A. V., et al. Content-based image retrieval for brain MRI: an image-searching engine and population-based analysis to utilize past clinical data for future diagnosis. Neuroimage Clin. 7, 367-376 (2015).
  23. Wu, D., et al. Mapping the order and pattern of brain structural MRI changes using change-point analysis in premanifest Huntington's disease. Hum Brain Mapp. , (2017).
  24. Younes, L., Albert, M., Miller, M. I., Team, B. R. Inferring changepoint times of medial temporal lobe morphometric change in preclinical Alzheimer's disease. Neuroimage Clin. 5, 178-187 (2014).
  25. Wu, D., et al. Mapping the critical gestational age at birth that alters brain development in preterm-born infants using multi-modal MRI. NeuroImage. 149, 33-43 (2017).
  26. Zhang, Y., et al. Indexing disease progression at study entry with individuals at-risk for Huntington disease. Am J Med Genet B Neuropsychiatr Genet. 156b (7), 751-763 (2011).
  27. Vonsattel, J. P., et al. Neuropathological classification of Huntington's disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
  28. Paulsen, J. S., et al. Detection of Huntington's disease decades before diagnosis: the Predict-HD study. J Neurol Neurosurg Psychiatry. 79 (8), 874-880 (2008).
  29. Paulsen, J. S., et al. Prediction of manifest Huntington's disease with clinical and imaging measures: a prospective observational study. Lancet Neurol. 13 (12), 1193-1201 (2014).
  30. Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
  31. Caffo, B. A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1. , Available from: https://github.com/bcaffo/MRIcloudT1volumetrics (2017).
  32. Aljabar, P., Heckemann, R. A., Hammers, A., Hajnal, J. V., Rueckert, D. Multi-atlas based segmentation of brain images: atlas selection and its effect on accuracy. Neuroimage. 46 (3), 726-738 (2009).
  33. Huntington Study Group. Unified Huntington's Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
  34. Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533(2015).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

T1 a rl kl MRGMRICloud PlatformuAtlas tabanl SegmentasyonVolumetrik AnalizCAP SkoruMultiAtlas BatchMATLAB GUI

İlgili makaleler