Yöntem makalesi

Beyin Yapılarının Üç Boyutlu Şekil Modellemesi ve Analizi

DOI:

10.3791/59172

⸱

14 Kasım 2019

 ,  , 
1School of Computer Science and Engineering, Kyungpook National University, 2Centre for Clinical Brain Sciences, University of Edinburgh, 3School of Computing and KI for Health Science and Technology (KIHST), Korea Advanced Institute of Science and Technology (KAIST)

Bu makalede

Özet

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

Açık yazılım kullanarak görüntü bölümlemesi ve otomatik bir modelleme paketi kullanarak daha fazla grup-bilge şekil analizi de dahil olmak üzere beyin yapıları üzerinde şekil analizi için yarı otomatik bir protokol sıyoruz. Burada, beyin MR görüntülerinden hipokampal segmentasyon ile 3D şekil analizi protokolünün her adımını gösteriyoruz.

Özet

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

Beyin yapılarının istatistiksel şekil analizi yapısal değişimleri ile patolojik süreçler arasındaki ilişkiyi araştırmak için kullanılmıştır. Doğru ve sağlam şekil modelleme ve grup analizi için bir yazılım paketi geliştirdik. Burada, tek tek 3B şekil modellemeden nicel grup şekil analizine kadar şekil analizi için bir boru hattı sıyoruz. Ayrıca, açık yazılım paketlerini kullanarak ön işleme ve segmentasyon adımlarını da açıklarız. Bu pratik kılavuz araştırmacılar beyin yapıları üzerinde 3D şekil analizi zaman ve çaba tasarrufu yardımcı olacaktır.

Giriş

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

Beyin yapılarının şekil analizi, nörodejeneratif hastalıklar ve yaşlanma gibi patolojik süreçler altında morfolojik değişimlerini araştırmak için tercih edilen bir araç olarak ortaya çıkmıştır1. Çeşitli hesaplama yöntemleri 1) doğru tıbbi görüntülerden hedef yapıların sınırlarını belirlemesi için gereklidir, 2) 3D yüzey örgü şeklinde hedef şekli yeniden oluşturmak, 3) şekil parametreizasyonu veya yüzey kaydı yoluyla bireysel şekil modelleri arasında inter-konular yazışma oluşturmak, ve 4) nicel bireyler veya gruplar arasındaki bölgesel şekil farklılıkları değerlendirmek. Son birkaç yıl içinde, birçok yöntem bu adımların her biri için nörogörüntüleme çalışmalarda tanıtıldı. Ancak, bu alandaki kayda değer gelişmelere rağmen, araştırma için hemen geçerli olan çok fazla çerçeve yoktur. Bu makalede, özel şekil modelleme araçlarıve genel olarak kullanılabilir görüntü segmentasyon araçları kullanarak beyin yapılarının şekil analizinin her adımını açıklıyoruz.

Burada, yetişkin kontrolleri ve Alzheimer hastalığı hastalarının bir veri seti kullanarak sol ve sağ hipokampi şekil analizi ile beyin yapıları için şekil analizi çerçeve göstermek. Hipokampi atrofisi nörodejeneratif hastalıklarda kritik bir görüntüleme biyomarker olarak kabul edilmektedir2,3,4. Şekil analizi çerçevemizde, hedef yapının şablon modelini ve şekil modelleme işleminde şablondan görüntüye deforme edilebilir kaydı kullanırız. Şablon modeli, bir popülasyondaki hedef yapının genel şekil özelliklerini kodlar ve şablon modeliyle geçişli ilişkileri aracılığıyla tek tek modeller arasındaki şekil farklılıklarını ölçmek için bir temel sağlar. Şablon-to-görüntü kaydında, şablon modelinin tek tek görüntülerdeki hedef yapısına sığdırılması için bir Laplacian yüzey deformasyon yöntemi geliştirdik ve şablon modeli5,6,7'dekinokta dağılımının bozulmasını en aza indirgedik. Önerilen çerçevenin fizibilite ve sağlamlığı bilişsel yaşlanma nın son nörogörüntüleme çalışmalarında doğrulanmıştır8, hafif bilişsel bozukluk erken tespiti9, ve beyin yapısal değişiklikler ve kortizol düzeyleri arasındaki ilişkileri keşfetmek için10. Bu yaklaşım daha fazla nörogörüntüleme çalışmalarında şekil modelleme ve analiz yöntemlerinin kullanılmasını kolaylaştıracaktır.

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

Protokol

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

Beyin MR görüntüleri yerel kurumsal inceleme kurulu ve etik komitesi tarafından onaylanan protokol uyarınca elde edildi.

NOT: Şekil modelleme ve analiz araçları NITRC deposundan indirilebilir: https://www.nitrc.org/projects/dtmframework/. GUI yazılımı (DTMModeling.exe) çıkarma dan sonra yürütülebilir. Bkz. Şekil 1.

1. Beyin MR Görüntü Segmentasyonu

  1. Tek tek deneklerin beyin MR görüntülerini ve beyin segmentasyon maskelerini edinin.
    NOT: Genellikle beyin yapılarının analizi için T1 ağırlıklı MR görüntüleri elde edilir. Biz MR görüntüleri n311kullanarak degrade doğrusallık düzeltme ve yoğunluk inhomogeneity düzeltme için önceden işlenmiş olduğunu varsayalım , geliştirilmiş N3 yöntemleri12, veya FSL-FAST13. İnsan beyin yapılarının otomatik bölümlemi için serbestçe kullanılabilen bazı araçlar Tablo 1'delistelenmiştir.
  2. Segmentasyon sonuçlarını el ile düzeltin.
    NOT: Manuel segmentasyonu destekleyen Açık GUI yazılımı Tablo 2'delistelenmiştir. Beyin yapıları için manuel segmentasyon protokolleri burada bulunabilir14,15,16. Hipokampus için manuel segmentasyon bir video kılavuzu burada17. Bir sonraki bölümde hipokampal segmentasyon protokolünü açıklayacağız.
    1. Dosya aç menüsünü kullanarak T1 ağırlıklı MRG'yi ve otomatik segmentasyon sonuçlarını açın.
    2. Pencere Menüsü'ne tıklayarak Segmentasyon eklentisini yükleyin | Göster | Segmentasyon.
    3. Segmentasyon eklentisindeki Ekle, Çıkarve Düzeltme araçlarını kullanarak segmentasyon maskesini düzeltin.
    4. Düzeltilmiş segmentasyon maskesini Kaydet menüsünü kullanarak Nifti biçiminde kaydedin.

2. Hipokampal Segmentasyon Manuel Düzenleme

NOT: Biz MITK çalışma tezgahı(http://www.mitk.org/)dayalı GUI modelleme yazılımı kullanarak beyin segmentasyonu el ile düzenleme için bir protokol tanıtmak. MITK çalışma tezgahı manuel ve otomatik segmentasyon ve tıbbi görüntü görselleştirme için çeşitli işlevler sağlar. Biz sol ve sağ hipokampi için manuel düzenleme işlemi göstermektedir. Otomatik hipokampal segmentasyon sonucu18'i elle düzenleme adımları aşağıdaki gibidir.

  1. MITK çalışma tezgahı yazılımını kullanarak T1 ağırlıklı MR görüntüsünü ve otomatik hipokampal segmentasyon sonuçlarını açın.
  2. Menü Penceresi'ne tıklayarak MITK çalışma tezgahına Segmentasyon eklentisini yükleyin | Görünümü Göster | Segmentasyon.
  3. Ekran penceresinin sağ üst köşesinde görünen sağ taraftaki simgeyi tıklatarak koronal görünümü seçin.
  4. Aşağıdaki gibi vücuda hipokampal kafa baş başlayan, koronal görünümünde her hipokampus (yani, sol ve sağ) ikili maske edin.
    1. Uncus bulunana kadar ses boyunca ilerleyin. Mevcut hipokampal maske içinde uncus ekleyin.
    2. Uncus Segmentasyon eklentisindeki Ekle ve Çıkar işlevini kullanarak çekildikten sonra hipokampal bedenin maskesini düzeltin.
    3. Hipokampal kuyruk bulunana kadar hipokampal maske yi düzenlemeye devam edin. Talamusun pulvinar çekirdeği hipokampustan üstün olarak çekilirken, zinikortaya çıkar.
    4. Nikonaksisin tüm uzunluğunun görülebildiğine ancak korpus callosum'un dalakyumile henüz sürekli olmadığı hipokampusun son koronal dilimini düzenlemeyi bitirin.
      NOT: Beyin omurilik sıvısı (BOS) boşluklar hipokampal bölgelerde bulunabilir. BOS boşlukları, MITK tezgahının segmentasyon eklentisindeki Çıkarma aracı kullanılarak hipokampal maskelerden kaldırılabilir. tamamen hipokampal bölgeleri tanımlamak ve daha sonra BOS alanların kaldırılması için kuyruk hipokampal baş tüm koronal dilimleri geçmesi daha kolay olabilir.
    5. Her iki hipokampi ikili maskeleri düzenlemek için aynı işlemi izleyin.
      NOT: MITK çalışma tezgahındaki Segmentasyon eklentisinin Ekle, Çıkarmave Düzeltme araçları manuel düzenleme için kullanılabilir. Düzeltme aracı, kullanıcı girişine ve segmentasyon maskesine göre ek ve çıkarma yaparak segmentasyon maskesindeki küçük hataları ek araç seçimi olmadan işlemek kolaydır.
  5. MITK çalışma tezgahı yazılımındaki Kaydet menüsünü kullanarak ikili maskeleri Nifti formatında (nii veya nii.gz) sol ve sağ hipokampi için kaydedin.
    NOT: Sol ve sağ hipokampi ikili maskeler sonraki hipokampal şekil modeli adımları için ayrı ayrı kaydedilmelidir.

3. Grup Şablon Uyrmanı

NOT: Tüm konular için segmentasyon ve el ile düzenlemeden sonra, tek tek şekil modellemesi hedef yapının şablon modelini gerektirir. MITK Workbench'teki "ShapeModeling" eklentisi kullanılarak edinilen bir popülasyon için ortalama ikili maskeden şablon modelini oluşturuyoruz. GUI yazılımını kullanarak şablon modeli oluşturma adımları aşağıdaki gibidir.

  1. Menü işlevini kullanarak ShapeModeling eklentisini yükleyin: Pencere | Görünümü Göster | Şekil Modelleme.
  2. ShapeModeling eklentisindeki Aç Dizin düğmesini tıklatarak bir çalışma popülasyonunun ikili maskelerini içeren bir dizin açın.
  3. ShapeModeling eklentisinde Şablon Oluşturma düğmesini tıklatın.
  4. Ortalama şekil örgüsi kontrol edin ve Kaydet menüsünü kullanarak stereolitografi (STL) formatında kaydedin.

4. Bireysel Şekil Rekonstrüksiyonu

NOT: Bu adımda, "ShapeModeling" eklentisinde Şekil Modellemeyi Başlat düğmesini kullanarak tek tek denekler için şekil modellemesi gerçekleştiriyoruz. Bu eklentinin yazılım parametrelerini Tablo 3'telisteliyoruz. Her parametre ile ilgili ayrıntılı açıklamayaburadan5 tane bulabilirsiniz. GUI yazılımı kullanılarak bireysel şekil yeniden yapılandırma adımları aşağıdaki gibidir.

  1. Dosya Aç menüsünü kullanarak T1 ağırlıklı MR görüntüsünü ve segmentasyon maskesini yükleyin.
    NOT: Görsel doğrulama için T1 ağırlıklı MR görüntüsünü kullanıyoruz.
  2. ShapeModeling eklentisinde modelleme parametrelerini kontrol edin ve gerekirse değiştirin.
    NOT: Şablon modeli deforme değilse veya şablon modeli ile görüntü sınırı arasındaki mesafe büyükse, sınır arama aralığının artırılması önerilir. Bazı geometrik deformasyonlar bulunursa, adım 0.5 ile maxAlpha ve minAlpha artırılması sorunu çözmek için yardımcı olacaktır. Segmentasyon maskesindeki hedef nesnenin voxel yoğunluğunu kontrol etmek önemlidir. Değer 1 değilse, yoğunluk parametresi buna göre değiştirilmelidir.
  3. Şekil modelleme işlemini çalıştırmak için Şekil Modelleme düğmesini tıklatın ve Sonucu MITK çalışma tezgahının 3B görünümünde denetleyin.
  4. Şablon modeli görüntü sınırına yakından takılmadığında 4.2 ve 4.3 adımlarını yineleyin.
    NOT: Şablon modeli, MITK çalışma tezgahının sagittal, koronal, aksiyel ve 3B görünümünde segmentasyon maskesi ile görselleştirilmiştir. Şablon modeli ile görüntü sınırı arasındaki mesafe, en küçük voxel boyutunun onda biri olan bir eşiğe daha az olduğunda şablon yüzeyi deforme olmaz.
  5. MITK çerçevesinde Kaydet menüsünü kullanarak modelleme sonucunu stereolitografi (STL) biçiminde kaydedin.

5. Grup Bazında Şekil Normalizasyonu ve Şekil Farkı Ölçümü

NOT: Bu adımda, tek tek şekil modellerini şablon modeline hizalarız ve şablon modeli ile tek tek şekil modeli arasındaki karşılık gelen tepe noktaları arasındaki nokta açısından şekil deformitesini hesaplarız. Şekil deformite ölçümü için adımlar aşağıdaki gibidir.

  1. MITK çalışma tezgahının Veri Yöneticisi'nde bir öznenin şekil modelini seçin.
    NOT: Kullanıcılar deformite ölçümü için birden çok model seçebilir.
  2. ShapeModeling eklentisindeki Ölçüm düğmesini tıklatarak deformite ölçümü gerçekleştirin.

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

Sonuçlar

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

Burada açıklanan şekil modelleme süreci yaşlanmaçeşitlinörogörüntüleme çalışmaları için istihdam edilmiştir 6,8,10 ve Alzheimer hastalığı5,9. Özellikle bu şekil modelleme yöntemi, hipokampus üzerinde 654denek8 yaş artışı için şekil analizinde doğruluk ve hassasiyetgösterdi. Yazılım ve kamuya açık yazılım, ShapeWork...

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

Tartışma

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

Özetle, (1) açık araçlar (2) deforme edilebilir bir şablon modeli kullanarak bireysel şekil rekonstrüksiyonu ve (3) nicel şekil farkı kullanarak MR görüntü segmentasyonu dahil olmak üzere beyin yapıları üzerinde şekil analizi için yazılım boru hattı açıklanmıştır şablon modeli ile geçişli şekil yazışmaları yoluyla ölçüm. Nöropatolojik süreçlerle ilişkili beyin yapılarının morfolojik değişikliklerinin önemini araştırmak için yanlış keşif oranı (FDR) düzeltmesi altında istatistiksel analiz ler şekil deformitesi ile yapılır...

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

Açıklamalar

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

Yazarlar çıkar çatışması olmadığını beyan ediyor.

Teşekkürler

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

Çalışma Kore Ulusal Araştırma Vakfı (JP pi olarak) tarafından finanse edilmiştir. JK Kyungpook Ulusal Üniversitesi Araştırma Fonu tarafından finanse edilmektedir; ve MCVH Row Fogo Charitable Trust ve Royal Society of Edinburgh tarafından finanse edilmektedir. Hipokampal segmentasyon, Edinburgh, Edinburgh'daki Klinik Beyin Bilimleri Merkezi'nde Dr. Karen Ferguson tarafından yazılan şirket içi kılavuzlardan uyarlanmıştır.

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

Kaynaklar

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

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

3D Shape ModelingBrain Structure AnalysisStatistical Shape AnalysisGroup wise Template ConstructionHippocampal Segmentation EditingShape Deformity ComputationIndividual Shape ReconstructionTemplate Model ConstructionShape Difference VectorsMATLAB Code Analysis

İlgili makaleler