Bütün beyin segmentasyon ve değişim noktası analizi anatomik beyin MR'ı — uygulama Premanifest Huntington hastalığı
9 Haziran 2018
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.
Bu görüntü analizi hattının genel amacı, T1 ağırlıklı MR görüntülerinin kantitatif hacimsel analizini yapmak ve nörodejeneratif hastalıklarda beyin atrofisi başladığında kritik değişim noktalarını belirlemektir. Bu yöntem, nörodejeneratif hastalığın seyri sırasında beyin anatomik değişikliklerinin kantitatif analizinde anahtar soruların yanıtlanmasına yardımcı olabilir. Örneğin, Huntington hastalığında beyin atrofisinin sırası ve paterni.
Bu tekniğin temel avantajı, Atlas tabanlı segmentasyon ve değişim noktası analizinin kombinasyonunun, geniş çalışma popülasyonundan beyin dejenerasyonu hakkında benzersiz mekansal zamansal bilgiler getirmesidir. Beyin MRG'nin hacimsel analizi, uzaktan hesaplama ve web tabanlı kullanıcı arayüzü aracılığıyla tam otomatik görüntü segmentasyonu ve niceleme sağlayan MRICloud ile gerçekleştirildi. Beyin MRG'nin değişim noktası analizi, bize tüm beyindeki hastalık ilerlemesinin sistematik bir görünümünü sağlar.
Bu tekniğin uygulamaları bir dizi nöral dejeneratif hastalığa kadar uzanır. Bu yordama başlamak için, üç boyutlu T1 ağırlıklı görüntüleri satıcıya özgü DICOM biçiminden çözümlenen biçime dönüştürün. Dcm2Analyze.exe açmak için çift tıklayın.
Bir açılır pencere açılacaktır. Giriş DICOM veri dizini yolunu giriş olarak ve analiz edilen görüntü dosyası yolunu ve adını çıkış olarak belirtin. Ardından, dönüştürmeyi tamamlamak için git'i tıklayın.
MRICloud kullanarak MultiAtlas tabanlı T1 görüntü segmentasyonu için BrainGPS'e giriş yapın ve ana menüden segmentasyon aracını seçin. Segmentasyon altında iki seçenek vardır: tekli T1 görüntü segmentasyonu için T1-MultiAtlas ve toplu işleme için T1-MultiAtlas Batch. Analiz edilen birden çok görüntü dosyasını bir ZIP dosyasına sıkıştırarak T1-MultiAtlas Batch API'de işleri gönderin ve ardından ZIP dosyasını yüklemek için zip dosyasına tıklayın.
Şimdi, gerekli alanları doldurun. İşleme sunucusu için Hesaplamalı Anatomi Bilim Ağ Geçidi'ni seçin. Dilim türü için Sagittal, Axial veya Sagital'e dönüştürülmüş Sagital seçeneklerinden birini belirleyin.
MultiAtlas kütüphanesi için, segmentasyon doğruluğunu optimize etmek için kullanıcı verilerine en yakın yaş aralığına sahip Atlas kütüphanesini seçin. İş durumum üzerinden iş durumunu kontrol edin. İşler bittiğinde, kullanıcıların segmentasyon sonuçlarını bir ZIP dosyası olarak indirmelerine olanak tanıyan bir sonuçları indir düğmesi görünecektir.
Sonuçlar ayrı klasörlere kaydedilecektir. Sonuçları görüntüle düğmesine tıklayarak sonuçları görselleştirin. Web sayfası görselleştirme arayüzüne dönecektir.
Segmentasyon haritasının Eksenel, Sagital ve Koronal görünümleri, T1 ağırlıklı anatomik görüntü üzerinde örtüşür. Segmentlere ayrılmış beyin yapılarının 3 boyutlu görüntüsü sol üst pencerede gösterilir. Üst üste binen segmentasyon haritasının rengi, yapısal hacimlerin z-skorunu gösterir.
Sağ üst panelden kaplama açma/kapama, kaplamanın opaklığı, yakınlaştırma ve uzaklaştırma ve dilim konumları dahil olmak üzere görselleştirme seçeneklerini ayarlayın. Bir popülasyondaki beyin hacimlerini elde etmek için toplu işlem yapmak için, tek tek beyin hacimlerini çıkarmak ve bunları bir elektronik tabloda birleştirmek için şirket içi bir MATLAB programı kullanın. MATLAB'da main komutunu çalıştırın.
m ve bir GUI çıkacaktır. MRICloud panelinden T1 birim ayıklama panelinde, indirilen segmentasyon sonuçlarının kaydedildiği çalışma dizini ve çok düzeyli arama tablosu dosya yolu ve dosya adı dahil olmak üzere girişleri belirtin. Birim verilerinin yazılacağı elektronik tablo dosyasının çıktı dizinini belirtin.
Analizi çalıştırmak için ses çıkar düğmesine tıklayın. Başarılı bir şekilde tamamlandıktan sonra bir mesaj gösterilecektir. Sonuçlar, satırların bireysel konu verilerini içerdiği ve sütunların birden çok anatomik ayrıntı düzeyinde tanımlanan bu bireylerin yapısal hacimlerini içerdiği elektronik tabloda kontrol edilebilir.
Bireysel beyin yapıları için değişim noktalarını hesaplamak için aynı MATLAB GUI'yi kullanın. Değişim noktası analizi panelinde, çok düzeyli hacim verilerini ve ilişkili tanılama bilgilerini içeren elektronik tabloları belirtin. Ardından, değişiklik noktası sonuçlarının yazılacağı çıktı metin dosyasının dizinini belirtin.
Daha sonra, değişim noktası analizinin gerçekleştirileceği açılır kutuda ayrıntı düzeyini ve ontoloji tanımının türünü seçin. Ayrıca, değişim noktası analizinde kullanılacak ana baskılayıcıyı seçin, örneğin, Huntington hastalığı için CAP skoru. Analizi gerçekleştirmek için değişim noktasını hesapla düğmesine tıklayın ve ortaya çıkan değişiklik noktaları kullanıcı tanımlı çıktı excel dosyasına kaydedilecektir.
MATLAB GUI'deki değişiklik noktalarının istatistiksel değerlendirmelerini yapmak için, permütasyon sayısı ve önyükleme sayısı dahil olmak üzere istatistiksel testler için parametreleri belirtin. Testleri çalıştırmak için istatistiksel test düğmesine tıklayın. Bu adımdan sonra, permütasyon testinden elde edilen p değerleri ve önyükleme işleminden elde edilen ortalama ve standart sapma, çıktı metin dosyasına ekstra sütunlar olarak yazılacaktır.
İsteğe bağlı olarak, değişim noktalarını beyne ve 3 boyutlu uzaya eşlemek için harita değişim noktasını tıklayın. Bu adımdan sonra ve değişim noktası haritası oluşturulacak ve T1 ağırlıklı görüntünün üzerine bindirilerek görselleştirilecektir. Burada, çoklu ayrıntı düzeylerinde Atlas tabanlı tüm beyin segmentasyonunun temsili sonuçları gösterilmektedir.
Çok seviyeli segmentasyon haritalarının aksiyel ve koronal görünümleri T1 ağırlıklı anatomik görüntülerin üzerine bindirilmiştir. Hemisfer, serebral çekirdekler, serebral çekirdeklerin bazal gangliyonları, bazal ganglionların striatum ve globus pallidusu ve striatumun putamen ve kaudatı arasındaki hiyerarşik anatomik ilişkiler 3 boyutlu olarak gösterilmiştir. Burada, dağılım grafikleri, mavi noktaların yaş, cinsiyet ve interkraniyal hacimler için düzeltildikten sonra hacimsel verilerin z-skorlarını gösterdiği bu yapıların değişim noktası analizini göstermektedir.
Siyah eğriler, değişim noktasına bağlı CAP puanlarına regresyon ile uyumlu z-skorlarıdır ve kırmızı çizgiler değişim noktalarının konumlarını gösterir. İşte çoklu ayrıntı düzeylerinde tüm beyin değişim noktası haritaları. Önemli değişim noktaları gösteren bölgeler, T1 ağırlıklı bir görüntüye eşlenir ve renkler, CAP puanı birimindeki değişim noktası değerlerini gösterir.
Ana sayfa oluşturulduktan sonra, bu prosedür, bulut kaynağının kullanılabilirliğine bağlı olarak görüntü segmentasyonu bölümü için birkaç saat içinde gerçekleştirilebilir. Ve kullanıcı tanımlı anatomik taneciklik seviyesine bağlı olarak değişim noktası analizi için birkaç saat daha. Bu prosedürü denerken, değişim noktası analizine geçmeden önce orijinal görüntünün kalitesini ve görüntü segmentasyonunun doğruluğunu her zaman kontrol etmek önemlidir.
Geliştirilmesinden sonra, bu teknik, tıbbi görüntü analizi alanındaki araştırmacıların, nöral dejeneratif hastalıkların büyük MRI çalışmalarında tüm beyin anatomik değişimini ve mekansal zamansal modelini keşfetmelerinin yolunu açtı. Bu videoyu izledikten sonra, T1 ağırlıklı görüntülerin otomatik segmentasyonunun nasıl gerçekleştirileceğini ve fotometrik verilerin değişim noktası analizini çalıştırmak için MATLAB GUI'nin nasıl kullanılacağını iyi anlamış olmalısınız.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu çalışma, premanifest Huntington hastalığında beyinle atrofinin başlangıcını belirlemek için volumetrik MRI verilerini analiz eden istatistiksel bir model sunmaktadır. Yöntem, beyin hacimlerindeki değişim noktalarının tüm beyin haritalamasını gerçekleştirmek için atlas tabanlı bir segmentasyon hattı kullanmaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Nörobilim
- Nörogörüntüleme
- Nörodejeneratif Hastalıklar
Arka Plan
- Beyindeki anatomik değişikliklerin nicel analizi, nörodejeneratif hastalıkların anlaşılmasında kritik öneme sahiptir.
- Beyinle ilgili atrofi süreçlerindeki değişim noktalarının belirlenmesi, hastalık seyri hakkında bilgi sağlayabilir.
- Huntington hastalığı, beyin atrofi paternlerini incelemek için bir model teşkil eder.
- Atlas tabanlı segmentasyon, volumetrik analizin doğruluğunu artırır.
Çalışmanın Amacı
- Beyin atrofisindeki kritik değişim noktalarını tespit etmek için bir yöntem geliştirmek.
- Hastalık ilerlemesinin beyin genelindeki sistematik bir görünümünü sunmak.
- Verimli analiz için otomatik görüntü segmentasyonu kullanmak.
Kullanılan Yöntemler
- T1-ağırlıklı MR görüntülerinin volumetrik analizi.
- Beyin hacmi ölçümü için atlas tabanlı segmentasyon iş akışı.
- Atrofi başlangıcını belirlemek için değişim noktası analizi.
- Otomatik görüntü işleme için MRICloud kullanımı.
Temel Sonuçlar
- Beyin atrofisindeki değişim noktalarının başarılı bir şekilde tanımlanması.
- Atrofi paternlerinin tüm beyin genelinde haritalandırılması.
- Yöntemin geniş popülasyon çalışmalarıyla etkinliğinin kanıtlanması.
- Beyin dejenerasyonuyla ilgili benzersiz uzaysal-zamansal bilgilerin sağlanması.
Sonuçlar
- Önerilen yöntem, nörodejeneratif hastalıkların incelenmesi için sağlam bir yaklaşım sunmaktadır.
- Huntington hastalığında beyin atrofisi dinamiklerinin anlaşılmasını geliştirmektedir.
- Segmentasyon ve değişim noktası analizinin kombinasyonu, gelecek araştırmalar için değerlidir.
Sıkça Sorulan Sorular
Sektörel Uygulama Uygunluğu
Bu yöntem, bölgesel beyinle atrofisindeki istatistiksel olarak anlamlı kırılma noktalarını belirleyerek, biyofarma Ar-Ge ekiplerinin nörodejeneratif hastalıklardaki erken yapısal biyobelirteçleri tespit etmesini sağlar. Tüm beyin segmentasyonu ve değişim noktası analizi kullanarak atrofini spatiotemporal ilerlemesini haritalandıran bu yaklaşım, preklinik programlarda hedef doğrulamayı ve mekanistik risk azaltmayı destekler. MSS ilaç keşfinde go/no-go kararlarına ve portföy önceliklendirmesine temel oluşturabilecek kantitatif, tekrarlanabilir veriler sağlar.
Biyofarma Ar-Ge'de Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Bilimsel Değer: Beyin bölgelerindeki yapısal atrofinin sırasını ve paternini ortaya çıkararak terapötik hipotezlerin sorgulanmasına olanak tanır.
- Operasyonel Değer: Standartlaştırılmış, tekrarlanabilir hacimsel ölçümler sağlayan atlas tabanlı segmentasyon aracılığıyla biyolojik risk azaltmayı destekler.
- Öngörücü Değer: Değişim noktalarını CAP skoru gibi hastalık ilerleme indeksleriyle ilişkilendirerek öncü madde tanımlamasını kolaylaştırır ve hedef etkileşimine olan güveni artırır.
Tarama ve Assay Geliştirme
- Bilimsel Değer: Birden fazla anatomik granülaritede kantitatif yapısal okumalar sunarak, aşağı akış iş akışları için valide edilmiş biyolojik sistemler hazırlar.
- Operasyonel Değer: Otomatik MRICloud segmentasyonu ve MATLAB tabanlı hacim ekstraksiyonu aracılığıyla analiz standardizasyonunu ve tekrarlanabilirliğini sağlar.
- Tarama Hazırlığı: Geniş popülasyon çalışmalarından ölçeklenebilir ve platformda yeniden kullanılabilir volumetrik veri setleri oluşturarak güvenilir bileşik değerlendirmesine olanak tanır.
Translasyonel ve Preklinik Araştırmalar
- Translasyonel Süreklilik: Hastalıkla ilgili sistemlerle uyumlu atrofi paternlerini haritalandırarak, keşif bulgularını preklinik doğrulamaya bağlar.
- Riski Ayarlanmış İlerleme: Motor başlangıçtan önce gelen erken değişim noktalarını belirleyerek, proaktif müdahale stratejilerine olanak tanır ve karar verme sürecini destekler.
- Mekanistik Risk Azaltma: Biyobelirteç uyumuna temel oluşturan dejenerasyonun uzay-zamansal paternlerini ortaya çıkararak öngörü güvenilirliğine odaklanır.
Boru Hattı ve İş Akışı Entegrasyonu
Bu yöntem, erken evre hedef doğrulamadan preklinik geliştirme aşamasına kadar olan keşif sürecine entegre edilerek, nörodejeneratif hastalık modellerindeki anatomik değişiklikleri izlemek için ölçeklenebilir bir yaklaşım sunar.
- Keşif Biyolojisi: Hastalık ilerlemesine bağlı olarak bölgeye özgü atrofi başlangıcını tespit ederek hipotez testlerini ve yolak açıklığa kavuşturma süreçlerini destekler.
- Tarama: Otomatik segmentasyon ve yüksek tekrarlanabilirlikli taramaya uygun kantitatif volumetrik çıktılar aracılığıyla analiz hazırlığı sağlar.
- Analitik: Permütasyon testlerinden elde edilen p-değerleri ve değişim noktası konumları dahil olmak üzere, koşullar arası karşılaştırmalara olanak tanıyan istatistiksel çıktılar sunar.
- Translasyonel Araştırma: İnsan hastalık ilerlemesini yansıtan atrofi paternlerini haritalayarak preklinik süreklilikle bağlantı kurar ve biyobelirteç uyumunu destekler.
- Kurumsal Yeniden Kullanım: Birden fazla nörodejeneratif endikasyon üzerindeki boylamsal çalışmalar için yeniden kullanılabilir, bulut tabanlı bir kapasite olarak işlev görür.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Nörodejenerasyon modellerindeki mekanistik belirsizliği azaltarak öngörüsel güveni artırır.
- Operasyonel Değer: Otomatik MRICloud işleme ve toplu analiz iş akışları aracılığıyla standardizasyonu ve ölçeklenebilirliği geliştirir.
- Stratejik Değer: Hedef etkileşimine dair erken ve nicelendirilebilir biyobelirteçler sağlayarak devam/dur kararlarını iyileştirir.
- Portföy Etkisi: Hastalık evreleri boyunca yapısal biyobelirteçlerin boylamsal takibi yoluyla risk ayarlı önceliklendirmeyi mümkün kılar.
Uygulama Hususları
- Nörogörüntüleme analizi, MATLAB programlama ve istatistiksel değişim noktası modellemesi konularında uzmanlık gerektirir.
- Segmentasyon için MRICloud'a ve permutasyon ile bootstrap testleri için hesaplama altyapısına erişime bağlıdır.
- Görüntü ön işleme, segmentasyon parametreleri ve değişim noktası eşiklerinin ekipler arası standardizasyonunu gerektirir.
- Yöntemin insan HD verilerinin ötesindeki farklı model sistemlere veya türlere uygulanmasında adaptasyon değerlendirmelerini içerir.
- Değişim noktası analizi güvenilir bir şekilde gerçekleştirilmeden önce, görüntü kalitesine ve segmentasyon doğruluğuna olan bağımlılık gibi pratik sınırlamaları kapsar.
