पूरे मस्तिष्क विभाजन और संरचनात्मक मस्तिष्क एमआरआई के परिवर्तन बिंदु विश्लेषण-प्रकट Huntington की बीमारी में आवेदन

Medicine

Your institution must subscribe to JoVE's Medicine section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Summary

यह कागज volumetric एमआरआई डेटा विश्लेषण के लिए एक सांख्यिकीय मॉडल का वर्णन करता है, जो "परिवर्तन-बिंदु" जब मस्तिष्क शोष प्रकट Huntington की बीमारी में शुरू होता है पहचानता है । पूरे-परिवर्तन की मस्तिष्क मानचित्रण अंक के आधार पर प्राप्त की है मस्तिष्क की मात्रा एक एटलस आधारित विभाजन पाइपलाइन T1-भारित छवियों के उपयोग से ।

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Wu, D., Faria, A. V., Younes, L., Ross, C. A., Mori, S., Miller, M. I. Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease. J. Vis. Exp. (136), e57256, doi:10.3791/57256 (2018).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

एमआरआई में हाल ही में प्रगति neurodegenerative रोगों की पहचान करने के लिए उपयोगी मार्कर की एक किस्म प्रदान करते हैं । Huntington के रोग (एचडी) में, क्षेत्रीय मस्तिष्क शोष कई वर्षों से पहले मोटर शुरुआत करने के लिए शुरू होता है ("प्रकट" अवधि के दौरान), लेकिन मस्तिष्क भर में क्षेत्रीय शोष के spatiotemporal पैटर्न पूरी तरह से विशेषता नहीं किया गया है. यहाँ हम एक ऑनलाइन क्लाउड-कंप्यूटिंग प्लेटफ़ॉर्म, "MRICloud" प्रदर्शित करते हैं, जो कई दानेदार स्तरों पर एटलस-आधारित पूरे-T1 भारित छवियों का विभाजन प्रदान करता है, और इस प्रकार, हमें मस्तिष्क शरीर रचना की क्षेत्रीय सुविधाओं का उपयोग करने में सक्षम बनाता है । हम तो एक प्रतिगमन मॉडल है कि सांख्यिकीय महत्वपूर्ण मोड़ अंक का पता लगाता है, जो क्षेत्रीय मस्तिष्क शोष पर नजर रखने के लिए शुरू होता है, अर्थात् "परिवर्तन बिंदु", एक रोग प्रगति सूचकांक के संबंध में वर्णन । हमने सीएजी-आयु उत्पाद (कैप) स्कोर का इस्तेमाल किया जिससे एचडी रोगियों में रोग बढ़ने का सूचकांक हुआ । विभाजन पाइपलाइन से volumetric माप के परिवर्तन बिंदु विश्लेषण, इसलिए, मस्तिष्क भर में संरचनात्मक शोष के आदेश और पैटर्न की महत्वपूर्ण जानकारी प्रदान करता है । यह कागज एक बड़ी multicenter भविष्यवाणी-hd अध्ययन से-T1 वजन वाले एमआरआई के विषयों पर इन तकनीकों के उपयोग को दिखाता है । इस डिजाइन संभावित मस्तिष्क शरीर रचना विज्ञान के गतिशील परिवर्तन की जांच करने के लिए neurodegenerative रोगों की एक श्रेणी में व्यापक अनुप्रयोगों है ।

Introduction

चुंबकीय अनुनाद इमेजिंग (एमआरआई) काफी हमारे neurodegenerative रोगों1,2,3में मस्तिष्क शरीर रचना विज्ञान और कार्यों की जांच करने की क्षमता में वृद्धि हुई है । T1-भारित संरचनात्मक एमआरआई मस्तिष्क शरीर रचना विज्ञान और संबंधित विकृति का आकलन करने के लिए नियमित नैदानिक अभ्यास में सबसे व्यापक रूप से अपनाया इमेजिंग उपकरणों में से एक है. उच्च संकल्प T1-भारित छवियों का मात्रात्मक विश्लेषण मस्तिष्क अध कि के दौरान संरचनात्मक परिवर्तन को मापने के लिए उपयोगी मार्करों प्रदान करता है । विशेष रूप से, विभाजन आधारित ठहराव दृष्टिकोण प्रभावी रूप से voxel स्तर ((106) के आदेश पर) उच्च प्रवाह neuroinformatics4 के लिए संरचनात्मक संरचनात्मक स्तर ((102)) से छवि आयामीता को कम कर देता है , 5. स्वचालित मस्तिष्क विभाजन का उपयोग कर प्राप्त किया जा सकता है एटलस आधारित तरीकों6,7,8,9 कि नक्शा पूर्व निर्धारित संरचनात्मक लेबल रोगी छवियों पर एक एटलस से . एटलस-आधारित तरीकों के अलावा, मल्टी-एटलस एल्गोरिदम10,11,12,13,14 बेहतर फॉल्ट सटीकता और मजबूती से झुकेंगे । हमारे समूह ने एक पूरी तरह से स्वचालित T1 बहु-एटलस विभाजन पाइप लाइन विकसित की है, उन्नत diffeomorphic छवि पंजीकरण एल्गोरिदम के साथ15, मल्टी-एटलस फ्यूजन तरीकों16,17, और अमीर बहु-एटलस पुस्तकालयों 18. २०१५ के बाद से19MRICloud एक क्लाउड-कंप्यूटिंग प्लेटफार्म पर पाइपलाइन वितरित की गई है, और इसका उपयोग neurodegenerative रोगों के अध्ययन के लिए किया गया है, जैसे अल्ज़ाइमर रोग (AD)20,21, प्राथमिक प्रगतिशील वाचाघात22, और Huntington की बीमारी23.

एक बार उच्च संकल्प छवियों मस्तिष्क संरचनाओं में वर्गीकृत कर रहे हैं, जैसे संस्करणों के रूप में क्षेत्रीय सुविधाओं, गणितीय मॉडल स्थापित करने के लिए इस्तेमाल किया जा सकता neuroanatomical परिवर्तन की विशेषता है । एक परिवर्तन सूत्री विश्लेषण विधि हाल ही में हमारे समूह द्वारा स्थापित किया गया था लौकिक आदेश का विश्लेषण, जिसमें सांख्यिकीय महत्वपूर्ण मस्तिष्क morphometric परिवर्तन होते हैं, अनुदैर्ध्य और/या पार अनुभागीय एमआरआई डेटा के आधार पर । यह सांख्यिकीय मॉडल पहली बार आकार के आधार पर विकसित किया गया था-विज्ञापन रोगियों में उम्र से अधिक आधारित diffeomorphometry21,24; और यह बाद में Huntington की बीमारी (एचडी) में मस्तिष्क संरचनात्मक परिवर्तन की जांच करने के लिए अनुकूलित किया गया था, साथ ही नवजात दिमाग में मस्तिष्क विकास परिवर्तन का वर्णन करने के लिए25. एचडी रोगियों में, HTT 26में सीएजी विस्तार के लिए जोखिम की सीमा के संकेतक के रूप में, सीएजी-आयु उत्पाद (कैप) स्कोर के संबंध में परिवर्तन-बिंदु को परिभाषित किया गया था । यह अच्छी तरह से ज्ञात है कि striatal शोष HD में जल्द से मार्कर्स में से एक है, globus pallidus27द्वारा पीछा किया । फिर भी, मस्तिष्क भर में अन्य ग्रे और सफेद बात संरचनाओं के संबंध में striatum में परिवर्तन स्पष्ट नहीं रहता है. इस तरह के रिश्ते हमारे लिए रोग की प्रगति को समझने के लिए महत्वपूर्ण है । परिवर्तन-सभी मस्तिष्क संरचनाओं में volumetric परिवर्तन के बिंदु विश्लेषण की संभावना HD के प्रकट चरण में मस्तिष्क शोष के व्यवस्थित जानकारी प्रदान करेगा ।

यहाँ हम MRICloud (www.mricloud.org) का उपयोग कर पूरे मस्तिष्क विभाजन प्रदर्शन करने के लिए प्रक्रियाओं का प्रदर्शन, और प्रकट एचडी विषयों में volumetric डेटा के परिवर्तन बिंदु विश्लेषण करने के लिए कदम. एमआरआई डाटा एक बड़ी आबादी से एकत्र किए गए multicenter भविष्यवाणी-एचडी अध्ययन28,29 लगभग ४०० नियंत्रण और प्रकट एचडी विषयों के साथ । एटलस आधारित विभाजन और परिवर्तन बिंदु विश्लेषण के संयोजन मस्तिष्क संरचनात्मक परिवर्तन और मस्तिष्क भर में रोग प्रगति पैटर्न के spatiotemporal आदेश के बारे में अद्वितीय जानकारी लाता है । तकनीक संभावित विभिन्न neurodegenerative रोगों की एक श्रृंखला के लिए लागू कर रहे हैं मस्तिष्क अध...

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. एटलस आधारित पूरे मस्तिष्क विभाजन

  1. डेटा तैयारी
    1. तीन आयामी (3d) T1-भारित छवियों, आमतौर पर MPRAGE के साथ अधिग्रहीत (आकर्षण संस्कार-तैयार रैपिड ढाल-इको) अनुक्रम, विक्रेता से विशिष्ट DICOM (डिजिटल इमेजिंग और संचार) प्रारूप करने के लिए विश्लेषण प्रारूप में कनवर्ट करें । ध्यान दें कि बादल गणना दूरस्थ क्लस्टर्स के लिए स्थानांतरित करने के लिए उपयोगकर्ताओं के डेटा की आवश्यकता है । हेल्थ इंश्योरेंस पोर्टेबिलिटी एंड जवाबदेही अधिनियम (HIPPA) के अनुसार, इमेज फाइलों से मरीजों की व्यक्तिगत पहचान की जानकारी निकाली ।
      नोट: MRICloud फ़ाइल स्वरूप रूपांतरण के साथ ही व्यक्तिगत स्वास्थ्य जानकारी के de-पहचान के लिए एक DICOM-विश्लेषण कनवर्टर (https://braingps.mricloud.org/t1prep) प्रदान करता है ।
      1. Dcm2Analyze. exe खोलने के लिए डबल-क्लिक करें । एक पॉपअप विंडो खुलेगी (फिगर 1a).
      2. इनपुट DICOM डेटा निर्देशिका पथ इनपुट और विश्लेषित छवि पथ और आउटपुट के रूप में फ़ाइल नाम निर्दिष्ट करें ।
      3. कनवर्ज़न पूर्ण करने के लिए "जाएं" क्लिक करें ।
        नोट: रूपांतरण के लिए प्रत्येक व्यक्ति के रोगी के लिए प्रदर्शन की जरूरत है, और यह उत्पादन बैच प्रोसेसिंग (1.2.2.1) के लिए एक अध्ययन फ़ोल्डर में सभी परिवर्तित छवियों को लाभप्रद होगा ।
  2. मल्टी-एटलस आधारित T1 छवि विभाजन MRICloud19का उपयोग कर ।
    1. लॉग-में "ब्रेन जीपीएस" (पहली बार उपयोगकर्ताओं के लिए रजिस्टर) https://mricloud.org से । मुख्य मेनू (आंकड़ा 1b) से "विभाजन" उपकरण का चयन करें । "विभाजन" के अंतर्गत दो अनुप्रयोग प्रोग्रामिंग इंटरफ़ेस (API) विकल्प हैं: "t1-MultiAtlas" एकल t1 छवि विभाजन के लिए, और बैच संसाधन के लिए "t1-MultiAtlas बैच". परिवर्तन बिंदु विश्लेषण बड़ी जनसंख्या डेटा की आवश्यकता है, और इस तरह, बैच प्रसंस्करण अक्सर पसंद है ।
    2. "T1-MultiAtlas बैच" API पर कार्य सबमिट करें ।
      1. एक ज़िप फ़ाइल में एकाधिक विश्लेषित छवि फ़ाइलों को संपीड़ित करें । ज़िप फ़ाइल अपलोड करने के लिए चित्र 1b में "+. zip" पर क्लिक करें ।
        नोट: वर्तमान क्लाउड पोर्टल प्रत्येक ज़िप फ़ोल्डर में 30 तक छवियों की संख्या को सीमित करता है । बड़े datasets संसाधित किया जा करने के लिए एकाधिक ज़िप फ़ोल्डर में अलग किया जा सकता है । विशेष अनुरोध ज़िप फ़ाइल प्रति अधिक छवियों को समायोजित करने के लिए किया जा सकता है । भविष्य में, हम संभवतः सीमित संख्या बढ़ा सकते हैं या जब अधिक दूरस्थ गणनात्मक संसाधन उपलब्ध होते हैं तब भी सीमा को निकालते हैं.
      2. चित्र 1bमें आवश्यक फ़ील्ड्स भरें ।
        1. प्रसंस्करण सर्वर: "गणना एनाटॉमी विज्ञान गेटवे" चुनें ।
        2. स्लाइस प्रकार: "Sagittal", "अक्षीय", या "Sagittal में रूपांतरित करने के सलए" से चुनें ।
          नोट: "Sagittal" में विमान दृश्य पूर्वकाल-पीछे और सिर पैर दिशाओं के साथ Sagittal उंमुखीकरण के साथ अधिग्रहीत छवियों को संदर्भित करता है । "अक्षीय" छवियों को संदर्भित करता है बाएँ सही और पूर्वकाल पीछे दिशाओं में विमान में देखने के साथ अक्षीय अभिविन्यास का अधिग्रहण किया । "Sagittal के सलए परिवर्तित" छवियों है कि मूल रूप से अक्षीय अभिविंयास में अधिग्रहीत किया गया था, लेकिन बाद में Sagittal छवियों को परिवर्तित करने के लिए संदर्भित करता है (उन आम तौर पर लंबे समय गर्दन क्षेत्र के साथ "अक्षीय" छवियों हैं)
        3. मल्टी-एटलस पुस्तकालय: विभाजन सटीकता का अनुकूलन करने के लिए उपयोगकर्ता डेटा के लिए निकटतम आयु सीमा के साथ एटलस पुस्तकालय का चयन करें । हम अलग आयु पर्वतमाला के साथ, उदाहरण के लिए, "बाल चिकित्सा 4-8yr", "बाल चिकित्सा 8-12yr", "वयस्क 22-50", और "वयस्क 50-90", साथ ही अलग एटलस संस्करण18 निर्मित मल्टी एटलस डेटासेट प्रदान करते हैं । एटलस संस्करण के बारे में जानकारी https://braingps.mricloud.org/atlasrepo में पाया जा सकता है ।
    3. "मेरा कार्य स्थिति" (आरेख 1C) के माध्यम से कार्य स्थिति की जांच करें । एक बार काम समाप्त हो जाने के बाद, एक "डाउनलोड परिणाम" बटन दिखाई देगा जो उपयोगकर्ताओं को. zip फ़ाइल के रूप में सेगमेंटेशन परिणाम डाउनलोड करने की अनुमति देता है ।
    4. परिणाम कल्पना । एकल विषय के लिए, खंड परिणाम से प्राप्त खंड ऑनलाइन visualized किया जा सकता है (बैच संसाधन परिणामों के लिए व्यवहार्य नहीं) ।
      1. चित्रा 1Cमें "परिणाम देखें" बटन पर क्लिक करें । वेबपृष्ठ विज़ुअलाइज़ेशन इंटरफ़ेस (चित्र 1 d) में बदल जाएगा. सेगमेंटेशन मैप के सलए, sagittal, और राज्याभिषेक के दृश्य T1-भारित संरचनात्मक छवि पर छा जाते हैं । खंड मस्तिष्क संरचनाओं के 3 डी प्रतिपादन ऊपरी बाएँ विंडो में दिखाए जाते हैं । ओवरले सेगमेंटेशन मैप का रंग संरचनात्मक वॉल्यूंस के z-स्कोर को इंगित करता है ।
      2. /बंद, ओवरले की अस्पष्टता, अंदर और बाहर ज़ूम, और चित्र 1 डीमें ऊपरी दाएँ पैनल से स्लाइस पदों पर ओवरले सहित दृश्यावलोकन विकल्प, समायोजित करें ।
      3. अलग दानेदार में समूह बेहतरीन फॉल्ट पार्सल । हमारे atlases में, हम दो प्रकार के आंटलजी संबंध18,30के साथ दानेदार के पांच स्तरों को परिभाषित किया । एक पेड़-पदानुक्रमित बहु-स्तरीय संरचनात्मक परिभाषाओं का दृश्य निचले बाएँ फलक (चित्र 1 d) में दिखाया गया है. संगत आंटलजी स्तर पर संरचनाओं का विस्तार करने के लिए स्तर संख्याओं पर क्लिक करें । फॉल्ट मैप्स एक साथ इसी आंटलजी लेवल पर स्विच करेंगे ।
        नोट: द्वि-मासिक MRICloud कार्यशालाओं जॉंस हॉपकिंस विश्वविद्यालय चिकित्सा के स्कूल में मदद कर रहे है हाथ की पेशकश करने के लिए ऊपर वर्णित ऑनलाइन आपरेशनों के ट्यूटोरियल । कार्यशाला की जानकारी https://braingps.mricloud.org/workshops से मिल सकती है ।
    5. क्रमिक विश्लेषण के लिए सेगमेंटेशन परिणाम डाउनलोड करें. एक प्रयोक्ता अध्ययन निर्देशिका के लिए परिणाम खोलना, जैसे, एक साथ एक अध्ययन निर्देशिका में सभी विषयों से एक साथ विभाजन परिणाम डाल, उनके व्यक्तिगत विषय फ़ोल्डर्स में प्रत्येक ।
      नोट: परिणामों में शामिल हैं
    • उदाहरण. img: अक्षीय अभिविंयास में मूल T1 छवि ।
    • example_MNI. img: T1 छवि Talairach निर्देशांक MNI स्थान में निम्न है ।
    • example_7Labels. img और example_7Labels_MNI. img: 7 पार्सल (ग्रे मैटर, व्हाइट मैटर, मस्तिष्कमेरु द्रव, पार्श्व निलय, खोपड़ी, और पृष्ठभूमि) के साथ मोटे फॉल्ट देशी और MNI अंतरिक्ष में क्रमशः ।
    • example_283Labels_M2. img और example_283Labels_M2_MNI. img: २८३ पार्सल (एटलस संस्करण V9B) के साथ ठीक फॉल्ट देशी और MNI अंतरिक्ष में, क्रमशः । लेबल की सही संख्या एटलस संस्करण पर निर्भर करता है ।
    • example_corrected_MNI_stats. txt और example_MNI_stats. txt: देशी और MNI अंतरिक्ष में प्रत्येक मस्तिष्क पार्सल की मात्रा के आँकड़े.
    • multilevel_lookup_table. txt: मस्तिष्क पार्सल की बहुस्तरीय आंटलजी परिभाषा ।
  3. एक जनसंख्या में मस्तिष्क की मात्रा प्राप्त करने के लिए बैच प्रसंस्करण प्रदर्शन । एक में घर Matlab (www.mathworks.com) बैच प्रसंस्करण स्क्रिप्ट का उपयोग करने के लिए व्यक्तिगत परिणाम फ़ोल्डरों से मस्तिष्क की मात्रा निकालने और सभी विषयों के volumetric डेटा एक स्प्रेडशीट के लिए सभी दानेदार स्तर पर गठबंधन । कोई ग्राफ़िक उपयोगकर्ता इंटरफ़ेस (GUI) इनपुट और आउटपुट निर्दिष्ट करने के लिए उपयोग किया जाता है ।
    1. Matlab. exe खोलें, Main. अंजीर चलाएँ, और एक जीयूआई (चित्रा 2a) बाहर पॉप जाएगा ।
    2. "T1 मात्रा निष्कर्षण से MRICloud" पैनल ( चित्रा 2aमें ऊपरी पैनल), अध्ययन निर्देशिका जहां डाउनलोड खंड परिणाम बच रहे हैं सहित जानकारी, निर्दिष्ट करें (1.2.5 देखें); और बहु-स्तरीय लुकअप तालिका फ़ाइल पथ और फ़ाइल नाम ।
    3. आउटपुट स्प्रेडशीट फ़ाइल पथ और फ़ाइल नाम निर्दिष्ट करें जहां वॉल्यूम डेटा को लिखना होगा ।
    4. विश्लेषण चलाने के लिए "वॉल्यूम निकालें" बटन क्लिक करें । यूज़र-डिफ़ाइंड स्प्रेडशीट में परिणाम चेक किए जा सकते हैं ।
      नोट: इसके अलावा, एक आर पैकेज MRICloud outputs प्रक्रिया और आगे सांख्यिकीय विश्लेषण प्रदर्शन, Dr. ब्रायन Caffo31द्वारा प्रदान करने के लिए विकसित की है । पैकेज https://github.com/bcaffo/MRIcloudT1volumetrics से डाउनलोड किया जा सकता है ।

2. Volumetric डेटा का परिवर्तन-बिंदु विश्लेषण

नोट: कृपया हमारे पिछले प्रकाशनों21,24,23के लिए सिद्धांत और परिवर्तन बिंदु मॉडल के गणितीय विवरण देखें । संक्षेप में, HD डेटा के लिए, एक प्रतिगमन मॉडल (कैप स्कोर के संदर्भ में) एक महत्वपूर्ण परिवर्तन बिंदु को परिभाषित करने के लिए स्थापित किया गया है, जिसमें से शुरू, कैप और मात्रा के बीच रैखिक प्रतिगमन सांख्यिकीय महत्वपूर्ण हो जाता है, जबकि रोगी की उम्र के प्रभाव के लिए सही, लिंग, और intracranial मात्रा । घर में Matlab लिपियों, एक GUI के साथ (चित्रा 2a, निचले पैनल), को बदलने की गणना विकसित की गई थी-व्यक्तिगत संरचनाओं के लिए अंक और सांख्यिकीय विश्लेषण करते हैं । स्क्रिप्ट अनुरोध पर उपयोगकर्ताओं के लिए उपलब्ध हैं ।

  1. व्यक्तिगत मस्तिष्क संरचनाओं के लिए परिवर्तन की गणना-अंक ।
    1. चित्र 2aमें "चेंज-पॉइंट विश्लेषण" पैनल में, फ़ाइल पथ और बहुस्तरीय वॉल्यूम स्प्रेडशीट का नाम निर्दिष्ट करें, जो १.३ के अनुसार जेनरेट होता है.
    2. फ़ाइल पथ और आउटपुट पाठ फ़ाइल का नाम निर्दिष्ट करें, जो परिवर्तन-बिंदु परिणाम करने के लिए लिखा जाएगा ।
    3. ड्रॉप-डाउन बॉक्स (स्तर 1-5) में दानेदार और आंटलजी परिभाषा के प्रकार के स्तर का चयन करें, जिस पर परिवर्तन-बिंदु विश्लेषण किया जाएगा ।
    4. संदर्भ23में वर्णित के अनुसार, परिवर्तन-बिंदु विश्लेषण करने के लिए "गणना परिवर्तन-बिंदु" बटन क्लिक करें, और परिणामी परिवर्तन-बिंदु आउटपुट पाठ फ़ाइल में सहेजे जाएंगे ।
  2. परिवर्तन के सांख्यिकीय मूल्यांकन-अंक ।
    1. Matlab जीयूआई (चित्रा 2a, निचले पैनल) में, सांख्यिकीय परीक्षणों के लिए पैरामीटर निर्दिष्ट करें, जिसमें परिवर्तन की संख्या (डिफ़ॉल्ट १०,०००), बूटस्ट्रैप की संख्या (डिफ़ॉल्ट १०,०००), और p-मान थ्रेशोल्ड (एफडीआर सुधार के बाद, डिफ़ॉल्ट ०.०५) शामिल हैं.
    2. परीक्षण चलाने के लिए "सांख्यिकीय परीक्षण" बटन क्लिक करें । इस चरण के बाद, p-मान (परिवर्तन परीक्षण द्वारा), से पहले और उसके बाद false-डिस्कवरी दर (एफडीआर) सुधार, साथ ही मानक विचलन और ९५% विश्वास अंतराल (बूटस्ट्रैप द्वारा) के रूप में परिवर्तित करें-बिंदुओं के लिए अतिरिक्त स्तंभों के रूप में आउटपुट पाठ फ़ाइल के लिए लिखा जाएगा . 23,24में सांख्यिकीय परीक्षण प्रक्रिया का विवरण देखें ।
  3. बदलें-पॉइंट मैप्स (वैकल्पिक) जनरेट करें । Matlab जीयूआई में (चित्रा 2a, निचले पैनल), क्लिक करें "मानचित्र बदलें-बिंदु" बटन को बदलने के बिंदु नक्शे उत्पंन । सांख्यिकीय महत्वपूर्ण परिवर्तन-बिंदु मान MNI-स्थान संरचनात्मक छवि पर मैप किया जाएगा करने के लिए स्थानिक पैटर्न कल्पना । यह मानचित्रण अलग दानेदार स्तर पर किया जा सकता है, २.१ में निर्दिष्ट शारीरिक स्तर पर निर्भर करता है । परिवर्तन बिंदु नक्शे T1-भारित MRIcro (चित्रा बी) (http://www.cabi.gatech.edu/mricro/mricro/) का उपयोग कर छवियों पर मढ़ा जा सकता है ।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

1.1-1.3 में वर्णित प्रक्रियाओं का उपयोग करना, पूरे मस्तिष्क फॉल्ट नक्शे MRICloud से प्राप्त किया जा सकता है । एटलस (V9B) के वर्तमान संस्करण में, २८३ पार्सल बेहतरीन दानेदार (स्तर 5) में विभाजित कर रहे हैं, जो दानेदार के विभिंन स्तरों के लिए समूहीकृत किया जा सकता है, जैसे, गोलार्द्ध से खण्डों और पार्सल, विशिष्ट आंटलजी परिभाषा के अनुसार । चित्रा 3 के अक्षीय और राज्याभिषेक के दृश्य में, पांच स्तरों पर बहु स्तरीय सेगमेंट के दो प्रकार दिखाता है । उदाहरण के लिए, coarsest स्तर पर, प्रकार-I विभाजन telencephalon, diencephalon, mesencephalon, metencephalon, और myelencephalon (चित्रा 3ए) के शास्त्रीय मस्तिष्क क्षेत्रों को परिभाषित करता है, जबकि टाइप-II नैदानिक और radiologically इस्तेमाल परिभाषित करता है गोलार्द्धों के संमेलनों, सेरिबैलम, और brainstem (चित्र बी) । यहां, हम निंन विश्लेषण के लिए प्रकार-II परिभाषाओं का उपयोग करते हैं, और हम बाएं और दाएं गोलार्द्धों से वॉल्यूम का औसत करते हैं, क्योंकि HD विकृति में कोई ज्ञात पार्श्वण नहीं है ।

बदलें-बिंदु विश्लेषण मस्तिष्क की मात्रा के आधार पर किया जाता है विभाजन परिणाम, के अनुसार धारा 2.1-2.2. चित्रा 4में, हम एक उदाहरण के रूप में बेसल गैंग्लिया लेने के लिए संबंधित परिवर्तन की जांच अलग दानेदार स्तर पर अंक । बेसल गैंग्लिया की 3d श्रेणीबद्ध संरचनात्मक परिभाषाएँ शीर्ष पंक्ति में सचित्र हैं । व्यक्तिगत संरचनाओं में परिवर्तन बिंदु विश्लेषण के तितर बितर भूखंड नीचे पंक्ति है, जहां नीले डॉट्स प्रकट एचडी रोगियों (नियंत्रण के लिए सामान्यीकृत) से संरचनात्मक संस्करणों के z-स्कोर निरूपित में दिखाया जाता है, उंर के लिए सही करने के बाद, सेक्स, और intracranial वॉल्यूंस; काले curves फिट मात्रा z-स्कोर कर रहे हैं,23मॉडल में परिवर्तन बिंदु घटक को regressed; और लाल रेखाएँ पता लगाए गए परिवर्तन-बिंदुओं की स्थितियों को इंगित करती हैं. स्तर 1 पर, केवल अर्धगोल जुदाई उपलब्ध है, और इसी तितर बितर साजिश से पता चलता है पूरे गोलार्द्ध एक क्रमिक शोष के रूप में कैप स्कोर बढ़ जाती है, ३६० के कैप पर एक परिवर्तन बिंदु और ९५% विश्वास अंतराल के साथ [३५२.८, ३६७.२] (पी के बाद = ०.०११ एफडीआर सुधार) । 2 स्तर पर, बेसल गैंग्लिया मस्तिष्क नाभिक का एक हिस्सा है, और मस्तिष्क नाभिक २३२ के कैप पर एक परिवर्तन बिंदु दिखाता है [२२७.७, २३६.३] (पी < 0.01 एफडीआर के बाद) । 3 स्तर पर, बेसल गैंग्लिया एक स्वतंत्र संरचना है और यह २३३ [२२८.६, २३७.४] (p < 0.01 के बाद एफडीआर) की कैप पर एक परिवर्तन-बिंदु दिखाता है । 4 स्तर पर, बेसल गैंग्लिया striatum और globus pallidus में विभाजित है, जो २३० [२२५.६, २३४.४] और २४३ [२३८.६, २४७.४] की टोपी में बदल-अंक है, क्रमशः (दोनों p < 0.01 के बाद एफडीआर) । स्तर 5 पर, striatum आगे caudate और putamen में विभाजित है, जो २४० [२३४.९, २४५.१] और २११ [२०६.८, २१५.२], क्रमशः (दोनों p < 0.01 के बाद एफडीआर) की कैप पर परिवर्तन अंक दिखाएँ ।

एक बार व्यक्ति परिवर्तन-अंक सभी मस्तिष्क संरचनाओं के लिए गणना कर रहे हैं, पूरे मस्तिष्क परिवर्तन के स्थानिक नक्शे-अंक २.३ के अनुसार प्राप्त किया जा सकता है । चित्रा 5 प्रकार द्वितीय ontological परिभाषा के साथ अलग दानेदार स्तरों पर परिवर्तन बिंदु नक्शे से पता चलता है. ध्यान दें कि केवल महत्वपूर्ण परिवर्तन-बिंदुओं वाले ढांचों (p < 0.05 के बाद एफडीआर सुधार) को मैप किया गया है । 1 स्तर पर, पूरे मस्तिष्क पैरेन्काइमा (सेरिबैलम को छोड़कर) एक महत्वपूर्ण लेकिन अपेक्षाकृत देर से बदल-बिंदु ३६० की टोपी पर पता चलता है [३५२.८, ३६७.२] (p = ०.०११ के बाद एफडीआर); जबकि मस्तिष्कमेरु द्रव (सीएसएफ, पार्श्व निलय, III और चतुर्थ निलय सहित, और sulci अंतरिक्ष) ३१९ की टोपी पर एक थोड़ा पहले परिवर्तन बिंदु से पता चलता है [३१३.०, ३२५.०] (पी = 0.022 के बाद एफडीआर). महत्वपूर्ण परिवर्तन अंकों के साथ क्षेत्रों अधिक दानेदार स्तर के रूप में स्थानीयकृत हो जाता है उच्च जाता है, और स्थानिक विचरण अनावरण शुरू होता है । उदाहरण के लिए, स्तर 3 पर, अवर सफेद मामला एक पूर्व परिवर्तन-बिंदु प्रदर्शित (कैप = ३०५ [२९८.८, ३११.२], p = ०.०३८ एफडीआर के बाद), पूर्वकाल सफेद बात की तुलना में (कैप = ३७१ [३६३.९, ३७८.१], p = ०.०४२ के बाद एफडीआर) । 5 स्तर पर, putamen, caudate, और globus pallidus के बीच मतभेद ध्यान देने योग्य बन जाते हैं, जल्दी से परिवर्तन बिंदु दिखा putamen के साथ, caudate और globus pallidus द्वारा पीछा किया ।

परिवर्तन दर volumetric परिवर्तन के प्रतिशत के रूप में गणना कर रहे है (स्वस्थ नियंत्रण के लिए सामांय) कैप स्कोर प्रति, परिवर्तन के बाद बिंदु । इसी संरचनाओं की परिवर्तन-दर चित्र 6में मैप की जाती हैं, जहां गर्म रंग निलय और sulci सीएसएफ में मात्रा वृद्धि का संकेत देते हैं और ठंड रंग मस्तिष्क पैरेन्काइमा में मात्रा घटने का संकेत देता है । स्तर 3 पर, गहरी ग्रे मैटर संरचनाओं उच्चतम परिवर्तन दर दिखाने के लिए, पूर्वकाल सफेद पदार्थ के बाद, और फिर अवर सफेद बात है । 5 स्तर पर, putamen और globus pallidus प्रदर्शन सबसे तेजी से शोष (टोपी प्रति ०.१% volumetric हानि), caudate द्वारा पीछा (०.०७% प्रति टोपी) । के रूप में दानेदार उच्च जाता है, परिवर्तन दर अधिक स्थानीयकृत क्षेत्रों में उच्च हो जाते हैं ।

Figure 1
चित्र 1: MRICloud पर T1-भारित छवि विभाजन का चित्रण. (A) DICOM फ़ाइलों को विश्लेषित स्वरूप में परिवर्तित करने और de-पहचान निष्पादित करने के लिए Dcm2Analyzed. exe का उपयोग करें । (B) "T1-MultiAtlas बैच" संसाधन के लिए वेबपेज । () "मेरी नौकरी की स्थिति" के लिए वेबपेज । (D) खंड परिणामों के विज़ुअलाइज़ेशन के लिए वेबपेज. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 2
चित्रा 2: ग्राफिक यूजर इंटरफेस (जीयूआई) मात्रा विश्लेषण और परिवर्तन सूत्री विश्लेषण करने के लिए । () MRICloud फॉल्ट outputs (ऊपरी पैनल) से volumetric डेटा के बैच निष्कर्षण के लिए Matlab जीयूआई और परिवर्तन सूत्री विश्लेषण (लोअर पैनल). () MRICro इंटरफ़ेस परिवर्तन बिंदु नक्शे कल्पना करने के लिए । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 3
चित्रा 3: ontological संबंधों के दो प्रकार के साथ कई दानेदार स्तरों पर एटलस आधारित पूरे मस्तिष्क विभाजन । मल्टी-लेवल फॉल्ट मैप्स के सलए और राज्याभिषेक के दृश्य T1-भारित संरचनात्मक छवियों पर मढ़ा जाता है, टाइप-I (A) और type-II (B) ontological परिभाषाओं के अनुसार । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 4
चित्रा 4: कई दानेदार स्तर पर बेसल गैंग्लिया के परिवर्तन बिंदु विश्लेषण । गोलार्द्ध (लेवल 1), सेरेब्रल नाभिक (लेवल 2), बेसल गैंग्लिया (लेवल 3), striatum और globus pallidus (लेवल 4), और putamen और caudate (लेवल 5) के बीच पदानुक्रमिक संरचनात्मक संबंध 3d रेंडरिंग के साथ शीर्ष पंक्ति में सचित्र हैं । तितर बितर भूखंडों इन संरचनाओं के परिवर्तन बिंदु विश्लेषण, जहां नीले डॉट्स निरूपित volumetric डेटा के z-स्कोर (स्वस्थ नियंत्रण के लिए सामान्यीकृत) उंर, लिंग, और intracranial संस्करणों के लिए ठीक करने के बाद; काले curves फिट जेड स्कोर कर रहे हैं, परिवर्तन बिंदु निर्भर टोपी घटक के लिए regressed; और लाल रेखाओं के परिवर्तन-बिंदुओं की स्थितियां इंगित करती हैं । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 5
चित्रा 5: कई दानेदार स्तर पर पूरे मस्तिष्क परिवर्तन बिंदु नक्शे । महत्वपूर्ण परिवर्तन बिंदुओं को दिखाने वाले क्षेत्र (5% एफडीआर पर) T1-भारित छवि पर मैप किए जाते हैं, और रंग कैप स्कोर की इकाई में परिवर्तन-बिंदु मान इंगित करते हैं । संक्षिप्त: एम डब्ल्यू: सफेद बात; LV: पार्श्व निलय; AntWM: पूर्वकाल सफेद बात; InfWM: अवर श्याम मैटर; BG: बेसल गैंग्लिया; ST: striatum; जीपी: globus pallidus; ALIC: आंतरिक कैप्सूल के पूर्वकाल अंग; PLIC: आंतरिक कैप्सूल के पीछे अंग; कावड: caudate; पुत: putamen. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 6
चित्रा 6: पूरे मस्तिष्क परिवर्तन दर कई दानेदार स्तर पर नक्शे । परिवर्तन-दर (स्वस्थ नियंत्रण करने के लिए सामान्यीकृत), एक T1-भारित छवि पर मैप महत्वपूर्ण परिवर्तन-अंक (5% एफडीआर पर) दिखाने वाले क्षेत्रों में, परिवर्तन बिंदु के बाद, प्रति कैप मात्रा परिवर्तन के प्रतिशत के रूप में गणना की जाती है । संक्षिप्त: एम डब्ल्यू: सफेद बात; LV: पार्श्व निलय; AntWM: पूर्वकाल सफेद बात; InfWM: अवर श्याम मैटर; BG: बेसल गैंग्लिया; ST: striatum; जीपी: globus pallidus; ALIC: आंतरिक कैप्सूल के पूर्वकाल अंग; PLIC: आंतरिक कैप्सूल के पीछे अंग; कावड: caudate; पुत: putamen. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

इस पत्र में प्रदर्शन के रूप में, मस्तिष्क एमआरआई के पूरे मस्तिष्क विभाजन आसानी से हमारे ऑनलाइन मंच MRICloud का उपयोग कर प्राप्त किया जा सकता है । T1-भारित एमआरआई आधारित volumetric मार्कर मजबूत और neurodegenerative रोगों की एक सीमा के प्रति संवेदनशील होने के लिए दिखाया गया है1,2,3. volumetric उपायों गणितीय मॉडलिंग के रूप में विभिन्न बहाव विश्लेषण, के लिए उपयोग किया जाता है, और नैदानिक निदान और पूर्वानुमान की सहायता करने के लिए सुविधा चयन और वर्गीकरण विश्लेषण. परिवर्तन-मस्तिष्क की मात्रा के बिंदु विश्लेषण रोग प्रगति के दौरान मस्तिष्क शोष के मात्रात्मक लक्षण वर्णन की अनुमति देता है । यह सांख्यिकीय विश्लेषण एक रैखिक घटक के साथ एक प्रतिगमन मॉडल कार्यरत एक रोग सूचकांक पर मस्तिष्क शोष के पाठ्यक्रम में एक परिवर्तन बिंदु को परिभाषित करने के लिए, जैसे, एचडी में कैप स्कोर । पारंपरिक समूह विश्लेषण है कि व्यापक रूप से सबसे में अपनाया है की तुलना में मौजूदा अध्ययन, परिवर्तन बिंदु मॉडल मस्तिष्क शोष की सटीक शुरुआत अंक के लिए चाहता है, और इसलिए, मस्तिष्क अध... के अधिक विशिष्ट जानकारी प्रदान करता है । एक स्वचालित पूरे मस्तिष्क विभाजन पाइपलाइन के साथ संयोजन, परिवर्तन के स्थानिक नक्शे अंक प्राप्त किया जा सकता है, जो HD में रोग प्रगति के spatiotemporal पैटर्न प्रकट करते हैं । यह चिकित्सकीय हस्तक्षेप सबसे प्रभावी हो सकता है जब HD के प्रकट चरण में विशेष रूप से महत्वपूर्ण है.

मल्टी-एटलस आधारित छवि विभाजन में, कई दानेदार पर मस्तिष्क विभाजन volumetric विश्लेषण करने के लिए विभिन्न अध्ययनों को लचीला और स्केलेबल बनाने के लिए प्रदान की जाती हैं । उदाहरण के लिए, अल्जाइमर रोग के लिए, कई छोटे मस्तिष्क संरचनाओं विशेष रुचि के हैं, जैसे हिप्पोकैम्पस, प्रमस्तिष्कखंड, या लौकिक प्रांतस्था के उपखंड; जबकि frontotemporal मनोभ्रंश के लिए, दिमाग अपेक्षाकृत मोटे तराजू पर जांच कर रहे हैं, ऐसे पूरे ललाट और लौकिक पालियों के रूप में । हमारे पिछले अध्ययन३३के अनुसार, विभाजन परिशुद्धता और reproducibility उच्च दानेदार पर समझौता किया जा सकता है । इसके अलावा, कई तुलना के लिए सांख्यिकीय चुनौती उच्च दानेदार में वृद्धि होगी, जैसा कि चित्रा 5में दिखाया गया है । इसके अलावा, एटलस पुस्तकालयों का एक उपयुक्त विकल्प, आयु सीमा और रोग के अध्ययन के प्रकार के आधार पर, फॉल्ट सटीकता के लिए महत्वपूर्ण है18,३२. परिवर्तन-बिंदु विश्लेषण को प्रतीपगमन विश्लेषण करने के लिए अपेक्षाकृत बड़ी संख्या में डेटा की आवश्यकता होती है, उदा., n > 50 आमतौर पर अनुभवजंय अनुभव के आधार पर आवश्यक है । परिवर्तन की व्याख्या-बिंदु परिणाम भारी सांख्यिकीय परीक्षण पर निर्भर करता है, क्योंकि मॉडल किसी भी गतिशील डेटा श्रृंखला के लिए एक परिवर्तन बिंदु का उत्पादन होगा, जो कभी नगण्य है । हम परिवर्तन के अलावा महत्वपूर्ण है मॉडल अवशिष्ट त्रुटि कम कर देता है कि मूल्यांकन करने के लिए एक बदलाव परीक्षण का इस्तेमाल किया, और हम outliers के प्रभाव का शमन करने के लिए बूटस्ट्रैप आपरेशन का इस्तेमाल किया.

विशिष्ट अनुप्रयोगों के आधार पर परिवर्तन-बिंदु मॉडल के लिए भिन्नता हो सकती है । उदाहरण के लिए, रोग सूचकांक, जो HD रोगियों के लिए कैप स्कोर है, अन्य नैदानिक चर के साथ प्रतिस्थापित किया जा सकता, या बस उम्र. अंय covariates भी मॉडल में शामिल किया जा सकता है, जैसे इमेजिंग प्रोटोकॉल23 और अंय कारकों के लिए खाते के लिए । इसके अलावा, मॉडल volumetric मार्कर से परे विभिंन प्रकार के लिए लागू है, अंय इमेजिंग मार्करों सहित (प्रसार, छिड़काव, या कार्यात्मक एमआरआई जैसे विभिंन विपरीत तंत्र से) और गैर इमेजिंग मार्करों । इसके अलावा, मॉडल के गणितीय निर्माण अलग मांयताओं और परिकल्पनाओं के अनुसार अनुकूलित किया जा सकता है । उदाहरण के लिए, मॉडल एक आधार रेखा रेखीय प्रतीपगमन परिवर्तन-बिंदु और एक अतिरिक्त रेखीय प्रतीपगमन जो परिवर्तन-बिंदु, जैसे संदर्भ24में प्रस्तावित के बाद होती है, पहले शामिल कर सकते हैं ।

संयोजन एटलस आधारित पूरे मस्तिष्क विभाजन में प्रस्तावित परिवर्तन-बिंदु विश्लेषण neurodegenerative रोगों के दोनों नैदानिक और बुनियादी विज्ञान के अध्ययन में व्यापक अनुप्रयोगों हो सकता है । फिर भी, प्रस्तावित तकनीकों के साथ सीमाएं हैं । हो सकता है कि डायनेमिक परिवर्तन के लिए कोई रेखीय नहीं है, और इस प्रकार, रेखीय घटक वर्तमान परिवर्तन-बिंदु मॉडल में उपयोग इष्टतम नहीं हो सकता है । सामान्यीकृत रेखीय मॉडल संभावित रेखीय स्थितियों को हैंडल करने के लिए एकीकृत किया जा सकता है । दूसरे, परिवर्तन-बिंदु विश्लेषण में इस अध्ययन में प्रयुक्त होने वाले बहु-केंद्र भविष्यवाणी-एचडी डेटा जैसे बड़ी जनसंख्या अनुदैर्ध्य और/या क्रॉस-अनुभागीय डेटा की आवश्यकता होती है । विभिंन छवि अधिग्रहण प्रोटोकॉल, बहु से केंद्र अध्ययन या अनुदैर्ध्य अध्ययन, मात्रा माप में एक पूर्वाग्रह लागू कर सकते हैं । हमारी बहु-एटलस छवि विभाजन पाइपलाइन अपेक्षाकृत प्रोटोकॉल मतभेदों को मजबूत करने के लिए दिखाया गया है, जैविक प्रभाव की तुलना में, जैसे उंर और विकृति३४। फिर भी, यह पहले से ही प्रोटोकॉल अंतर को निकालने के लिए आवश्यक हो सकता है, या में वर्णित के रूप में परिवर्तन-बिंदु मॉडल में covariates में से एक के रूप में प्रोटोकॉल प्रभाव शामिल करने के लिए23। वर्तमान में, बहाव volumetric विश्लेषण MRICloud में शामिल नहीं है, और उपयोगकर्ताओं को विभाजन नक्शे से खंड निकालने या हमारे Matlab toolbox का उपयोग करने के लिए बहु दानेदार मात्रा विश्लेषण प्रदर्शन की आवश्यकता होगी । यह उपयोगकर्ताओं द्वारा एक सामान्य अनुरोध के रूप में पहचाना गया है, तो हम संभावित रूप से इस ऑफ़लाइन संसाधन चरण बादल पाइपलाइन में भविष्य में एकीकृत कर सकते हैं ।

संयोजन एटलस आधारित पूरे मस्तिष्क विभाजन में प्रस्तावित परिवर्तन-बिंदु विश्लेषण neurodegenerative रोगों के दोनों नैदानिक और बुनियादी विज्ञान के अध्ययन में व्यापक अनुप्रयोगों हो सकता है ।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों का खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

हम भविष्यवाणी-HD जांचकर्ताओं, विशेष रूप से, डॉ हंस जॉनसन और डॉ जेन एस Pauslen आयोवा विश्वविद्यालय से, एमआरआई डेटा और डेटा विश्लेषण और परिणामों पर रचनात्मक चर्चा साझा करने में उनकी उदारता के लिए धंयवाद ।

यह काम NIH पलाश R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, और U01 NS082085 द्वारा समर्थित है ।

Materials

Name Company Catalog Number Comments
MATLAB Mathworks N/A Version 2015b and above
Dell Workstation Dell Dell Precision T5500 (Intel Xeon CPU)

DOWNLOAD MATERIALS LIST

References

  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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics