全体脳セグメンテーションと解剖学的脳 MRI の変化点分析-Premanifest ハンチントン病のアプリケーション

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

本稿では、「変更点」を識別する premanifest ハンチントン病で脳の萎縮が始まるとき、体積の MRI データ分析のための統計モデルについて説明します。T1 強調画像のアトラスに基づくセグメンテーション パイプラインを使用して得られた脳ボリュームに基づいて変更点の全体脳機能マッピングを実現します。

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

MRI における最近の進歩は、様々 な神経変性疾患を識別するために有用なマーカーを提供しています。ハンチントン病 (HD)、脳萎縮が始まる (「premanifest」期間中)、モーターの発症する前に多くの年が地域の萎縮、脳全体の時空間パターン完全に特徴づけられていますいません。ここでクラウドコンピューティング オンライン プラットフォームと、"MRICloud"、複数の粒度レベルで T1 強調画像のアトラスに基づく全体脳領域分割を提供し、脳の解剖学の地域の機能にアクセスすることにより、可能を示します。[回帰モデル地域の脳の萎縮が顕著な起動時の統計的に有意な変曲点を検出するすなわち「変化点」病進行インデックスに関してについて述べる。CAG 年齢製品 (CAP) スコアを使って HD 患者の病気の進行をインデックスです。セグメンテーション パイプラインから体積測定の変更点解析は、したがって、脳全体順序および構造の萎縮のパターンの重要な情報を提供します。紙は、大規模な多施設共同予測 HD 研究から premanifest の HD 科目の T1 強調 MRI データをこれらのテクニックの使用方法を示します。このデザインは、潜在的、幅広い脳の解剖学の動的変化を調査する神経変性疾患の範囲で。

Introduction

磁気共鳴画像 (MRI) は、脳の解剖学と神経変性疾患1,2,3の関数を調べることを大幅に強化します。T1 加重構造 MRI は最も広くの一つは、脳の解剖学と関連の病理学を評価する臨床現場におけるイメージング ツールを採用しました。高解像度の T1 強調画像の定量的解析は、脳の退化の間に解剖学的変化を測定する有用なマーカーを提供します。特に、ボクセル レベルからイメージ次元の減少に効果的にセグメンテーション定量化手法 (のために (106)) 解剖学的構造のレベルに ((102)) 高スループット ニューロインフォマティクス4,5. 患者の画像にアトラスから事前に定義された解剖学的ラベルをマップ アトラス ベースの方法6,7,8,9を使用して自動脳セグメンテーションを実現できます.アトラス ベースのメソッドの間でマルチ アトラス アルゴリズム1011,12,13,14は、優れた精度と堅牢性を得られています。当社グループは、高度な特にイメージ登録アルゴリズム15、複数アトラス融合方法16,17、マルチ アトラスの豊富なライブラリとの完全に自動化された T1 マルチ アトラス セグメンテーション パイプラインを開発しました18. パイプライン クラウド コンピューティングのプラットフォーム、MRICloud192015 年から配布されている、それはアルツハイマー病 (AD)20,21, プライマリなどの神経変性疾患の研究に使用されています性進行性失語22、および23ハンチントン病。

高解像度の画像は、脳の構造に分割されます、一度、ボリュームなどの地域的特徴は神経解剖学的変化を特徴付けるための数理モデルを確立する使用できます。変更点の分析法最近で統計的に有意な脳の形態変化の発生、縦方向および横断の MRI データに基づく、時間順序を分析するために私たちのグループによって設立されました。この統計モデル最初の AD 患者21,24の年齢にわたる形状に基づく diffeomorphometry を定量化する開発されましたハンティントンの病気 (HD) も新生児脳25の脳発達的変化を記述する脳構造の変化を調査するため適応されました後。HD 患者における変更点はHTT 26で CAG 拡張の露出の程度の指標として CAG 年齢製品 (CAP) スコアに関しての定義されました。線条体の萎縮が淡蒼球27続いて HD で最古のマーカーの 1 つであることが知られています。まだ、不明のまま脳全体他の灰色および白い問題の構造に関連して線条体の変化。このような関係は、病気の進行を理解することが重要です。すべての脳構造の体積変化の変更点解析は多分 HD の premanifest 段階で脳萎縮の体系的な情報を提供します。

ここで我々 は premanifest HD 科目のボリューム データの変更点解析を実行する MRICloud (www.mricloud.org)、および手順を使用してすべての脳のセグメント化を行う手順を示します。大規模な人口多施設から収集された MRI データ予測 HD 研究28,29約 400 のコントロールと premanifest HD 科目。アトラスに基づくセグメンテーションと変更点分析の組み合わせは、脳で脳構造変化と疾患の進行パターンの時空間的順序に関する一意の情報をもたらします。テクニックは、脳の退化をマップするバイオ マーカーにより様々 な神経変性疾患の範囲に該当する可能性があります。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. アトラス ベースの全脳領域分割

  1. データの準備
    1. 三次元 (3 D) T1 強調画像、通常分析形式にベンダー固有 (デジタル画像と通信) DICOM 形式からの MPRAGE (磁化準備高速グラディエント エコー) シーケンスに変換します。リモート クラスターに転送するユーザーのデータがクラウドの計算に必要とすることに注意してください。健康保険の携行性と責任に関する法律」(HIPPA) によると患者の個人識別情報を画像ファイルから削除します。
      注: MRICloud では、ファイル形式の変換だけでなく、個人の健康情報の de 識別分析 DICOM コンバーター (https://braingps.mricloud.org/t1prep) をご利用いただけます。
      1. Dcm2Analyze.exe を開くをダブルクリックします。ポップアップ ウィンドウが表示されます (図 1 a)。
      2. 入力と出力として分析されたイメージのパスとファイル名入力の DICOM データ ディレクトリのパスを指定します。
      3. 変換を完了するために"Go"をクリックします。
        注: 変換は、個々 の患者のために実行する必要がある、それはバッチ処理 (1.2.2.1) の 1 つの研究のフォルダーにすべての変換された画像を出力に有益となります。
  2. 複数アトラス ベース T1 画像分割 MRICloud19を使用します。
    1. ログの"脳 GPS"(初めてユーザー登録) https://mricloud.org から。メイン メニュー (図 1 b) から「分割」ツールを選択します。「分割」下に 2 つのアプリケーション プログラミング インターフェイス (API) オプションがあります:"T1-MultiAtlas"単一の T1 画像分割と「T1 MultiAtlas バッチ」のバッチ処理のため。変更点の分析大規模な人口データを必要とし、これにより、バッチ処理が適している場合。
    2. 「T1 MultiAtlas バッチ」API でジョブをを送信します。
      1. 複数の解析画像ファイルを zip ファイルに圧縮します。クリックして「+ .zip」zip ファイルをアップロードする図 1 bで。
        注: 現在のクラウド ポータル 30 各 zip フォルダー内の画像の数を制限します。大規模なデータセットを処理する複数の zip フォルダーに分けられます。Zip ファイルごとのより多くの画像を対応するために特別なリクエストが可能です。将来は、我々 可能性のある限られた数を増加、遠隔計算資源が利用可能になるときも制限を削除します。
      2. 図 1 bの必須フィールドを入力します。
        1. 処理サーバー:「計算解剖学科学ゲートウェイ」を選択します。
        2. スライスの種類: 選択「矢」、「軸」、または「矢状軸に変換」から。
          注:「矢」は、矢状方向前後と頭足方向の平面のビューで取得した画像を指します。「軸」は、左右および前後方向の平面のビュー画像軸方向を指します。「矢状軸に変換」は、もともと軸配向に買収されなかった (それらが長い頸部を持つ通常の「軸」画像) 矢状断面画像に変換後の画像を指します。
        3. 複数アトラス ライブラリ: 分割精度を最適化するためのユーザー データを最も近い年齢とアトラス ライブラリ」を選択します。我々 は「小児 4-8 歳」、"小児 8 12 yr"などの異なる年齢の範囲を構築済みのマルチ アトラス データセット18を提供"大人 22-50」と"大人 50-90」と同様に異なるアトラス バージョン。アトラスのバージョンに関する情報は、https://braingps.mricloud.org/atlasrepo で見つけることが。
    3. 「私のジョブ ステータス」を通じてジョブの状況確認 (図 1)。ジョブが終了すると、ユーザーが .zip ファイルと領域分割結果をダウンロードすることができる「結果のダウンロード」ボタンが表示されます。
    4. 結果を可視化します。単一の主題のための領域分割結果から得られるボリュームをオンラインに視覚化できること (バッチ処理結果のため不可能)。
      1. 図 1の「結果を表示」ボタンををクリックしてします。Web ページは、可視化インタ フェース (図 1) に変わります。分割マップの軸、矢状、冠状ビューは、T1 強調の解剖学的画像に重なっています。セグメント化された脳構造の 3 D レンダリングは、上の左のウィンドウに表示されます。カラー オーバーレイするセグメンテーションのマップ構造のボリュームの z スコアを示します。
      2. オーバーレイのオン/オフ、オーバーレイの不透明度を含む可視化オプションを調整、ズームイン、ズームアウト、および図 1の右上のパネルから位置をスライスします。
      3. 最高級の分割区画を異なる粒度にグループ化します。私たちのアトラス 2 種類オントロジー関係18,30粒度の 5 つのレベルを定義しました。左下のパネル (図 1) では、階層の複数レベルの解剖学的定義のツリー ビューが表示されます。オントロジー レベルの対応する構造体を展開するレベルの番号をクリックします。分割マップは対応するオントロジー レベルに同時に切り替わります。
        注: 隔月 MRICloud ワーク ショップ、ジョンズ ・ ホプキンス大学医学上記オンライン操作のチュートリアルを提供するためにヘルプ。ワーク ショップ情報は、https://braingps.mricloud.org/workshops から見つけることができます。
    5. その後の分析の結果をダウンロードします。例えばユーザー スタディ ディレクトリに結果を解凍して、1 つのスタディ ディレクトリを個々 の主題のフォルダーにそれぞれのすべての被験者からセグメンテーション結果をまとめます。
      注: 結果が含まれます
    • example.img: 軸方向に元の T1 画像。
    • example_MNI.img: MNI スペース ・ タライラッハ座標を次の T1 画像。
    • example_7Labels.img と example_7Labels_MNI.img: ネイティブ 7 区画 (灰白質、白質、脳脊髄液、側脳室、頭蓋骨と背景) と粗いセグメンテーション MNI スペース、それぞれ。
    • example_283Labels_M2.img と example_283Labels_M2_MNI.img: 283 区画 (アトラス版 V9B) ネイティブと MNI 空間における領域分割をそれぞれ罰金します。ラベルの正確な数は、アトラスのバージョンによって異なります。
    • example_corrected_MNI_stats.txt と example_MNI_stats.txt: ネイティブと MNI 空間で区画のそれぞれの脳のボリュームの統計情報。
    • multilevel_lookup_table.txt: 脳区画のマルチレベルのオントロジーの定義。
  3. 人口の脳のボリュームを取得するバッチ処理を実行します。スプレッドシートに社内の Matlab (www.mathworks.com) バッチ スクリプトを個々 の結果フォルダーから脳容積を抽出し、すべてですべての科目のボリューム データを結合を処理粒度のレベルを使用します。グラフィック ユーザー インターフェイス (GUI) を使用して、入力と出力を指定します。
    1. オープン Matlab.exe、Main.fig、および GUI を実行 (図 2 a) が飛び出します。
    2. 「MRICloud から T1 ボリューム抽出」でパネル (図 2 aの上部パネル)、指定スタディ ディレクトリを含む入力ここでダウンロードしたセグメンテーション結果 (1.2.5 参照) 保存されます。マルチレベルのルックアップ テーブルのファイル パスとファイル名。
    3. 出力スプレッドシート ファイルのパスとファイル名データ ボリュームを書き込む場所を指定します。
    4. 解析を実行する「ボリュームを抽出する」ボタンをクリックします。ユーザー定義のスプレッドシートで結果を確認できます。
      注: また、R パッケージは、プロセス、MRICloud 出力し、さらに博士ブライアン Caffo31によって提供される統計分析を実行する開発です。パッケージは、https://github.com/bcaffo/MRIcloudT1volumetrics からダウンロードすることができます。

2. 変更ポイント ボリューム データの分析

注: では、私たち以前の出版物21,24,23に、理論とチェンジ ポイント モデルの数学的な詳細をご覧ください。簡単に言えば、HD データの回帰モデルが確立されるポイントを定義する重要な変更-(キャップ スコア) の面で、開始キャップとボリュームの線形回帰なる統計患者の年齢の影響を補正しながら、重要な性別、および頭蓋内のボリューム。(図 2 a、下部のパネル)、GUI とともに、社内の Matlab スクリプトは、個別の構造物の変化点を計算し、統計分析を実行する開発されました。スクリプトがリクエスト ユーザーが利用できます。

  1. 個々 の脳構造の変化点を計算します。
    1. 図 2 aで「変更点分析」パネル ファイルのパスと 1.3 に従って生成されるマルチレベル ボリューム スプレッドシート名前を指定します。
    2. ファイル パスと変更点の結果に書き込まれる出力のテキスト ファイルの名前を指定します。
    3. 変更点の分析が可能でレベルの粒度とドロップ ダウン ボックス (レベル 1-5)、オントロジーの定義の種類を選択します。
    4. 変更点分析参照23、および結果として生じる変化点で説明したように「計算ポイントの変更」ボタン クリックは、出力テキスト ファイルに保存されます。
  2. 変化点の統計的評価。
    1. Matlab gui (図 2 a、下部のパネル) では、(後で FDR 補正、デフォルト 0.05) 順列 (デフォルト 10,000) の数、(10,000)、デフォルトのブートス トラップの数と p 値のしきい値を含む、統計テストのパラメーターを指定します。
    2. テストを実行する「統計テスト」ボタンをクリックします。この手順の後 (によって順列テスト)、p 値 false 発見率 (FDR) 補正と同様、標準偏差および変化点の (ブートス トラップ) で 95% 信頼区間の前後として記述される出力テキスト ファイルに余分な列.23,24の統計的なテスト手順の詳細を参照してください。
  3. (省略可能) 変更ポイント マップを生成します。(図 2 a、下部のパネル) の Matlab の gui の変更ポイント マップを生成する「マップ ポイントの変更」ボタンをクリックします。統計的に有意な変更ポイント値は、空間パターンを視覚化する MNI 空間の解剖学的画像にマップされます。このマッピングは、2.1 で指定された解剖学的レベルに応じて、異なる粒度のレベルで行うことができます。変更ポイント マップは、MRIcro (図 2 b) (http://www.cabi.gatech.edu/mricro/mricro/) を用いた T1 強調画像に重ねることができます。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

1.1-1.3 で説明する手順を使用して全脳領域分割マップは、MRICloud から入手できます。アトラス (V9B) の現在のバージョンで 283 区画に細かい粒度 (レベル 5)、例えば、粒度の異なるレベルに分類することができます分割されます。、半球小葉や特定のオントロジーの定義によると、小包から。図 3は、軸と冠状ビューで 5 レベルで複数レベルの区切りの 2 つのタイプを示します。たとえば、最も粗いレベルで入力-私分割タイプ II が行えたと臨床的に使用される定義中の終脳、間脳、中脳、小脳、および髄脳 (図 3 a)、古典的な脳領域を定義します半球、小脳および脳幹 (図 3 b) の規則。ここでは、タイプ II の定義は、次の分析と HD 病理学がない知られている左右左と右半球からボリュームを平均我々。

脳容積の変化点解析は、セクション 2.1 2.2 によるとセグメンテーション結果に基づいて実行されます。図 4、我々 は異なる粒度のレベルで関連の変更点を調べる例として大脳基底核を取る。一番上の行に大脳基底核の 3 D の階層構造の定義を示します。個々 の構造の変更点解析の散布がブルーのドットが年齢、性別を補正した後 (コントロールに正規化) premanifest HD 患者から構造のボリュームの z スコアを示すため、一番下の行に示すように、頭蓋内のボリューム。黒い曲線は、合われたボリュームの z スコア、回帰モデル23; 変更ポイント コンポーネント赤い線は、変更の検出されたポイントの位置を示します。レベル 1、半球分離が利用可能を示し対応する散布、全体の半球だけが徐々 に萎縮の 360 と 95% の信頼区間のキャップでの変更点と、キャップのスコアが増加するにつれて [352.8, 367.2] (p = 0.011 FDR 後補正)。レベル 2 では、大脳基底核は大脳核部や大脳核 232 [227.7, 236.3] のキャップに変更点を示しています (p < FDR 後 0.01)。レベル 3 では、大脳基底核は独立した構造と 233 [228.6, 237.4] のキャップに変更点を示しています (p < FDR 後 0.01)。レベル 4 では、大脳基底核は、線条体、淡蒼球は、それぞれ 230 [225.6, 234.4] と [238.6, 247.4] 243 のキャップに変更点があるに分かれて (両方 p < FDR 後 0.01)。レベル 5 で、線条体は尾状に分かれてさらと被殻は、それぞれ 240 [234.9, 245.1] と [206.8, 215.2] 211 のキャップに変更点を表示 (両方 p < FDR 後 0.01)。

個々 の変更点はすべての脳構造の計算された、2.3 によると変更点の全体脳空間マップが得られます。変更点はタイプ II の存在論的定義と異なる粒度のレベルでマップを図 5に示します。重要な変更点と構造だけに注意してください (p < FDR 補正後 0.05) マップされます。レベル 1 で、(小脳) を除く全体の脳実質点を示しています重要なしかし、比較的遅く変更 - 360 [367.2 352.8] のキャップで (p = 0.011 FDR 後);対し脳脊髄液 (CSF、側脳室、III と IV の心室および溝のスペースを含む) 319 [325.0 313.0] のキャップでわずかに以前の変更点を示しています (p = 0.022 FDR 後)。重要な変更点を持つ地域になると粒度のレベルが上がると、空間の差異を明らかにする開始よりローカライズされました。たとえば、レベル 3 では、下の白質展示以前の変更点 (キャップ 305 [298.8, 311.2] を = p = ルーズベルト後 0.038) 前方の白質と比較して、(キャップ 371 [363.9, 378.1] を = p = 0.042 FDR 後)。レベル 5 で、尾状核、被殻、淡蒼球の違い顕著になる、被殻、尾状核と淡蒼球に続いて、初期の変化点を示すと。

変化率は、変更以降後キャップ スコアあたり体積変化 (健常者に正規化) の割合として計算されます。対応する構造の変更率は図 6、温かみのある色調を示す心室と溝 CSF のボリューム増加、冷たい色を示す脳実質の体積が減少にマップされます。レベル 3 では、深い灰白質構造は続いて前方の白質とその下の白質の変化率を表示します。レベル 5 では、被殻と淡蒼球は、尾状葉 (0.07% のキャップ) 続いて最速萎縮 (キャップあたり 0.1% 体積損失) を展示します。粒度が上がるよりローカライズされた地域で変更率が高くなります。

Figure 1
図 1: MRICloud に T1 強調画像の領域分割の図。(A) Dcm2Analyzed.exe 使用 DICOM ファイルを分析された形式に変換し、de 識別を実行します。(B)「T1 MultiAtlas バッチ」処理のための web ページ。(C)「私のジョブ ステータス」の web ページ。領域分割結果の可視化 (D) web ページ。この図の拡大版を表示するのにはここをクリックしてください

Figure 2
図 2: ボリュームを分析し、変更点分析をグラフィック ユーザー インターフェイス (GUI) です。ボリューム データのバッチ抽出 MRICloud 分割出力 (上部パネル) と変更点解析 (下段) の (A) Matlab の GUI。(B) MRICro は、変更ポイント マップを視覚化するインタ フェースします。この図の拡大版を表示するのにはここをクリックしてください

Figure 3
図 3: 2 種類の存在論的関係を持つ複数の粒度レベルで全脳のアトラスに基づくセグメンテーション。多段階分割マップの軸と冠状ビューを重ね T1 強調の解剖学的画像の種類に応じて-私は (A) とタイプ II (B) 存在論的定義。この図の拡大版を表示するのにはここをクリックしてください

Figure 4
図 4: 複数の粒度レベルで基底の変更点解析します。3 D レンダリングと一番上の行には、(レベル 3) 大脳基底核、大脳核 (レベル 2) 半球 (レベル 1) の階層的な解剖学的関係、線条体、淡蒼球 (レベル 4) と被殻と尾状葉 (レベル 5) を示します。スキャター プロットを示す青い点が年齢、性別、および頭蓋内ボリュームを補正した後 (健常者に正規化された) ボリューム データの z スコアを示すため、これらの構造の変更点解析黒い曲線は、変更ポイント依存キャップ コンポーネントに後退、装備の z スコア赤い線が変更ポイントの位置を示します。この図の拡大版を表示するのにはここをクリックしてください

Figure 5
図 5: 複数の粒度レベルで脳全体の変更点をマップします。大きな表示領域変更ポイント (5% で FDR) T1 強調の画像上にマップされるキャップ スコアの単位で変化点の値が指定した色と。省略形: WM:white 問題;LV: 側脳室。AntWM: 前の白質;InfWM: 下白質;BG: 大脳基底核。ST: 線条体;GP: 淡蒼球;アリス:; 内包前脚プリック:; 内包の後肢Caud: 尾状;配置: 被殻。この図の拡大版を表示するのにはここをクリックしてください

Figure 6
図 6: 複数の粒度レベルで脳全体の変更率マップします。変更率、重要な変更点を示す領域の変更点 (健康に正規化されたコントロール) 後、キャップ、あたりの体積変化の割合として計算される (5% で FDR)、T1 強調画像の上にマッピング。略語: WM: 白質;LV: 側脳室。AntWM: 前の白質;InfWM: 下白質;BG: 大脳基底核。ST: 線条体;GP: 淡蒼球;アリス:; 内包前脚プリック:; 内包の後肢Caud: 尾状;配置: 被殻。この図の拡大版を表示するのにはここをクリックしてください

Subscription Required. Please recommend JoVE to your librarian.

Discussion

本稿で示されているように全体脳 mri 脳画像のセグメンテーション便利に実現できますオンライン ・ プラットフォーム MRICloud を使用します。T1 強調 MRI 体積マーカーは、堅牢で、神経変性疾患1,2,3の範囲に敏感に示しています。数理モデル化と特徴選択と分類の分析など、様々 な下流解析の臨床診断と予後を支援体積措置されます。脳容積の変化点解析では、病気の進行中に脳萎縮の定量的な特徴づけをことができます。この統計分析が発病指数、例えばほとんどの採用が従来のグループ分析ビジュアルエフェクトとの比較でキャップ スコアで脳萎縮の過程で変更点を定義するための非線形成分を使用して回帰モデルを採用しています既存の研究、チェンジ ポイント モデル脳萎縮の正確な開始点を求めるし、そのため、脳の退化のより具体的な情報を提供しています。すべて脳の自動セグメンテーション パイプラインと組み合わせることで、変化点の空間マップが得られます、HD で病気の進行の時空間パターンを明らかに。これは、治療的介入が最も効果的なすることができます HD の premanifest の段階では特に重要です。

複数アトラス ベース画像分割における複数の粒度で脳の区切りは柔軟性と拡張性に様々 な研究に容量分析を行うに提供されます。たとえば、アルツハイマー病のいくつかの小さな脳構造、海馬、扁桃体、側頭葉; の細分化など、特定の関心の一方、前頭側頭型認知症の脳は全体の前頭葉、側頭葉などの比較的粗い縮尺で検討しました。私たち以前研究33, によると切り出し精度と再現性が高い粒度で損なわれる可能性があります。さらに、図 5に示すように、多重比較の統計の課題より高い粒度で増加させます。さらに、研究の年齢範囲と病の種類に応じて、ライブラリの適切な選択は、分割精度18,32の重要です。変更点の分析、回帰分析、例えばn を実行するデータの数が比較的多いが必要です > 50 が通常必要で経験的な経験に基づいて。モデルは時々 重要ではない任意の動的データ系列の変更ポイントになりますので、変更ポイントの結果の解釈は大きく統計的なテストに依存します。変更点の追加モデルの残留誤差を大幅に削減し、我々 は外れ値の影響を軽減するために、ブートス トラップ処理を使用するかどうかを評価するテストの順列を使用しました。

特定のアプリケーションに応じて変更点モデルにバリエーションが存在します。たとえば、HD 患者のキャップ スコアである病気インデックスは、他の臨床的変数で置き換えることができます。 または単に年齢します。他の共変量は、イメージング プロトコル23など、モデルと考慮する他の要因に含めることもできます。さらに、モデルは、バイオ マーカー (拡散、灌流、機能的 MRI などのメカニズムが異なるコントラスト) から他の画像マーカーを含む体積のマーカーと非結像マーカー以外のさまざまな種類に適用されます。さらに、モデルの数学的定式化は、異なる仮定や仮説によると合わせることができます。例については、モデルは、参照24で提案した、変更ポイントの前にベースラインの線形回帰は、変更点の後に発生する追加線形回帰を含むことができます。

組み合わせアトラス ベース全体脳領域分割における提案された変更点は、神経変性疾患の臨床と基礎科学研究の幅広いアプリケーションを使用できます。しかし、本手法と制限があります。バイオ マーカーの変化は直線でない、それによって、現在の変更点モデルで使用される線形コンポーネントが最適なできない場合があります。一般化線形モデルは非線形の状況を処理する可能性のある統合できます。第二に、変更点の分析には、この研究で使用されるマルチ センター予測 HD データなどの大規模な人口縦断や横断的データが必要です。多施設共同研究または縦断研究から、別の画像獲得のプロトコルは、体積測定のバイアスを課すかもしれません。プロトコルの違い、年齢や病理34などの生物学的効果と比較して、比較的堅牢にするマルチ アトラス画像セグメンテーション パイプラインを示しています。まだ、プロトコルの違いをあらかじめ削除するまたは変更点モデル23で説明したように共変量の 1 つとしてプロトコルの効果を含める必要がある場合があります。現在、下流の容積測定分析は、MRICloud に含まれていない、ユーザーが分割マップからボリュームを抽出または多粒度ボリューム解析を実行する私たちの Matlab ツールボックスを使用する必要があります。私たちことができます潜在的このオフライン処理手順パイプラインに統合、クラウド、将来、これはユーザーによって一般的な要求として識別される場合。

組み合わせアトラス ベース全体脳領域分割における提案された変更点は、神経変性疾患の臨床と基礎科学研究の幅広いアプリケーションを使用できます。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

著者が明らかに何もありません。

Acknowledgments

予測 HD 調査官、特にハンス ・ ジョンソン博士とアイオワ大学から博士ジェーン s. Pauslen の寛大さを共有、MRI データとデータ解析と結果に関する建設的な議論に感謝いたします。

この作品は NIH 支え R21 NS098018、P50 NS16375、NS40068、R01 NS086888、R01 NS084957、P41 EB015909、P41 EB015909、R01 EB000975、R01 EB008171、u01 で NS082085 を付与します。

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