Todo cérebro-segmentação e análise de ponto de mudança de anatômico cérebro MRI — aplicação em Premanifest a doença de Huntington
Summary
Este artigo descreve um modelo estatístico para análise de dados volumétrico MRI, que identifica o “ponto de mudança”, quando começa a atrofia do cérebro em premanifest a doença de Huntington. Cérebro de todo o mapeamento dos pontos de mudança é alcançado com base nos volumes de cérebro obtidos usando um pipeline de segmentação baseados em atlas de imagens ponderadas em T1.
Abstract
Avanços recentes em MRI oferecem uma variedade de úteis marcadores para identificar doenças neurodegenerativas. Na doença de Huntington (HD), atrofia cerebral regional começa muitos anos antes do início do motor (durante o período de “premanifest”), mas o padrão spatiotemporal de atrofia regional em todo o cérebro não tem sido totalmente caracterizado. Aqui vamos demonstrar uma plataforma de computação em nuvem online, “MRICloud”, que fornece baseados em atlas todo-cérebro segmentação de imagens ponderadas T1 em vários níveis de granularidade, desse modo, nos permite acessar as características regionais da anatomia do cérebro. Em seguida, descrevemos um modelo de regressão que detecta pontos de inflexão estatisticamente significativa, em que a Atrofia cerebral regional começa a ser visível, ou seja, do “ponto de mudança”, em relação a um índice de progressão da doença. Usamos a Pontuação do produto (CAP) CAG-idade para indexar a progressão da doença em pacientes de HD. Análise de ponto de mudança das medições volumétricas do pipeline de segmentação, portanto, fornece informações importantes da ordem e padrão de atrofia estrutural em todo o cérebro. O livro ilustra o uso destas técnicas em dados de T1-weighted MRI disciplinas HD premanifest de um grande estudo multicêntrico de PREDICT-HD. Este projeto tem potencialmente amplas aplicações em uma gama de doenças neurodegenerativas, para investigar as alterações dinâmicas da anatomia do cérebro.
Introduction
Ressonância magnética (RM) tem substancialmente reforçada a nossa capacidade de examinar a anatomia do cérebro e funções no32,1,. doenças neurodegenerativas. Estrutural de T1-weighted que MRI é uma das mais amplamente adotado de imagem ferramentas na rotina clínica para avaliar o cérebro anatomia e patologia relacionada. Análise quantitativa das imagens ponderadas T1 de alta resolução fornece marcadores úteis para medir alterações anatômicas durante a degeneração do cérebro. Em particular, segmentação com base em abordagens de quantificação reduz eficazmente a dimensionalidade de imagem de nível de voxel (na ordem de (106)) a nível estrutural anatômica ((102)) para alta produtividade neuroinformatics4 , 5. segmentação de cérebro automatizada pode ser conseguida usando métodos baseados em atlas6,7,8,9 que mapeiam os rótulos predefinidos anatômicos de um atlas para as imagens do paciente . Entre os métodos baseados em atlas, atlas multi algoritmos10,11,12,13,14 produziram segmentação superior precisão e robustez. O nosso grupo desenvolveu um pipeline de segmentação multi atlas T1 totalmente automatizado, com avançado difeomorfo dimensão imagem registo algoritmos15, fusão do atlas multi métodos16,17e bibliotecas ricas multi atlas 18. o gasoduto foi distribuído em uma plataforma de computação em nuvem, MRICloud19, desde 2015, e ela tem sido usada para estudar doenças neurodegenerativas, tais como a doença de Alzheimer (AD)20,21, principal Afasia progressiva22e a doença de Huntington,23.
Uma vez que as imagens de alta resolução são segmentadas em estruturas cerebrais, características regionais, tais como volumes, podem ser usadas para criar modelos matemáticos para caracterizar as alterações neuroanatômica. Um método de análise de ponto de mudança foi recentemente estabelecido pelo nosso grupo para analisar a ordem temporal, no qual cérebro estatisticamente significativa morfométricos mudanças ocorrem, com base em dados de MRI longitudinais ou transversais. Este modelo estatístico foi desenvolvido para quantificar baseados em forma de diffeomorphometry sobre a idade em AD pacientes21,24; e foi mais tarde adaptado para investigar mudanças estruturais do cérebro na doença de Huntington (HD), bem como descrever alterações do desenvolvimento do cérebro no cérebro neonatal25. Em pacientes com HD, o ponto de mudança foi definido com respeito à contagem de produto (CAP) CAG-idade, como um indicador do grau de exposição para a expansão de CAG em HTT 26. É sabido que a atrofia striatal é um dos primeiros marcadores em HD, seguido do globus pallidus27. No entanto, as mudanças no corpo estriado em relação a outras estruturas de cinza e branca do outro lado do cérebro ainda não está claro. Tal relação é fundamental para compreendermos a progressão da doença. Análise de ponto de mudança de alterações volumétricas em todas as estruturas do cérebro provavelmente fornecerão informações sistemáticas de atrofia do cérebro na fase premanifest do HD.
Aqui vamos mostrar os procedimentos para realizar a segmentação de todo cérebro usando MRICloud (www.mricloud.org) e os passos para realizar a análise de ponto de mudança de dados volumétricos em premanifest indivíduos de HD. O MRI foram recolhidos de um ensaio multicêntrico grande população PREDICT-HD estudar28,29 , com aproximadamente 400 controles e premanifest temas de HD. A combinação da análise de segmentação e de ponto de mudança baseados em atlas traz informações exclusivas sobre a ordem spatiotemporal as alterações estruturais do cérebro e o padrão de progressão da doença em todo o cérebro. As técnicas são potencialmente aplicáveis a uma gama de doenças neurodegenerativas com vários biomarcadores para mapear a degeneração do cérebro.
Protocol
Representative Results
Discussion
Conforme demonstrado neste artigo, cérebro de toda a segmentação da RM do cérebro pode ser convenientemente alcançada utilizando nossa plataforma online MRICloud. T1-weighted MRI com base volumétrica marcador tem mostrado para ser robusto e sensível a uma gama de32,1,do doenças neurodegenerativas. As medidas volumétricas são utilizadas para várias análises a jusante, como modelagem matemática e análise de recurso-s…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Agradecemos os investigadores de PREDICT-HD, particularmente, Dr. Hans Johnson e Dr. Jane S. Pauslen da Universidade de Iowa, por sua generosidade em compartilhar os dados de MRI e discussão construtiva sobre a análise dos dados e resultados.
Este trabalho é apoiado pela NIH concede R21 NS098018 P50-NS16375, NS40068, NS086888 R01, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 e U01 NS082085.
Materials
| MATLAB | Mathworks | N/A | Version 2015b and above |
| Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |
References
- 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).
- Jack, C. R., et al. Hypothetical model of dynamic biomarkers of the Alzheimer’s pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
- 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).
- Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31 (2013).
- 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).
- Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7 (2005).
- 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).
- 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).
- Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
- 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).
- Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
- 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).
- 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).
- 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).
- Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
- Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591 (2013).
- Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Vonsattel, J. P., et al. Neuropathological classification of Huntington’s disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
- 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).
- 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).
- Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
- . A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1 Available from: https://github.com/bcaffo/MRIcloudT1volumetrics (2017)
- 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).
- Huntington Study Group. Unified Huntington’s Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
- Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533 (2015).
