Целом мозг сегментации и изменения Пойнт анализ анатомических мозга МРТ — применение в Premanifest болезни Гентингтона
Summary
Этот документ описывает статистические модели для объемного анализа данных МРТ, который идентифицирует точка «изменения», когда атрофия мозга начинается в premanifest болезни Гентингтона. Целом мозг отображение точек изменения достигается на основе томов мозга, полученных с помощью конвейера на основе Атлас сегментации Т1 взвешенных изображений.
Abstract
Последние достижения в МРТ предлагают целый ряд полезных маркеров для идентификации нейродегенеративных заболеваний. В болезни Гентингтона (HD) атрофия региональных мозга начинает много лет до наступления мотор (в период «premanifest»), но пространственно-временных структура региональных атрофия через мозг, характеризуется не полностью. Здесь мы показываем онлайн платформу облачных вычислений, «MRICloud», которая обеспечивает на основе Атлас целом мозг сегментации Т1 взвешенных изображений на нескольких уровнях гранулярности и тем самым, позволяет нам получить доступ к региональные особенности анатомии мозга. Мы затем описать модель регрессии, обнаруживает статистически перегиба точек, в которых региональные мозга атрофия начинает быть заметным, т.е. «смена точки», в отношении индекса прогрессирование болезни. Мы использовали продукт (CAP) Оценка ЦАГ возраст для индексации прогрессирования заболевания в HD больных. Точка изменения анализа объемного измерения от сегментации трубопровода, таким образом, предоставляет важную информацию заказа и шаблон структурных атрофии через мозг. Этот документ иллюстрирует использование этих методов на Т1 взвешенных МРТ данных субъектов premanifest HD от большое многоцентровое исследование ПРЕДСКАЗАТЬ-HD. Этот дизайн потенциально имеет широкое применение в диапазоне нейродегенеративных заболеваний для изучения динамических изменений мозга анатомии.
Introduction
Магнитно-резонансная томография (МРТ) существенно расширить наши возможности для изучения анатомии мозга и функции в нейродегенеративных заболеваний1,2,3. T1-взвешенный структурных МРТ является одним из наиболее широко принятых изображений инструменты в обычной клинической практике для оценки анатомии мозга и связанных с ними патологии. Количественный анализ Т1 взвешенных изображений с высоким разрешением обеспечивает полезные маркеры, чтобы измерить анатомические изменения во время дегенерация головного мозга. В частности, подходы на основе сегментации количественная оценка эффективно уменьшает размерность изображения от уровня voxel (на порядке (106)) Анатомические структурного уровня ((102)) для высокой пропускной способности Нейроинформатика4 , 5. Автоматизированная мозга сегментации может быть достигнуто с помощью методов, основанных на Атлас7,6,8,9 , что карта предварительно определенных анатомических этикетки из атласа на пациента изображений . Среди методов, основанных на Атлас, мульти Атлас алгоритмы10,11,12,,1314 дали улучшенный сегментации точность и надежность. Наша группа разработала полностью автоматизированный конвейер мульти Атлас сегментации T1, с передовых diffeomorphic изображения регистрации алгоритмы15, мульти Атлас фьюжн методы16,17и богатые мульти Атлас библиотек 18. трубопровод был распространен на платформе облачных вычислений, MRICloud19, с 2015 года, и он был использован для изучения нейродегенеративных заболеваний, таких как болезнь Альцгеймера (AD)20,21, начальное Прогрессивные афазии22и болезнь Хантингтона23.
После того как изображения с высоким разрешением разбиваются на структуры мозга, региональных особенностей, таких как тома, может использоваться для создания математических моделей для характеристики нейроанатомический изменения. Точка изменения анализа метод недавно был создан нашей группы для анализа временных порядок, в котором происходят статистически мозга морфометрические изменения, основанные на данных МРТ продольного или поперечного сечения. Эта статистическая модель была впервые разработана для количественной оценки на основе формы diffeomorphometry старше21,больных ад24; и позже она была адаптирована для изучения структурных изменений головного мозга в болезни Гентингтона (HD), а также относительно описания развития изменения мозга новорожденных мозги25. В HD пациентов с уважением к ЦАГ возраст Оценка продукта (CAP), как показатель степени подверженности расширением CAG в HTT 26был определен точка изменения. Это хорошо известно, что атрофия полосатой является одним из ранних маркеров в HD, следуют Глобус бледного27. Тем не менее, изменения в Полосатое тело по отношению к другим структурам серого и белого вещества через мозг остается неясным. Такое отношение имеет решающее значение для нас, чтобы понять прогрессирования заболевания. Точка изменения анализ объемных изменений во всех структурах мозга скорее всего обеспечит систематическую информацию атрофии головного мозга в premanifest фазе HD.
Здесь мы показываем, процедуры для выполнения всего мозг сегментации, с помощью MRICloud (www.mricloud.org) и шаги для выполнения изменений Пойнт анализ объемных данных в premanifest HD темы. Были собраны данные МРТ с большой численностью населения многоцентрового ПРЕДСКАЗАТЬ-HD изучения29 28,с приблизительно 400 контроля и premanifest HD темы. Сочетание Атлас сегментации и точка изменения анализа приносит уникальную информацию о пространственно-временных порядок структурных изменений головного мозга и шаблон прогрессирования болезни через мозг. Методы потенциально применимы к ряду нейродегенеративных заболеваний с различными биомаркеров для сопоставления дегенерация головного мозга.
Protocol
Representative Results
Discussion
Как показано в настоящем документе, сегментация целом мозга МРТ головного мозга может быть удобно достигнуто с помощью нашей онлайн платформы MRICloud. T1-взвешенный МРТ основе объемный маркер показывает, быть надежной и чувствительной к ряду нейродегенеративных заболеваний1<…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Мы благодарим PREDICT-HD следователи, в частности, д-р Ханс Джонсон и д-р Джейн S. Pauslen из университета штата Айова, за их щедрость в обмене данных МРТ и конструктивное обсуждение по анализу данных и результатов.
Эта работа поддерживается NIH предоставляет R21 NS098018, Р50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41-EB015909, P41 EB015909, R01 EB000975, R01 EB008171 и U01 NS082085.
Materials
| MATLAB | Mathworks | N/A | Version 2015b and above |
| Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |
Riferimenti
- 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).
