Geheel-hersenen segmentatie en verandering-punt analyse van anatomische hersenen MRI — toepassing in Premanifest de ziekte van Huntington
Summary
Dit witboek beschrijft een statistisch model voor volumetrische MRI data-analyse, waarmee de “verandering-point” wanneer de atrofie van de hersenen in premanifest de ziekte van Huntington begint. Geheel-brain mapping van de verandering-punten wordt bereikt op basis van hersenen volumes verkregen met behulp van een atlas gebaseerde segmentatie pijpleiding van T1-gewogen beelden.
Abstract
Recente vooruitgang in MRI bieden een verscheidenheid aan nuttige markeringen te identificeren van neurodegeneratieve ziekten. In de ziekte van Huntington (HD), atrofie van de regionale hersenen begint vele jaren voorafgaand aan de motor inleiding (de periode “premanifest”), maar de spatio patroon van regionale atrofie in de hersenen niet volledig gekenmerkt. Hier tonen we een online on-demand platform, “MRICloud”, die biedt atlas gebaseerde geheel-hersenen segmentatie van T1-gewogen beelden op meerdere niveaus van de granulariteit, en daarmee kan we toegang tot de regionale kenmerken van de anatomie van de hersenen. Vervolgens beschrijven we een regressiemodel die statistisch significant buigpunten detecteert, waartegen regionale hersenen atrofie begint te het merkbaar, d.w.z. de “verandering-point”, met betrekking tot een ziekte progressie index. We gewend de CAG-leeftijd product (CAP) score index van de progressie van de ziekte in HD patiënten. Belangrijke informatie van de orde en patroon van de atrofie van de structurele biedt verandering-punt analyse van de volumetrische metingen van de segmentatie pijpleiding, daarom over de hersenen. Het papier illustreert het gebruik van deze technieken op T1-gewogen MRI gegevens premanifest HD onderwerpen van een grote multicenter studie van PREDICT-HD. Dit ontwerp heeft potentieel breed toepassingen in een assortiment van neurodegeneratieve ziekten te onderzoeken van de dynamische veranderingen van anatomie van de hersenen.
Introduction
Magnetische resonantie beeldvorming (MRI) heeft ons vermogen de anatomie van de hersenen en functies in neurodegeneratieve ziekten,1,,2,3te onderzoeken aanzienlijk verbeterd. T1-gewogen structurele die MRI één van meest is aangenomen imaging tools in de gangbare klinische praktijk de anatomie van de hersenen en gerelateerde pathologie te beoordelen. Kwantitatieve analyse van de hoge resolutie T1-gewogen beelden biedt nuttige markeringen voor het meten van anatomische veranderingen tijdens de degeneratie van de hersenen. In het bijzonder benaderingen van de kwantificering van de segmentatie op basis effectief vermindert het dimensionaliteit van de afbeelding van voxel niveau (op de orde van (106)) naar anatomische structurele niveau ((102)) voor high-throughput neuroinformatics4 , 5. Automated hersenen segmentatie kan worden bereikt met behulp van atlas gebaseerde methoden6,7,8,9 dat de vooraf gedefinieerde anatomische labels van een atlas op de patiënt beelden kaart . Onder de atlas gebaseerde methoden, hebben multi atlas algoritmen10,11,12,13,14 opgeleverd, de segmentering van de superieure nauwkeurigheid en degelijkheid. Onze fractie heeft ontwikkeld een volledig geautomatiseerde T1 multi atlas segmentatie pijpleiding, met geavanceerde diffeomorf afbeelding registratie algoritmen15, multi atlas fusion methoden16,17, en rijke multi atlas bibliotheken 18. de pijpleiding is rondgedeeld op een on-demand platform, MRICloud19, sinds 2015, en het is gebruikt voor het bestuderen van neurodegeneratieve ziekten, zoals de ziekte van Alzheimer (AD)20,21, primaire Progressieve afasie22en23van de ziekte van Huntington.
Zodra de hoge resolutie beelden zijn onderverdeeld in breinstructuur, kunnen regionale kenmerken, zoals volumes, worden gebruikt om wiskundige modellen te karakteriseren de neuroanatomische wijzigingen. De methode van de analyse van een verandering-punt werd onlangs opgericht door onze fractie voor het analyseren van de wereldlijke volgorde, waarin statistisch significant hersenen Morfometrische veranderingen optreden, op basis van longitudinale en/of transversale MRI-gegevens. Dit statistisch model werd aanvankelijk ontwikkeld om te kwantificeren vorm gebaseerde diffeomorphometry over leeftijd in AD patiënten21,24; en het werd later aangepast voor het onderzoek naar de structurele veranderingen van de hersenen in de ziekte van Huntington (HD), alsook over het beschrijven van de hersenen developmental veranderingen in neonatale hersenen25. In HD patiënten, werd de verandering-punt met betrekking tot de CAG-leeftijd product (CAP) score, gedefinieerd als een indicator van de mate van blootstelling aan de CAG-uitbreiding in HTT 26. Het is bekend dat striatale atrofie één van de vroegste markers in HD is, gevolgd door de globus pallidus27. Toch, de veranderingen in het striatum ten opzichte van andere structuren van de grijze en witte stof in de hersenen blijft onduidelijk. Deze relatie is cruciaal voor ons om te begrijpen van de progressie van de ziekte. Verandering-punt analyse van de volumetrische veranderingen in alle breinstructuur zorgt waarschijnlijk voor systematische informatie van de atrofie van de hersenen in de premanifest fase van HD.
Hier tonen we de procedures voor het uitvoeren van geheel-hersenen segmentatie gebruik MRICloud (www.mricloud.org) en de stappen voor het uitvoeren van verandering-punt analyse van volumetrische gegevens in premanifest HD onderwerpen. De MRI-gegevens werden verzameld uit een grote populatie multicentrische PREDICT-HD studeren28,,29 met ongeveer 400 controles en premanifest HD onderwerpen. De combinatie van atlas gebaseerde segmentatie en verandering-punt analyse brengt unieke informatie over de spatio volgorde van de structurele veranderingen van de hersenen en het ziektepatroon progressie in de hersenen. De technieken zijn mogelijk van toepassing op een reeks neurodegeneratieve ziekten met verschillende biomerkers om de degeneratie van de hersenen in kaart.
Protocol
Representative Results
Discussion
Zoals aangetoond in deze paper, worden geheel-hersenen segmentatie van de hersen-MRI gemakkelijk bereikt met behulp van onze online platform MRICloud. T1-gewogen MRI gebaseerd volumetrische marker heeft aangetoond dat robuust en gevoelig voor een reeks neurodegeneratieve ziekten,1,,2,3. De volumetrische maatregelen worden gebruikt voor verschillende downstream analyse, zoals wiskundige modellering en functie-selectie en indeling…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Wij danken de PREDICT-HD onderzoekers, in het bijzonder Dr. Hans Johnson en Dr. Jane S. Pauslen van Universiteit van Iowa, voor hun gulheid in het delen van de MRI-gegevens en constructieve discussie over de data-analyse en resultaten.
Dit werk wordt ondersteund door de NIH verleent R21 NS098018 P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 en 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).
