الدماغ كل تجزئة وتحليل التغيير-نقطة من الدماغ التشريحية التصوير بالرنين المغناطيسي – التطبيق في مرض هنتنغتون بريمانيفيست
Summary
وتصف هذه الورقة نموذج إحصائي لتحليل بيانات التصوير بالرنين المغناطيسي الحجمي، الذي يحدد أن “التغيير نقطة” عندما يبدأ ضمور الدماغ في بريمانيفيست مرض هنتنغتون. ويتحقق رسم خرائط الدماغ كل النقاط التي التغير استناداً إلى حجم الدماغ التي تم الحصول عليها باستخدام خط أنابيب تجزئة المستندة إلى أطلس الصور T1 المرجحة.
Abstract
التقدم الذي أحرز مؤخرا في التصوير بالرنين المغناطيسي توفر مجموعة متنوعة من علامات مفيدة للتعرف على أمراض الأعصاب. في مرض هنتنغتون (HD)، يبدأ ضمور المخ الإقليمية سنوات عديدة قبل ظهور السيارات (أثناء فترة “بريمانيفيست”)، ولكن لا تتميز تماما نمط الزمانية المكانية من ضمور الإقليمية عبر الدماغ. هنا نظهر منصة على إنترنت سحابة الحوسبة، “مريكلود”، الذي يوفر المستندة إلى أطلس الدماغ كل تجزئة الصور T1 المرجحة على مستويات متعددة من التفاصيل، والتالي، تمكننا من الوصول إلى خصائص إقليمية في تشريح المخ. ثم يصف لنا نموذج انحدار الذي يكشف نقطة انعطاف يعتد به إحصائيا، يبدأ ضمور الدماغ الإقليمي الذي يمكن ملاحظته، أي “نقطة التغيير،” فيما يتعلق بمؤشر تطور مرض. كنا كاج-عمر المنتج (CAP) النقاط مؤشر تطور المرض في المرضى عالية الدقة. ولذلك، يوفر نقطة تغير تحليل القياسات الحجمية من خط أنابيب تجزئة، معلومات هامة للنظام ونمط من ضمور الهيكلية عبر الدماغ. الورقة يوضح استخدام هذه التقنيات على بيانات التصوير بالرنين المغناطيسي T1 المرجحة بريمانيفيست هد المواضيع من دراسة متعددة المراكز كبيرة هد التنبؤ بها. هذا التصميم يحتمل أن تكون له تطبيقات واسعة في طائفة من أمراض الأعصاب للتحقيق في التغيرات الدينامية لتشريح الدماغ.
Introduction
التصوير بالرنين المغناطيسي (التصوير بالرنين المغناطيسي) عزز إلى حد كبير قدرتنا على دراسة تشريح الدماغ ووظائف الأعصاب من الأمراض1،،من23. اعتمدت الهيكلية T1 المرجحة الرنين المغناطيسي واحدة من أوسع أدوات التصوير في الممارسة السريرية الروتينية لتقييم تشريح الدماغ والأمراض ذات الصلة. ويوفر التحليل الكمي للصور ذات الدقة العالية T1 المرجحة علامات مفيدة لقياس التغيرات التشريحية خلال تنكس الدماغ. على وجه الخصوص، تقسيم على أساس النهج الكمي يقلل فعالية أبعاد الصورة من مستوى فوكسل (في أمر من (106)) على المستوى الهيكلي التشريحية ((102)) نيوروينفورماتيكس الفائق4 , 5-تجزئة الدماغ الآلي يمكن تحقيقه باستخدام الأساليب المستندة إلى أطلس6،7،،من89 أن خريطة التسميات التشريحية المحددة مسبقاً من أطلس على الصور المريض . من بين الأساليب المستندة إلى نظام أطلس، أثمرت خوارزميات متعددة أطلس10،11،12،،من1314 تجزئة فائقة الدقة ومتانة. مجموعتنا ووضعت خط أنابيب تجزئة أطلس متعدد T1 مؤتمتة بالكامل، مع ديفيومورفيك متقدمة صورة التسجيل خوارزميات15والانصهار أطلس متعدد الأساليب16،17وغنية متعددة أطلس المكتبات 18-خط الأنابيب قد وزعت على منصة سحابة الحوسبة، مريكلود19، منذ عام 2015، وأنها قد استخدمت لدراسة أمراض الأعصاب، مثل مرض الزهايمر (AD)20،21، الابتدائية حبسه التدريجي22، ومرض هنتنغتون23.
حالما يتم تقسيم الصور ذات الدقة العالية إلى هياكل الدماغ، يمكن استخدام الخصائص الإقليمية، مثل وحدات التخزين، إنشاء النماذج الرياضية لوصف التغييرات التي نيورواناتوميكال. أسلوب تحليل نقطة تغير أنشئت مؤخرا بمجموعتنا لتحليل الترتيب الزمني، التي تحدث فيها تغييرات شكلي الدماغ يعتد به إحصائيا، استناداً إلى بيانات التصوير بالرنين المغناطيسي طولية و/أو المشتركة بين القطاعات. طور هذا النموذج الإحصائي أولاً كمياً على أساس الشكل ديفيومورفوميتري على مدى العمر في الإعلان المرضى21،24؛ وأنه كان في وقت لاحق تتكيف مع التحقيق في الدماغ التغييرات الهيكلية في مرض هنتنغتون (HD)، فضلا عن وصف التغيرات الإنمائية الدماغ في أدمغة الأطفال حديثي الولادة25. في المرضى عالية الدقة، عرف أن التغير النقطة الدخول فيما يتعلق بنقاط كاج-عمر المنتج (CAP)، كمؤشر لمدى التعرض لتوسيع المساعدة النقدية في HTT 26. فمن المعروف جيدا أن ضمور سترياتال واحدة من علامات أقرب في HD، تليها pallidus جلوبس27. ومع ذلك، التغييرات في المخطط فيما يتعلق بالهياكل الأخرى مسألة الأبيض والرمادي عبر الدماغ لا يزال غير واضح. هذه العلاقة حاسمة بالنسبة لنا لفهم تطور المرض. يرجح أن سيوفر التحليل نقطة التغيير الحجمي التغيرات في هياكل الدماغ جميع المعلومات المنتظمة من ضمور الدماغ في مرحلة بريمانيفيست عالية الدقة.
هنا نظهر إجراءات القيام بتجزئة الدماغ كلياً باستخدام مريكلود (www.mricloud.org)، والخطوات المتخذة لإجراء تحليل نقطة تغير البيانات الحجمي في بريمانيفيست هد المواضيع. وجمعت بيانات التصوير بالرنين المغناطيسي من متعددة عدد كبير من سكان هد التنبؤ بها-دراسة28،29 مع حوالي 400 من عناصر التحكم وبريمانيفيست هد المواضيع. أن الجمع بين التحليل تجزئة ونقطة التغيير القائم على أطلس يجلب معلومات فريدة من نوعها حول أمر الزمانية المكانية للتغيرات الهيكلية في الدماغ ونمط تطور المرض عبر الدماغ. التقنيات قابلة للتطبيق المحتمل لمجموعة من أمراض الأعصاب مع مختلف المؤشرات الحيوية خريطة تنكس الدماغ.
Protocol
Representative Results
Discussion
كما هو موضح في هذه الورقة، تجزئة الدماغ الجامع للدماغ بالرنين المغناطيسي مريح يمكن استخدام موقعنا على الإنترنت منصة مريكلود. وقد أظهرت T1 المرجحة الرنين المغناطيسي على أساس علامة الحجمي لتكون قوية وحساسة لمجموعة من الأعصاب الأمراض1،،من23…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
ونحن نشكر المحققون هد التنبؤ بها، لا سيما الدكتور هانز جونسون والدكتور جين س. باوسلين من جامعة آيوا، لسخائها في تبادل بيانات التصوير بالرنين المغناطيسي ومناقشة بناءة بشأن تحليل البيانات والنتائج.
يتم دعم هذا العمل بالمعاهد الوطنية للصحة منح R21 NS098018، P50 NS16375، NS40068، R01 NS086888، R01 NS084957، P41 EB015909، P41 EB015909، R01 EB000975، R01 EB008171 و 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).
