Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit
Summary
Dieses Whitepaper beschreibt ein statistisches Modell für Volumetrische MRI-Daten-Analyse, die “Wechselpunkt” identifiziert, wenn Hirnatrophie im Premanifest Chorea Huntington beginnt. Ganz-Brain Mapping von die wechselpunkte erfolgt basierend auf Gehirn Volumen mit einer Atlas-basierte Segmentierung-Pipeline von T1-gewichteten Bildern erzielt.
Abstract
Jüngste Fortschritte in der MRT bieten eine Vielzahl nützlicher Marker, Neurodegenerative Erkrankungen zu identifizieren. Bei der Huntington-Krankheit (HD) regionale Hirnatrophie beginnt viele Jahre vor dem motor auftreten (während der “prämanifesten” Periode), aber das räumlich-zeitliche Muster der regionalen Atrophie über das Gehirn nicht vollständig charakterisiert. Hier zeigen wir eine Online-Cloud-computing-Plattform, “MRICloud”, die Atlas-basierte ganze Gehirn Segmentierung von T1-gewichteten Bildern auf mehreren Ebenen der Granularität, und dabei kann wir auf die regionalen Besonderheiten der Anatomie des Gehirns zuzugreifen. Dann beschreiben wir ein Regressionsmodell, das statistisch signifikante Wendepunkte bei denen regionale Hirnatrophie beginnt erkennt zu spüren, d. h. der “Change-Point”, im Hinblick auf eine Krankheit Fortschreiten Index. Wir verwendet die CAG-Alter Produkt (CAP) Partitur, um das Fortschreiten der Krankheit bei Huntington-Patienten zu indizieren. Wechselpunkt Analyse der volumetrischen Messungen aus der Segmentierung Pipeline liefert wichtige Informationen und Muster der strukturelle Atrophie daher über das Gehirn. Das Papier zeigt die Verwendung dieser Techniken auf T1-gewichteten MRT-Daten aus einer großen multizentrischen Studie der PREDICT-HD prämanifesten HD-Themen. Dieses Design hat breite Anwendungen möglicherweise in einer Reihe von neurodegenerativen Erkrankungen, die dynamischen Veränderungen der Anatomie des Gehirns zu untersuchen.
Introduction
Magnetresonanz-Bildgebung (MRI) wurde wesentlich verbessert, unsere Fähigkeit zu prüfen, die Anatomie des Gehirns und Funktionen bei neurodegenerativen Krankheiten1,2,3. T1-gewichteten strukturelle MRI ist einer der am weitesten verbreitete Annahme imaging-Tools im klinischen Alltag zur Beurteilung der Anatomie des Gehirns und damit verbundene Pathologie. Quantitative Analyse von hochauflösenden T1-gewichteten Bildern bietet nützliche Marker um anatomische Veränderungen während der Degeneration des Gehirns messen. Insbesondere Segmentierung basierend Quantifizierung Ansätze reduziert effektiv die Bild-Dimensionalität von Voxel-Ebene (in der Größenordnung von (106)), anatomische Strukturebene ((102)) für Hochdurchsatz-Neuroinformatik4 , 5. automatisierte Gehirn Segmentierung erreicht werden kann, mit Atlas-basierte Methoden6,7,8,9 , die die vordefinierten anatomischen Beschriftungen aus einem Atlas auf den Patienten Bilder zuordnen . Unter den Atlas-basierte Methoden ergab Algorithmen für Multi-Atlas10,11,12,13,14 überlegene Segmentierung Genauigkeit und Robustheit. Unsere Gruppe hat eine vollautomatische T1 Multi-Atlas Segmentierung Pipeline mit fortgeschrittenen Diffeomorphic Bild Anmeldung Algorithmen15, Multi-Atlas Fusion Methoden16,17und reiche Multi-Atlas-Bibliotheken entwickelt. 18. die Pipeline wurde auf eine Cloud-computing-Plattform, MRICloud19, seit 2015 verteilt und es wurde verwendet, um Neurodegenerative Erkrankungen wie Alzheimer-Krankheit (AD)20,21, Grundschule studieren Progressive Aphasie22und Chorea Huntington23.
Sobald die hochauflösenden Bilder in Gehirnstrukturen segmentiert sind, können regionale Besonderheiten, wie Volumen, werden zum Herstellen verwendet mathematische Modelle, um die neuroanatomischen Veränderungen zu charakterisieren. Eine Änderung-Punkt-Analyse-Methode wurde vor kurzem eingerichtet, von unserer Fraktion, die zeitliche Ordnung, in der statistisch signifikanten gehirnveränderungen morphometrische auftreten, anhand von längs- bzw. Querschnitt MRI-Daten zu analysieren. Diese statistischen Modell wurde zuerst entwickelt, um Form-basierte Diffeomorphometry älter als AD Patienten21,24zu quantifizieren; und es wurde später angepasst, um strukturelle Veränderungen im Gehirn bei der Huntington Krankheit (HD), sowie um Entwicklungsstörungen gehirnveränderungen im neonatalen Gehirn25beschreiben zu untersuchen. Bei Huntington-Patienten wurde der Wechselpunkt mit Respekt auf die CAG-Alter Produkt (CAP) Partitur, als Indikator für das Ausmaß der Exposition gegenüber der CAG-Ausbau in HTT 26definiert. Es ist bekannt, dass striatalen Atrophie einer der frühesten Marker in HD ist, gefolgt von der Globus Pallidus27. Doch die Veränderungen im Striatum in Bezug auf andere Strukturen der grauen und weißen Substanz in das Gehirn bleibt unklar. Diese Beziehung ist entscheidend für uns, das Fortschreiten der Erkrankung zu verstehen. Wechselpunkt Analyse der volumetrischen Veränderungen in allen Hirnstrukturen wird wahrscheinlich systematische Hirnatrophie in prämanifesten Phase der Huntington-Krankheit informieren.
Hier zeigen wir die Verfahren um ganze Gehirn Segmentierung mit MRICloud (www.mricloud.org), und Schritte zu Wechselpunkt volumetrischer Daten in prämanifesten HD Themen analysieren durchzuführen. Die MRT-Daten wurden gesammelt von einem Großteil der Bevölkerung multizentrischen PREDICT-HD Studie28,29 mit ca. 400 Kontrollen und prämanifesten HD Themen. Die Kombination von Atlas-Segmentierung und Wechselpunkt Analyse bringt einzigartige Informationen über die räumlich-zeitliche Reihenfolge der die strukturellen Veränderungen im Gehirn und das Krankheitsbild Fortschreiten über das Gehirn. Die Techniken sind potenziell für eine Reihe von neurodegenerativen Erkrankungen mit verschiedene Biomarker, die Degeneration des Gehirns abzubilden.
Protocol
Representative Results
Discussion
Wie in dieser Arbeit gezeigt hat, kann ganze Gehirn Segmentierung der Gehirn-MRT bequem über unsere Online-Plattform MRICloud erreicht werden. T1-gewichteten MRT basierte Volumetrische Marker hat gezeigt, robust und empfindlich gegen eine Reihe von neurodegenerativen Krankheiten1,2,3. Die volumetrische Maßnahmen dienen zur Unterstützung der klinischen Diagnose und Prognose für verschiedene nachgelagerte Analyse, wie mathemat…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Wir danken der PREDICT-HD Ermittler, insbesondere Dr. Hans Johnson und Dr. Jane S. Pauslen von der University of Iowa für ihre Großzügigkeit in der MRT-Daten und konstruktive Diskussion über die Analyse der Daten und Ergebnisse teilen.
Diese Arbeit wird unterstützt durch NIH R21 NS098018, P50-NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 und U01 NS082085 gewährt.
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).
