מוח-כל פילוח וניתוח נקודת השינוי האנטומי במוח MRI – היישום ב- Premanifest של מחלת הנטינגטון
Summary
מאמר זה מתאר מודל סטטיסטי עבור נפח ניתוח נתונים MRI, אשר מזהה “השינוי-הצבע” ניוון המוח מתחיל ב premanifest מחלת הנטינגטון. מיפוי מוח-כל השינוי-נקודות מושגת המבוסס על המוח כרכים שהושג באמצעות צינור של פילוח המבוסס על האטלס של תמונות משוקלל T1.
Abstract
התפתחויות אחרונות MRI מציעים מגוון רחב של סמני שימושי לזיהוי מחלות ניווניות. מחלת הנטינגטון (HD), ניוון המוח האזורי מתחיל הרבה לפני שהללו מוטוריים (במהלך תקופת “premanifest”), אך ייתכן קמע תבנית התנועה של ניוון אזוריים ברחבי המוח לא מלא מלווה. כאן אנחנו מדגימים פלטפורמת מחשוב ענן מקוון, “MRICloud”, אשר מספק מבוססי אטלס פילוח מוח-כל הדימויים משוקלל T1 ברמות צפיפות רשת מרובים, ובכך, מאפשרת לנו לקבל גישה לתכונות אזורי המוח באנטומיה. לאחר מכן נתאר רגרסיה מודל מזהה נקודות פיתול סטטיסטית, שבו ניוון המוח האזורי מתחיל להיות מורגש, קרי “השינוי-הצבע”, ביחס אינדקס התקדמות המחלה. השתמשנו התוצאה מוצר (CAP) חטיבתי-גיל למדד את התקדמות המחלה בחולים HD. שינוי-נקודת ניתוח של המדידות הנפחי מקו הצינורות פילוח, לכן, מספק מידע חשוב של סדר, דפוס של ניוון מבניים על פני המוח. המאמר מדגים שימוש הטכניקות הללו על נתוני MRI T1 משוקלל של נושאים HD premanifest מחקר גדול multicenter לנבא-HD. עיצוב זה יש פוטנציאל יישומים רחב במגוון של מחלות ניווניות לחקור את השינויים הדינמיים של האנטומיה של המוח.
Introduction
דימות תהודה מגנטית (MRI) יש משופרת באופן משמעותי את היכולת שלנו לבחון את המוח אנטומיה והפונקציות ניווניות מחלות1,2,3. מבנה משוקלל T1 ש-MRI הוא אחד הנפוצים ביותר אימצו כלי הדמיה שגרתיות הקלינית להעריך את המוח אנטומיה פתולוגיה קשורים. ניתוח כמותי של תמונות ברזולוציה גבוהה משוקלל T1 מספקת סמנים שימושיים כדי למדוד שינויים אנטומיים במהלך ניוון מוחי. בפרט, פילוח המבוסס על כימות גישות מפחית ביעילות את dimensionality תמונות מרמת voxel (מנת של (106)) לרמה מבניים אנטומיים ((102)) עבור תפוקה גבוהה neuroinformatics4 , 5. פילוח המוח אוטומטית יכולה להיות מושגת באמצעות שיטות מבוססות-אטלס6,7,8,9 הממפות את התוויות אנטומי מוגדרים מראש של אטלס על גבי התמונות החולה . בין השיטות מבוססות-אטלס, אלגוריתמים מרובה אטלס10,11,12,13,14 הניבו פילוח סופריור דיוק ועמידות. הקבוצה שלנו פיתחה אוטומטית לחלוטין T1 אטלס מרובה פילוח צינור, עם diffeomorphic מתקדמות תמונה רישום אלגוריתמים15, פיוז’ן אטלס ריבוי שיטות16,17וספריות אטלס מרובה עשיר 18. הצינור הופצה על פלטפורמת מחשוב ענן, MRICloud19, משנת 2015, ואת זה שימש לחקר מחלות ניווניות כגון מחלת אלצהיימר (AD)20,21ראשי אפזיה פרוגרסיבית22, מחלת הנטינגטון23.
לאחר התמונות ברזולוציה גבוהה הן מקוטע לתוך מבנים במוח, תכונות אזוריים, כגון אמצעי אחסון, יכול לשמש כדי ליצור מודלים מתמטיים כדי לאפיין את השינויים neuroanatomical. שיטת ניתוח נקודת השינוי הוקמה לאחרונה על ידי הקבוצה שלנו כדי לנתח הסדר הטמפורלי, שבו מתרחשים שינויים morphometric המוח סטטיסטית, בהתבסס על נתוני MRI האורך ו/או חתך הרוחב. מודל סטטיסטי זה פותחה לראשונה לכמת diffeomorphometry מבוססת על צורה מעל גיל לספירה חולים21,24; זו הותאמה מאוחר יותר לחקור מחלת הנטינגטון (HD), כמו גם לתיאור שינויים התפתחותיים במוח המוח neonatal25ביצוע שינויים מבניים במוח. בחולים HD, נקודת-השינוי הוגדרה עם כבוד התוצאה מוצר (CAP) חטיבתי-גיל, כמחוון של היקף החשיפה הרחבה חטיבתי HTT 26. זה ידוע כי ניוון striatal הוא אחד הסמנים המוקדמים ב- HD, ואחריו globus pallidus27. עדיין, השינויים סטריאטום ביחס מבנים אחרים חומר אפור ולבן על פני המוח עדיין לא ברור. יחס כזה חיונית לנו להבין את התקדמות המחלה. שינוי-נקודת ניתוח של נפחי שינויים במבנים המוח כל ככל הנראה תספק מידע שיטתית של ניוון מוחי בשלב premanifest של HD.
כאן אנחנו מדגימים את ההליכים כדי לבצע פילוח שלם-מוח באמצעות MRICloud (www.mricloud.org), ואת השלבים לביצוע ניתוח נקודת השינוי של נפחי נתונים בנושאים HD premanifest. MRI הנתונים שנאספו מ multicenter אוכלוסייה גדולה לנבא-HD ללמוד28,29 עם פקדים כ- 400 ונושאים HD premanifest. השילוב של מבוסס-אטלס פילוח נקודת השינוי וניתוח מביא מידע ייחודי על הסדר ייתכן של השינויים המבניים במוח, דפוס התקדמות המחלה ברחבי המוח. הטכניקות ישימות פוטנציאל למגוון של מחלות ניווניות עם סמנים ביולוגיים שונים כדי למפות את ניוון מוחי.
Protocol
Representative Results
Discussion
כפי שמתואר במאמר זה, חלוקת השלם-מוח MRI מוח בנוחות המתאפשר באמצעות הפלטפורמה המקוונת שלנו MRICloud. MRI מבוסס משוקלל T1 הנפחי סמן הוכיחו להיות רגיש לטווח של2,1,מחלות ניווניות3ועמיד. האמצעים הנפחי משמשים לניתוח במורד הזרם שונים, כגון מודלים מתימטיי…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
אנו מודים לנבא-HD החוקרים, בעיקר, ד ר הנס ג’ונסון ו ד ר ג’יין Pauslen ס מ אוניברסיטת איווה, הנדיבות שלהם שיתוף נתונים MRI ודיון בונה על ניתוח נתונים ועל התוצאות.
עבודה זו נתמכת על ידי NIH מעניקה R21 NS098018 P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, 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).
