पूरे मस्तिष्क विभाजन और संरचनात्मक मस्तिष्क एमआरआई के परिवर्तन बिंदु विश्लेषण-प्रकट Huntington की बीमारी में आवेदन
Summary
यह कागज volumetric एमआरआई डेटा विश्लेषण के लिए एक सांख्यिकीय मॉडल का वर्णन करता है, जो “परिवर्तन-बिंदु” जब मस्तिष्क शोष प्रकट Huntington की बीमारी में शुरू होता है पहचानता है । पूरे-परिवर्तन की मस्तिष्क मानचित्रण अंक के आधार पर प्राप्त की है मस्तिष्क की मात्रा एक एटलस आधारित विभाजन पाइपलाइन T1-भारित छवियों के उपयोग से ।
Abstract
एमआरआई में हाल ही में प्रगति neurodegenerative रोगों की पहचान करने के लिए उपयोगी मार्कर की एक किस्म प्रदान करते हैं । Huntington के रोग (एचडी) में, क्षेत्रीय मस्तिष्क शोष कई वर्षों से पहले मोटर शुरुआत करने के लिए शुरू होता है (“प्रकट” अवधि के दौरान), लेकिन मस्तिष्क भर में क्षेत्रीय शोष के spatiotemporal पैटर्न पूरी तरह से विशेषता नहीं किया गया है. यहाँ हम एक ऑनलाइन क्लाउड-कंप्यूटिंग प्लेटफ़ॉर्म, “MRICloud” प्रदर्शित करते हैं, जो कई दानेदार स्तरों पर एटलस-आधारित पूरे-T1 भारित छवियों का विभाजन प्रदान करता है, और इस प्रकार, हमें मस्तिष्क शरीर रचना की क्षेत्रीय सुविधाओं का उपयोग करने में सक्षम बनाता है । हम तो एक प्रतिगमन मॉडल है कि सांख्यिकीय महत्वपूर्ण मोड़ अंक का पता लगाता है, जो क्षेत्रीय मस्तिष्क शोष पर नजर रखने के लिए शुरू होता है, अर्थात् “परिवर्तन बिंदु”, एक रोग प्रगति सूचकांक के संबंध में वर्णन । हमने सीएजी-आयु उत्पाद (कैप) स्कोर का इस्तेमाल किया जिससे एचडी रोगियों में रोग बढ़ने का सूचकांक हुआ । विभाजन पाइपलाइन से volumetric माप के परिवर्तन बिंदु विश्लेषण, इसलिए, मस्तिष्क भर में संरचनात्मक शोष के आदेश और पैटर्न की महत्वपूर्ण जानकारी प्रदान करता है । यह कागज एक बड़ी multicenter भविष्यवाणी-hd अध्ययन से-T1 वजन वाले एमआरआई के विषयों पर इन तकनीकों के उपयोग को दिखाता है । इस डिजाइन संभावित मस्तिष्क शरीर रचना विज्ञान के गतिशील परिवर्तन की जांच करने के लिए neurodegenerative रोगों की एक श्रेणी में व्यापक अनुप्रयोगों है ।
Introduction
चुंबकीय अनुनाद इमेजिंग (एमआरआई) काफी हमारे neurodegenerative रोगों1,2,3में मस्तिष्क शरीर रचना विज्ञान और कार्यों की जांच करने की क्षमता में वृद्धि हुई है । T1-भारित संरचनात्मक एमआरआई मस्तिष्क शरीर रचना विज्ञान और संबंधित विकृति का आकलन करने के लिए नियमित नैदानिक अभ्यास में सबसे व्यापक रूप से अपनाया इमेजिंग उपकरणों में से एक है. उच्च संकल्प T1-भारित छवियों का मात्रात्मक विश्लेषण मस्तिष्क अध कि के दौरान संरचनात्मक परिवर्तन को मापने के लिए उपयोगी मार्करों प्रदान करता है । विशेष रूप से, विभाजन आधारित ठहराव दृष्टिकोण प्रभावी रूप से voxel स्तर ((106) के आदेश पर) उच्च प्रवाह neuroinformatics4 के लिए संरचनात्मक संरचनात्मक स्तर ((102)) से छवि आयामीता को कम कर देता है , 5. स्वचालित मस्तिष्क विभाजन का उपयोग कर प्राप्त किया जा सकता है एटलस आधारित तरीकों6,7,8,9 कि नक्शा पूर्व निर्धारित संरचनात्मक लेबल रोगी छवियों पर एक एटलस से . एटलस-आधारित तरीकों के अलावा, मल्टी-एटलस एल्गोरिदम10,11,12,13,14 बेहतर फॉल्ट सटीकता और मजबूती से झुकेंगे । हमारे समूह ने एक पूरी तरह से स्वचालित T1 बहु-एटलस विभाजन पाइप लाइन विकसित की है, उन्नत diffeomorphic छवि पंजीकरण एल्गोरिदम के साथ15, मल्टी-एटलस फ्यूजन तरीकों16,17, और अमीर बहु-एटलस पुस्तकालयों 18. २०१५ के बाद से19MRICloud एक क्लाउड-कंप्यूटिंग प्लेटफार्म पर पाइपलाइन वितरित की गई है, और इसका उपयोग neurodegenerative रोगों के अध्ययन के लिए किया गया है, जैसे अल्ज़ाइमर रोग (AD)20,21, प्राथमिक प्रगतिशील वाचाघात22, और Huntington की बीमारी23.
एक बार उच्च संकल्प छवियों मस्तिष्क संरचनाओं में वर्गीकृत कर रहे हैं, जैसे संस्करणों के रूप में क्षेत्रीय सुविधाओं, गणितीय मॉडल स्थापित करने के लिए इस्तेमाल किया जा सकता neuroanatomical परिवर्तन की विशेषता है । एक परिवर्तन सूत्री विश्लेषण विधि हाल ही में हमारे समूह द्वारा स्थापित किया गया था लौकिक आदेश का विश्लेषण, जिसमें सांख्यिकीय महत्वपूर्ण मस्तिष्क morphometric परिवर्तन होते हैं, अनुदैर्ध्य और/या पार अनुभागीय एमआरआई डेटा के आधार पर । यह सांख्यिकीय मॉडल पहली बार आकार के आधार पर विकसित किया गया था-विज्ञापन रोगियों में उम्र से अधिक आधारित diffeomorphometry21,24; और यह बाद में Huntington की बीमारी (एचडी) में मस्तिष्क संरचनात्मक परिवर्तन की जांच करने के लिए अनुकूलित किया गया था, साथ ही नवजात दिमाग में मस्तिष्क विकास परिवर्तन का वर्णन करने के लिए25. एचडी रोगियों में, HTT 26में सीएजी विस्तार के लिए जोखिम की सीमा के संकेतक के रूप में, सीएजी-आयु उत्पाद (कैप) स्कोर के संबंध में परिवर्तन-बिंदु को परिभाषित किया गया था । यह अच्छी तरह से ज्ञात है कि striatal शोष HD में जल्द से मार्कर्स में से एक है, globus pallidus27द्वारा पीछा किया । फिर भी, मस्तिष्क भर में अन्य ग्रे और सफेद बात संरचनाओं के संबंध में striatum में परिवर्तन स्पष्ट नहीं रहता है. इस तरह के रिश्ते हमारे लिए रोग की प्रगति को समझने के लिए महत्वपूर्ण है । परिवर्तन-सभी मस्तिष्क संरचनाओं में volumetric परिवर्तन के बिंदु विश्लेषण की संभावना HD के प्रकट चरण में मस्तिष्क शोष के व्यवस्थित जानकारी प्रदान करेगा ।
यहाँ हम MRICloud (www.mricloud.org) का उपयोग कर पूरे मस्तिष्क विभाजन प्रदर्शन करने के लिए प्रक्रियाओं का प्रदर्शन, और प्रकट एचडी विषयों में volumetric डेटा के परिवर्तन बिंदु विश्लेषण करने के लिए कदम. एमआरआई डाटा एक बड़ी आबादी से एकत्र किए गए multicenter भविष्यवाणी-एचडी अध्ययन28,29 लगभग ४०० नियंत्रण और प्रकट एचडी विषयों के साथ । एटलस आधारित विभाजन और परिवर्तन बिंदु विश्लेषण के संयोजन मस्तिष्क संरचनात्मक परिवर्तन और मस्तिष्क भर में रोग प्रगति पैटर्न के spatiotemporal आदेश के बारे में अद्वितीय जानकारी लाता है । तकनीक संभावित विभिन्न neurodegenerative रोगों की एक श्रृंखला के लिए लागू कर रहे हैं मस्तिष्क अध…
Protocol
Representative Results
Discussion
इस पत्र में प्रदर्शन के रूप में, मस्तिष्क एमआरआई के पूरे मस्तिष्क विभाजन आसानी से हमारे ऑनलाइन मंच MRICloud का उपयोग कर प्राप्त किया जा सकता है । T1-भारित एमआरआई आधारित volumetric मार्कर मजबूत और neurodegenerative रोगों की एक स?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
हम भविष्यवाणी-HD जांचकर्ताओं, विशेष रूप से, डॉ हंस जॉनसन और डॉ जेन एस Pauslen आयोवा विश्वविद्यालय से, एमआरआई डेटा और डेटा विश्लेषण और परिणामों पर रचनात्मक चर्चा साझा करने में उनकी उदारता के लिए धंयवाद ।
यह काम NIH पलाश R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, और U01 NS082085 द्वारा समर्थित है ।
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).
