JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Risultati
Discussion
Divulgazioni
Acknowledgements
Materials
Riferimenti
Traduzione automatica
Please note that all translations are automatically generated. Click here for the English version.
Medicina

Hela-hjärnan segmentering och ändra punkt analys av anatomiska hjärnan MRI — tillämpning i Premanifest Huntingtons sjukdom

Published: June 09, 2018
doi:
10.3791/57256
, , , , ,
1The Russell H. Morgan Department of Radiology and Radiological Science,Johns Hopkins University School of Medicine, 2Center for Imaging Science,Johns Hopkins University, 3Institute for Computational Medicine,Johns Hopkins University, 4Department of Applied Mathematics and Statistics,Johns Hopkins University, 5Division of Neurobiology, Departments of Psychiatry, Neurology, Neuroscience and Pharmacology, and Program in Cellular and Molecular Medicine,Johns Hopkins University School of Medicine, 6F.M. Kirby Research Center for Functional Brain Imaging,Kennedy Krieger Institute, 7Department of Biomedical Engineering,Johns Hopkins University

Summary

Detta dokument beskriver en statistisk modell för volymetrisk MRI dataanalys som identifierar ”förändring-point” när hjärnan atrofi börjar i premanifest Huntingtons sjukdom. Hela-hjärnan kartläggning av förändring-punkter uppnås utifrån hjärnan volymer erhålls med en atlas-baserade segmentering pipeline av T1-viktade bilder.

Abstract

Senaste framstegen inom MRI erbjuder en mängd användbara markörer för att identifiera neurodegenerativa sjukdomar. Huntingtons sjukdom (HD), regionala hjärnan atrofi börjar många år före motor uppkomsten (under ”premanifest”), men spatiotemporal mönstret av regionala atrofi över hjärnan har inte präglats helt. Här visar vi en online molnbaserade plattform, ”MRICloud”, som ger atlas-baserade hela-hjärnan segmentering av T1-viktade bilder med flera granularitet nivåer, och därmed ger oss tillgång till de regionala funktionerna i hjärnans anatomi. Sedan beskriver vi en regressionsmodell som upptäcker statistiskt signifikant böjningsformer poäng, där regionala hjärnan atrofi börjar märkas, dvs ”förändring-point”, med avseende på ett index för progression av sjukdomen. Vi använde CAG-ålder produkt (CAP) Poäng för att indexera sjukdomsförloppet hos HS-patienter. Förändring-punkt analys av volymetriska mätningarna från rörledningen segmentering, därför ger viktig information av beställer och mönster av strukturella atrofi över hjärnan. Papperet illustrerar användningen av dessa tekniker på T1-viktade MRI data premanifest HD ämnen från en stor multicenterstudie PREDICT-HD. Denna konstruktion har potentiellt breda tillämpningar i olika neurodegenerativa sjukdomar att undersöka de dynamiska förändringarna av hjärnans anatomi.

Introduction

Magnetisk resonanstomografi (MRI) har avsevärt förbättrat vår förmåga att undersöka hjärnans anatomi och funktioner i neurodegenerativa sjukdomar1,2,3. T1-vägd strukturella MRI är en av mest antog bildframställning i rutinmässig klinisk praxis att bedöma hjärnans anatomi och relaterade patologi. Kvantitativ analys av högupplösande T1-viktade bilder ger användbara markörer för att mäta anatomiska förändringar under hjärnans degeneration. I synnerhet segmentering baserad kvantifiering tillvägagångssätt effektivt minskar den bild dimensionalitet från voxel nivå (för på (106)) till anatomiska strukturell nivå ((102)) för hög genomströmning neuroinformatics4 , 5. automatiserad hjärnan segmentering kan uppnås med atlas-baserade metoder6,7,8,9 som karta fördefinierade anatomiska etiketterna från en atlas på patientbilder . Bland de atlas-baserade metoderna, har flera atlas algoritmer10,11,12,13,14 gett överlägsen segmentering noggrannhet och robusthet. Vår grupp har utvecklat en helt automatiserad T1 flera atlas segmentering rörledning, med avancerade diffeomorphic bild registrering algoritmer15, flera atlas fusion metoder16,17och rika flera atlas bibliotek 18. rörledningen har distribuerats på en molnbaserade plattform, MRICloud19, sen 2015, och det har använts för att studera neurodegenerativa sjukdomar som Alzheimers sjukdom (AD)20,21, primär Progressiv afasi22och Huntingtons sjukdom23.

När de högupplösta bilderna är uppdelad i hjärnstrukturer, kan regionala funktioner, såsom volymer, användas att upprätta matematiska modeller för att karakterisera neuroanatomiska ändringarna. En förändring-punkt analysmetod nyligen etablerats av vår grupp att analysera den temporal beställer, som statistiskt signifikant hjärnan morfometriska förändringar utifrån longitudinella eller tvärsnittsdata MRI data. Denna statistiska modell utvecklades först för att kvantifiera form-baserade diffeomorphometry över ålder i AD patienter21,24; och den anpassades senare för att undersöka hjärnan strukturella förändringar i Huntingtons sjukdom (HD), samt att beskriva utvecklingsmässiga förändringar i hjärnan i neonatal hjärnor25. I HS-patienter definierades den förändring-punkten med respekten till CAG-ålder produkt (CAP) poäng, som en indikator på graden av exponering för CAG expansion i HTT 26. Det är välkänt att striatum atrofi är en av de tidigaste markörerna i HD, följt av globus pallidus27. Ännu, förändringarna i striatum i förhållande till andra strukturer som grå och vit substans i hjärnan är fortfarande oklart. Sådant förhållande är viktigt för oss att förstå sjukdomsförloppet. Förändring-punkt analys av volymetriska förändringar i alla hjärnstrukturer kommer sannolikt ge systematisk information hjärnan atrofi i premanifest fasen av HD.

Här visar vi förfarandena för att utföra hela-hjärnan segmentering med hjälp av MRICloud (www.mricloud.org) och steg för att utföra ändra punkt analys av volymetriska data i premanifest HD ämnen. MRI data samlades in från en stor population multicenter PREDICT-HD studien28,29 med ungefärligt 400 kontroller och premanifest HD ämnen. Kombinationen av atlas-baserade segmentering och förändring-punkt analys ger unik information om spatiotemporal ordningen på de strukturella förändringarna i hjärnan och sjukdomsprogression mönstret hela hjärnan. Teknikerna är potentiellt tillämpliga på ett spektrum av neurodegenerativa sjukdomar med olika biomarkörer att kartlägga hjärnans degeneration.

Protocol

1. Atlas-baserade hela hjärnan segmentering Förberedelse av data Konvertera tredimensionella (3D) T1-viktade bilder, vanligtvis förvärvas med MPRAGE (magnetisering-beredd snabb gradient-echo) sekvens, från leverantörsspecifika DICOM (Digital Imaging och kommunikation) format till Analyzed format. Observera att molnet uträkningen kräver användarnas data ska överföras till fjärråtkomst kluster. Enligt Health Insurance Portability och Accountability Act (HIPPA), ta bort bild…

Representative Results

Med hjälp av procedurerna som beskrivs i 1.1-1.3, kan hela hjärnan segmentering kartor erhållas från MRICloud. I den nuvarande versionen av atlas (V9B), segmenteras 283 skiften på den finaste granularitet (nivå 5), som kan grupperas till olika nivåer av granularitet, t.ex., från halvklotet lobules och skiften, enligt specifika ontologi definitioner. Figur 3 visar två typer av multi-level segmenteringar på fem nivåer, i axial- och koronalt….

Discussion

Som visat i detta papper, kan hela-hjärnan segmentering av hjärnan MRI bekvämt uppnås med hjälp av vårt online-plattform MRICloud. T1-vägd MRI baserat volymetriska markör har visat sig vara robust och känsliga för ett utbud av neurodegenerativa sjukdomar1,2,3. De volymetriska åtgärderna används för olika nedströms analys, till exempel matematisk modellering och analys funktionen-urval och klassificering för att h…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Vi tackar PREDICT-HD utredarna, särskilt, Dr. Hans Johnson och Dr Jane S. Pauslen från University of Iowa, för deras generositet i delning MRI data och konstruktiv diskussion på analys av data och resultat.

Detta arbete stöds av NIH beviljar R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 och U01 NS082085.

Materials

MATLAB Mathworks N/A Version 2015b and above
Dell Workstation Dell Dell Precision T5500 (Intel Xeon CPU)
DOWNLOAD MATERIALS LIST

Riferimenti

  1. 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).
  2. Jack, C. R., et al. Hypothetical model of dynamic biomarkers of the Alzheimer’s pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
  3. 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).
  4. Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31 (2013).
  5. 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).
  6. Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7 (2005).
  7. 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).
  8. 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).
  9. Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
  10. 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).
  11. Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
  12. 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).
  13. 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).
  14. 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).
  15. Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
  16. Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591 (2013).
  17. Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. Vonsattel, J. P., et al. Neuropathological classification of Huntington’s disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
  28. 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).
  29. 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).
  30. Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
  31. . A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1 Available from: https://github.com/bcaffo/MRIcloudT1volumetrics (2017)
  32. 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).
  33. Huntington Study Group. Unified Huntington’s Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
  34. Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533 (2015).

Tags

Brain MRIWhole-brain SegmentationChange-point AnalysisHuntington’s DiseaseNeurodegenerative DiseaseVolumetric AnalysisMRICloudMultiAtlas-based SegmentationQuantitative AnalysisBrain Atrophy
check_url/it/57256?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citazione di questo articolo
Wu, D., Faria, A. V., Younes, L., Ross, C. A., Mori, S., Miller, M. I. Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington’s Disease. J. Vis. Exp. (136), e57256, doi:10.3791/57256 (2018).
Scarica citazione
Ristampe e autorizzazioni

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image