Summary

Tredimensionel form modellering og analyse af hjernestrukturer

Published: November 14, 2019
doi:

Summary

Vi introducerer en halvautomatisk protokol til form analyse af hjernestrukturer, herunder billedsegmentering ved hjælp af åben software, og yderligere gruppe-klog form analyse ved hjælp af en automatiseret modellering pakke. Her demonstrerer vi hvert trin i 3D-form analyse protokollen med hippocampus segmentering fra Brain Mr images.

Abstract

Statistisk form analyse af hjernestrukturer er blevet brugt til at undersøge sammenslutningen mellem deres strukturelle ændringer og patologiske processer. Vi har udviklet en softwarepakke til præcis og robust form modellering og gruppe-Wise analyse. Her introducerer vi en pipeline til figur analysen, fra individuel 3D-figur modellering til kvantitativ gruppe form analyse. Vi beskriver også forbehandlings-og segmenterings trinnene ved hjælp af åbne softwarepakker. Denne praktiske vejledning vil hjælpe forskerne med at spare tid og kræfter i 3D-form analyse på hjernestrukturer.

Introduction

Form analyse af hjernestrukturer er dukket op som det foretrukne værktøj til at undersøge deres morfologiske ændringer under patologiske processer, såsom neurodegenerative sygdomme og aldring1. Forskellige beregningsmetoder er forpligtet til at 1) præcist afgrænse grænserne for målstrukturer fra medicinske billeder, 2) rekonstruere målet form i form af 3D-overflade mesh, 3) bygge Inter-fag korrespondance på tværs af de enkelte form modeller via form parameterisering eller overflade registrering, og 4) kvantitativt vurdere den regionale form forskelle mellem individer eller grupper. I løbet af de seneste flere år, mange metoder er blevet introduceret i Neuro Imaging undersøgelser for hver af disse trin. Men på trods af den bemærkelsesværdige udvikling på området, er der ikke mange rammer umiddelbart gælder for forskning. I denne artikel beskriver vi hvert trin i form analysen af hjernestrukturer ved hjælp af vores brugerdefinerede form modelleringsværktøjer og offentligt tilgængelige billed segmenterings værktøjer.

Her demonstrerer vi formen analyserammer for hjernestrukturer gennem form analyse af venstre og højre hippocampi ved hjælp af et datasæt af voksne kontroller og Alzheimers sygdom patienter. Atrofi af hippocampi er anerkendt som en kritisk Imaging biomarkør i neurodegenerative sygdomme2,3,4. I vores form analyserammer anvender vi skabelon modellen for målstrukturen og den deformerbare registrering af skabelon til billede i form modelleringsprocessen. Skabelon modellen koder generelle figur karakteristika for målstrukturen i en population, og den indeholder også en oprindelig plan for kvantificering af figurens forskelle mellem de enkelte modeller via deres transitive relation til skabelon modellen. I skabelonen-til-billede registrering, har vi udviklet en laplacian overflade deformation metode til at passe skabelonen model til målet struktur i individuelle billeder og samtidig minimere forvrængning af punkt fordelingen i skabelonen model5,6,7. Gennemførligheden og robustheden af de foreslåede rammer er blevet valideret i nylige Neuro Imaging undersøgelser af kognitiv aldring8, tidlig påvisning af mild kognitiv svækkelse9, og at udforske foreninger mellem hjernen strukturelle ændringer og cortisol niveauer10. Denne fremgangsmåde vil gøre det lettere at anvende form modellering og analysemetoder i yderligere Neuro Imaging undersøgelser.

Protocol

Brain MR billeder blev erhvervet i den protokol, der er godkendt af den lokale institutionelle revisions bestyrelse og etiske komité. Bemærk: Værktøjerne til forme modellering og analyse kan downloades fra NITRC repository: https://www.nitrc.org/projects/dtmframework/. GUI-softwaren (DTMModeling. exe) kan udføres efter ekstraktion. <!–The publication list on the shape modeling tools can be found i…

Representative Results

Formen modellering proces beskrevet her har været ansat til forskellige Neuro Imaging undersøgelser på aging6,8,10 og Alzheimers sygdom5,9. Især denne form modellering metode viste sin nøjagtighed og følsomhed i form analyse på Hippocampus for en aldrende befolkning på 6548. En kvantitativ analyse af softwa…

Discussion

Sammenfattende har vi beskrevet software pipeline til form analyse på hjernestrukturer, herunder (1) MR image segmentering ved hjælp af åbne værktøjer (2) individuel form rekonstruktion ved hjælp af en deformerbar skabelon model, og (3) kvantitativ form forskel måling via transitiv form korrespondance med skabelon modellen. Statistisk analyse under falsk Discovery rate (FDR) korrektion udføres med formen deformitet at undersøge betydningen af morfologiske ændringer af hjernestrukturer, forbundet med neuropatolo…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Arbejdet blev finansieret af Koreas nationale forskningsfond (JP som PI). JK er finansieret af Kyungpooks nationale Universitets forskningsfond; og MCVH er finansieret af rækken Fogo velgørende Trust og Royal Society of Edinburgh. Hippocampus segmentering blev tilpasset fra in-House retningslinjer skrevet af Dr. Karen Ferguson, i Center for Clinical Brain Sciences, Edinburgh, UK.

References

  1. Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56 (1), 212-219 (2011).
  2. Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer’s Disease. Neuroinformatics. , 1-19 (2018).
  3. Valdés Hernández, M. D. C., et al. Rationale, design, and methodology of the image analysis protocol for studies of patients with cerebral small vessel disease and mild stroke. Brain and behavior. 5 (12), e00415 (2015).
  4. Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
  5. Kim, J., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Hippocampal Shape Modeling Based on a Progressive Template Surface Deformation and its Verification. IEEE Transactions on Medical Imaging. 34 (6), 1242-1261 (2015).
  6. Kim, J., et al. 3D shape analysis of the brain’s third ventricle using a midplane encoded symmetric template model. Computer Methods and Programs in Biomedicine. 129, 51-62 (2016).
  7. Kim, J., Ryoo, H., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Brain Ventricular Morphology Analysis Using a Set of Ventricular-Specific Feature Descriptors. International Symposium on Biomedical Simulation. , 141-149 (2014).
  8. Valdés Hernández, M. D. C., et al. Hippocampal morphology and cognitive functions in community-dwelling older people: the Lothian Birth Cohort 1936. Neurobiology of Aging. 52, 1-11 (2017).
  9. Lee, P., Ryoo, H., Park, J., Jeong, Y. Morphological and Microstructural Changes of the Hippocampus in Early MCI: A Study Utilizing the Alzheimer’s Disease Neuroimaging Initiative Database. Journal of Clinical Neurology. 13 (2), 144-154 (2017).
  10. Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
  11. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17 (1), 87-97 (1998).
  12. Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29 (6), 1310-1320 (2010).
  13. Zhang, Y., Brady, M., Smith, S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging. 20 (1), 45-57 (2001).
  14. Wardlaw, J. M., et al. Brain aging, cognition in youth and old age and vascular disease in the Lothian Birth Cohort 1936: rationale, design and methodology of the imaging protocol. International Journal of Stroke. 6 (6), 547-559 (2011).
  15. Morey, R. A., et al. A comparison of automated segmentation and manual tracing for quantifying hippocampal and amygdala volumes. NeuroImage. 45 (3), 855-866 (2009).
  16. Boccardi, M., et al. Survey of protocols for the manual segmentation of the hippocampus: preparatory steps towards a joint EADC-ADNI harmonized protocol. Journal of Alzheimer’s Disease. 26 (s3), 61-75 (2011).
  17. Winterburn, J., et al. High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging. Journal of Visualized Experiments. (105), e51861 (2015).
  18. MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59 (2), 169-174 (2002).
  19. Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40 (1), 33-51 (1975).
  20. Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. , 163-169 (1987).
check_url/kr/59172?article_type=t

Play Video

Cite This Article
Kim, J., Valdés Hernández, M. d. C., Park, J. Three-Dimensional Shape Modeling and Analysis of Brain Structures. J. Vis. Exp. (153), e59172, doi:10.3791/59172 (2019).

View Video