Todo cerebro segmentación y análisis de punto de cambio anatómico cerebral MRI — aplicación asintomático enfermedad de Huntington
Summary
Este papel describe un modelo estadístico para el análisis de datos volumétrico MRI, que identifica el “punto de cambio” cuando la atrofia del cerebro comienza en presintomáticos la enfermedad de Huntington. Mapeo cerebral de conjunto de los puntos de cambio se logra basado en volúmenes cerebrales obtenidos mediante una tubería de segmentación basada en el atlas de imágenes de T1-weighted.
Abstract
Los recientes avances en RM ofrecen una variedad de marcadores útiles para identificar las enfermedades neurodegenerativas. La enfermedad de Huntington (HD), atrofia cerebral regional comienza muchos años antes de la aparición del motor (durante el período “asintomático”), pero el patrón espacio-temporal de atrofia regional en el cerebro no se ha caracterizado completamente. Aquí demostramos una plataforma online de cloud computing, “MRICloud”, que proporciona el atlas entero del cerebro segmentación de imágenes de T1-weighted en varios niveles de granularidad y por lo tanto, nos permite acceder a las características regionales de la anatomía del cerebro. A continuación describimos un modelo de regresión que detecta puntos de inflexión estadísticamente significativa, en la que atrofia cerebral regional comienza a notarse, es decir, el “punto de cambio,” con respecto a un índice de progresión de la enfermedad. Se utilizó la puntuación de producto (CAP) de CAG-edad para índice de la progresión de la enfermedad en pacientes con EH. Análisis de punto de cambio de las mediciones volumétricas de la tubería de la segmentación, por lo tanto, proporciona información importante de la orden y patrón de la atrofia estructural en el cerebro. El documento muestra el uso de estas técnicas en los datos de T1-weighted MRI de sujetos asintomáticos de HD de un gran estudio multicéntrico de PREDICT-HD. Potencialmente, este diseño tiene amplias aplicaciones en una variedad de enfermedades neurodegenerativas para investigar los cambios dinámicos de la anatomía del cerebro.
Introduction
La proyección de imagen de resonancia magnética (MRI) ha mejorado sustancialmente nuestra capacidad de examinar la anatomía del cerebro y funciones en neurodegenerativas enfermedades1,2,3. Estructural de T1-weighted que MRI es uno de los más ampliamente adoptado herramientas de imagen en la práctica clínica habitual para evaluar la anatomía del cerebro y la patología relacionada. Análisis cuantitativo de las imágenes de T1-weighted alta resolución proporciona marcadores útiles para medir cambios anatómicos durante la degeneración cerebral. En particular, enfoques de segmentación basado en la cuantificación efectivamente reduce la dimensionalidad de la imagen de voxel nivel (en la orden de (106)) a nivel estructural anatómico ((102)) para alto rendimiento Neuroinformática4 , 5. segmentación del cerebro automático se logra utilizando métodos basados en el atlas6,7,8,9 que mapean las etiquetas anatómicas previamente definidas de un atlas sobre las imágenes de paciente . Entre los métodos basados en el atlas, atlas múltiples algoritmos10,11,12,13,14 han producido segmentación superior precisión y robustez. Nuestro grupo ha desarrollado una tubería de varios atlas segmentación totalmente automatizada de T1, diffeomorphic avanzado imagen registro algoritmos15fusión atlas múltiples métodos16,17y ricas bibliotecas de varios atlas 18. la tubería se ha distribuido en una plataforma de cloud computing, MRICloud19, desde 2015, y se ha utilizado para el estudio de enfermedades neurodegenerativas como la enfermedad de Alzheimer (AD)20,21, primaria Afasia progresiva22y23de la enfermedad de Huntington.
Una vez que las imágenes de alta resolución están segmentadas en estructuras del cerebro, características regionales, tales como volúmenes, pueden utilizarse para establecer modelos matemáticos para caracterizar los cambios neuroanatomical. Un método de análisis de punto de cambio fue establecido recientemente por nuestro grupo para analizar el orden temporal, en el que estadísticamente significativo cerebro morfométricos cambios, basado en datos del MRI longitudinales y transversales. Este modelo estadístico fue desarrollado primero para cuantificar diffeomorphometry basada en la forma más años en AD pacientes21,24; y fue más tarde adaptado para investigar cambios estructurales en el cerebro en la enfermedad de Huntington (HD), así como para describir los cambios del desarrollo cerebral en el cerebro neonatal25. En pacientes con EH, se definió el punto de cambio con respecto a la puntuación de producto (CAP) de CAG-edad, como indicador del grado de exposición a la expansión de CAG en el HTT 26. Es bien sabido que la atrofia del estriado es uno de los primeros marcadores en HD, seguido por el globus pallidus27. Sin embargo, los cambios en el cuerpo estriado en relación con otras estructuras de la materia gris y blanca en el cerebro aún no está claro. Tal relación es crucial para comprender la progresión de la enfermedad. Análisis de punto de cambio de cambios volumétricos en todas las estructuras del cerebro probablemente proporcionará información sistemática de atrofia cerebral en fase asintomático de HD.
Aquí muestran los procedimientos para realizar la segmentación de todo el cerebro usando MRICloud (www.mricloud.org) y los pasos para realizar el análisis de punto de cambio de datos volumétricos en sujetos asintomáticos de HD. Los datos de MRI fueron recogidos de un estudio multicéntrico de gran población28,29 con aproximadamente 400 controles y sujetos asintomáticos de HD de estudio PREDICT-HD. La combinación de análisis de segmentación y punto de cambio basado en el atlas trae información única sobre el orden espacio-temporal de los cambios estructurales del cerebro y el patrón de progresión de la enfermedad en el cerebro. Las técnicas son potencialmente aplicables a una gama de enfermedades neurodegenerativas con varios biomarcadores a la degeneración del cerebro.
Protocol
Representative Results
Discussion
Como se demuestra en este trabajo, segmentación de todo el cerebro de MRI del cerebro convenientemente posible utilizando nuestra plataforma online MRICloud. T1-weighted MRI base volumétrica marcador ha demostrado ser robusta y sensible a una gama de enfermedades de neurodegenerative1,2,3. Las medidas volumétricas se utilizan para diversos análisis posteriores, tales como modelos matemáticos y análisis de función de selec…
Declarações
The authors have nothing to disclose.
Acknowledgements
Agradecemos a los investigadores PREDICT-HD, en particular, el Dr. Hans Johnson y el Dr. Jane S. Pauslen de la Universidad de Iowa, por su generosidad en compartir los datos de MRI y debate constructivo sobre el análisis de los datos y resultados.
Este trabajo es financiado por los NIH concede R21 NS098018, P50 NS16375, NS40068, NS086888 R01, NS084957 R01, EB015909 P41, EB015909 P41, R01 EB000975, R01 EB008171 y NS082085 U01.
Materials
| MATLAB | Mathworks | N/A | Version 2015b and above |
| Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |
Referências
- 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).
