全体脳セグメンテーションと解剖学的脳 MRI の変化点分析-Premanifest ハンチントン病のアプリケーション
Summary
本稿では、「変更点」を識別する premanifest ハンチントン病で脳の萎縮が始まるとき、体積の MRI データ分析のための統計モデルについて説明します。T1 強調画像のアトラスに基づくセグメンテーション パイプラインを使用して得られた脳ボリュームに基づいて変更点の全体脳機能マッピングを実現します。
Abstract
MRI における最近の進歩は、様々 な神経変性疾患を識別するために有用なマーカーを提供しています。ハンチントン病 (HD)、脳萎縮が始まる (「premanifest」期間中)、モーターの発症する前に多くの年が地域の萎縮、脳全体の時空間パターン完全に特徴づけられていますいません。ここでクラウドコンピューティング オンライン プラットフォームと、”MRICloud”、複数の粒度レベルで T1 強調画像のアトラスに基づく全体脳領域分割を提供し、脳の解剖学の地域の機能にアクセスすることにより、可能を示します。[回帰モデル地域の脳の萎縮が顕著な起動時の統計的に有意な変曲点を検出するすなわち「変化点」病進行インデックスに関してについて述べる。CAG 年齢製品 (CAP) スコアを使って HD 患者の病気の進行をインデックスです。セグメンテーション パイプラインから体積測定の変更点解析は、したがって、脳全体順序および構造の萎縮のパターンの重要な情報を提供します。紙は、大規模な多施設共同予測 HD 研究から premanifest の HD 科目の T1 強調 MRI データをこれらのテクニックの使用方法を示します。このデザインは、潜在的、幅広い脳の解剖学の動的変化を調査する神経変性疾患の範囲で。
Introduction
磁気共鳴画像 (MRI) は、脳の解剖学と神経変性疾患1,2,3の関数を調べることを大幅に強化します。T1 加重構造 MRI は最も広くの一つは、脳の解剖学と関連の病理学を評価する臨床現場におけるイメージング ツールを採用しました。高解像度の T1 強調画像の定量的解析は、脳の退化の間に解剖学的変化を測定する有用なマーカーを提供します。特に、ボクセル レベルからイメージ次元の減少に効果的にセグメンテーション定量化手法 (のために (106)) 解剖学的構造のレベルに ((102)) 高スループット ニューロインフォマティクス4,5. 患者の画像にアトラスから事前に定義された解剖学的ラベルをマップ アトラス ベースの方法6,7,8,9を使用して自動脳セグメンテーションを実現できます.アトラス ベースのメソッドの間でマルチ アトラス アルゴリズム10、11,12,13,14は、優れた精度と堅牢性を得られています。当社グループは、高度な特にイメージ登録アルゴリズム15、複数アトラス融合方法16,17、マルチ アトラスの豊富なライブラリとの完全に自動化された T1 マルチ アトラス セグメンテーション パイプラインを開発しました18. パイプライン クラウド コンピューティングのプラットフォーム、MRICloud192015 年から配布されている、それはアルツハイマー病 (AD)20,21, プライマリなどの神経変性疾患の研究に使用されています性進行性失語22、および23ハンチントン病。
高解像度の画像は、脳の構造に分割されます、一度、ボリュームなどの地域的特徴は神経解剖学的変化を特徴付けるための数理モデルを確立する使用できます。変更点の分析法最近で統計的に有意な脳の形態変化の発生、縦方向および横断の MRI データに基づく、時間順序を分析するために私たちのグループによって設立されました。この統計モデル最初の AD 患者21,24の年齢にわたる形状に基づく diffeomorphometry を定量化する開発されましたハンティントンの病気 (HD) も新生児脳25の脳発達的変化を記述する脳構造の変化を調査するため適応されました後。HD 患者における変更点はHTT 26で CAG 拡張の露出の程度の指標として CAG 年齢製品 (CAP) スコアに関しての定義されました。線条体の萎縮が淡蒼球27続いて HD で最古のマーカーの 1 つであることが知られています。まだ、不明のまま脳全体他の灰色および白い問題の構造に関連して線条体の変化。このような関係は、病気の進行を理解することが重要です。すべての脳構造の体積変化の変更点解析は多分 HD の premanifest 段階で脳萎縮の体系的な情報を提供します。
ここで我々 は premanifest HD 科目のボリューム データの変更点解析を実行する MRICloud (www.mricloud.org)、および手順を使用してすべての脳のセグメント化を行う手順を示します。大規模な人口多施設から収集された MRI データ予測 HD 研究28,29約 400 のコントロールと premanifest HD 科目。アトラスに基づくセグメンテーションと変更点分析の組み合わせは、脳で脳構造変化と疾患の進行パターンの時空間的順序に関する一意の情報をもたらします。テクニックは、脳の退化をマップするバイオ マーカーにより様々 な神経変性疾患の範囲に該当する可能性があります。
Protocol
Representative Results
Discussion
本稿で示されているように全体脳 mri 脳画像のセグメンテーション便利に実現できますオンライン ・ プラットフォーム MRICloud を使用します。T1 強調 MRI 体積マーカーは、堅牢で、神経変性疾患1,2,3の範囲に敏感に示しています。数理モデル化と特徴選択と分類の分析など、様々 な下流解析の臨床診断と予後を支援体積措?…
Declarações
The authors have nothing to disclose.
Acknowledgements
予測 HD 調査官、特にハンス ・ ジョンソン博士とアイオワ大学から博士ジェーン s. Pauslen の寛大さを共有、MRI データとデータ解析と結果に関する建設的な議論に感謝いたします。
この作品は NIH 支え R21 NS098018、P50 NS16375、NS40068、R01 NS086888、R01 NS084957、P41 EB015909、P41 EB015909、R01 EB000975、R01 EB008171、u01 で NS082085 を付与します。
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).
