전체 두뇌 세분화 및 해 부 뇌 MRI의 변화 포인트 분석-Premanifest Huntington의 질병에 응용
Summary
이 종이 체적 MRI 데이터 분석, 뇌 위축 premanifest Huntington의 질병에에서 시작 될 때 “변화 포인트”를 식별에 대 한 통계 모델을 설명 합니다. 전체 뇌 매핑 변경 포인트의 T1 가중치 이미지의 아틀라스 기반 분할 파이프라인을 사용 하 여 얻은 뇌 볼륨을 기반으로 이루어집니다.
Abstract
MRI의 최근 발전 다양 한 신경 퇴행 성 질환을 식별 하기 위해 유용한 마커를 제공 합니다. Huntington의 질병 (HD), 지역 뇌 위축 (기간 “premanifest”), 모터 개시 전에 많은 년을 시작 하지만 뇌에 걸쳐 지역 축의 spatiotemporal 패턴 완전히 특징 되지 있다. 여기는 온라인 클라우드 컴퓨팅 플랫폼, “MRICloud”는 여러 세분성 수준 T1 가중치 이미지의 전체 두뇌 세분화 아틀라스-기반을 제공 하 고, 두뇌 해부학의 지역 기능에 액세스할 수 있습니다 설명 합니다. 우리는 다음 회귀 모델 통계적 굴절 포인트, 어느 지역 뇌 위축, 눈에 띄는 시작 검색 즉 “변경-포인트”, 질병 진행 인덱스에 대해 설명합니다. 우리는 HD 환자에서 질병의 진행을 색인 CAG 세 제품 (모자) 점수를 사용 합니다. 변경-포인트 분석 세분화 파이프라인에서 체적 측정의 따라서 두뇌에 걸쳐 순서와 구조 위축의 패턴의 중요 한 정보를 제공합니다. 종이 큰 되 예측 HD 연구에서 premanifest HD 과목의 T1 가중치 MRI 데이터에 이러한 기술의 사용을 보여 줍니다. 이 디자인은 잠재적으로 두뇌 해부학의 동적 변화를 조사 하기 위해 신경 퇴행 성 질환의 범위에서 다양 한 응용 프로그램을 있다.
Introduction
자기 공명 영상 (MRI)은 실질적으로 우리의 능력을 뇌 해부학 및 신경 퇴행 성 질환1,2,3기능 검사를 강화 했다. T1-가중치 구조 MRI는 가장 널리 중 두뇌 해부학과 관련 된 병 리 평가 하 일상적인 임상 연습에서 이미징 도구 채택. T1-가중치 고해상도 이미지의 정량 분석 뇌 변성 동안 해부학 적 변화를 측정 하는 유용한 마커를 제공 합니다. 특히, 세분화를 기반으로 정량화 방법 효과적으로 감소 시킨다 이미지 차원 복 수준에서 (의 순서에 (106)) 해 부 구조 수준 ((102)) 높은 처리량 neuroinformatics4 , 5. 자동 뇌 세분화 아틀라스 기반 방법6,7,8,9 환자 이미지에 아틀라스에서 미리 정의 된 해 부 라벨을 매핑하는 사용 하 여 달성 될 수 있다 . Atlas 기반 방법 중에서 멀티 아틀라스 알고리즘10,11,12,,1314 는 우수한 세분화 정확성과 견고 함을 얻지 못했다. 우리의 그룹 고급 diffeomorphic 이미지 등록 알고리즘15, 멀티 아틀라스 퓨전 방법16,17및 풍부한 멀티 아틀라스 라이브러리와 완전 자동화 된 T1 멀티 아틀라스 세분화 파이프라인을 개발 했습니다. 18. 파이프라인 2015, 이후 MRICloud19, 클라우드 컴퓨팅 플랫폼에 배포 되었습니다 그리고 Alzheimer의 질병 (광고)20,21, 주 같은 신경 퇴행 성 질환 연구에 사용 된 진보적인 실어증22, 그리고23Huntington의 질병.
고해상도 이미지는 뇌 구조에 세그먼트는, 일단 신경 해부학 변화 특성을 수학적 모델을 확립 하 볼륨, 같은 지역 기능을 사용할 수 있습니다. 변경 점 분석 방법 최근 분석 하는 통계적으로 중요 한 두뇌 형태학 변화 발생, 경도 및 횡단면 MRI 데이터에 따라 시간적 순서에 우리의 그룹에 의해 설립 되었다. 이 통계 모델 광고 환자21,24; 세 이상 모양 기반 diffeomorphometry 척도를 처음 개발 되었다 그리고 헌팅턴의 질병에서 (HD), 또한 신생아 두뇌25에 뇌 발달 변화를 설명으로 뇌 구조 변화를 조사 하기 위해 나중에 적응 했다. HD 환자, 변화 포인트 HTT 26에 CAG 확장에 노출의 넓이의 지시자로 CAG 세 제품 (모자) 점수에 존경으로 정의 했다. 그것은 잘 알려진 striatal 위축 hd, globus pallidus27다음 초기 마커 중 하나입니다. 그러나, 두뇌에서 다른 회색 및 흰색 물질 구조에 관하여가 변화 불분명 남아. 이러한 관계 질병의 진행을 이해 하기 위해 결정적 이다. 모든 두뇌 구조에 체적 변화의 변화 포인트 분석 가능성이 뇌 위축 HD의 premanifest 단계에서의 체계적인 정보를 제공 합니다.
여기 우리는 MRICloud (www.mricloud.org), 및 단계를 사용 하 여 premanifest HD 과목에서 메트릭 데이터의 변화 포인트 분석을 수행 하는 모든 두뇌 세분화를 수행 하는 절차를 보여 줍니다. MRI 데이터는 큰 인구 multicenter에서 수집 된 예측-HD28,29 약 400 컨트롤 및 premanifest HD 과목 공부. Atlas 기반 세분화 및 변화 포인트 분석의 조합을 뇌에서 뇌 구조 변화와 질병 진행 패턴의 spatiotemporal 순서에 대 한 독특한 정보를 제공합니다. 기술은은 잠재적으로 뇌 변성을 매핑하는 데 다양 한 생체와 신경 퇴행 성 질환의 범위에 적용 됩니다.
Protocol
Representative Results
Discussion
이 문서에 설명 된 대로 전체 두뇌 분할 뇌 MRI의 얻을 수 있습니다 편리 하 게 우리의 온라인 플랫폼 MRICloud를 사용 하 여. T1-가중치 기반 MRI 체적 마커 강력 하 고 다양 한 신경 퇴행 성 질환1,2,3에 민감한 것으로 나타났습니다. 체적 측정 수학적 모델링 및 기능 선택 및 분류 분석 등 다양 한 다운스트림 분석, 임상 진단 및 예 후…
Declarações
The authors have nothing to disclose.
Acknowledgements
우리는 예측 HD 조사를, 특히, 박사 한스 존슨과 아이오와의 대학에서에서 박사 제인 S. Pauslen MRI 데이터와 데이터 분석 및 결과에 대 한 건설적인 토론을 공유 그들의 관대 함에 감사 합니다.
이 작품은 NIH에서 지 원하는 보조금 R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, 및 U01 NS082085.
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).
