JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Resultados
Discussion
Declarações
Acknowledgements
Materials
Referências
Tadução automática
Please note that all translations are automatically generated. Click here for the English version.
Medicina

Ensemble-cerveau Segmentation et analyse des points de changement d’IRM anatomique cérébrale — Application dans Premanifest la maladie de Huntington

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

Cet article décrit un modèle statistique pour l’analyse de données de MRI volumétrique, qui identifie le point « changement » lors de l’atrophie cérébrale commence en premanifest la maladie de Huntington. Ensemble-cerveau cartographie des changements-points est atteint basée sur les volumes de cerveau obtenues à l’aide d’un pipeline de segmentation basée sur atlas d’images pondérées en T1.

Abstract

Les progrès récents en IRM offrent une variété de marqueurs utiles pour identifier les maladies neurodégénératives. Dans la maladie de Huntington (HD), une atrophie cérébrale régionale commence longtemps avant l’apparition de moteur (au cours de la période « premanifest »), mais la configuration spatio-temporelle des atrophie régionale à travers le cerveau n’a pas été entièrement caractérisée. Nous démontrons une plateforme en ligne de cloud computing, « MRICloud », qui est axée sur l’atlas du cerveau ensemble segmentation d’images pondérées en T1 à plusieurs niveaux de granularité et ainsi, nous permet d’accéder aux fonctions régionales de l’anatomie du cerveau. Nous décrivons ensuite un modèle de régression qui détecte les points d’inflexion significative, au cours de laquelle une atrophie cérébrale régionale commence à être perceptible, c’est-à-dire le « changement-point », par rapport à un indice de progression de la maladie. Nous avons utilisé le score de produit (CAP) de CAG-âge pour indexer la progression de la maladie chez les patients. Analyse des points de changement de mesure volumétrique de la canalisation de la segmentation, fournit donc des informations importantes de l’ordre et le motif de l’atrophie structurelle dans le cerveau. Le livre illustre l’utilisation de ces techniques sur les données de l’IRM pondérées en T1 de premanifest sujets HD d’une grande étude multicentrique de PREDICT-HD. Cette conception a potentiellement des applications larges dans une gamme de maladies neurodégénératives pour étudier les modifications dynamiques de l’anatomie du cerveau.

Introduction

L’imagerie par résonance magnétique (IRM) a considérablement amélioré notre capacité à étudier l’anatomie du cerveau et les fonctions dans les maladies de neurodegenerative1,2,3. Structural pondérées en T1, que MRI est l’un des plus largement adopté des outils d’imagerie en pratique clinique de routine pour évaluer l’anatomie du cerveau et la pathologie connexe. Analyse quantitative des images pondérées en T1 haute résolution fournit des repères utiles pour mesurer les changements anatomiques au cours de la dégénérescence du cerveau. En particulier, méthodes de quantification de segmentation basée permet effectivement de réduire la dimensionnalité de l’image du voxel niveau (de l’ordre de (106)) au niveau de structure anatomique ((102)) pour haut débit neuroinformatique4 , 5. segmentation de cerveau automatisé peut être réalisée à l’aide de méthodes axées sur les atlas6,7,8,9 qui mappent les étiquettes prédéfinies anatomiques d’un atlas sur les images du patients . Parmi les méthodes basées sur atlas, atlas plusieurs algorithmes10,11,12,13,14 ont donné robustesse et précision supérieures de segmentation. Notre groupe a développé un pipeline de segmentation multi-atlas T1 entièrement automatisé, avec pointe diffeomorphic image enregistrement algorithmes15, multi-atlas fusion méthodes16,17et riches bibliothèques multi-atlas 18. le pipeline est distribué sur une plate-forme de cloud computing, MRICloud19, depuis 2015, et il a été utilisé pour étudier les maladies neurodégénératives, comme la maladie d’Alzheimer (ma)20,21, primaire Aphasie progressive22et23de la maladie de Huntington.

Une fois que les images à haute résolution sont segmentées en structures cérébrales, des caractéristiques régionales, tels que les volumes, permet d’établir des modèles mathématiques pour caractériser les changements neuroanatomiques. Une méthode d’analyse de changement-point a récemment été créée par notre groupe pour analyser l’ordre temporel, dans laquelle cerveau statistiquement significative morphométriques changements se produisent, basé sur les données longitudinales ou transversales de l’IRM. Ce modèle statistique a été d’abord développé pour quantifier diffeomorphometry axée sur la forme plus d’ans dans AD patients21,24; et a ensuite été adaptée afin d’étudier les changements structurels de cerveau dans la maladie de Huntington (HD), aussi bien quant à décrire les changements développementaux de cerveau à cerveau néonatal25. Chez les patients, le point de changement a été défini à l’égard de la partition de produit (CAP) CAG-âge, comme un indicateur du degré d’exposition à l’expansion de CAG dans HTT 26. Il est bien connu que l’atrophie striatale est l’un des premiers marqueurs en HD, suivie du globus pallidus27. Pourtant, les changements dans le striatum par rapport aux autres structures de matière grise et blanche à travers le cerveau reste incertaine. Cette relation est cruciale pour nous de comprendre la progression de la maladie. Analyse des points de changement des modifications volumétriques dans toutes les structures du cerveau fournira probablement une information systématique de l’atrophie du cerveau en phase premanifest de HD.

Nous démontrons les procédures pour effectuer ensemble-cerveau segmentation à l’aide de MRICloud (www.mricloud.org) et les étapes pour effectuer l’analyse des points de changement de données volumétriques dans premanifest sujets de HD. Les données de l’IRM ont été prélevées en multicentrique grande population PREDICT-HD étudier28,,29 , avec environ 400 contrôles et sujets de HD premanifest. La combinaison de l’analyse de segmentation et de changement-point atlas apporte des informations uniques sur l’ordre spatio-temporels des changements structurels cerveau et le modèle de progression de la maladie dans le cerveau. Les techniques sont potentiellement applicables à un éventail de maladies neurodégénératives avec divers biomarqueurs pour mapper la dégénérescence du cerveau.

Protocol

1. cerveau entier Atlas-based Segmentation Préparation des données Convertir des images en trois dimensions (3D) pondérées en T1, généralement acquis par séquence de MPRAGE (préparés à la magnétisation rapide gradient-echo), de format DICOM (Digital Imaging and Communication) spécifiques au fournisseur au format analysées. Notez que le calcul de nuage requiert les données des utilisateurs à transférer aux clusters distants. Selon le Health Insurance Portability and Acc…

Representative Results

En utilisant la procédure décrite au point 1.1-1.3, cerveau entier segmentation cartes peuvent provenir de MRICloud. Dans la dernière version de l’atlas (V9B), 283 parcelles sont segmentés au meilleur niveau de granularité (niveau 5), qui peut être regroupé à différents niveaux de granularité, par exemple., de l’hémisphère à lobules et des colis, selon les définitions de l’ontologie spécifique. La figure 3 montre deux types de pa…

Discussion

Comme démontré dans cet article, ensemble-cerveau segmentation d’IRM du cerveau est idéalement possible en utilisant notre plateforme en ligne MRICloud. T1-weighted MRI basée volumétrique marqueur s’avéré robuste et sensible à une gamme de maladies de neurodegenerative1,2,3. Les mesures volumétriques sont utilisées pour diverses analyses en aval, telles que la modélisation mathématique et analyse-sélection et cl…

Declarações

The authors have nothing to disclose.

Acknowledgements

Nous remercions les enquêteurs PREDICT-HD, en particulier, le Dr Hans Johnson et le Dr Jane S. Pauslen de l’Université de l’Iowa, pour leur générosité en partageant les données de l’IRM et une discussion constructive sur l’analyse des données et des résultats.

Ce travail est soutenu par les NIH accorde R21 NS098018, P50 NS16375, NS40068, NS086888 R01, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 et U01 NS082085.

Materials

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

Referências

  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/pt/57256?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citar este artigo
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).
Baixar citação
Reimpressões e Permissões

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image