Segmentazione del intero-cervello e analisi del punto di svolta di anatomico del cervello MRI — applicazione in premanifesti sulla malattia di Huntington
Summary
Questo articolo descrive un modello statistico per analisi di dati di MRI volumetrica, che identifica il “punto di svolta” quando l’atrofia del cervello inizia in pre malattia di Huntington. Intero-cervello mapping dei punti di cambiamento viene realizzato sulla base dei volumi di cervello ottenute tramite una pipeline di segmentazione basata su Atlante delle immagini di T1-weighted.
Abstract
Gli avanzamenti recenti nella risonanza magnetica offrono una varietà di indicatori utili per identificare malattie neurodegenerative. Nella malattia di Huntington (HD), atrofia regionale del cervello inizia molti anni prima dell’inizio motore (durante il periodo di “premanifesti”), ma il modello spaziotemporali dell’atrofia regionale attraverso il cervello non è stato pienamente caratterizzato. Qui dimostriamo una piattaforma di cloud computing online, “MRICloud”, che fornisce basato su Atlante del intero-cervello segmentazione delle immagini di T1-weighted a diversi livelli di granularità e quindi, ci permette di accedere alle caratteristiche regionali di anatomia del cervello. Descriviamo quindi un modello di regressione che rileva i punti di flesso statisticamente significativa, in cui atrofia regionale del cervello inizia a essere evidente, cioè il “punto di svolta”, rispetto a un indice di progressione di malattia. Abbiamo utilizzato il Punteggio di CAG-età prodotto (CAP) per indicizzare la progressione di malattia nei pazienti con MH. Punto di svolta analisi delle misurazioni volumetriche dalla pipeline di segmentazione, pertanto, fornisce importanti informazioni dell’ordine e del modello di atrofia strutturale attraverso il cervello. La carta viene illustrato l’utilizzo di queste tecniche su dati di T1-weighted MRI dei soggetti premanifesti di HD da un grande studio multicentrico PREDICT-HD. Questo disegno ha potenzialmente ampie applicazioni in una gamma di malattie neurodegenerative per indagare i cambiamenti dinamici di anatomia del cervello.
Introduction
La formazione immagine a risonanza magnetica (MRI) ha sostanzialmente migliorato la nostra capacità di esaminare l’anatomia del cervello e le funzioni in neurodegenerative malattie1,2,3. Strutturale di T1-weighted che MRI è uno dei più ampiamente adottato strumenti di imaging nella pratica clinica di routine per valutare l’anatomia del cervello e la patologia correlata. Analisi quantitativa delle immagini di T1-weighted ad alta risoluzione fornisce utili indicatori per misurare i cambiamenti anatomici durante la degenerazione del cervello. In particolare, gli approcci di quantificazione di segmentazione basata riduce efficacemente la dimensionalità di immagine dal livello voxel (dell’ordine di (106)) a livello strutturale anatomico ((102)) per high throughput neuroinformatica4 , 5. segmentazione cervello automatizzato può essere raggiunto utilizzando metodi basati su Atlante6,7,8,9 che mappa le etichette anatomiche pre-definite da un Atlante sulle immagini dei pazienti . Tra i metodi basati su Atlante, algoritmi multi-atlas10,11,12,13,14 hanno dato i superior segmentazione precisione e robustezza. Il nostro gruppo ha sviluppato una pipeline di multi-Atlante segmentazione T1 completamente automatizzata, con avanzate diffeomorfo immagine registrazione algoritmi15, multi-Atlante fusione metodi16,17e ricche multi-Atlante librerie 18. la pipeline è stata distribuita su una piattaforma di cloud computing, MRICloud19, dal 2015, ed è stato utilizzato per lo studio di malattie neurodegenerative quali la malattia di Alzheimer (AD)20,21, primaria Afasia progressiva22e la malattia di Huntington23.
Una volta che le immagini ad alta risoluzione sono segmentate in strutture cerebrali, caratteristiche regionali, come volumi, possono essere utilizzati per stabilire modelli matematici per caratterizzare i cambiamenti neuroanatomici. Un metodo di analisi del punto di svolta è stato recentemente istituito dal nostro gruppo per analizzare l’ordine temporale, in cui si verificano cambiamenti morfometrici statisticamente significativo del cervello, sulla base dei dati di MRI longitudinali o trasversali. Questo modello statistico è stato sviluppato per quantificare diffeomorphometry basati su forma sopra l’età AD pazienti21,24; e più tardi fu adattato per studiare i cambiamenti strutturali del cervello nella malattia di Huntington (HD), anche per quanto riguarda descrivere cambiamenti inerenti allo sviluppo del cervello nel cervello neonatale25. Nei pazienti con MH, il punto di svolta è stato definito rispetto al Punteggio CAG-età prodotto (CAP), come un indicatore del grado di esposizione all’espansione CAG HTT 26. È ben noto che l’atrofia striatale è uno dei primi marcatori in HD, seguito dal globus pallidus27. Ancora, i cambiamenti nel corpo striato in relazione alle altre strutture di materia grigia e bianca attraverso il cervello rimane poco chiaro. Tale rapporto è fondamentale per noi comprendere la progressione di malattia. Punto di svolta analisi delle variazioni volumetriche in tutte le strutture del cervello probabilmente fornirà informazioni sistematiche di atrofia del cervello in premanifesti fase di HD.
Qui dimostriamo le procedure per eseguire la segmentazione del intero-cervello utilizzando MRICloud (www.mricloud.org) e passaggi per eseguire l’analisi del punto di svolta di dati volumetrici in soggetti premanifesti di HD. I dati di MRI sono stati raccolti da uno studio multicentrico di grande popolazione28,,29 , con circa 400 controlli e premanifesti HD soggetti di studio PREDICT-HD. La combinazione dell’analisi di segmentazione e punto di svolta basata su Atlante porta informazioni univoche sull’ordine spatiotemporal dei cambiamenti strutturali del cervello e il modello di progressione di malattia attraverso il cervello. Le tecniche sono potenzialmente applicabili ad una gamma di malattie neurodegenerative con vari biomarcatori per mappare la degenerazione del cervello.
Protocol
Representative Results
Discussion
Come dimostrato in questa carta, segmentazione del intero-cervello del cervello MRI può essere comodamente raggiunto utilizzando la nostra piattaforma online MRICloud. T1-weighted MRI basata volumetrica marcatore ha dimostrato di essere robusto e sensibile ad una gamma di malattie di neurodegenerative1,2,3. Le misure volumetriche sono utilizzate per varie analisi a valle, quali modellazione matematica e analisi di funzionalità…
Declarações
The authors have nothing to disclose.
Acknowledgements
Ringraziamo gli investigatori PREDICT-HD, in particolare, il Dr. Hans Johnson e il Dr. Jane S. Pauslen dall’University of Iowa, per la loro generosità nel condividere i dati di MRI e costruttiva discussione sull’analisi dei dati e i risultati.
Questo lavoro è supportato da NIH concede NS098018 R21, P50 NS16375, NS40068, NS086888 R01, NS084957 R01, P41 EB015909, P41 EB015909, R01 EB000975, EB008171 R01 e 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).
