Detta dokument beskriver en statistisk modell för volymetrisk MRI dataanalys som identifierar ”förändring-point” när hjärnan atrofi börjar i premanifest Huntingtons sjukdom. Hela-hjärnan kartläggning av förändring-punkter uppnås utifrån hjärnan volymer erhålls med en atlas-baserade segmentering pipeline av T1-viktade bilder.
Senaste framstegen inom MRI erbjuder en mängd användbara markörer för att identifiera neurodegenerativa sjukdomar. Huntingtons sjukdom (HD), regionala hjärnan atrofi börjar många år före motor uppkomsten (under ”premanifest”), men spatiotemporal mönstret av regionala atrofi över hjärnan har inte präglats helt. Här visar vi en online molnbaserade plattform, ”MRICloud”, som ger atlas-baserade hela-hjärnan segmentering av T1-viktade bilder med flera granularitet nivåer, och därmed ger oss tillgång till de regionala funktionerna i hjärnans anatomi. Sedan beskriver vi en regressionsmodell som upptäcker statistiskt signifikant böjningsformer poäng, där regionala hjärnan atrofi börjar märkas, dvs ”förändring-point”, med avseende på ett index för progression av sjukdomen. Vi använde CAG-ålder produkt (CAP) Poäng för att indexera sjukdomsförloppet hos HS-patienter. Förändring-punkt analys av volymetriska mätningarna från rörledningen segmentering, därför ger viktig information av beställer och mönster av strukturella atrofi över hjärnan. Papperet illustrerar användningen av dessa tekniker på T1-viktade MRI data premanifest HD ämnen från en stor multicenterstudie PREDICT-HD. Denna konstruktion har potentiellt breda tillämpningar i olika neurodegenerativa sjukdomar att undersöka de dynamiska förändringarna av hjärnans anatomi.
Magnetisk resonanstomografi (MRI) har avsevärt förbättrat vår förmåga att undersöka hjärnans anatomi och funktioner i neurodegenerativa sjukdomar1,2,3. T1-vägd strukturella MRI är en av mest antog bildframställning i rutinmässig klinisk praxis att bedöma hjärnans anatomi och relaterade patologi. Kvantitativ analys av högupplösande T1-viktade bilder ger användbara markörer för att mäta anatomiska förändringar under hjärnans degeneration. I synnerhet segmentering baserad kvantifiering tillvägagångssätt effektivt minskar den bild dimensionalitet från voxel nivå (för på (106)) till anatomiska strukturell nivå ((102)) för hög genomströmning neuroinformatics4 , 5. automatiserad hjärnan segmentering kan uppnås med atlas-baserade metoder6,7,8,9 som karta fördefinierade anatomiska etiketterna från en atlas på patientbilder . Bland de atlas-baserade metoderna, har flera atlas algoritmer10,11,12,13,14 gett överlägsen segmentering noggrannhet och robusthet. Vår grupp har utvecklat en helt automatiserad T1 flera atlas segmentering rörledning, med avancerade diffeomorphic bild registrering algoritmer15, flera atlas fusion metoder16,17och rika flera atlas bibliotek 18. rörledningen har distribuerats på en molnbaserade plattform, MRICloud19, sen 2015, och det har använts för att studera neurodegenerativa sjukdomar som Alzheimers sjukdom (AD)20,21, primär Progressiv afasi22och Huntingtons sjukdom23.
När de högupplösta bilderna är uppdelad i hjärnstrukturer, kan regionala funktioner, såsom volymer, användas att upprätta matematiska modeller för att karakterisera neuroanatomiska ändringarna. En förändring-punkt analysmetod nyligen etablerats av vår grupp att analysera den temporal beställer, som statistiskt signifikant hjärnan morfometriska förändringar utifrån longitudinella eller tvärsnittsdata MRI data. Denna statistiska modell utvecklades först för att kvantifiera form-baserade diffeomorphometry över ålder i AD patienter21,24; och den anpassades senare för att undersöka hjärnan strukturella förändringar i Huntingtons sjukdom (HD), samt att beskriva utvecklingsmässiga förändringar i hjärnan i neonatal hjärnor25. I HS-patienter definierades den förändring-punkten med respekten till CAG-ålder produkt (CAP) poäng, som en indikator på graden av exponering för CAG expansion i HTT 26. Det är välkänt att striatum atrofi är en av de tidigaste markörerna i HD, följt av globus pallidus27. Ännu, förändringarna i striatum i förhållande till andra strukturer som grå och vit substans i hjärnan är fortfarande oklart. Sådant förhållande är viktigt för oss att förstå sjukdomsförloppet. Förändring-punkt analys av volymetriska förändringar i alla hjärnstrukturer kommer sannolikt ge systematisk information hjärnan atrofi i premanifest fasen av HD.
Här visar vi förfarandena för att utföra hela-hjärnan segmentering med hjälp av MRICloud (www.mricloud.org) och steg för att utföra ändra punkt analys av volymetriska data i premanifest HD ämnen. MRI data samlades in från en stor population multicenter PREDICT-HD studien28,29 med ungefärligt 400 kontroller och premanifest HD ämnen. Kombinationen av atlas-baserade segmentering och förändring-punkt analys ger unik information om spatiotemporal ordningen på de strukturella förändringarna i hjärnan och sjukdomsprogression mönstret hela hjärnan. Teknikerna är potentiellt tillämpliga på ett spektrum av neurodegenerativa sjukdomar med olika biomarkörer att kartlägga hjärnans degeneration.
Som visat i detta papper, kan hela-hjärnan segmentering av hjärnan MRI bekvämt uppnås med hjälp av vårt online-plattform MRICloud. T1-vägd MRI baserat volymetriska markör har visat sig vara robust och känsliga för ett utbud av neurodegenerativa sjukdomar1,2,3. De volymetriska åtgärderna används för olika nedströms analys, till exempel matematisk modellering och analys funktionen-urval och klassificering för att h…
The authors have nothing to disclose.
Vi tackar PREDICT-HD utredarna, särskilt, Dr. Hans Johnson och Dr Jane S. Pauslen från University of Iowa, för deras generositet i delning MRI data och konstruktiv diskussion på analys av data och resultat.
Detta arbete stöds av NIH beviljar R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 och U01 NS082085.
MATLAB | Mathworks | N/A | Version 2015b and above |
Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |