Bütün beyin segmentasyon ve değişim noktası analizi anatomik beyin MR'ı — uygulama Premanifest Huntington hastalığı
Summary
Bu kağıt beyin atrofi premanifest Huntington hastalığı başladığında, “değişim noktası” tanımlayan hacimsel MRG veri analizi için istatistiksel bir modelini açıklar. Bütün beyin haritalama değişim noktaları T1 ağırlıklı görüntülerin bir atlas tabanlı segmentasyon boru hattı kullanılarak elde beyin birimlerde dayalı elde edilir.
Abstract
MRI son gelişmeler nörodejeneratif hastalıklar tanımlamak için yararlı işaretleri çeşitli sunuyoruz. Huntington hastalığı (HD), bölgesel beyin atrofi motor başlangıçlı (“premanifest” döneminde) önce uzun yıllar başlar fakat beyin genelinde bölgesel atrofi kronolojik zamanmekansal desen değil tam olarak karakterize. Burada biz bir online bulut bilgi işlem platformu, “MRICloud” T1 ağırlıklı görüntüleri birden çok taneciklik düzeyde atlas tabanlı bütün beyin ayrılmasını sağlar ve böylece, beyin anatomisi bölgesel özelliklerine erişmek bize sağlayan, göstermek. Sonra istatistiksel olarak önemli dönüm noktaları, bölgesel beyin atrofi olmak göze çarpan başladığı algılar yani “değişim noktası”, bir hastalık ilerleme dizin ile ilgili olarak bir regresyon modeli açıklar. CAG-yaş ürün (CAP) puanı HD hastalarda hastalık ilerleme dizinini oluşturmak için kullanılır. Segmentasyon boru hattı üzerinden hacimsel ölçü değişim noktası analizi bu nedenle, beyin arasında düzen ve yapısal atrofi desen önemli bilgiler sağlar. Kağıdın T1 ağırlıklı MRG veri büyük kadınlarında PREDICT-HD çalışması bir premanifest HD konu üzerinde bu tekniklerin kullanılması gösterilmiştir. Bu tasarım potansiyel beyin anatomisi dinamik değişiklikleri öğrenmek için nörodejeneratif hastalıkların bir dizi geniş bir uygulaması vardır.
Introduction
Manyetik rezonans görüntüleme (MRG) yeteneğimizi beyin anatomisi ve nörodejeneratif hastalıklar1,2,3işlevlerinde incelemek için önemli ölçüde geliştirilmiştir. En yaygın MRG biri T1 ağırlıklı yapısal beyin anatomisi ve ilgili patoloji değerlendirmek için rutin klinik uygulamada görüntüleme aracı benimsenmiş. Kantitatif analiz T1 ağırlıklı yüksek çözünürlüklü görüntülerin anatomik değişiklikler sırasında beyin dejenerasyonu ölçmek için yararlı işaretleri sağlar. Özellikle, tabanlı segmentasyon miktar yaklaşımlar etkin bir şekilde azaltır görüntü dimensionality Voksel düzeyinden (sırayla tarafındaki (106)) anatomik yapısal düzeyine ((102)) yüksek üretilen iş Nöroinformatik4 için , 5. otomatik beyin segmentasyon elde edilebilir önceden tanımlanmış anatomik etiketleri hasta görüntüleri üzerine bir Atlas harita atlas tabanlı yöntemleri6,7,8,9 kullanarak . Atlas tabanlı yöntemler arasında çok atlas algoritmaları10,11,12,13,14 edilen üstün segmentasyon doğruluk ve sağlamlık. Grubumuza bir tam otomatik T1 çok atlas segmentasyon boru hattı, gelişmiş diffeomorphic görüntü kayıt algoritmaları15, çoklu atlas füzyon yöntemleri16,17ve zengin çok atlas kitaplıkları ile geliştirdi 18. boru hattı 2015 yılından bu yana, bir bulut bilgi işlem platformunda, MRICloud19, dağıtılmış ve nörodejeneratif hastalıklar, Alzheimer hastalığı (Ah)20,gibi21, birincil çalışma için kullanılan İlerici afazi22ve Huntington hastalığı23.
Yüksek çözünürlüklü görüntüler beyin yapılarına parçalara sonra birimler gibi bölgesel özellikleri nöroanatomik değişiklikleri tanımlamak için matematiksel modeller kurmak için kullanılabilir. Bir değişim noktası analizi yöntemi son zamanlarda istatistiksel olarak anlamlı beyin xarakteristikaları değişiklikler gerçekleştiği, boyuna ve/veya kesit MRI verilerine dayalı zamansal sipariş analiz etmek bizim grup tarafından kurulmuştur. Bu istatistiksel model ilk reklam hastalar21,24yaş üstü şekle dayanan diffeomorphometry ölçmek için geliştirilmiştir; ve daha sonra Huntington yenidoğan beyin25beyin gelişimsel değişiklikleri açıklamak olarak hastalığı (HD), de beyin yapısal değişiklikleri öğrenmek için uyarlanmıştır. HD hastalarda, değişim noktası CAG-yaş ürün (CAP) puanı, saygı ile HTT 26CAG genişleme maruz ölçüde bir göstergesi olarak tanımlanmıştır. Striatal atrofi bir HD, globus pallidus27tarafından takip en erken işaretleri olduğunu iyi bilinmektedir. Henüz striatum beyin belirsizliğini genelinde diğer gri ve beyaz maddenin yapıları ile ilgili olarak değişimler. Bu ilişki bize hastalık ilerleme anlamak önemlidir. Değişim noktası analizi tüm beyin yapıları olarak hacimsel değişiklikler büyük olasılıkla beyin atrofi HD premanifest aşamasında sistematik bilgi sağlayacaktır.
Burada bütün beyin segmentasyon premanifest HD bireylerde hacimsel veri değişim noktası çözümlemesi gerçekleştirmek için MRICloud (www.mricloud.org) ve adımları kullanarak gerçekleştirme yordamları gösterir. MRG veri büyük nüfus multicenter toplanmıştır PREDICT-HD28,29 yaklaşık 400 denetimleri ve premanifest HD konular ile çalışma. Atlas tabanlı segmentasyon ve değişim noktası analizi birleşimi beyin yapısal değişiklikler ve hastalık ilerleme desen kronolojik zamanmekansal sırası hakkında benzersiz bilgi beyin getiriyor. Teknikleri potansiyel beyin dejenerasyonu eşleştirmek için çeşitli biyolojik ile nörodejeneratif hastalıkların bir dizi için geçerlidir.
Protocol
Representative Results
Discussion
Bu yazıda gösterildiği gibi beyin MRI bütün beyin ayrılmasını uygun bizim online platformu MRICloud kullanılarak elde edilebilir. T1 ağırlıklı MRG göre hacimsel marker sağlam ve nörodejeneratif hastalıklar1,2,3dizi hassas olmak göstermiştir. Hacimsel önlemler matematiksel modelleme ve Özellik seçimi ve sınıflandırma analizi gibi çeşitli akış aşağı analizi için klinik tanı ve teşhis yardımcı o…
Declarações
The authors have nothing to disclose.
Acknowledgements
PREDICT-HD müfettişler, özellikle, Hans Johnson ve Dr. Jane S. Pauslen Iowa Üniversitesi,’içinde MRG veri ve veri analizi ve sonuçları üzerinde yapıcı tartışma pay onların cömertlik için teşekkür ediyoruz.
Bu eser NIH tarafından desteklenen R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 ve U01 NS082085 verir.
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).
