JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Automatic Translation
Medicine

Hele-hjerne segmentering og Change-point analyse af anatomiske hjerne MRI-program i premanifeste Huntington's chorea

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

Dette papir beskriver en statistisk model for volumetriske MRI dataanalyse, som identificerer “change-point” når hjernen atrofi begynder i premanifeste Huntington’s chorea. Hele-brain mapping change-point er opnået baseret på hjernen diskenheder fremstillet ved hjælp af en atlas-baserede segmentering pipeline af T1-vægtede billeder.

Abstract

De seneste fremskridt i Mr tilbyder en bred vifte af nyttige markører til at identificere neurodegenerative sygdomme. I Huntington’s chorea (HD), regionale brain atrofi begynder mange år før den motor indtræden (under perioden “premanifeste”), men det spatiotemporelle mønster af regionale atrofi på tværs af hjernen ikke er blevet fuldt karakteriseret. Her viser vi en online cloud-computing platform, “MRICloud”, som giver atlas-baserede hele-hjerne segmentering af T1-vægtede billeder på flere nuanceret niveauer, og dermed giver os adgang til de regionale funktioner i hjernen anatomi. Derefter beskriver vi en regressionsmodel der registrerer statistisk signifikant bøjning points, hvor regionale brain atrofi begynder at blive mærkbar, dvs “change-point”, med hensyn til en sygdom progression indeks. Vi brugte CAG-alder produkt (CAP) score for at indeksere sygdomsprogression i HD-patienter. Change-point analyse af de volumetriske målinger fra segmentering pipeline, derfor giver vigtige oplysninger af orden og mønster af strukturelle atrofi på tværs af hjernen. Papiret illustrerer brugen af disse teknikker på T1-vægtet MRI data premanifeste HD emner fra en stor multicenter PREDICT-HD-studiet. Dette design har potentielt bred programmer i en række neurodegenerative sygdomme til at undersøge de dynamiske ændringer i hjernens anatomi.

Introduction

Magnetisk resonans imaging (MR) er væsentligt forbedret vores evne til at undersøge hjernen anatomi og funktioner i neurodegenerative sygdomme1,2,3. T1-vægtet strukturelle Mr er en af mest udbredte vedtaget afbildningsværktøjer i rutinemæssig klinisk praksis at vurdere hjernens anatomi og relaterede patologi. Kvantitativ analyse af de T1-vægtede billeder med høj opløsning giver nyttige markører for at måle anatomiske ændringer under hjernen degeneration. Især segmentering baseret kvantificering tilgange effektivt reducerer billede dimensionalitet fra voxel niveau (for på (106)) til anatomiske strukturelle niveau ((102)) for høj overførselshastighed neuroinformatics4 , 5. automatiseret hjernen segmentering kan opnås ved hjælp af atlas-baserede metoder6,7,8,9 , der kort forud definerede anatomiske etiketterne fra en atlas på de patient billeder . Blandt metoderne atlas-baseret har multi atlas algoritmer10,11,12,13,14 givet superior segmentering nøjagtighed og robusthed. Vores gruppe har udviklet en fuldt automatiseret T1 multi atlas segmentering pipeline, med avancerede diffeomorft billede registrering algoritmer15, multi atlas fusion metoder16,17, og rige multi atlas biblioteker 18. rørledningen er blevet fordelt på en cloud-computing platform, MRICloud19, siden 2015, og det har været brugt til at studere neurodegenerative sygdomme såsom Alzheimers sygdom (AD)20,21, primære Progressive afasi22, og Huntington’s chorea23.

Når billeder med høj opløsning er opdelt i hjernestrukturer, kan regionale funktioner, såsom diskenheder, bruges til at opstille matematiske modeller for at karakterisere de neuroanatomical forandringer. En ændring-punkt analysemetode, der for nylig er oprettet af vores gruppe til at analysere den tidsmæssige rækkefølge, hvor statistisk signifikant hjernen morfometrisk ændringer forekomme, baseret på langsgående og/eller tværsnits MRI data. Denne statistiske model blev først udviklet for at kvantificere form-baseret diffeomorphometry over alder AD patienter21,24 og det blev senere tilpasset for at undersøge hjerne strukturelle ændringer i Huntington’s chorea (HD), samt at beskrive hjernen udviklingsmæssige ændringer i neonatal hjerner25. I HD-patienter, blev change-point defineret med hensyn til CAG-alder produkt (CAP) score, som en indikator for omfanget af eksponering til CAG udbygningen i HTT 26. Det er velkendt at striatal atrofi er en af de tidligste markører i HD, efterfulgt af globus pallidus27. Endnu uklart, ændringer i striatum i forhold til andre grå og hvid sag strukturer på tværs af hjernen. Sådanne forhold er afgørende for os at forstå sygdomsprogression. Ændring-punkt analyse af volumetriske ændringer i alle hjernestrukturer vil sandsynligvis give systematisk information af brain atrofi i premanifeste fase af HD.

Her viser vi procedurerne til at udføre hele-hjerne segmentering ved hjælp af MRICloud (www.mricloud.org), og trin til at udføre ændringer-punkt analyse af volumetriske data i premanifeste HD emner. Mr data blev indsamlet fra en stor population multicenter PREDICT-HD studere28,29 med ca. 400 kontrol og premanifeste HD emner. Kombinationen af atlas-baserede segmentering og change-point analyse bringer unikke oplysninger om spatiotemporelle rækkefølgen af de strukturelle ændringer i hjernen, og sygdommen progression mønster på tværs af hjernen. Teknikkerne er potentielt gælder for en række neurodegenerative sygdomme med forskellige biomarkører at kortlægge hjernen degeneration.

Protocol

1. Atlas-baserede hele hjernen segmentering Dataforberedelse Konvertere tredimensional (3D) T1-vægtede billeder, typisk erhverves med MPRAGE (magnetisering forberedt hurtige gradient-ekko) sekvens, fra leverandør-specifikke DICOM (Digital Imaging og kommunikation) format til Analyzed format. Bemærk, at skyen beregning kræver brugernes data skal overføres til eksterne klynger. Ifølge Health Insurance mobilitet og Accountability Act (HIPPA), skal du fjerne patienternes personlige …

Representative Results

Ved hjælp af procedurerne i 1.1-1.3, kan hele hjernen segmentering kort fås fra MRICloud. I den aktuelle version af atlas (V9B), 283 parceller er opdelt på de fineste granularitet (niveau 5), som kan grupperes til forskellige niveauer af nøjagtighed, fx., fra halvkugle lobules og parceller, ifølge specifikke ontologi definitioner. Figur 3 viser to former for multi-level segmenter på fem niveauer, i aksial og koronale udsigt. For eksempel, på d…

Discussion

Som påvist i dette papir, kan hele-hjerne segmentering af hjerne Mr bekvemt opnås ved hjælp af vores online platform MRICloud. T1-vægtet MRI baseret volumetriske markør har vist sig for at være robust og følsom over for en række neurodegenerative sygdomme1,2,3. De volumetriske foranstaltninger anvendes til forskellige downstream analyse, såsom matematisk modellering og analyse af funktion-udvælgelse og klassificering t…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Vi takker PREDICT-HD efterforskere, særligt, Dr. Hans Johnson og Dr. Jane S. Pauslen fra University of Iowa, for deres gavmildhed i at dele MRI data og konstruktiv debat om dataanalyse og resultater.

Dette arbejde støttes af NIH tilskud R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 og U01 NS082085.

Materials

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

References

  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

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image