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.
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.
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.
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…
The authors have nothing to disclose.
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.
MATLAB | Mathworks | N/A | Version 2015b and above |
Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |