Summary

Modélisation et analyse tridimensionnelles de la forme des structures cérébrales

Published: November 14, 2019
doi:

Summary

Nous introduisons un protocole semi-automatique pour l’analyse de la forme sur les structures cérébrales, y compris la segmentation des images à l’aide d’un logiciel ouvert, et d’autres analyses de forme au niveau du groupe à l’aide d’un paquet de modélisation automatisé. Ici, nous démontrons chaque étape du protocole d’analyse de forme 3D avec la segmentation hippocampal des images de MR de cerveau.

Abstract

L’analyse statistique de la forme des structures cérébrales a été utilisée pour étudier l’association entre leurs changements structurels et les processus pathologiques. Nous avons développé un logiciel pour une modélisation de forme précise et robuste et une analyse axée sur le groupe. Ici, nous introduisons un pipeline pour l’analyse de forme, de la modélisation de forme 3D individuelle à l’analyse quantitative de la forme de groupe. Nous décrivons également les étapes de prétraitement et de segmentation à l’aide de progiciels ouverts. Ce guide pratique aiderait les chercheurs à économiser du temps et des efforts dans l’analyse de la forme 3D sur les structures du cerveau.

Introduction

L’analyse de la forme des structures cérébrales est apparue comme l’outil préféré pour étudier leurs changements morphologiques dans le cadre de processus pathologiques, tels que les maladies neurodégénératives et le vieillissement1. Diverses méthodes de calcul sont nécessaires pour 1) délimiter avec précision les limites des structures cibles à partir d’images médicales, 2) reconstruire la forme cible sous forme de maillage de surface 3D, 3) construire la correspondance entre les sujets entre les modèles de forme individuels par la biais de la paramétrisation de forme ou de l’enregistrement de surface, et 4) évaluer quantitativement les différences de forme régionales entre les individus ou les groupes. Au cours des dernières années, de nombreuses méthodes ont été introduites dans les études de neuroimagerie pour chacune de ces étapes. Cependant, malgré les développements remarquables dans le domaine, il n’existe pas beaucoup de cadres immédiatement applicables à la recherche. Dans cet article, nous décrivons chaque étape de l’analyse de forme des structures cérébrales à l’aide de nos outils personnalisés de modélisation de forme et d’outils de segmentation d’image accessibles au public.

Ici, nous démontrons le cadre d’analyse de forme pour des structures de cerveau par l’analyse de forme de l’hippocampi gauche et droit utilisant un ensemble de données des contrôles adultes et des patients de la maladie d’Alzheimer. L’atrophie de l’hippocampe est reconnue comme un biomarqueur d’imagerie critique dans les maladies neurodégénératives2,3,4. Dans notre cadre d’analyse de forme, nous utilisons le modèle de modèle de la structure cible et l’enregistrement déformable de modèle à image dans le processus de modélisation de forme. Le modèle code les caractéristiques générales de forme de la structure cible dans une population, et il fournit également une base de référence pour quantifier les différences de forme entre les modèles individuels via leur relation transitoire avec le modèle de modèle. Dans l’enregistrement de modèle à image, nous avons développé une méthode de déformation de surface laplacienne pour adapter le modèle de modèle à la structure cible dans les images individuelles tout en minimisant la distorsion de la distribution de points dans le modèle de modèle5,6,7. La faisabilité et la robustesse du cadre proposé ont été validées dans des études récentes de neuroimagerie du vieillissement cognitif8, détection précoce de l’affaiblissement cognitif doux9, et d’explorer les associations entre les changements structurels du cerveau et les niveaux de cortisol10. Cette approche faciliterait l’utilisation des méthodes de modélisation et d’analyse de la forme dans d’autres études de neuroimagerie.

Protocol

Les images de M. cerveau ont été acquises selon le protocole approuvé par le comité d’examen institutionnel local et le comité d’éthique. REMARQUE: Les outils de modélisation et d’analyse de la forme peuvent être téléchargés à partir du référentiel du NITRC : https://www.nitrc.org/projects/dtmframework/. Le logiciel GUI (DTMModeling.exe) peut être exécuté après extraction. <!–The publ…

Representative Results

Le processus de modélisation de la forme décrit ici a été utilisé pour diverses études de neuroimagerie sur le vieillissement6,8,10 et la maladie d’Alzheimer5,9. Particulièrement, cette méthode de modélisation de forme a montré sa précision et sensibilité dans l’analyse de forme sur l’hippocampe pour une population vieillissan…

Discussion

En résumé, nous avons décrit le pipeline logiciel pour l’analyse de forme sur les structures du cerveau, y compris (1) la segmentation de l’image MR à l’aide d’outils ouverts (2) la reconstruction de forme individuelle à l’aide d’un modèle de modèle déformable, et (3) la différence de forme quantitative mesure par correspondance de forme transitoire avec le modèle de modèle. L’analyse statistique sous la correction de faux taux de découverte (FDR) est exécutée avec la déformation de forme pour étudier l’i…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Les travaux ont été financés par la National Research Foundation of Korea (JP comme PI). JK est financé par le Fonds national de recherche universitaire Kyungpook; et MCVH est financé par le Row Fogo Charitable Trust et la Royal Society of Edinburgh. La segmentation hippocampique a été adaptée à partir de lignes directrices internes écrites par la Dre Karen Ferguson, au Centre for Clinical Brain Sciences, Edimbourg, Royaume-Uni.

References

  1. Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56 (1), 212-219 (2011).
  2. Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer’s Disease. Neuroinformatics. , 1-19 (2018).
  3. Valdés Hernández, M. D. C., et al. Rationale, design, and methodology of the image analysis protocol for studies of patients with cerebral small vessel disease and mild stroke. Brain and behavior. 5 (12), e00415 (2015).
  4. Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
  5. Kim, J., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Hippocampal Shape Modeling Based on a Progressive Template Surface Deformation and its Verification. IEEE Transactions on Medical Imaging. 34 (6), 1242-1261 (2015).
  6. Kim, J., et al. 3D shape analysis of the brain’s third ventricle using a midplane encoded symmetric template model. Computer Methods and Programs in Biomedicine. 129, 51-62 (2016).
  7. Kim, J., Ryoo, H., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Brain Ventricular Morphology Analysis Using a Set of Ventricular-Specific Feature Descriptors. International Symposium on Biomedical Simulation. , 141-149 (2014).
  8. Valdés Hernández, M. D. C., et al. Hippocampal morphology and cognitive functions in community-dwelling older people: the Lothian Birth Cohort 1936. Neurobiology of Aging. 52, 1-11 (2017).
  9. Lee, P., Ryoo, H., Park, J., Jeong, Y. Morphological and Microstructural Changes of the Hippocampus in Early MCI: A Study Utilizing the Alzheimer’s Disease Neuroimaging Initiative Database. Journal of Clinical Neurology. 13 (2), 144-154 (2017).
  10. Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
  11. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17 (1), 87-97 (1998).
  12. Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29 (6), 1310-1320 (2010).
  13. Zhang, Y., Brady, M., Smith, S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging. 20 (1), 45-57 (2001).
  14. Wardlaw, J. M., et al. Brain aging, cognition in youth and old age and vascular disease in the Lothian Birth Cohort 1936: rationale, design and methodology of the imaging protocol. International Journal of Stroke. 6 (6), 547-559 (2011).
  15. Morey, R. A., et al. A comparison of automated segmentation and manual tracing for quantifying hippocampal and amygdala volumes. NeuroImage. 45 (3), 855-866 (2009).
  16. Boccardi, M., et al. Survey of protocols for the manual segmentation of the hippocampus: preparatory steps towards a joint EADC-ADNI harmonized protocol. Journal of Alzheimer’s Disease. 26 (s3), 61-75 (2011).
  17. Winterburn, J., et al. High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging. Journal of Visualized Experiments. (105), e51861 (2015).
  18. MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59 (2), 169-174 (2002).
  19. Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40 (1), 33-51 (1975).
  20. Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. , 163-169 (1987).
check_url/59172?article_type=t

Play Video

Cite This Article
Kim, J., Valdés Hernández, M. d. C., Park, J. Three-Dimensional Shape Modeling and Analysis of Brain Structures. J. Vis. Exp. (153), e59172, doi:10.3791/59172 (2019).

View Video