Modellazione tridimensionale delle forme e analisi delle strutture cerebrali
Summary
Introduciamo un protocollo semi-automatico per l’analisi delle forme sulle strutture cerebrali, inclusa la segmentazione delle immagini utilizzando software aperto, e un’ulteriore analisi della forma per senso di gruppo utilizzando un pacchetto di modellazione automatizzata. Qui, dimostriamo ogni fase del protocollo di analisi della forma 3D con la segmentazione ippocampale dalle immagini MR del cervello.
Abstract
L’analisi statistica delle forme delle strutture cerebrali è stata utilizzata per studiare l’associazione tra i loro cambiamenti strutturali e i processi patologici. Abbiamo sviluppato un pacchetto software per una modellazione accurata e robusta delle forme e l’analisi group-wise. Qui viene introdotta una pipeline per l’analisi della forma, dalla modellazione delle forme 3D all’analisi quantitativa delle forme di gruppo. Descriviamo anche le fasi di pre-elaborazione e segmentazione utilizzando pacchetti software aperti. Questa guida pratica aiuterebbe i ricercatori a risparmiare tempo e fatica nell’analisi della forma 3D sulle strutture cerebrali.
Introduction
L’analisi della forma delle strutture cerebrali è emersa come lo strumento preferito per studiare i loro cambiamenti morfologici sotto processi patologici, come le malattie neurodegenerative e l’invecchiamento1. Sono necessari vari metodi computazionali per 1) delineare con precisione i confini delle strutture bersaglio da immagini mediche, 2) ricostruire la forma di destinazione sotto forma di mesh di superficie 3D, 3) costruire corrispondenza inter-soggetti attraverso i singoli modelli di forma tramite la parametrizzazione della forma o la registrazione della superficie, e 4) valutare quantitativamente le differenze di forma regionali tra individui o gruppi. Nel corso degli ultimi anni, molti metodi sono stati introdotti negli studi di neuroimaging per ciascuno di questi passaggi. Tuttavia, nonostante i notevoli sviluppi nel settore, non ci sono molti quadri immediatamente applicabili alla ricerca. In questo articolo viene descritto ogni passaggio dell’analisi delle forme delle strutture cerebrali utilizzando i nostri strumenti personalizzati di modellazione delle forme e gli strumenti di segmentazione delle immagini disponibili pubblicamente.
Qui, dimostriamo il quadro di analisi della forma per le strutture cerebrali attraverso l’analisi della forma degli ippocampi sinistro e destro utilizzando un set di dati di controlli per adulti e pazienti affetti da malattia di Alzheimer. L’atrofia degli ippocampi è riconosciuta come un biomarcatore di imaging critico nelle malattie neurodegenerative2,3,4. Nel nostro framework di analisi delle forme, utilizziamo il modello di modello della struttura di destinazione e la registrazione deformabile da modello a immagine nel processo di modellazione delle forme. Il modello modello codifica le caratteristiche generali della forma della struttura di destinazione in una popolazione e fornisce anche una linea di base per quantificare le differenze di forma tra i singoli modelli tramite la loro relazione transitiva con il modello modello. Nella registrazione da modello a immagine, abbiamo sviluppato un metodo di deformazione della superficie Laplacian per adattare il modello del modello alla struttura di destinazione in singole immagini riducendo al minimo la distorsione della distribuzione dei punti nel modellomodello 5,6,7. La fattibilità e la robustezza del quadro proposto sono state convalidate nei recenti studi di neuroimaging dell’invecchiamento cognitivo8, diagnosi precoce di lieve danno cognitivo9, e per esplorare le associazioni tra i cambiamenti strutturali cerebrali e i livelli di cortisolo10. Questo approccio renderebbe più facile l’utilizzo dei metodi di modellazione e analisi delle forme in ulteriori studi di neuroimaging.
Protocol
Representative Results
Discussion
In sintesi, abbiamo descritto la pipeline software per l’analisi delle forme sulle strutture cerebrali, tra cui (1) la segmentazione dell’immagine MR utilizzando strumenti aperti (2) la ricostruzione di forme individuali utilizzando un modello deformabile e (3) la differenza di forma quantitativa misurazione tramite corrispondenza di forma transitiva con il modello modello. L’analisi statistica sotto il falso tasso di scoperta (FDR) viene eseguita con la deformità della forma per studiare il significato dei cambiamenti …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Il lavoro è stato finanziato dalla National Research Foundation of Korea (JP as the PI). JK è finanziato dal Kyungpook National University Research Fund; e MCVH è finanziato dal Row Fogo Charitable Trust e dalla Royal Society di Edimburgo. La segmentazione dell’ippocampo è stata adattata dalle linee guida interne scritte dalla dott.ssa Karen Ferguson, presso il Centre for Clinical Brain Sciences, Edimburgo, Regno Unito.
References
- Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56 (1), 212-219 (2011).
- Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer’s Disease. Neuroinformatics. , 1-19 (2018).
- 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).
- Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
- 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).
- 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).
- 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).
- 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).
- 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).
- Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
- 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).
- Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29 (6), 1310-1320 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59 (2), 169-174 (2002).
- Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40 (1), 33-51 (1975).
- Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. , 163-169 (1987).
