뇌 구조의 3차원 형상 모델링 및 분석
Summary
개방형 소프트웨어를 사용한 이미지 세분화, 자동화된 모델링 패키지를 사용한 그룹 별 모양 분석 등 뇌 구조에 대한 형상 분석을 위한 반자동 프로토콜을 소개합니다. 여기서, 우리는 뇌 MR 이미지로부터 해마 세분화를 가진 3D 형상 분석 프로토콜의 각 단계를 시연한다.
Abstract
뇌 구조의 통계적 모양 분석은 구조적 변화와 병리학 적 과정 사이의 연관성을 조사하는 데 사용되었습니다. 우리는 정확하고 견고한 형상 모델링 및 그룹 별 분석을위한 소프트웨어 패키지를 개발했습니다. 여기서는 개별 3D 형상 모델링에서 정량적 그룹 모양 분석에 이르는 모양 분석을 위한 파이프라인을 소개합니다. 또한 개방형 소프트웨어 패키지를 사용하는 전처리 및 세분화 단계에 대해서도 설명합니다. 이 실용적인 가이드는 연구원이 뇌 구조에 대한 3D 모양 분석에서 시간과 노력을 절약하는 데 도움이 될 것입니다.
Introduction
뇌 구조의 모양 분석은 신경 퇴행성 질환 및 노화1과같은 병리학 적 과정에서 자신의 형태 학적 변화를 조사하는 바람직한 도구로 부상했다. 다양한 계산 방법은 1) 의료 이미지로부터 대상 구조의 경계를 정확하게 묘사하고, 2) 3D 표면 메쉬의 형태로 대상 형상을 재구성하고, 3) 형상 매개변수화 또는 표면 등록을 통해 개별 형상 모델에 대한 피사체 간 대응을 구축하고, 4) 개인 또는 그룹 간의 지역 형상 차이를 정량적으로 평가하는 데 요구된다. 지난 몇 년 동안, 많은 방법은 이러한 단계의 각각에 대 한 신경 이미징 연구에서 도입 되었습니다. 그러나, 분야에서 놀라운 발전에도 불구하고, 연구에 즉시 적용 할 수있는 많은 프레임 워크가 없습니다. 이 문서에서는 사용자 지정 모양 모델링 도구와 공개적으로 사용 가능한 이미지 세분화 도구를 사용하여 뇌 구조의 모양 분석의 각 단계를 설명합니다.
여기서, 우리는 성인 대조군 및 알츠하이머 병 환자의 데이터 세트를 사용하여 좌우 해마의 모양 분석을 통해 뇌 구조에 대한 형상 분석 프레임워크를 입증한다. 해마의 위축은 퇴행성 신경질환2,3,4에서중요한 영상바이오마커로 인식되고 있다. 모양 분석 프레임워크에서는 대상 구조의 템플릿 모델과 셰이프 모델링 프로세스에서 템플릿 대 이미지 변형 가능한 등록을 사용합니다. 템플릿 모델은 모집단에서 대상 구조의 일반적인 모양 특성을 인코딩하고 템플릿 모델과의 전이 관계를 통해 개별 모델 간의 모양 차이를 정량화하기 위한 기준을 제공합니다. 템플릿-대 이미지 등록에서는 템플릿모델5,6,7에서포인트 분포의 왜곡을 최소화하면서 개별 이미지의 대상 구조에 템플릿 모델을 맞추는 라플락시안 표면 변형 방법을 개발했습니다. 제안된 프레임워크의 타당성 및 견고성은 최근 인지노화8, 경도 인지 장애의 조기 발견9,뇌 구조적 변화와 코티솔 수준10사이의 연관성을 탐구하는 신경 이미징 연구에서 검증되었다. 이 접근은 추가 신경 화상 진찰 연구 결과에 있는 모양 모델링 및 분석 방법을 사용하는 것을 쉽게 만들 것입니다.
Protocol
Representative Results
Discussion
요약하면, 우리는 변형 가능한 템플릿 모델을 이용한 오픈 툴(2) 개별 형상 재구성을 이용한 (1) MR 이미지 분할, (3) 정량적 형상 차이를 포함한 뇌 구조에 대한 형상 분석을 위한 소프트웨어 파이프라인을 설명하였다. 템플릿 모델과의 전이 형상 대응을 통한 측정. 거짓 발견 속도 (FDR) 보정하에 통계 분석은 신경 병리학 과정과 관련된 뇌 구조의 형태학적 변화의 중요성을 조사하기 위해 모양 기형?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
이 작품은 한국연구재단(JP)의 후원을 받았습니다. JK는 경북대학교 연구기금의 지원을 받고 있다. MCVH는 로 포고 자선 신탁과 에든버러 왕립 협회의 지원을 받습니다. 해마 분절은 임상 두뇌 과학을 위한 센터에 카렌 퍼거슨 박사에 의해 작성된 사내 지침에서 적응되었습니다, 에딘버러, 영국.
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).
