Трехмерное моделирование формы и анализ структур мозга
Summary
Мы вводим полуавтоматический протокол для анализа формы на структурах мозга, включая сегментацию изображений с помощью открытого программного обеспечения, и дальнейший групповой анализ формы с помощью автоматизированного пакета моделирования. Здесь мы демонстрируем каждый шаг протокола анализа 3D формы с гиппокампа сегментации из изображений MR мозга.
Abstract
Статистический анализ формы структур мозга был использован для исследования связи между их структурными изменениями и патологическими процессами. Мы разработали программный пакет для точного и надежного моделирования форм и группового анализа. Здесь мы вводим конвейер для анализа формы, от индивидуального 3D-моделирования формы до количественного анализа формы группы. Мы также описываем шаги предварительной обработки и сегментации с использованием открытых программных пакетов. Это практическое руководство поможет исследователям сэкономить время и усилия в 3D-анализе формы на структурах мозга.
Introduction
Форма анализа структур мозга стала предпочтительным инструментом для исследования их морфологических изменений в рамках патологических процессов, таких как нейродегенеративные заболевания и старение1. Требуются различные вычислительные методы, чтобы 1) точно разграничить границы целевых структур из медицинских изображений, 2) реконструировать целевую форму в виде 3D-поверхностной сетки, 3) построить межсубъекты корреспонденции по отдельным моделям формы с помощью параметризации формы или регистрации поверхности, и 4) количественно оценить региональные различия в форме между отдельными лицами или группами. За последние несколько лет, многие методы были введены в нейровизуальных исследований для каждого из этих шагов. Однако, несмотря на значительные события в этой области, существует не так много рамок, непосредственно применимых к исследованиям. В этой статье мы описываем каждый этап анализа форм структур мозга, используя наши пользовательские инструменты моделирования форм и общедоступные инструменты сегментации изображений.
Здесь мы демонстрируем рамки анализа формы для структур мозга через анализ формы левого и правого гиппокампа с помощью набора данных о контроле взрослых и больных болезнью Альцгеймера. Атрофия гиппокампа признана критическим биомаркером визуализации при нейродегенеративных заболеваниях2,3,4. В нашей структуре анализа форм мы используем модель шаблона целевой структуры и деформируемую регистрацию шаблона к изображению в процессе моделирования форм. Модель шаблона кодирует общие характеристики формы целевой структуры в популяции, а также обеспечивает базовый уклад для количественной оценки различий в формах между отдельными моделями через их переходное отношение с моделью шаблона. При регистрации шаблона к изображению мы разработали метод деформации поверхности Лаплациа, чтобы соответствовать модели шаблона к целевой структуре в отдельных изображениях, минимизируя при этом искажение распределения точек в модели шаблона5,6,7. Осуществимость и надежность предлагаемой структуры были подтверждены в последние нейровизуальные исследования когнитивного старения8, раннее выявление легких когнитивных нарушений9, и для изучения связей между структурными изменениями мозга и уровня кортизола10. Такой подход облегчил бы использование методов моделирования форм и анализа в дальнейших нейровизуальных исследованиях.
Protocol
Representative Results
Discussion
Таким образом, мы описали программный конвейер для анализа формы на структурах мозга, включая (1) сегментацию изображений MR с помощью открытых инструментов (2) индивидуальную реконструкцию формы с использованием деформируемой модели шаблона, и (3) количественную разницу в форме измерени…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Работа финансировалась Национальным исследовательским фондом Кореи (JP as the PI). JK финансируется Национальным университетским исследовательским фондом Кёнгпука; и MCVH финансируется Благотворительным фондом Row Fogo и Королевским обществом Эдинбурга. Сегментация гиппокампа была адаптирована из внутренних руководящих принципов, написанных доктором Карен Фергюсон, в Центре клинических наук о мозге, Эдинбург, Великобритания.
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).
