Summary

Modelado de formas tridimensionales y análisis de estructuras cerebrales

Published: November 14, 2019
doi:

Summary

Introducimos un protocolo semiautomático para el análisis de formas en estructuras cerebrales, incluida la segmentación de imágenes mediante software abierto, y más análisis de formas en grupo mediante un paquete de modelado automatizado. Aquí, demostramos cada paso del protocolo de análisis de forma 3D con segmentación hipocampal a partir de imágenes de RM cerebral.

Abstract

El análisis estadístico de la forma de las estructuras cerebrales se ha utilizado para investigar la asociación entre sus cambios estructurales y procesos patológicos. Hemos desarrollado un paquete de software para el modelado de formas preciso y robusto y el análisis en grupo. Aquí, presentamos una canalización para el análisis de formas, desde el modelado de forma 3D individual hasta el análisis cuantitativo de formas de grupo. También describimos los pasos de preprocesamiento y segmentación mediante paquetes de software abiertos. Esta guía práctica ayudaría a los investigadores a ahorrar tiempo y esfuerzo en el análisis de formas 3D en estructuras cerebrales.

Introduction

El análisis de formas de las estructuras cerebrales ha surgido como la herramienta preferida para investigar sus cambios morfológicos en procesos patológicos, como las enfermedades neurodegenerativas y el envejecimiento1. Se requieren varios métodos computacionales para 1) delinear con precisión los límites de las estructuras objetivo a partir de imágenes médicas, 2) reconstruir la forma objetivo en forma de malla de superficie 3D, 3) construir correspondencia entre sujetos a través de los modelos de forma individuales a través de la parametrización de la forma o el registro de superficie, y 4) evaluar cuantitativamente las diferencias de forma regional es entre individuos o grupos. En los últimos años, se han introducido muchos métodos en estudios de neuroimagen para cada uno de estos pasos. Sin embargo, a pesar de los notables avances en el campo, no hay muchos marcos inmediatamente aplicables a la investigación. En este artículo, describimos cada paso del análisis de formas de las estructuras cerebrales utilizando nuestras herramientas de modelado de formas personalizadas y herramientas de segmentación de imágenes disponibles públicamente.

Aquí, demostramos el marco de análisis de forma para las estructuras cerebrales a través del análisis de la forma del hipocampo izquierdo y derecho utilizando un conjunto de datos de controles adultos y pacientes con enfermedad de Alzheimer. La atrofia del hipopótamo es reconocida como un biomarcador de imágenes crítico en enfermedades neurodegenerativas2,3,4. En nuestro marco de análisis de formas, empleamos el modelo de plantilla de la estructura de destino y el registro deformable de plantilla a imagen en el proceso de modelado de formas. El modelo de plantilla codifica las características generales de la forma de la estructura de destino en una población y también proporciona una línea base para cuantificar las diferencias de forma entre los modelos individuales a través de su relación transitiva con el modelo de plantilla. En el registro de plantilla a imagen, hemos desarrollado un método de deformación de superficie laplaciana para ajustar el modelo de plantilla a la estructura de destino en imágenes individuales, minimizando al mismo tiempo la distorsión de la distribución de puntos en el modelo de plantilla5,6,7. La viabilidad y robustez del marco propuesto han sido validadas en estudios recientes de neuroimagen del envejecimiento cognitivo8,detección temprana de deterioro cognitivo leve9,y para explorar las asociaciones entre los cambios estructurales del cerebro y los niveles de cortisol10. Este enfoque facilitaría el uso de los métodos de modelado y análisis de formas en estudios de neuroimagen posteriores.

Protocol

Las imágenes de Brain MR fueron adquiridas según el protocolo aprobado por la junta de revisión institucional local y el comité de ética. NOTA: Las herramientas para el modelado y análisis de formas se pueden descargar desde el repositorio NITRC: https://www.nitrc.org/projects/dtmframework/. El software GUI (DTMModeling.exe) se puede ejecutar después de la extracción. <!–The publication list on…

Representative Results

El proceso de modelado de la forma descrito aquí se ha empleado para varios estudios de neuroimagen sobre el envejecimiento6,8,10 y la enfermedad de Alzheimer5,9. Especialmente, este método de modelado de formas mostró su precisión y sensibilidad en el análisis de la forma en el hipocampo para una población envejecida de 654 sujetos…

Discussion

En resumen, hemos descrito la canalización de software para el análisis de formas en estructuras cerebrales, incluyendo (1) segmentación de imágenes MR utilizando herramientas abiertas (2) reconstrucción de formas individuales utilizando un modelo de plantilla deformable, y (3) diferencia de forma cuantitativa medición a través de correspondencia de forma transitiva con el modelo de plantilla. El análisis estadístico bajo la corrección de la tasa de detección falsa (FDR) se realiza con la deformidad de la form…

Disclosures

The authors have nothing to disclose.

Acknowledgements

El trabajo fue financiado por la National Research Foundation of Korea (JP como PI). JK está financiado por el Fondo de Investigación de la Universidad Nacional Kyungpook; y MCVH está financiado por Row Fogo Charitable Trust y la Royal Society de Edimburgo. La segmentación del hipocampo fue adaptada de las directrices propias escritas por la Dra. Karen Ferguson, en el Centro de Ciencias Clínicas del Cerebro, Edimburgo, Reino Unido.

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).

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