Beyin Yapılarının Üç Boyutlu Şekil Modellemesi ve Analizi
Summary
Açık yazılım kullanarak görüntü bölümlemesi ve otomatik bir modelleme paketi kullanarak daha fazla grup-bilge şekil analizi de dahil olmak üzere beyin yapıları üzerinde şekil analizi için yarı otomatik bir protokol sıyoruz. Burada, beyin MR görüntülerinden hipokampal segmentasyon ile 3D şekil analizi protokolünün her adımını gösteriyoruz.
Abstract
Beyin yapılarının istatistiksel şekil analizi yapısal değişimleri ile patolojik süreçler arasındaki ilişkiyi araştırmak için kullanılmıştır. Doğru ve sağlam şekil modelleme ve grup analizi için bir yazılım paketi geliştirdik. Burada, tek tek 3B şekil modellemeden nicel grup şekil analizine kadar şekil analizi için bir boru hattı sıyoruz. Ayrıca, açık yazılım paketlerini kullanarak ön işleme ve segmentasyon adımlarını da açıklarız. Bu pratik kılavuz araştırmacılar beyin yapıları üzerinde 3D şekil analizi zaman ve çaba tasarrufu yardımcı olacaktır.
Introduction
Beyin yapılarının şekil analizi, nörodejeneratif hastalıklar ve yaşlanma gibi patolojik süreçler altında morfolojik değişimlerini araştırmak için tercih edilen bir araç olarak ortaya çıkmıştır1. Çeşitli hesaplama yöntemleri 1) doğru tıbbi görüntülerden hedef yapıların sınırlarını belirlemesi için gereklidir, 2) 3D yüzey örgü şeklinde hedef şekli yeniden oluşturmak, 3) şekil parametreizasyonu veya yüzey kaydı yoluyla bireysel şekil modelleri arasında inter-konular yazışma oluşturmak, ve 4) nicel bireyler veya gruplar arasındaki bölgesel şekil farklılıkları değerlendirmek. Son birkaç yıl içinde, birçok yöntem bu adımların her biri için nörogörüntüleme çalışmalarda tanıtıldı. Ancak, bu alandaki kayda değer gelişmelere rağmen, araştırma için hemen geçerli olan çok fazla çerçeve yoktur. Bu makalede, özel şekil modelleme araçlarıve genel olarak kullanılabilir görüntü segmentasyon araçları kullanarak beyin yapılarının şekil analizinin her adımını açıklıyoruz.
Burada, yetişkin kontrolleri ve Alzheimer hastalığı hastalarının bir veri seti kullanarak sol ve sağ hipokampi şekil analizi ile beyin yapıları için şekil analizi çerçeve göstermek. Hipokampi atrofisi nörodejeneratif hastalıklarda kritik bir görüntüleme biyomarker olarak kabul edilmektedir2,3,4. Şekil analizi çerçevemizde, hedef yapının şablon modelini ve şekil modelleme işleminde şablondan görüntüye deforme edilebilir kaydı kullanırız. Şablon modeli, bir popülasyondaki hedef yapının genel şekil özelliklerini kodlar ve şablon modeliyle geçişli ilişkileri aracılığıyla tek tek modeller arasındaki şekil farklılıklarını ölçmek için bir temel sağlar. Şablon-to-görüntü kaydında, şablon modelinin tek tek görüntülerdeki hedef yapısına sığdırılması için bir Laplacian yüzey deformasyon yöntemi geliştirdik ve şablon modeli5,6,7’dekinokta dağılımının bozulmasını en aza indirgedik. Önerilen çerçevenin fizibilite ve sağlamlığı bilişsel yaşlanma nın son nörogörüntüleme çalışmalarında doğrulanmıştır8, hafif bilişsel bozukluk erken tespiti9, ve beyin yapısal değişiklikler ve kortizol düzeyleri arasındaki ilişkileri keşfetmek için10. Bu yaklaşım daha fazla nörogörüntüleme çalışmalarında şekil modelleme ve analiz yöntemlerinin kullanılmasını kolaylaştıracaktır.
Protocol
Representative Results
Discussion
Özetle, (1) açık araçlar (2) deforme edilebilir bir şablon modeli kullanarak bireysel şekil rekonstrüksiyonu ve (3) nicel şekil farkı kullanarak MR görüntü segmentasyonu dahil olmak üzere beyin yapıları üzerinde şekil analizi için yazılım boru hattı açıklanmıştır şablon modeli ile geçişli şekil yazışmaları yoluyla ölçüm. Nöropatolojik süreçlerle ilişkili beyin yapılarının morfolojik değişikliklerinin önemini araştırmak için yanlış keşif oranı (FDR) düzeltmesi altında…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Çalışma Kore Ulusal Araştırma Vakfı (JP pi olarak) tarafından finanse edilmiştir. JK Kyungpook Ulusal Üniversitesi Araştırma Fonu tarafından finanse edilmektedir; ve MCVH Row Fogo Charitable Trust ve Royal Society of Edinburgh tarafından finanse edilmektedir. Hipokampal segmentasyon, Edinburgh, Edinburgh’daki Klinik Beyin Bilimleri Merkezi’nde Dr. Karen Ferguson tarafından yazılan şirket içi kılavuzlardan uyarlanmıştır.
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).
