需要订阅 JoVE 才能查看此. 登录或开始免费试用。

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

我们引入了一种半自动方案,用于大脑结构的形状分析,包括使用开放软件进行图像分割,以及使用自动建模包进行进一步组式形状分析。在这里,我们演示了3D形状分析协议的每一步,其中海马分割从大脑MR图像。

摘要

大脑结构的统计形状分析被用来研究其结构变化与病理过程之间的关系。我们开发了一个软件包,用于准确和可靠的形状建模和基于组的分析。在这里,我们介绍了一个用于形状分析的管道,从单个三维形状建模到定量组形状分析。我们还使用开放式软件包描述了预处理和分段步骤。这个实用的指南将帮助研究人员在大脑结构的3D形状分析中节省时间和精力。

引言

大脑结构的形状分析已成为研究其形态变化在病理过程中,如神经退行性疾病和老化1的首选工具。需要采用各种计算方法,1)从医学图像中准确划定目标结构的边界,2)以3D曲面网格的形式重建目标形状;3)通过形状参数化或曲面配准在单个形状模型中构建主体间对应关系,4)定量评估个人或群体之间的区域形状差异。在过去的几年中,许多方法已经引入神经成像研究,每个这些步骤。然而,尽管该领域取得了显著进展,但目前没有多少框架适用于研究。在本文中,我们使用自定义的形状建模工具和公开提供的图像分割工具描述大脑结构形状分析的每个步骤。

在这里,我们演示了大脑结构的形状分析框架,通过左右海马的形状分析使用成人对照和阿尔茨海默病患者的数据集。海马的萎缩被认为是神经退行性疾病2、3、4中的关键成像生物标志物。在我们的形状分析框架中,我们采用了目标结构的模板模型和形状建模过程中的模板到图像可变形的配准。模板模型对总体中目标结构的一般形状特征进行编码,并且它还提供了一个基线,用于通过各个模型与模板模型的传递关系量化各个模型之间的形状差异。在模板到图像的配准中,我们开发了一种拉普拉克表面变形方法,将模板模型与单个图像中的目标结构拟合,同时最大限度地减少模板模型5、6、7中点分布的失真。最近关于认知老化8、早期发现轻度认知障碍9的神经成像研究验证了该框架的可行性和鲁棒性,并探讨了大脑结构变化与皮质醇水平10之间的关联。这种方法将使得在进一步的神经成像研究中更容易使用形状建模和分析方法。

研究方案

脑MR图像是根据当地机构审查委员会和道德委员会批准的协议获得的。

注:形状建模和分析工具可从 NITRC 存储库下载:https://www.nitrc.org/projects/dtmframework/。GUI 软件 (DTMModeling.exe) 可在提取后执行。 参见图 1

1. 大脑 MR 图像分割

  1. 获取单个受试者的大脑 MR 图像和大脑分割面具。
    注:通常,我们获取T1加权MR图像,用于大脑结构分析。我们假设MR图像是预先处理梯度非线性校正和强度不均匀校正使用N311,改进的N3方法12,或FSL-FAST13。表1列出了一些用于自动分割人脑结构的可自由工具。
  2. 手动更正分段结果。
    注:表2列出了支持手动分段的开放式GUI软件。大脑结构的手动分割协议可以在这里找到14,15,16。关于海马人工分割的视频指南在这里17。我们将在下一节中描述海马分割的协议。
    1. 使用"打开文件"菜单打开 T1 加权 MRI 和自动分段结果。
    2. 通过单击窗口菜单加载分段插件|显示 |分段.
    3. 使用分段插件中的"添加、减法修正"工具更正分段掩码。
    4. 使用保存菜单以 Nifti 格式保存更正的分段蒙版。

2. 希波营地分割的手动编辑

注:我们引入了一种使用基于MITK工作台的GUI建模软件手动编辑大脑分段的协议(http://www.mitk.org/)。MITK 工作台为手动和自动分割以及医疗图像可视化提供各种功能。我们演示了左右海马的手动编辑过程。手动编辑18的步骤自动海马分割的结果如下。

  1. 使用 MITK 工作台软件打开 T1 加权 MR 图像和自动海马分割的结果。
  2. 单击菜单窗口,在 MITK 工作台中加载分段插件|显示视图 |分段.
  3. 单击显示窗口右上角显示的右侧图标,选择日冕视图。
  4. 在日冕视图中编辑每个海马的二进制面膜(即左侧和右侧),从海马头到身体,如下所示。
    1. 滚动整个卷,直到找到 uncus。在海马面具中包括未出现的地方。
    2. 使用"分割"插件中的"添加减去"功能,在 uncus 消退后编辑海马身体的面具。
    3. 继续编辑海马面具,直到找到海马尾巴。当丘拉的脉冲核退去优于海马时,星体出现。
    4. 完成编辑海马区最后一个日冕片,其中整个食肉的长度可见,但还没有连续与水准的库罗苏姆的硒。
      注:脑脊液 (CSF) 空间可以包含在海马区域。CSF 空间可以使用 MITK 工作台的分段插件中的"减法"工具从海马面罩中删除。它可能更容易完全定义海马区域,然后通过所有冠状切片从海马头到尾的删除CSF空间。
    5. 遵循相同的过程来编辑两个海马的二进制面具。
      注:MITK工作台中分段插件的添加、减法修正工具可用于手动编辑。修正工具通过根据用户输入和分段掩码执行加减法,无需额外选择刀具,轻松处理分段掩码中的小错误。
  5. 使用 MITK 工作台软件中的"保存"菜单,以 Nifti 格式(nii 或 nii.gz)保存左和右海马的二进制掩码。
    注:左海马和右海马的二元面具应单独保存,以用于后续海马形状模型步骤。

3. 组模板构造

注:对所有主体进行分割和手动编辑后,单个形状建模需要目标结构的模板模型。我们从人口的平均二进制掩码构建模板模型,该模型使用 MITK 工作台中的"ShapeModel"插件获取。使用GUI软件构建模板模型的步骤如下。

  1. 使用菜单功能加载形状建模插件:窗口 |显示视图 |形状建模
  2. 单击Shape 建模插件中的"打开目录"按钮,打开包含研究总体二进制掩码的目录。
  3. 单击"形状建模"插件中的模板构造按钮。
  4. 检查平均形状网格,并使用保存菜单将其保存为立体光刻 (STL) 格式。

4. 个人形状重建

注:在此步骤中,我们使用"形状建模"插件中的"开始形状建模"按钮为各个主体执行形状建模。我们在表3中列出了这个插件的软件参数。有关每个参数的详细说明可在此处找到5。使用 GUI 软件进行单个形状重建的步骤如下。

  1. 使用"打开文件"菜单加载 T1 加权 MR 图像及其分段掩码。
    注:我们使用 T1 加权 MR 图像进行视觉验证。
  2. 检查 ShapeModeling 插件中的建模参数,并在必要时进行修改。
    注:如果模板模型未变形或模板模型与图像边界之间的距离较大,建议增加边界搜索范围。如果发现一些几何变形,使用步骤 0.5 增加 maxAlpha 和 minAlpha 将有助于解决此问题。在分段掩码中检查目标对象的体素强度非常重要。如果值不是 1,则应相应地更改强度参数。
  3. 单击"形状建模"按钮以运行形状建模过程,并在 MITK 工作台的 3D 视图中检查结果。
  4. 当模板模型未紧密拟合到图像边界时,重复步骤 4.2 和 4.3。
    注:模板模型在 MITK 工作台的下垂、日冕、轴向和 3D 视图中使用分段掩码进行可视化。当模板模型和图像边界之间的距离小于最小体素大小的十分之一的阈值时,模板表面不会变形。
  5. 使用 MITK 框架中的"保存"菜单,以立体光刻 (STL) 格式保存建模结果。

5. 按组进行形状规范化和形状差测量

注:在此步骤中,我们将各个形状模型与模板模型对齐,并计算模板模型和单个形状模型之间相应顶点之间的点状形状变形。形状畸形测量的步骤如下。

  1. 在 MITK 工作台的数据管理器中选择主题的形状模型。
    注:用户可以为畸形测量选择多个型号。
  2. 通过单击"形状建模"插件中的"测量"按钮执行畸形测量。

结果

这里描述的形状建模过程已用于各种神经成像研究老化6,8,10和阿尔茨海默氏病5,9。特别是,这种形状建模方法在海马区654受试者8人的形状分析中显示了其准确性和敏感性。对软件和公开可用的软件,ShapeWork,LDDMM-TI和SPHARM-PDM的定量分...

讨论

总之,我们描述了大脑结构形状分析的软件管道,包括(1)使用开放工具进行MR图像分割(2)使用可变形模板模型进行个体形状重建,以及(3)定量形状差异通过与模板模型的传递形状对应进行测量。在错误发现率(FDR)校正下进行统计分析,以调查与神经病理过程相关的大脑结构形态变化的意义。

我们的建模管道内部使用内部工具从主题图像构建模板模型。模板构造的步...

披露声明

提交人声明不存在利益冲突。

致谢

这项工作由韩国国家研究基金会(JP作为PI)资助。JK由庆保国立大学研究基金资助;MCVH由罗福戈慈善信托基金和爱丁堡皇家学会资助。海马分割改编自英国爱丁堡临床脑科学中心的Karen Ferguson博士编写的内部指南。

材料

NameCompanyCatalog NumberComments

参考文献

  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).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

153

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

科研

教育

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有,本公司不涉及任何医疗业务和医疗服务。