JoVE Logo
Autoren
Kontakt

Anmelden

Zum Anzeigen dieser Inhalte ist ein JoVE-Abonnement erforderlich. Melden Sie sich an oder starten Sie Ihre kostenlose Testversion.

In diesem Artikel

  • Zusammenfassung
  • Zusammenfassung
  • Einleitung
  • Protokoll
  • Ergebnisse
  • Diskussion
  • Offenlegungen
  • Danksagungen
  • Materialien
  • Referenzen
  • Nachdrucke und Genehmigungen

Zusammenfassung

Dieses Whitepaper beschreibt ein statistisches Modell für Volumetrische MRI-Daten-Analyse, die "Wechselpunkt" identifiziert, wenn Hirnatrophie im Premanifest Chorea Huntington beginnt. Ganz-Brain Mapping von die wechselpunkte erfolgt basierend auf Gehirn Volumen mit einer Atlas-basierte Segmentierung-Pipeline von T1-gewichteten Bildern erzielt.

Zusammenfassung

Jüngste Fortschritte in der MRT bieten eine Vielzahl nützlicher Marker, Neurodegenerative Erkrankungen zu identifizieren. Bei der Huntington-Krankheit (HD) regionale Hirnatrophie beginnt viele Jahre vor dem motor auftreten (während der "prämanifesten" Periode), aber das räumlich-zeitliche Muster der regionalen Atrophie über das Gehirn nicht vollständig charakterisiert. Hier zeigen wir eine Online-Cloud-computing-Plattform, "MRICloud", die Atlas-basierte ganze Gehirn Segmentierung von T1-gewichteten Bildern auf mehreren Ebenen der Granularität, und dabei kann wir auf die regionalen Besonderheiten der Anatomie des Gehirns zuzugreifen. Dann beschreiben wir ein Regressionsmodell, das statistisch signifikante Wendepunkte bei denen regionale Hirnatrophie beginnt erkennt zu spüren, d. h. der "Change-Point", im Hinblick auf eine Krankheit Fortschreiten Index. Wir verwendet die CAG-Alter Produkt (CAP) Partitur, um das Fortschreiten der Krankheit bei Huntington-Patienten zu indizieren. Wechselpunkt Analyse der volumetrischen Messungen aus der Segmentierung Pipeline liefert wichtige Informationen und Muster der strukturelle Atrophie daher über das Gehirn. Das Papier zeigt die Verwendung dieser Techniken auf T1-gewichteten MRT-Daten aus einer großen multizentrischen Studie der PREDICT-HD prämanifesten HD-Themen. Dieses Design hat breite Anwendungen möglicherweise in einer Reihe von neurodegenerativen Erkrankungen, die dynamischen Veränderungen der Anatomie des Gehirns zu untersuchen.

Einleitung

Magnetresonanz-Bildgebung (MRI) wurde wesentlich verbessert, unsere Fähigkeit zu prüfen, die Anatomie des Gehirns und Funktionen bei neurodegenerativen Krankheiten1,2,3. T1-gewichteten strukturelle MRI ist einer der am weitesten verbreitete Annahme imaging-Tools im klinischen Alltag zur Beurteilung der Anatomie des Gehirns und damit verbundene Pathologie. Quantitative Analyse von hochauflösenden T1-gewichteten Bildern bietet nützliche Marker um anatomische Veränderungen während der Degeneration des Gehirns messen. Insbesondere Segmentierung basierend Quantifizierung Ansätze reduziert effektiv die Bild-Dimensionalität von Voxel-Ebene (in der Größenordnung von (106)), anatomische Strukturebene ((102)) für Hochdurchsatz-Neuroinformatik4 , 5. automatisierte Gehirn Segmentierung erreicht werden kann, mit Atlas-basierte Methoden6,7,8,9 , die die vordefinierten anatomischen Beschriftungen aus einem Atlas auf den Patienten Bilder zuordnen . Unter den Atlas-basierte Methoden ergab Algorithmen für Multi-Atlas10,11,12,13,14 überlegene Segmentierung Genauigkeit und Robustheit. Unsere Gruppe hat eine vollautomatische T1 Multi-Atlas Segmentierung Pipeline mit fortgeschrittenen Diffeomorphic Bild Anmeldung Algorithmen15, Multi-Atlas Fusion Methoden16,17und reiche Multi-Atlas-Bibliotheken entwickelt. 18. die Pipeline wurde auf eine Cloud-computing-Plattform, MRICloud19, seit 2015 verteilt und es wurde verwendet, um Neurodegenerative Erkrankungen wie Alzheimer-Krankheit (AD)20,21, Grundschule studieren Progressive Aphasie22und Chorea Huntington23.

Sobald die hochauflösenden Bilder in Gehirnstrukturen segmentiert sind, können regionale Besonderheiten, wie Volumen, werden zum Herstellen verwendet mathematische Modelle, um die neuroanatomischen Veränderungen zu charakterisieren. Eine Änderung-Punkt-Analyse-Methode wurde vor kurzem eingerichtet, von unserer Fraktion, die zeitliche Ordnung, in der statistisch signifikanten gehirnveränderungen morphometrische auftreten, anhand von längs- bzw. Querschnitt MRI-Daten zu analysieren. Diese statistischen Modell wurde zuerst entwickelt, um Form-basierte Diffeomorphometry älter als AD Patienten21,24zu quantifizieren; und es wurde später angepasst, um strukturelle Veränderungen im Gehirn bei der Huntington Krankheit (HD), sowie um Entwicklungsstörungen gehirnveränderungen im neonatalen Gehirn25beschreiben zu untersuchen. Bei Huntington-Patienten wurde der Wechselpunkt mit Respekt auf die CAG-Alter Produkt (CAP) Partitur, als Indikator für das Ausmaß der Exposition gegenüber der CAG-Ausbau in HTT 26definiert. Es ist bekannt, dass striatalen Atrophie einer der frühesten Marker in HD ist, gefolgt von der Globus Pallidus27. Doch die Veränderungen im Striatum in Bezug auf andere Strukturen der grauen und weißen Substanz in das Gehirn bleibt unklar. Diese Beziehung ist entscheidend für uns, das Fortschreiten der Erkrankung zu verstehen. Wechselpunkt Analyse der volumetrischen Veränderungen in allen Hirnstrukturen wird wahrscheinlich systematische Hirnatrophie in prämanifesten Phase der Huntington-Krankheit informieren.

Hier zeigen wir die Verfahren um ganze Gehirn Segmentierung mit MRICloud (www.mricloud.org), und Schritte zu Wechselpunkt volumetrischer Daten in prämanifesten HD Themen analysieren durchzuführen. Die MRT-Daten wurden gesammelt von einem Großteil der Bevölkerung multizentrischen PREDICT-HD Studie28,29 mit ca. 400 Kontrollen und prämanifesten HD Themen. Die Kombination von Atlas-Segmentierung und Wechselpunkt Analyse bringt einzigartige Informationen über die räumlich-zeitliche Reihenfolge der die strukturellen Veränderungen im Gehirn und das Krankheitsbild Fortschreiten über das Gehirn. Die Techniken sind potenziell für eine Reihe von neurodegenerativen Erkrankungen mit verschiedene Biomarker, die Degeneration des Gehirns abzubilden.

Protokoll

1. Atlas-basierte Whole Brain Segmentierung

  1. Aufbereitung der Daten
    1. Dreidimensionale (3D) T1-gewichteten Bilder, in der Regel erworben mit MPRAGE (Magnetisierung vorbereitet schnelle Gradienten-Echo) Reihenfolge von herstellerspezifischen DICOM (Digital Imaging and Communication) Format analysiert-Format zu konvertieren. Beachten Sie, dass die Wolke Berechnung erfordert Benutzerdaten auf remote-Cluster übertragen werden. Entfernen Sie nach der Health Insurance Portability and Accountability Act (HIPAA) die Patienten personenbezogene Daten von Image-Dateien.
      Hinweis: MRICloud bietet einen analysieren DICOM Konverter (https://braingps.mricloud.org/t1prep) für die Datei-Format-Konvertierung sowie die Anonymisierung von Gesundheitsdaten.
      1. Doppelklicken Sie auf Dcm2Analyze.exe. Ein Popup-Fenster öffnet sich (Abbildung 1A).
      2. DICOM Daten Verzeichnis Eingabepfad als Input und analysiert Image-Pfad und Dateinamen Namen als Ausgabe angeben.
      3. Klicken Sie auf "Go", um die Konvertierung abzuschließen.
        Hinweis: Die Konvertierung muss für jeden einzelnen Patienten durchgeführt werden, und es wäre vorteilhaft für alle konvertierten Bilder im Ordner "eine Studie" für Batch-Verarbeitung (1.2.2.1) ausgeben.
  2. Multi-Atlas Basis T1 Bild Segmentierung mit MRICloud19.
    1. Log-in "Gehirn GPS" (Register für Erstbenutzer) ab https://mricloud.org. Wählen Sie "Segmentierung" Werkzeug aus dem Hauptmenü (Abbildung 1 b). Es gibt zwei Anwendung Programmier-Schnittstelle (API) Optionen unter "Segmentierung": "T1-MultiAtlas" für einzelne T1 Image Segmentation und "T1-MultiAtlas Batch" für die Stapelverarbeitung. Die Wechselpunkt Analyse erfordert große Bevölkerungsdaten und Batch-Verarbeitung ist dabei oft die Wahl.
    2. Senden Sie Aufträge auf "T1-MultiAtlas Batch" API.
      1. Komprimieren Sie mehrere analysiert-Image-Dateien in eine Zip-Datei. Klicken Sie auf "+ .zip" in Abbildung 1 b die Zip-Datei hochladen.
        Hinweis: Die aktuelle Cloud-Portal beschränkt die Anzahl der Bilder bis 30 in jeder Zip-Ordner. Große Datenmengen können in mehrere Zip-Ordner zu bearbeitenden getrennt werden. Besonderen Antrag kann gestellt werden, um mehr Bilder pro Zip-Datei unterzubringen. In Zukunft können wir möglicherweise erhöhen die begrenzte Anzahl oder sogar die Grenze zu entfernen, wenn die weiter entfernte computational Ressourcen verfügbar sind.
      2. Füllen Sie die erforderlichen Felder in Figur 1 b.
        1. Verarbeitenden Server: Wählen Sie "Computational Anatomie Wissenschaft Gateway".
        2. Slice-Typ: Wählen Sie aus "Sagittal", "Axial" oder "Sagittal in Axial umgewandelt".
          Hinweis: "Sagittal" bezieht sich auf Bilder mit sagittaler Ausrichtung mit Blick auf einer Ebene im Anterior-posterioren und Kopf-Fuß Richtungen erworben. "Axial" bezieht sich auf Bilder erworben axiale Ausrichtung mit Blick in die Ebene in Links-Rechts und Anterior-posterioren Richtungen. "Sagittal in Axial konvertiert" bezieht sich auf Bilder, die ursprünglich in axialer Richtung erworben waren, aber später umgewandelt in sagittaler Bilder (das sind in der Regel "Axial" Bilder mit langem Hals-Bereich).
        3. Multi-Atlas-Bibliothek: Wählen Sie die Atlas-Bibliothek mit engsten Altersspanne auf die Benutzerdaten, die Segmentierung Genauigkeit zu optimieren. Wir bieten vorgefertigte Multi-Atlas Datasets18 verschiedener Altersstufen, z. B. "Pädiatrische 4-8 yr", "Pädiatrische 8-12 Jahre", "Erwachsene 22-50" und "Erwachsene 50-90", sowie verschiedene Atlas-Versionen. Informationen über Atlas-Versionen finden Sie im https://braingps.mricloud.org/atlasrepo.
    3. Überprüfen Sie den Status über "Mein Auftragsstatus" (Abbildung 1). Sobald die Aufträge fertig sind, erscheint eine Schaltfläche "Download Ergebnisse", die Benutzern erlaubt, die Segmentierung Ergebnisse als ZIP-Datei herunterladen.
    4. Visualisieren Sie die Ergebnisse. Für einzelne Subjekt, die Bände aus der Segmentierung Ergebnis gewonnen online visualisiert werden können (nicht möglich für Batch-Verarbeitung Ergebnisse).
      1. Klicken Sie auf "Ergebnis anzeigen" in Abbildung 1. Die Webseite schaltet auf der visualisierungsoberfläche (Abbildung 1). Die axialen, sagittalen und koronalen Ansichten der Segmentierung Karte sind im T1-gewichteten anatomischen Bild überlappt. 3D-Rendering der segmentierten Gehirnstrukturen werden im oberen linken Fenster angezeigt. Farbe der Überlagerung Segmentierung Karte zeigt die Z-Score der strukturellen Bände.
      2. Passen Sie die Visualisierungsoptionen, einschließlich Overlay ein-/Deckkraft der Überlagerung, vergrößern Sie und verkleinern und schneiden Sie Positionen aus den oberen rechten Bereich in Abbildung 1in Scheiben.
      3. Gruppieren Sie feinste Segmentierung Parzellen in unterschiedlicher Granularität. In unseren Atlanten haben wir fünf Ebenen der Granularität zwei Arten Ontologie Beziehungen18,30definiert. Eine Strukturansicht der hierarchischen mehrstufigen anatomische Definitionen zeigt im unteren linken Bereich (Abbildung 1). Klicken Sie auf das Niveau Zahlen um die Strukturen auf der entsprechenden Ebene der Ontologie zu erweitern. Die Segmentierung Karten schaltet gleichzeitig die entsprechenden Ontologie-Level.
        Hinweis: Alle zwei Monate MRICloud Workshops sind Hilfe bei Johns Hopkins University School of Medicine, Hands-on-Tutorials der oben beschriebenen Online-Operationen bieten. Werkstatt-Informationen finden Sie aus https://braingps.mricloud.org/workshops.
    5. Die Segmentierung Ergebnisse für spätere Analysen herunterladen. Entpacken Sie die Ergebnisse einer Studie Benutzerverzeichnis, z.B., zusammenstellen Sie die Segmentierung Ergebnisse aus allen Fächern in einem Studienverzeichnis, jeweils in ihren individuellen Subjekt-Ordnern.
      Hinweis: Die Ergebnisse enthalten
    • example.img: T1 Originalbild in axialer Richtung.
    • example_MNI.img: T1 Bild im MNI Raum nach dem Talairach-Koordinaten.
    • example_7Labels.img und example_7Labels_MNI.img: grobe Unterteilung mit 7 Parzellen (graue Substanz, weiße Substanz, Liquor cerebrospinalis, seitlichen Ventrikel, Schädel und Hintergrund) in Native und MNI Raum, beziehungsweise.
    • example_283Labels_M2.img und example_283Labels_M2_MNI.img: feine Segmentierung mit 283 Parzellen (Atlasversion V9B) in Native und MNI Raum, beziehungsweise. Die genaue Anzahl der Etiketten ist von der Atlasversion abhängig.
    • example_corrected_MNI_stats.txt und example_MNI_stats.txt: Statistik der Mengen an jedes Gehirn Parzellen in Native und MNI Raum.
    • multilevel_lookup_table.txt: Multi-Level-Ontologie Definition des Gehirns Parzellen.
  3. Führen Sie die Batch-Verarbeitung um Gehirn Bände in einer Population zu erhalten. Eine hauseigene Matlab (www.mathworks.com) Stapelverarbeitung Skript zum Gehirn Bände aus Einzelergebnis Ordner extrahieren und kombinieren die volumetrische Daten aller Fächer an allen Ebenen Granularität in eine Kalkulationstabelle verwenden. Eine grafische Benutzeroberfläche (GUI) wird verwendet, um die ein- und Ausgänge angeben.
    1. Offene Matlab.exe, Main.fig und eine GUI laufen wird (Abbildung 2A) herausspringen.
    2. In "T1 Volumen Extraktion von MRICloud" Panel (oberen Bereich in Abbildung 2A), Eingänge, einschließlich das Studienverzeichnis angeben wo die heruntergeladene die Segmentierung Ergebnisse gespeichert werden (siehe 1.2.5); und die Multi-level-Lookup-Tabelle Datei-Pfad und Dateinamen.
    3. Geben Sie die Kalkulationstabelle Pfad und Dateiname der Name der Ausgabedatei wo schreiben Sie das Volumen, die Daten werden an.
    4. Klicken Sie auf "Extract Volume"-Taste, um die Analyse zu starten. Ergebnisse können in der benutzerdefinierten Tabelle überprüft werden.
      Hinweis: darüber hinaus ist eine R-Paket entwickelt zum Prozess der MRICloud Ausgänge und weitere statistische Auswertung zur Verfügung gestellt von Dr. Brian Caffo31durchführen. Das Paket kann von https://github.com/bcaffo/MRIcloudT1volumetrics heruntergeladen werden.

2. Change-Point-Analyse der volumetrischen Daten

Hinweis: Lesen Sie bitte die Theorie und die mathematischen Details des Modells Wechselpunkt unsere bisherigen Veröffentlichungen21,24,23. Kurz, für HD-Daten entsteht ein Regressionsmodell, definieren Sie einen kritischen Änderung-Punkt (im Sinne von CAP-Score), ab, die die lineare Regression zwischen Kappe und Volumen wird statistische signifikant, während die Korrektur für die Auswirkungen von Alter des Patienten, Geschlecht und intrakranielle Volumen. Hauseigene Matlab-Skripte, zusammen mit einer GUI (Abb. 2A, untere Leiste), wurde entwickelt, um die wechselpunkte für individuelle Strukturen zu berechnen und statistische Analysen durchführen. Die Skripte sind für Benutzer auf Anfrage verfügbar.

  1. Änderung-Punkte für die einzelnen Hirnstrukturen zu berechnen.
    1. Geben Sie im Fenster "Change-Point-Analyse" in Abbildung 2Aden Dateipfad und-Namen der mehrstufige Volume-Tabelle, die nach 1.3 erzeugt wird.
    2. Geben Sie den Dateipfad und-Namen des Ausgabe-Text-Datei, die den Wechselpunkt Ergebnisse geschrieben werden sollen.
    3. Wählen Sie die Ebene der Granularität und Art der Ontologie-Definition in der Dropdown-Box (Level 1-5), bei denen die Wechselpunkt Analyse durchgeführt wird.
    4. Klicken Sie "Berechnen Wechselpunkt" Durchführung die Wechselpunkt Analyse, wie in Referenz23und die daraus resultierende wechselpunkte beschrieben wird in der Ausgabe-Text-Datei gespeichert werden.
  2. Statistische Auswertungen der wechselpunkte.
    1. Legen Sie in der Matlab GUI (Abb. 2A, untere Leiste) Parameter für statistische Tests, einschließlich der Anzahl der Permutation (Standard 10.000), Anzahl der Bootstrap (Standard 10.000) und p-Wert-Schwelle (nach der FDR-Korrektur, Standard 0,05).
    2. Klicken Sie auf "Statistische test" um die Tests auszuführen. Nach diesem Schritt wird der p-Wert (von Permutationstest), vor und nach False Discovery rate (FDR)-Korrektur, sowie die Standardabweichung und der 95 %-Konfidenzintervall (von Bootstrap) die wechselpunkte geschrieben werden in die Ausgabedatei Text als zusätzliche Spalten . Finden Sie die Details des statistischen Testverfahren in23,24.
  3. Wechselpunkt Karten (optional) zu generieren. Klicken Sie im Matlab GUI (Abb. 2A, untere Leiste) "Map Change-Point" Wechselpunkt Karten zu generieren. Statistisch signifikante Veränderung-Punktwerte werden auf der MNI-Raum anatomische Bild zu visualisieren, das räumliche Muster abgebildet werden. Diese Zuordnung kann auf unterschiedliche Granularität Ebenen, je nach anatomischen gemäß 2.1 erfolgen. Wechselpunkt Karten können auf T1-gewichteten Bildern mit MRIcro (Abb. 2 b) (http://www.cabi.gatech.edu/mricro/mricro/) überlagert werden.

Ergebnisse

Verwenden die nachfolgend beschriebenen 1.1-1.3, ganze gehirnkarten Segmentierung von MRICloud erhalten. In der aktuellen Version des Atlas (V9B), 283 Parzellen sind segmentiert feinster Granularität (Stufe 5), die sich auf verschiedenen Ebenen der Granularität, z.B.einteilen lassen., Hemisphäre, Läppchen und Pakete nach bestimmten Ontologie Definitionen. Abbildung 3 zeigt zwei Arten von mehrstufigen Segmentierungen auf fünf Ebenen, axiale und k...

Diskussion

Wie in dieser Arbeit gezeigt hat, kann ganze Gehirn Segmentierung der Gehirn-MRT bequem über unsere Online-Plattform MRICloud erreicht werden. T1-gewichteten MRT basierte Volumetrische Marker hat gezeigt, robust und empfindlich gegen eine Reihe von neurodegenerativen Krankheiten1,2,3. Die volumetrische Maßnahmen dienen zur Unterstützung der klinischen Diagnose und Prognose für verschiedene nachgelagerte Analyse, wie mathemat...

Offenlegungen

Die Autoren haben nichts preisgeben.

Danksagungen

Wir danken der PREDICT-HD Ermittler, insbesondere Dr. Hans Johnson und Dr. Jane S. Pauslen von der University of Iowa für ihre Großzügigkeit in der MRT-Daten und konstruktive Diskussion über die Analyse der Daten und Ergebnisse teilen.

Diese Arbeit wird unterstützt durch NIH R21 NS098018, P50-NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 und U01 NS082085 gewährt.

Materialien

NameCompanyCatalog NumberComments
MATLABMathworksN/AVersion 2015b and above
Dell WorkstationDellDell Precision T5500 (Intel Xeon CPU)

Referenzen

  1. Paulsen, J. S., et al. Clinical and Biomarker Changes in Premanifest Huntington Disease Show Trial Feasibility: A Decade of the PREDICT-HD Study. Front Aging Neurosci. 6, 78 (2014).
  2. Jack, C. R., et al. Hypothetical model of dynamic biomarkers of the Alzheimer's pathological cascade. Lancet Neurol. 9 (1), 119-128 (2010).
  3. Laakso, M. P., et al. Hippocampal volumes in Alzheimer's disease, Parkinson's disease with and without dementia, and in vascular dementia: An MRI study. Neurology. 46 (3), 678-681 (1996).
  4. Miller, M. I., Faria, A. V., Oishi, K., Mori, S. High-throughput neuro-imaging informatics. Front Neuroinform. 7, 31 (2013).
  5. Mori, S., Oishi, K., Faria, A. V., Miller, M. I. Atlas-based neuroinformatics via MRI: harnessing information from past clinical cases and quantitative image analysis for patient care. Annu Rev Biomed Eng. 15, 71-92 (2013).
  6. Klein, A., Mensh, B., Ghosh, S., Tourville, J., Hirsch, J. Mindboggle: automated brain labeling with multiple atlases. BMC Med Imaging. 5, 7 (2005).
  7. Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion. Neuroimage. 33 (1), 115-126 (2006).
  8. Artaechevarria, X., Munoz-Barrutia, A., Ortiz-de-Solorzano, C. Combination strategies in multi-atlas image segmentation: application to brain MR data. IEEE Trans Med Imaging. 28 (8), 1266-1277 (2009).
  9. Lotjonen, J. M. P., et al. Fast and robust multi-atlas segmentation of brain magnetic resonance images. Neuroimage. 49 (3), 2352-2365 (2010).
  10. Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocol microscopy images of bee brains. Neuroimage. 21 (4), 1428-1442 (2004).
  11. Fischl, B., et al. Whole brain segmentation: Automated labeling of neuroanatomical structures in the human brain. Neuron. 33 (3), 341-355 (2002).
  12. Collins, D. L., Holmes, C. J., Peters, T. M., Evans, A. C. Automatic 3-D model-based neuroanatomical segmentation. Human Brain Mapping. 3 (3), 190-208 (1995).
  13. Dawant, B. M., et al. Automatic 3-D segmentation of internal structures of the head in MR images using a combination of similarity and free-form transformations: Part I, methodology and validation on normal subjects. Ieee Transactions on Medical Imaging. 18 (10), 909-916 (1999).
  14. Wu, G., et al. A generative probability model of joint label fusion for multi-atlas based brain segmentation. Med Image Anal. 18 (6), 881-890 (2014).
  15. Miller, M. I., Trouve, A., Younes, Y. Diffeomorphometry and geodesic positioning systems for human anatomy. Technology. 2, (2013).
  16. Tang, X., et al. Bayesian Parameter Estimation and Segmentation in the Multi-Atlas Random Orbit Model. PLoS One. 8 (6), e65591 (2013).
  17. Wang, H., et al. Multi-Atlas Segmentation with Joint Label Fusion. IEEE Trans Pattern Anal Mach Intell. 35 (3), 611-623 (2013).
  18. Wu, D., et al. Resource atlases for multi-atlas brain segmentations with multiple ontology levels based on T1-weighted MRI. Neuroimage. 125, 120-130 (2015).
  19. Mori, S., et al. MRICloud: Delivering High-Throughput MRI Neuroinformatics as Cloud-Based Software as a Service. Computing in Science & Engineering. 18 (5), 21-35 (2016).
  20. Wu, D., Ceritoglu, C., Miller, M. I., Mori, S. Direct estimation of patient attributes from anatomical MRI based on multi-atlas voting. Neuroimage-Clinical. 12, 570-581 (2016).
  21. Miller, M. I., et al. Network Neurodegeneration in Alzheimer's Disease via MRI Based Shape Diffeomorphometry and High-Field Atlasing. Front Bioeng Biotechnol. 3, 54 (2015).
  22. Faria, A. V., et al. Content-based image retrieval for brain MRI: an image-searching engine and population-based analysis to utilize past clinical data for future diagnosis. Neuroimage Clin. 7, 367-376 (2015).
  23. Wu, D., et al. Mapping the order and pattern of brain structural MRI changes using change-point analysis in premanifest Huntington's disease. Hum Brain Mapp. , (2017).
  24. Younes, L., Albert, M., Miller, M. I., Team, B. R. Inferring changepoint times of medial temporal lobe morphometric change in preclinical Alzheimer's disease. Neuroimage Clin. 5, 178-187 (2014).
  25. Wu, D., et al. Mapping the critical gestational age at birth that alters brain development in preterm-born infants using multi-modal MRI. NeuroImage. 149, 33-43 (2017).
  26. Zhang, Y., et al. Indexing disease progression at study entry with individuals at-risk for Huntington disease. Am J Med Genet B Neuropsychiatr Genet. 156b (7), 751-763 (2011).
  27. Vonsattel, J. P., et al. Neuropathological classification of Huntington's disease. J Neuropathol Exp Neurol. 44 (6), 559-577 (1985).
  28. Paulsen, J. S., et al. Detection of Huntington's disease decades before diagnosis: the Predict-HD study. J Neurol Neurosurg Psychiatry. 79 (8), 874-880 (2008).
  29. Paulsen, J. S., et al. Prediction of manifest Huntington's disease with clinical and imaging measures: a prospective observational study. Lancet Neurol. 13 (12), 1193-1201 (2014).
  30. Djamanakova, A., et al. Tools for multiple granularity analysis of brain MRI data for individualized image analysis. Neuroimage. 101, 168-176 (2014).
  31. . A package for T1 volumetric analysis of MRIcloud output. R package version 0.0.1 Available from: https://github.com/bcaffo/MRIcloudT1volumetrics (2017)
  32. Aljabar, P., Heckemann, R. A., Hammers, A., Hajnal, J. V., Rueckert, D. Multi-atlas based segmentation of brain images: atlas selection and its effect on accuracy. Neuroimage. 46 (3), 726-738 (2009).
  33. Huntington Study Group. Unified Huntington's Disease Rating Scale: reliability and consistency. Mov Disord. 11 (2), 136-142 (1996).
  34. Liang, Z., et al. Evaluation of Cross-Protocol Stability of a Fully Automated Brain Multi-Atlas Parcellation Tool. PLoS One. 10 (7), e0133533 (2015).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Weitere Artikel entdecken

MedizinAusgabe 136Change PointMRT AtlasSegmentierungGranularit tMRICloudpremanifest HD

This article has been published

Video Coming Soon

JoVE Logo

Datenschutz

Nutzungsbedingungen

Richtlinien

Kontakt

BIBLIOTHEKS-EMPFEHLUNG

JoVE-Newsletter

Forschung

Lehre

Autoren

Bibliothekare

ÜBER JoVE

Copyright © 2025 MyJoVE Corporation. Alle Rechte vorbehalten