JoVE Logo
Auteurs
Contactez-nous

S'identifier

Un abonnement à JoVE est nécessaire pour voir ce contenu. Connectez-vous ou commencez votre essai gratuit.

Dans cet article

  • Résumé
  • Résumé
  • Introduction
  • Protocole
  • Résultats
  • Discussion
  • Déclarations de divulgation
  • Remerciements
  • matériels
  • Références
  • Réimpressions et Autorisations

Résumé

Cet article décrit un modèle statistique pour l’analyse de données de MRI volumétrique, qui identifie le point « changement » lors de l’atrophie cérébrale commence en premanifest la maladie de Huntington. Ensemble-cerveau cartographie des changements-points est atteint basée sur les volumes de cerveau obtenues à l’aide d’un pipeline de segmentation basée sur atlas d’images pondérées en T1.

Résumé

Les progrès récents en IRM offrent une variété de marqueurs utiles pour identifier les maladies neurodégénératives. Dans la maladie de Huntington (HD), une atrophie cérébrale régionale commence longtemps avant l’apparition de moteur (au cours de la période « premanifest »), mais la configuration spatio-temporelle des atrophie régionale à travers le cerveau n’a pas été entièrement caractérisée. Nous démontrons une plateforme en ligne de cloud computing, « MRICloud », qui est axée sur l’atlas du cerveau ensemble segmentation d’images pondérées en T1 à plusieurs niveaux de granularité et ainsi, nous permet d’accéder aux fonctions régionales de l’anatomie du cerveau. Nous décrivons ensuite un modèle de régression qui détecte les points d’inflexion significative, au cours de laquelle une atrophie cérébrale régionale commence à être perceptible, c'est-à-dire le « changement-point », par rapport à un indice de progression de la maladie. Nous avons utilisé le score de produit (CAP) de CAG-âge pour indexer la progression de la maladie chez les patients. Analyse des points de changement de mesure volumétrique de la canalisation de la segmentation, fournit donc des informations importantes de l’ordre et le motif de l’atrophie structurelle dans le cerveau. Le livre illustre l’utilisation de ces techniques sur les données de l’IRM pondérées en T1 de premanifest sujets HD d’une grande étude multicentrique de PREDICT-HD. Cette conception a potentiellement des applications larges dans une gamme de maladies neurodégénératives pour étudier les modifications dynamiques de l’anatomie du cerveau.

Introduction

L’imagerie par résonance magnétique (IRM) a considérablement amélioré notre capacité à étudier l’anatomie du cerveau et les fonctions dans les maladies de neurodegenerative1,2,3. Structural pondérées en T1, que MRI est l’un des plus largement adopté des outils d’imagerie en pratique clinique de routine pour évaluer l’anatomie du cerveau et la pathologie connexe. Analyse quantitative des images pondérées en T1 haute résolution fournit des repères utiles pour mesurer les changements anatomiques au cours de la dégénérescence du cerveau. En particulier, méthodes de quantification de segmentation basée permet effectivement de réduire la dimensionnalité de l’image du voxel niveau (de l’ordre de (106)) au niveau de structure anatomique ((102)) pour haut débit neuroinformatique4 , 5. segmentation de cerveau automatisé peut être réalisée à l’aide de méthodes axées sur les atlas6,7,8,9 qui mappent les étiquettes prédéfinies anatomiques d’un atlas sur les images du patients . Parmi les méthodes basées sur atlas, atlas plusieurs algorithmes10,11,12,13,14 ont donné robustesse et précision supérieures de segmentation. Notre groupe a développé un pipeline de segmentation multi-atlas T1 entièrement automatisé, avec pointe diffeomorphic image enregistrement algorithmes15, multi-atlas fusion méthodes16,17et riches bibliothèques multi-atlas 18. le pipeline est distribué sur une plate-forme de cloud computing, MRICloud19, depuis 2015, et il a été utilisé pour étudier les maladies neurodégénératives, comme la maladie d’Alzheimer (ma)20,21, primaire Aphasie progressive22et23de la maladie de Huntington.

Une fois que les images à haute résolution sont segmentées en structures cérébrales, des caractéristiques régionales, tels que les volumes, permet d’établir des modèles mathématiques pour caractériser les changements neuroanatomiques. Une méthode d’analyse de changement-point a récemment été créée par notre groupe pour analyser l’ordre temporel, dans laquelle cerveau statistiquement significative morphométriques changements se produisent, basé sur les données longitudinales ou transversales de l’IRM. Ce modèle statistique a été d’abord développé pour quantifier diffeomorphometry axée sur la forme plus d’ans dans AD patients21,24; et a ensuite été adaptée afin d’étudier les changements structurels de cerveau dans la maladie de Huntington (HD), aussi bien quant à décrire les changements développementaux de cerveau à cerveau néonatal25. Chez les patients, le point de changement a été défini à l’égard de la partition de produit (CAP) CAG-âge, comme un indicateur du degré d’exposition à l’expansion de CAG dans HTT 26. Il est bien connu que l’atrophie striatale est l’un des premiers marqueurs en HD, suivie du globus pallidus27. Pourtant, les changements dans le striatum par rapport aux autres structures de matière grise et blanche à travers le cerveau reste incertaine. Cette relation est cruciale pour nous de comprendre la progression de la maladie. Analyse des points de changement des modifications volumétriques dans toutes les structures du cerveau fournira probablement une information systématique de l’atrophie du cerveau en phase premanifest de HD.

Nous démontrons les procédures pour effectuer ensemble-cerveau segmentation à l’aide de MRICloud (www.mricloud.org) et les étapes pour effectuer l’analyse des points de changement de données volumétriques dans premanifest sujets de HD. Les données de l’IRM ont été prélevées en multicentrique grande population PREDICT-HD étudier28,,29 , avec environ 400 contrôles et sujets de HD premanifest. La combinaison de l’analyse de segmentation et de changement-point atlas apporte des informations uniques sur l’ordre spatio-temporels des changements structurels cerveau et le modèle de progression de la maladie dans le cerveau. Les techniques sont potentiellement applicables à un éventail de maladies neurodégénératives avec divers biomarqueurs pour mapper la dégénérescence du cerveau.

Protocole

1. cerveau entier Atlas-based Segmentation

  1. Préparation des données
    1. Convertir des images en trois dimensions (3D) pondérées en T1, généralement acquis par séquence de MPRAGE (préparés à la magnétisation rapide gradient-echo), de format DICOM (Digital Imaging and Communication) spécifiques au fournisseur au format analysées. Notez que le calcul de nuage requiert les données des utilisateurs à transférer aux clusters distants. Selon le Health Insurance Portability and Accountability Act (HIPPA), retirez les fichiers image d’informations d’identification personnelle du patient.
      Remarque : MRICloud propose un convertisseur DICOM à analyser (https://braingps.mricloud.org/t1prep) pour la conversion de format de fichier ainsi que la dépersonnalisation des renseignements médicaux personnels.
      1. Double-cliquez pour ouvrir Dcm2Analyze.exe. Une fenêtre popup s’ouvre (Figure 1 a).
      2. Spécifiez le chemin du répertoire de données DICOM d’entrée comme entrée et analysées image chemin d’accès et nom du fichier en sortie.
      3. Cliquez sur « Go » pour terminer la conversion.
        Remarque : La conversion doit être effectuée pour chaque patient, et il serait bénéfique à la sortie de toutes les images de convertis dans une étude de dossier pour (1.2.2.1) de traitement par lots.
  2. Multi-atlas base T1 segmentation d’image à l’aide de MRICloud19.
    1. Log-in « cerveau » GPS"(Registre pour les utilisateurs novices) de https://mricloud.org. Sélectionnez outil de « Segmentation » dans le menu principal (Figure 1 b). Il existe deux options de programmation (API) d’interface application sous « Segmentation » : « T1-MultiAtlas » pour unique T1 segmentation d’image et « T1-MultiAtlas lot » traitement en différé. L’analyse des points de changement requiert des données de population importante, et par conséquent, le traitement par lots est souvent le choix.
    2. Soumettez-les sur API « T1-MultiAtlas lot ».
      1. Compresser plusieurs fichiers d’images analysées dans un fichier zip. Cliquez sur « + .zip » l' Figure 1 b à télécharger le fichier zip.
        Remarque : Le portail de nuage actuelle limite le nombre d’images à 30 dans chaque dossier zip. Grands ensembles de données peuvent être séparés en plusieurs dossiers zip à traiter. Demande spéciale peut être faite pour accueillir plus d’images par fichier zip. À l’avenir, nous pouvons augmenter potentiellement le nombre limité ou même de supprimer la limite lorsque des ressources informatiques plus éloignées seront disponibles.
      2. Renseignez les champs requis dans la Figure 1 b.
        1. Serveur de traitement : choisissez « Computational anatomie Science Gateway ».
        2. Type de tranche : Choisissez de « Sagittal », « Axial » ou « Sagittal converti à Axial ».
          Remarque : « Sagittal » fait référence aux images acquises avec orientation sagittale avec vue dans le plan antérieur-postérieur et directions de la tête-pied. « Axial » fait référence aux images acquises l’orientation axiale avec vue dans le plan à gauche-droite et antérieur-postérieur. « Sagittal convertis à Axial » fait référence aux images qui ont été initialement acquis dans l’orientation axiale, mais plus tard convertis en images sagittales (ce sont généralement « Axial » images à long cou).
        3. Bibliothèque de multi-atlas : choisissez la bibliothèque atlas avec la tranche d’âge plus proche aux données utilisateur pour optimiser la précision de la segmentation. Nous fournissons préconstruits atlas plusieurs datasets18 tranches d’âge différentes, par exemple, « Pédiatrique 4-8 ans », « Pédiatrique 8-12 ans », « adulte 22-50", et « adultes 50-90", ainsi que des versions différentes d’atlas. On trouvera des informations sur les versions de l’atlas en https://braingps.mricloud.org/atlasrepo.
    3. Vérifier l’état du travail grâce à « Mon statut d’emploi » (Figure 1). Une fois que les travaux soient terminés, un bouton « Télécharger les résultats » apparaîtra qui permet aux utilisateurs de télécharger les résultats de la segmentation au format .zip.
    4. Visualiser les résultats. Pour seul sujet, les volumes obtenus à partir du résultat de la segmentation peuvent être visualisées en ligne (pas possible pour les résultats de traitement par lots).
      1. Cliquez sur le bouton « Afficher le résultat » dans la Figure 1. La page Web se tourneront vers l’interface de visualisation (Figure 1). Les vues axiales, sagittales et coronales de la carte de segmentation sont chevauchent sur l’image anatomique pondérées en T1. Rendu 3D des structures cérébrales segmentés sont indiquées dans la partie supérieure gauche de la fenêtre. Couleur de la segmentation de recouvrement carte indique le z-score des volumes structurelles.
      2. Ajustez les options de visualisation, y compris la superposition ON/OFF, opacité de la superposition, zoomer et dézoomer et tranche des positions depuis le panneau de droite dans la Figure 1.
      3. Regrouper les plus belles parcelles de segmentation en granularité différente. Dans notre Atlas, nous avons défini 5 niveaux de granularité avec deux types ontologie relations18,30. Une arborescence des définitions anatomiques plusieurs niveaux hiérarchiques s’affiche dans le panneau inférieur gauche (Figure 1). Cliquez sur les numéros de niveau afin d’élargir les structures au niveau ontologie correspondant. Les cartes de segmentation vont commuter simultanément le niveau correspondant d’ontologie.
        NOTE : Bi-monthly MRICloud ateliers sont aide à Johns Hopkins University School of Medicine à offrir des tutoriels pratiques des activités en ligne décrites ci-dessus. On trouvera des renseignements de l’atelier de https://braingps.mricloud.org/workshops.
    5. Télécharger les résultats de segmentation pour une analyse ultérieure. Décompressez les résultats vers un répertoire d’étude de l’utilisateur, par exemple, mettre ensemble les résultats de la segmentation de tous les sujets dans une étude répertoire, chacun dans leurs dossiers de sujet individuel.
      Remarque : Les résultats incluent
    • Example.img : image d’origine T1 en orientation axiale.
    • example_MNI.img : image de T1 en espace MNI, après les coordonnées Talairach.
    • example_7Labels.img et example_7Labels_MNI.img : segmentation grosse avec 7 parcelles (matière grise, la substance blanche, liquide céphalorachidien, ventricule latéral, crâne et fond) en natif et INM espace, respectivement.
    • example_283Labels_M2.img et example_283Labels_M2_MNI.img : fine segmentation avec 283 parcelles (version V9B d’atlas) en natif et l’espace de l’INM, respectivement. Le nombre exact d’étiquettes dépend de la version de l’atlas.
    • example_corrected_MNI_stats.txt et example_MNI_stats.txt : statistiques des volumes de chaque cerveau parcelles en natif et l’espace de l’INM.
    • multilevel_lookup_table.txt : définition d’ontologie multiniveau des parcelles cerveau.
  3. Effectuer le traitement par lots pour obtenir des volumes de cerveau dans une population. Utiliser un interne Matlab (www.mathworks.com) le traitement par lots script pour extraire des volumes de cerveau de dossiers individuels de résultat et de combiner les données volumétriques de toutes les disciplines à tous les niveaux de granularité dans une feuille de calcul. Une interface utilisateur graphique (GUI) est utilisée pour spécifier les entrées et les sorties.
    1. Matlab.exe ouvrir, exécutez Main.fig et une interface graphique s’éjecte (Figure 2 a).
    2. Dans l’extraction « T1 Volume MRICloud » panneau (panneau supérieur en Figure 2 a), spécifiez les entrées, y compris le répertoire d’étude où le fichier téléchargé les résultats de segmentation sont enregistrés (voir 1.2.5) ; et la table de choix multi-niveaux chemin et le nom du fichier.
    3. Spécifier le sortie tableur chemin et nom de fichier où écrire le volume de données seront.
    4. Cliquez sur le bouton « Extraire le volume » pour exécuter l’analyse. Les résultats peuvent être vérifiés dans la feuille de calcul défini par l’utilisateur.
      NOTE : en outre, un progiciel R est développé au processus de la MRICloud sorties et lancer d’autres statistiques, fournies par le Dr Brian Caffo31. Le package peut être téléchargé de https://github.com/bcaffo/MRIcloudT1volumetrics.

2. changement-point analyse de données volumétriques

Remarque : Veuillez consulter la théorie et les détails mathématiques du modèle point de changement de nos précédentes publications21,24,23. En bref, pour les données de HD, un modèle de régression est établi pour définir un changement de point critique (en termes de score de CAP), à partir de laquelle, la régression linéaire entre le CAP et le volume devient statistique significative, tout en corrigeant les effets de l’âge du patient, sexe et volume intracrânien. Des scripts Matlab internes, ainsi qu’une interface graphique (Figure 2 a, panneau inférieur), a été développé pour calculer les points de changement de structures individuelles et effectuer une analyse statistique. Les scripts sont disponibles aux utilisateurs sur demande.

  1. Calculer les points de changement de structures cérébrales individuels.
    1. Dans le panneau « analyse du point de changement » dans la Figure 2 a, spécifiez le chemin d’accès et le nom de la feuille de calcul à plusieurs niveaux de volume, qui est généré en fonction 1.3.
    2. Spécifiez le chemin d’accès et le nom du fichier texte, qui seront écrit dans les résultats du point de changement.
    3. Choisir le niveau de granularité et le type de définition de l’ontologie dans la zone de liste déroulante (niveau 1-5), à laquelle l’analyse des points de changement se fera.
    4. Cliquez sur le bouton « Calculer changement-point » pour effectuer l’analyse des points de changement, comme décrit dans référence23et les points de changement qui en résulte sera enregistré dans le fichier texte de sortie.
  2. Évaluations statistiques des changements-points.
    1. Dans le GUI Matlab (Figure 2 a, panneau inférieur), spécifiez les paramètres pour les tests statistiques, y compris le nombre de permutation (par défaut 10 000), nombre de bootstrap (par défaut 10 000) et p-valeur seuil (après la correction des FDR, défaut 0,05).
    2. Cliquez sur le bouton « Test statistique » pour exécuter les tests. Après cette étape, la p-value (par test par permutations), avant et après le faux-découverte taux de correction (FDR), ainsi que l’écart-type et l’intervalle de confiance 95 % (par bootstrap) des changements-points seront écrits dans le fichier texte de sortie sous forme de colonnes supplémentaires . Voir les détails des procédures de test statistique dans23,,24.
  3. Produire des cartes de changement-point (en option). Dans l’interface utilisateur graphique de Matlab (Figure 2 a, panneau inférieur), cliquez sur le bouton « Carte changement-point » pour produire des cartes de changement-point. Valeurs du point de changement statistiquement significatif seront mappées sur l’image anatomique de l’INM-espace de visualiser la répartition spatiale. Ce mappage est possible à des niveaux de granularité différente, selon le niveau anatomique spécifié en 2.1. Les point de changement de cartes peuvent être superposées sur les images pondérées en T1 à l’aide de MRIcro (Figure 2 b) (http://www.cabi.gatech.edu/mricro/mricro/).

Résultats

En utilisant la procédure décrite au point 1.1-1.3, cerveau entier segmentation cartes peuvent provenir de MRICloud. Dans la dernière version de l’atlas (V9B), 283 parcelles sont segmentés au meilleur niveau de granularité (niveau 5), qui peut être regroupé à différents niveaux de granularité, par exemple., de l’hémisphère à lobules et des colis, selon les définitions de l’ontologie spécifique. La figure 3 montre deux types de pa...

Discussion

Comme démontré dans cet article, ensemble-cerveau segmentation d’IRM du cerveau est idéalement possible en utilisant notre plateforme en ligne MRICloud. T1-weighted MRI basée volumétrique marqueur s’avéré robuste et sensible à une gamme de maladies de neurodegenerative1,2,3. Les mesures volumétriques sont utilisées pour diverses analyses en aval, telles que la modélisation mathématique et analyse-sélection et cl...

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

Nous remercions les enquêteurs PREDICT-HD, en particulier, le Dr Hans Johnson et le Dr Jane S. Pauslen de l’Université de l’Iowa, pour leur générosité en partageant les données de l’IRM et une discussion constructive sur l’analyse des données et des résultats.

Ce travail est soutenu par les NIH accorde R21 NS098018, P50 NS16375, NS40068, NS086888 R01, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 et U01 NS082085.

matériels

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

Références

  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).

Réimpressions et Autorisations

Demande d’autorisation pour utiliser le texte ou les figures de cet article JoVE

Demande d’autorisation

Explorer plus d’articles

Num ro 136point de changementatlas de MRIsegmentationm decinegranularitMRICloudpremanifest HD

This article has been published

Video Coming Soon

JoVE Logo

Confidentialité

Conditions d'utilisation

Politiques

Contactez-nous

RECOMMANDER À LA BIBLIOTHÈQUE

NEWSLETTERS JoVE

Recherche

Enseignement

Auteurs

Bibliothécaires

À PROPOS DE JoVE

Copyright © 2025 MyJoVE Corporation. Tous droits réservés.