Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

מאמר זה מתאר מודל סטטיסטי עבור נפח ניתוח נתונים MRI, אשר מזהה "השינוי-הצבע" ניוון המוח מתחיל ב premanifest מחלת הנטינגטון. מיפוי מוח-כל השינוי-נקודות מושגת המבוסס על המוח כרכים שהושג באמצעות צינור של פילוח המבוסס על האטלס של תמונות משוקלל T1.

Abstract

התפתחויות אחרונות MRI מציעים מגוון רחב של סמני שימושי לזיהוי מחלות ניווניות. מחלת הנטינגטון (HD), ניוון המוח האזורי מתחיל הרבה לפני שהללו מוטוריים (במהלך תקופת "premanifest"), אך ייתכן קמע תבנית התנועה של ניוון אזוריים ברחבי המוח לא מלא מלווה. כאן אנחנו מדגימים פלטפורמת מחשוב ענן מקוון, "MRICloud", אשר מספק מבוססי אטלס פילוח מוח-כל הדימויים משוקלל T1 ברמות צפיפות רשת מרובים, ובכך, מאפשרת לנו לקבל גישה לתכונות אזורי המוח באנטומיה. לאחר מכן נתאר רגרסיה מודל מזהה נקודות פיתול סטטיסטית, שבו ניוון המוח האזורי מתחיל להיות מורגש, קרי "השינוי-הצבע", ביחס אינדקס התקדמות המחלה. השתמשנו התוצאה מוצר (CAP) חטיבתי-גיל למדד את התקדמות המחלה בחולים HD. שינוי-נקודת ניתוח של המדידות הנפחי מקו הצינורות פילוח, לכן, מספק מידע חשוב של סדר, דפוס של ניוון מבניים על פני המוח. המאמר מדגים שימוש הטכניקות הללו על נתוני MRI T1 משוקלל של נושאים HD premanifest מחקר גדול multicenter לנבא-HD. עיצוב זה יש פוטנציאל יישומים רחב במגוון של מחלות ניווניות לחקור את השינויים הדינמיים של האנטומיה של המוח.

Introduction

דימות תהודה מגנטית (MRI) יש משופרת באופן משמעותי את היכולת שלנו לבחון את המוח אנטומיה והפונקציות ניווניות מחלות1,2,3. מבנה משוקלל T1 ש-MRI הוא אחד הנפוצים ביותר אימצו כלי הדמיה שגרתיות הקלינית להעריך את המוח אנטומיה פתולוגיה קשורים. ניתוח כמותי של תמונות ברזולוציה גבוהה משוקלל T1 מספקת סמנים שימושיים כדי למדוד שינויים אנטומיים במהלך ניוון מוחי. בפרט, פילוח המבוסס על כימות גישות מפחית ביעילות את dimensionality תמונות מרמת voxel (מנת של (106)) לרמה מבניים אנטומיים ((102)) עבור תפוקה גבוהה neuroinformatics4 , 5. פילוח המוח אוטומטית יכולה להיות מושגת באמצעות שיטות מבוססות-אטלס6,7,8,9 הממפות את התוויות אנטומי מוגדרים מראש של אטלס על גבי התמונות החולה . בין השיטות מבוססות-אטלס, אלגוריתמים מרובה אטלס10,11,12,13,14 הניבו פילוח סופריור דיוק ועמידות. הקבוצה שלנו פיתחה אוטומטית לחלוטין T1 אטלס מרובה פילוח צינור, עם diffeomorphic מתקדמות תמונה רישום אלגוריתמים15, פיוז'ן אטלס ריבוי שיטות16,17וספריות אטלס מרובה עשיר 18. הצינור הופצה על פלטפורמת מחשוב ענן, MRICloud19, משנת 2015, ואת זה שימש לחקר מחלות ניווניות כגון מחלת אלצהיימר (AD)20,21ראשי אפזיה פרוגרסיבית22, מחלת הנטינגטון23.

לאחר התמונות ברזולוציה גבוהה הן מקוטע לתוך מבנים במוח, תכונות אזוריים, כגון אמצעי אחסון, יכול לשמש כדי ליצור מודלים מתמטיים כדי לאפיין את השינויים neuroanatomical. שיטת ניתוח נקודת השינוי הוקמה לאחרונה על ידי הקבוצה שלנו כדי לנתח הסדר הטמפורלי, שבו מתרחשים שינויים morphometric המוח סטטיסטית, בהתבסס על נתוני MRI האורך ו/או חתך הרוחב. מודל סטטיסטי זה פותחה לראשונה לכמת diffeomorphometry מבוססת על צורה מעל גיל לספירה חולים21,24; זו הותאמה מאוחר יותר לחקור מחלת הנטינגטון (HD), כמו גם לתיאור שינויים התפתחותיים במוח המוח neonatal25ביצוע שינויים מבניים במוח. בחולים HD, נקודת-השינוי הוגדרה עם כבוד התוצאה מוצר (CAP) חטיבתי-גיל, כמחוון של היקף החשיפה הרחבה חטיבתי HTT 26. זה ידוע כי ניוון striatal הוא אחד הסמנים המוקדמים ב- HD, ואחריו globus pallidus27. עדיין, השינויים סטריאטום ביחס מבנים אחרים חומר אפור ולבן על פני המוח עדיין לא ברור. יחס כזה חיונית לנו להבין את התקדמות המחלה. שינוי-נקודת ניתוח של נפחי שינויים במבנים המוח כל ככל הנראה תספק מידע שיטתית של ניוון מוחי בשלב premanifest של HD.

כאן אנחנו מדגימים את ההליכים כדי לבצע פילוח שלם-מוח באמצעות MRICloud (www.mricloud.org), ואת השלבים לביצוע ניתוח נקודת השינוי של נפחי נתונים בנושאים HD premanifest. MRI הנתונים שנאספו מ multicenter אוכלוסייה גדולה לנבא-HD ללמוד28,29 עם פקדים כ- 400 ונושאים HD premanifest. השילוב של מבוסס-אטלס פילוח נקודת השינוי וניתוח מביא מידע ייחודי על הסדר ייתכן של השינויים המבניים במוח, דפוס התקדמות המחלה ברחבי המוח. הטכניקות ישימות פוטנציאל למגוון של מחלות ניווניות עם סמנים ביולוגיים שונים כדי למפות את ניוון מוחי.

Protocol

1. אטלס המבוסס על כל המוח פילוח

  1. הכנת הנתונים
    1. המרת תמונות תלת-ממדיות (3D) משוקלל T1, רכשה בדרך כלל עם הרצף (מוכן מגנוט מהיר הדרגתי-echo) MPRAGE, ספציפית לספק תבנית DICOM (הדמיה דיגיטלית ותקשורת) לתבנית Analyzed. שימו לב כי חישוב ענן דורש נתונים ממשתמשים תועבר אשכולות מרחוק. על פי ביטוח בריאות הטלטלות דין וחשבון Act (HIPPA), להסיר מידע זיהוי אישי המטופלים קובצי התמונה.
      הערה: MRICloud מציעה ממיר DICOM-כדי-לנתח (https://braingps.mricloud.org/t1prep) עבור המרת תבנית קובץ, כמו גם דה-זיהוי מידע רפואי אישי.
      1. לחץ פעמיים כדי לפתוח Dcm2Analyze.exe. יפתח חלון מוקפץ (איור 1 א').
      2. ציין את הנתיב קלט של מדריך נתונים DICOM קלט ו Analyzed תמונות נתיב ושם קובץ כפלט.
      3. לחץ על "לך" כדי להשלים את ההמרה.
        הערה: ההמרה צריך לבצע עבור כל מטופל בודדים, היא תועיל פלט כל התמונות שעבר המרה בתיקייה מחקר אחד (1.2.2.1) עיבוד אצווה.
  2. אטלס מרובי מבוסס T1 סגמנטציה באמצעות MRICloud19.
    1. להיכנס "המוח GPS" (register עבור משתמשים בפעם הראשונה) מ- https://mricloud.org. בחרו בכלי "פלח" מהתפריט הראשי (איור 1B). ישנם שני יישומים תכנות (API) אפשרויות ממשק תחת "פלח": "T1-MultiAtlas" עבור T1 סגמנטציה יחיד, ו "אצווה T1-MultiAtlas" עבור עיבוד אצווה. ניתוח נקודת השינוי דורש נתוני אוכלוסייה גדולה, ובכך, עיבוד אצווה הוא לעיתים קרובות הבחירה.
    2. להגיש עבודות ב- API "אצווה T1-MultiAtlas".
      1. לדחוס קבצים מרובים של התמונה Analyzed לתוך קובץ ה-zip. לחץ על "+ רוכסן" ב- איור 1B להעלות את הקובץ zip.
        הערה: הפורטל ענן הנוכחית מגבילה את מספר תמונות ל- 30 בכל תיקייה zip. ניתן להפריד אלגוריתמית תיקיות מרובות zip יעובדו. בקשה מיוחדת יכולה להיעשות כדי להכיל תמונות יותר לכל קובץ ה-zip. בעתיד, אנו רשאים העלול להגדיל את מספר מוגבל או אפילו להסיר את מגבלת כאשר למשאבים מרוחקים יותר חישובית הופכים לזמינים.
      2. מלא את השדות הנדרשים איור 1B.
        1. עיבוד השרת: לבחור "שער מדע האנטומיה חישובית".
        2. סוג פרוסה: בחרו "Sagittal", "צירית" או "Sagittal המרה צירית".
          הערה: "Sagittal" מתייחס לתמונות רכשה עם אוריינטציה הסאגיטלי עם נוף בתוך המטוס Anterior-אחוריים וכיוונים בגובה הראש. "ציר" מתייחס תמונות רכשה התמצאות צירית עם נוף בתוך המטוס משמאל לימין, Anterior-אחוריים כיוונים. "הסאגיטלי המרה צירית" מתייחס לתמונות במקור כשקנה בכיוון צירית אך מאוחר יותר המרה לתמונות הסאגיטלי (אלה הם בדרך כלל "צירית" תמונות עם אזור הצוואר ארוך).
        3. אטלס מרובה הספרייה: לבחור בספרייה אטלס עם טווח גילאים הכי קרוב לנתונים המשתמש כדי למטב את הדיוק פילוח. אנו מספקים datasets אטלס מרובה והאינטראקטיביות18 עם טווחי גילאים שונים, למשל, "yr 4-8 ילדים", "ילדים 8-12 שנה", "מבוגר 22-50", ו "למבוגרים 50--90 אינץ ', כמו גם גירסאות שונות אטלס. ניתן למצוא מידע אודות גירסאות אטלס ב- https://braingps.mricloud.org/atlasrepo.
    3. לבדוק את מצב העבודה באמצעות "מצב העבודה שלי" (איור 1C). ברגע שתסיים את העבודות, יופיע כפתור "הורד תוצאות" זה מאפשר למשתמשים להוריד את פילוח התוצאות כקובץ zip.
    4. לדמיין את התוצאות. נושא יחיד, אמצעי האחסון המתקבל כתוצאה פילוח, ניתן לאבחן באינטרנט (לא ריאלי עבור עיבוד תוצאות אצווה).
      1. לחץ על הלחצן "הצג תוצאות" איור 1C. דף האינטרנט יהפכו ממשק חזותי (איור 1D). התצוגות צירית, הווריד ו הילתית של המפה פילוח. הם לא על התמונה אנטומי משוקלל T1. רינדור 3D של המבנים במוח מקוטע מוצגים בחלון השמאלי העליון. צבע של פילוח שכיסה המפה מציינת z-הציון של אמצעי האחסון מבנית.
      2. להתאים את האפשרויות להדמיה, כולל כיסוי ON/OFF, אטימות הכיסוי, זום פנימה והחוצה, וחותכים לפרוסות בתפקידים מהחלונית ' ' נכון העליון באיור 1D.
      3. לקבץ חבילות פילוח מיטב צפיפות שונה. ב אטלסים שלנו, אנחנו מוגדרים חמש רמות של צפיפות רשת עם שני סוגי אונטולוגיה יחסי18,30. תצוגת עץ של הגדרות אנטומי רב ברמת הירארכי מוצג בחלונית השמאלית התחתונה (איור 1D). לחץ על המספרים ברמה כדי להרחיב את המבנים ברמת אונטולוגיה המתאימים. המפות פילוח תתחלף בו זמנית רמת אונטולוגיה המתאימים.
        הערה: סדנאות דו-חודשי MRICloud הם עזרה-ג'ונס הופקינס הספר לרפואה של אוניברסיטת להציע הדרכות על הידיים של פעולות באינטרנט שתוארו לעיל. ניתן למצוא סדנת מידע מ- https://braingps.mricloud.org/workshops.
    5. הורד את פילוח תוצאות עבור ניתוח מאוחר יותר. לפתוח את תוצאות המחקר משתמשים בספריה, למשל, להרכיב את פילוח התוצאות של כל הנושאים בספריית מחקר אחד, אחד בתיקיות שלהן הנושא בודדים.
      הערה: התוצאות לכלול
    • example.img: התמונה המקורית T1 בכיוון צירית.
    • example_MNI.img: T1 תמונה בחלל הזעירה בעקבות הקואורדינטות Talairach.
    • example_7Labels.img, example_7Labels_MNI.img: פילוח גס עם חבילות 7 (האפורים, חומר לבן, הנוזל השדרתי, לרוחב החדר, הגולגולת ורקע) במקורי של השורש MNI רווח, בהתאמה.
    • example_283Labels_M2.img, example_283Labels_M2_MNI.img: בסדר פילוח עם חבילות 283 (אטלס גירסה V9B) יליד ובחלל הזעירה, בהתאמה. המספר המדויק של תוויות תלוי בגירסה אטלס.
    • example_corrected_MNI_stats.txt, example_MNI_stats.txt: סטטיסטיקה של אמצעי אחסון של כל המוח וחבילות מקורי ובחלל הזעירה.
    • multilevel_lookup_table.txt: ההגדרה אונטולוגיה מדורגת של החבילות המוח.
  3. לבצע עיבוד אצווה כדי להשיג אמצעי אחסון מוח באוכלוסיה. שימוש עיבוד התסריט לחלץ המוח כרכים מתיקיות תוצאה נפרדת, לשלב את הנתונים הנפחי של כל הנושאים בכלל אצווה Matlab (www.mathworks.com) שבאתר צפיפות רשת רמות לגיליון אלקטרוני. ממשק משתמש גרפי (GUI) משמש כדי לציין את הקלט והפלט.
    1. Matlab.exe פתוח, הפעל Main.fig, ו- GUI תקפוץ החוצה (איור 2 א).
    2. "T1 אמצעי החילוץ של MRICloud" לוח (פאנל עליון איור2 א), ציין את הקלט, כולל ספריית מחקר שבו שהורדת פילוח התוצאות נשמרות (ראה 1.2.5); ומלא טבלת בדיקת מידע מרובת רמות נתיב ושם קובץ.
    3. ציין את פלט גיליון אלקטרוני קובץ שם הקובץ והנתיב שבו האחסון הנתונים יהיה לכתוב.
    4. לחץ על "להוצאת נפח" כפתור כדי להפעיל את הניתוח. תוצאות ניתן לבדוק על-ידי המשתמש בגיליון האלקטרוני.
      הערה: בנוסף, חבילת R מפותחת לתהליך MRICloud פלטי, לבצע עוד ניתוח סטטיסטי, שסופקו על-ידי ד ר בריאן Caffo31. ניתן להוריד את החבילה https://github.com/bcaffo/MRIcloudT1volumetrics.

2. שינוי-נקודת ניתוח של נתוני נפח

הערה: נא לפנות את התיאוריה ופרטים מתמטי של המודל נקודת השינוי שלנו הקודם פרסומים21,24,23. בקצרה, עבור נתונים HD, מודל רגרסיה נוצר כדי להגדיר קריטי שינוי נקודת (במונחי שווי ציון), החל מאשר, הרגרסיה הליניארית בין שווי נפח הופך סטטיסטי משמעותי, תוך תיקון על ההשפעות של גיל החולה, מגדר, ונפח תוך-גולגולתי. סקריפטים Matlab ללא צורך במיקור חוץ, יחד עם GUI (איור 2 א, החלונית התחתונה), פותחה כדי לחשב את השינוי-נקודות עבור מבנים בודדים ולבצע ניתוח סטטיסטי. קבצי ה-script זמינים למשתמשים על פי בקשה.

  1. לחשב את השינוי-נקודות עבור מבנים במוח בודדים.
    1. בחלונית ' "שינוי-נקודת ניתוח" איור2 א, לציין את נתיב הקובץ ואת שם הגיליון האלקטרוני multilevel נפח, אשר נוצר על-פי 1.3.
    2. לציין את נתיב הקובץ ואת שם הקובץ טקסט פלט, אשר תוצאות נקודת השינוי ייכתבו.
    3. בחר את רמת צפיפות הרשת ואת סוג של הגדרה אונטולוגיה הנפתחת בתיבת (רמה 1-5),-אשר נקודת השינוי יבוצע הניתוח.
    4. לחץ על לחצן "שינוי חישוב נקודות" כדי לבצע הניתוח של נקודת השינוי, כפי שמתואר הפניה23, ואת תוצאות השינוי-הנקודות יישמרו בקובץ טקסט הפלט.
  2. הערכות סטטיסטיות של השינוי-הנקודות.
    1. Matlab GUI (איור 2 א, החלונית התחתונה), ציין פרמטרים לבדיקות סטטיסטיות, לרבות מספר תמורה (ברירת מחדל 10,000), מספר האתחול (ברירת המחדל 10,000), p-ערך הסף (לאחר תיקון רוזוולט, ברירת המחדל 0.05).
    2. לחץ על "מבחן Statistical" כפתור כדי להפעיל את הבדיקות. לאחר שלב זה, ערך p (לפי מבחן תמורה), לפני ואחרי גילוי שקר דרג תיקון (פד), וכן את סטיית התקן של מרווח הביטחון 95% (על-ידי אתחול) של השינוי-הנקודות ייכתבו בקובץ טקסט הפלט עמודות נוספות . ראה פרטים של מבחן סטטיסטי ההליכים בסעיף23,24.
  3. צור מפות נקודת השינוי (אופציונלי). Matlab GUI (איור 2 א, החלונית התחתונה), לחץ על לחצן "שינוי מפת-point" כדי ליצור שינוי-נקודת מפות. ערכי שינוי משמעותי סטטיסטית-נקודה ימופו על גבי התמונה הזעירה-שטח אנטומי להמחיש את התבנית מרחבית. מיפוי זה יכול להיעשות ברמות צפיפות שונות, בהתאם לרמת אנטומי שצוין ב- 2.1. המפות נקודת השינוי יכול להיות בשכבות בתמונות משוקלל T1 באמצעות MRIcro (איור 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

תוצאות

באמצעות ההליכים המתוארים ב- 1.1-1.3, כל המוח פילוח מפות ניתן להשיג MRICloud. בגירסה הנוכחית של אטלס (V9B), חבילות 283 הם מחולקים ב הצפיפות הטובים ביותר (רמה 5), אשר ניתן לקבץ לרמות שונות של צפיפות, למשל., מן האונה האוניות, חבילות, על פי הגדרות ספציפיות אונטולוגיה. איור 3

Discussion

כפי שמתואר במאמר זה, חלוקת השלם-מוח MRI מוח בנוחות המתאפשר באמצעות הפלטפורמה המקוונת שלנו MRICloud. MRI מבוסס משוקלל T1 הנפחי סמן הוכיחו להיות רגיש לטווח של2,1,מחלות ניווניות3ועמיד. האמצעים הנפחי משמשים לניתוח במורד הזרם שונים, כגון מודלים מתימטיי...

Disclosures

המחברים אין לחשוף.

Acknowledgements

אנו מודים לנבא-HD החוקרים, בעיקר, ד ר הנס ג'ונסון ו ד ר ג'יין Pauslen ס מ אוניברסיטת איווה, הנדיבות שלהם שיתוף נתונים MRI ודיון בונה על ניתוח נתונים ועל התוצאות.

עבודה זו נתמכת על ידי NIH מעניקה R21 NS098018 P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171, U01 NS082085.

Materials

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

References

  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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

136MRIMRICloudpremanifest HD

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved