Autori
Contattaci

Accedi

È necessario avere un abbonamento a JoVE per visualizzare questo. Accedi o inizia la tua prova gratuita.

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Materiali
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

Questo articolo descrive un modello statistico per analisi di dati di MRI volumetrica, che identifica il "punto di svolta" quando l'atrofia del cervello inizia in pre malattia di Huntington. Intero-cervello mapping dei punti di cambiamento viene realizzato sulla base dei volumi di cervello ottenute tramite una pipeline di segmentazione basata su Atlante delle immagini di T1-weighted.

Abstract

Gli avanzamenti recenti nella risonanza magnetica offrono una varietà di indicatori utili per identificare malattie neurodegenerative. Nella malattia di Huntington (HD), atrofia regionale del cervello inizia molti anni prima dell'inizio motore (durante il periodo di "premanifesti"), ma il modello spaziotemporali dell'atrofia regionale attraverso il cervello non è stato pienamente caratterizzato. Qui dimostriamo una piattaforma di cloud computing online, "MRICloud", che fornisce basato su Atlante del intero-cervello segmentazione delle immagini di T1-weighted a diversi livelli di granularità e quindi, ci permette di accedere alle caratteristiche regionali di anatomia del cervello. Descriviamo quindi un modello di regressione che rileva i punti di flesso statisticamente significativa, in cui atrofia regionale del cervello inizia a essere evidente, cioè il "punto di svolta", rispetto a un indice di progressione di malattia. Abbiamo utilizzato il Punteggio di CAG-età prodotto (CAP) per indicizzare la progressione di malattia nei pazienti con MH. Punto di svolta analisi delle misurazioni volumetriche dalla pipeline di segmentazione, pertanto, fornisce importanti informazioni dell'ordine e del modello di atrofia strutturale attraverso il cervello. La carta viene illustrato l'utilizzo di queste tecniche su dati di T1-weighted MRI dei soggetti premanifesti di HD da un grande studio multicentrico PREDICT-HD. Questo disegno ha potenzialmente ampie applicazioni in una gamma di malattie neurodegenerative per indagare i cambiamenti dinamici di anatomia del cervello.

Introduzione

La formazione immagine a risonanza magnetica (MRI) ha sostanzialmente migliorato la nostra capacità di esaminare l'anatomia del cervello e le funzioni in neurodegenerative malattie1,2,3. Strutturale di T1-weighted che MRI è uno dei più ampiamente adottato strumenti di imaging nella pratica clinica di routine per valutare l'anatomia del cervello e la patologia correlata. Analisi quantitativa delle immagini di T1-weighted ad alta risoluzione fornisce utili indicatori per misurare i cambiamenti anatomici durante la degenerazione del cervello. In particolare, gli approcci di quantificazione di segmentazione basata riduce efficacemente la dimensionalità di immagine dal livello voxel (dell'ordine di (106)) a livello strutturale anatomico ((102)) per high throughput neuroinformatica4 , 5. segmentazione cervello automatizzato può essere raggiunto utilizzando metodi basati su Atlante6,7,8,9 che mappa le etichette anatomiche pre-definite da un Atlante sulle immagini dei pazienti . Tra i metodi basati su Atlante, algoritmi multi-atlas10,11,12,13,14 hanno dato i superior segmentazione precisione e robustezza. Il nostro gruppo ha sviluppato una pipeline di multi-Atlante segmentazione T1 completamente automatizzata, con avanzate diffeomorfo immagine registrazione algoritmi15, multi-Atlante fusione metodi16,17e ricche multi-Atlante librerie 18. la pipeline è stata distribuita su una piattaforma di cloud computing, MRICloud19, dal 2015, ed è stato utilizzato per lo studio di malattie neurodegenerative quali la malattia di Alzheimer (AD)20,21, primaria Afasia progressiva22e la malattia di Huntington23.

Una volta che le immagini ad alta risoluzione sono segmentate in strutture cerebrali, caratteristiche regionali, come volumi, possono essere utilizzati per stabilire modelli matematici per caratterizzare i cambiamenti neuroanatomici. Un metodo di analisi del punto di svolta è stato recentemente istituito dal nostro gruppo per analizzare l'ordine temporale, in cui si verificano cambiamenti morfometrici statisticamente significativo del cervello, sulla base dei dati di MRI longitudinali o trasversali. Questo modello statistico è stato sviluppato per quantificare diffeomorphometry basati su forma sopra l'età AD pazienti21,24; e più tardi fu adattato per studiare i cambiamenti strutturali del cervello nella malattia di Huntington (HD), anche per quanto riguarda descrivere cambiamenti inerenti allo sviluppo del cervello nel cervello neonatale25. Nei pazienti con MH, il punto di svolta è stato definito rispetto al Punteggio CAG-età prodotto (CAP), come un indicatore del grado di esposizione all'espansione CAG HTT 26. È ben noto che l'atrofia striatale è uno dei primi marcatori in HD, seguito dal globus pallidus27. Ancora, i cambiamenti nel corpo striato in relazione alle altre strutture di materia grigia e bianca attraverso il cervello rimane poco chiaro. Tale rapporto è fondamentale per noi comprendere la progressione di malattia. Punto di svolta analisi delle variazioni volumetriche in tutte le strutture del cervello probabilmente fornirà informazioni sistematiche di atrofia del cervello in premanifesti fase di HD.

Qui dimostriamo le procedure per eseguire la segmentazione del intero-cervello utilizzando MRICloud (www.mricloud.org) e passaggi per eseguire l'analisi del punto di svolta di dati volumetrici in soggetti premanifesti di HD. I dati di MRI sono stati raccolti da uno studio multicentrico di grande popolazione28,,29 , con circa 400 controlli e premanifesti HD soggetti di studio PREDICT-HD. La combinazione dell'analisi di segmentazione e punto di svolta basata su Atlante porta informazioni univoche sull'ordine spatiotemporal dei cambiamenti strutturali del cervello e il modello di progressione di malattia attraverso il cervello. Le tecniche sono potenzialmente applicabili ad una gamma di malattie neurodegenerative con vari biomarcatori per mappare la degenerazione del cervello.

Protocollo

1. basato su Atlante intero cervello segmentazione

  1. Preparazione dei dati
    1. Convertire tridimensionale (3D) immagini T1-weighted, in genere acquisite con la sequenza MPRAGE (magnetizzazione-preparato rapida pendenza-eco), dal formato DICOM (Digital Imaging and Communication) specifici del fornitore in formato Analyzed. Si noti che il calcolo cloud richiede i dati degli utenti per essere trasferito al cluster remoto. Secondo l'Health Insurance Portability e Accountability Act (HIPPA), è possibile rimuovere informazioni personali di identificazione dei pazienti dai file immagine.
      Nota: MRICloud offre un convertitore DICOM--Analyze (https://braingps.mricloud.org/t1prep) per la conversione del formato di file, nonché l'identificazione dei momenti di informazioni personali di salute.
      1. Fare doppio clic per aprire Dcm2Analyze.exe. (Figura 1A) si aprirà una finestra di popup.
      2. Specificare il percorso di directory di dati DICOM input come input e il nome di percorso e il file di immagine Analyzed come output.
      3. Clicca su "Vai" per completare la conversione.
        Nota: La conversione deve essere eseguita per ogni singolo paziente, e che sarebbe vantaggioso per l'output di tutte le immagini convertite in uno studio cartella per (1.2.2.1) di elaborazione batch.
  2. Multi-atlas base di segmentazione di immagini T1 utilizzando MRICloud19.
    1. Log-in "Cervello GPS" (registro for first-time users) da https://mricloud.org. Selezionare strumento di "Segmentazione" dal menu principale (Figura 1B). Ci sono due opzioni di interfaccia (API) programmazione applicazione sotto "Segmentazione": "T1-MultiAtlas" per singole segmentazione di immagini T1 e "T1-MultiAtlas Batch" per l'elaborazione batch. L'analisi del punto di svolta richiede dati di grande popolazione, e in tal modo, l'elaborazione in batch è spesso la scelta.
    2. Inviare i lavori sull'API "T1-MultiAtlas Batch".
      1. Comprimere più file di immagine Analyzed in un file zip. Fare clic su "+. zip" in Figura 1B per caricare il file zip.
        Nota: Il portale cloud corrente limita il numero di immagini a 30 in ogni cartella zip. DataSet di grandi dimensioni può essere suddivisa in più cartelle zip da elaborare. Richiesta speciale può essere fatta per ospitare più immagini al file zip. In futuro, potremmo potenzialmente aumentare il numero limitato o addirittura rimuovere il limite quando più remote risorse computazionali diventano disponibili.
      2. Compilare i campi obbligatori in Figura 1B.
        1. Server di elaborazione: scegliere "Gateway di scienza computazionale anatomia".
        2. Tipo di sezione: Scegliere da "Sagittale", "Assiale" o "Sagittale convertito in assiale".
          Nota: "Sagittale" si riferisce alle immagini acquisite con orientamento sagittale con vista in piano in antero-posteriore e direzioni di testa-piedi. "Assiale" si riferisce all'orientamento assiale di immagini acquisite con vista in piano in direzione sinistra-destra e antero-posteriore. "Sagittale convertito in assiale" fa riferimento a immagini che erano originariamente acquistati nel orientamento assiale, ma più tardi convertiti in immagini sagittali (quelli sono in genere "assiale" immagini con zona di collo lungo).
        3. Libreria di multi-Atlante: scegliere la libreria di Atlante con Fascia di età più vicina ai dati utente per ottimizzare la precisione di segmentazione. Forniamo precompilati multi-Atlante DataSet18 con fasce di età diverse, ad esempio, "Pediatrico 4-8 anni", "Pediatrico 8-12 anni", "adulto 22-50", e "adulto 50-90", così come le versioni differenti Atlante. Informazioni sulle versioni di Atlante possono essere trovati in https://braingps.mricloud.org/atlasrepo.
    3. Controllare lo stato di lavoro attraverso "Il mio stato lavoro" (Figura 1). Una volta che i lavori sono finiti, verrà visualizzato un pulsante "Scarica risultati" che permette agli utenti di scaricare i risultati di segmentazione come file zip.
    4. Visualizzare i risultati. Per il singolo soggetto, i volumi ottenuti dal risultato della segmentazione possono essere visualizzati online (non fattibile per risultati di elaborazione batch).
      1. Fare clic sul pulsante "Mostra il risultato" nella Figura 1. La pagina Web si trasformerà per l'interfaccia di visualizzazione (Figura 1). La vista assiale, sagittale e corona della mappa segmentazione è sovrapposti sull'immagine anatomica T1-weighted. Rendering 3D delle strutture del cervello segmentato sono mostrati nella finestra di sinistra superiore. Colore della segmentazione overlaying mappa indica il Punteggio di z dei volumi strutturali.
      2. Regolare le opzioni di visualizzazione, tra cui sovrapposizione ON/OFF, opacità della sovrapposizione, zoom in e out e affettare posizioni dal riquadro in alto a destra nella Figura 1.
      3. Raggruppare i migliori pacchi di segmentazione in diverse granularità. In nostri atlanti, abbiamo definito cinque livelli di granularità con due tipi ontologia relazioni18,30. Una visualizzazione albero delle definizioni anatomiche multi-livello gerarchiche è mostrata nel pannello sinistro inferiore (Figura 1). Fare clic sui numeri del livello per espandere le strutture presso il corrispondente livello di ontologia. Le mappe di segmentazione commuterà contemporaneamente il corrispondente livello di ontologia.
        Nota: Bi-mensile MRICloud workshop sono aiuto alla Johns Hopkins University School of Medicine di offrire esercitazioni hands-on delle operazioni sopra descritte. Workshop informazioni possono essere trovati da https://braingps.mricloud.org/workshops.
    5. Scarica i risultati di segmentazione per l'analisi successiva. Decomprimere i risultati in una directory di studio di utente, ad esempio, mettere insieme i risultati di segmentazione da tutti i soggetti in uno studio directory, ciascuno nelle rispettive cartelle del singolo soggetto.
      Nota: I risultati includono
    • example.img: immagine T1 originale nell'orientamento assiale.
    • example_MNI.img: T1 immagine nello spazio MNI seguendo le coordinate di Talairach.
    • example_7Labels.img ed example_7Labels_MNI.img: segmentazione grossolana con 7 pacchi (materia grigia, materia bianca, liquido cerebrospinale, ventricolo laterale, cranio e sfondo) nella nativa e MNI lo spazio, rispettivamente.
    • example_283Labels_M2.img ed example_283Labels_M2_MNI.img: multa segmentazione con 283 pacchi (atlas versione V9B) in nativi e spazio MNI, rispettivamente. Il numero esatto di etichette dipende dalla versione di atlas.
    • example_corrected_MNI_stats.txt ed example_MNI_stats.txt: statistiche di volumi di ogni cervello pacchi nel nativo e MNI nello spazio.
    • multilevel_lookup_table.txt: definizione di ontologia multilivello delle parcelle del cervello.
  3. Eseguire l'elaborazione batch per ottenere volumi cerebrali in una popolazione. Uso un in-House batch di Matlab (www.mathworks.com) l'elaborazione di script per estrarre volumi cerebrali da cartelle risultato individuale e combinare i dati volumetrici di tutte le materie a tutti i livelli di granularità in un foglio di calcolo. Un'interfaccia utente grafica (GUI) viene utilizzata per specificare gli input e output.
    1. Matlab.exe aperto, eseguire Main.fig e una GUI che uscirà (Figura 2A).
    2. il "estrazione T1 Volume da MRICloud" pannello (pannello superiore nella Figura 2A), specificare gli input, compresa la directory di studio dove lo scaricati i risultati di segmentazione sono salvati (Vedi 1.2.5); e la tabella di ricerca multi-livello percorso e il nome del file.
    3. Specificare il foglio di calcolo nome file di output percorso e dove il volume dei dati sarà scrivere.
    4. Fare clic sul pulsante "Estrai volume" per eseguire l'analisi. Risultati possono essere controllati nel foglio di calcolo definiti dall'utente.
      Nota: inoltre, un pacchetto di R è sviluppato al processo il MRICloud uscite ed effettuare ulteriori analisi statistiche, fornite dal Dr. Brian Caffo31. Il pacchetto può essere scaricato da https://github.com/bcaffo/MRIcloudT1volumetrics.

2. punto di svolta l'analisi dei dati volumetrici

Nota: Fare riferimento la teoria e particolari matematici del modello punto di svolta per il nostro precedente Pubblicazioni21,24,23. Brevemente, per dati HD, viene stabilito un modello di regressione per definire un cambiamento-punto critico (in termini di Punteggio di CAP), a partire da cui, la regressione lineare tra CAP e volume diventa statistica significativa, durante la correzione per gli effetti dell'età del paziente, genere e il volume intracranico. In-House script Matlab, insieme con una GUI (Figura 2A, pannello inferiore), è stato sviluppato per calcolare i punti di cambiamento per singole strutture ed eseguire analisi statistiche. Gli script sono disponibili agli utenti su richiesta.

  1. Calcolare il cambiamento-punti per le strutture del cervello individuale.
    1. Nel pannello "analisi del punto di svolta" nella Figura 2A, specificare il percorso del file e il nome del foglio di calcolo volume multilivello, che è generato secondo 1.3.
    2. Specificare il percorso e il nome del file di testo di output, che verranno scritti i risultati del punto di svolta.
    3. Scegliere il livello di granularità e tipo di definizione di ontologia nella casella a discesa (livello 1-5), in cui verrà eseguita l'analisi del punto di svolta.
    4. Fare clic sul pulsante "Calculate cambiamento-punto" per eseguire l'analisi del punto di svolta, come descritto nel riferimento23e i punti di cambiamento risultanti verrà salvato nel file di testo di output.
  2. Valutazioni statistiche dei punti di cambiamento.
    1. In Matlab GUI (Figura 2A, pannello inferiore), specificare i parametri per test statistici, tra cui il numero di permutazione (predefinito 10.000), numero di bootstrap (predefinito 10.000) e p-valore soglia (dopo la correzione di FDR, predefinito 0.05).
    2. Fare clic sul pulsante "Prova statistica" per eseguire il test. Dopo questo passaggio, il p-value (dalla prova di permutazione), prima e dopo false discovery rate correzione (FDR), così come la deviazione standard e l'intervallo di confidenza 95% (di bootstrap) dei punti di cambiamento sarà scritto nel file di testo di output come colonne aggiuntive . Vedi i dettagli delle procedure di test statistico in23,24.
  3. Generare mappe di cambiamento-punto (opzionale). In Matlab GUI (Figura 2A, pannello inferiore), fare clic sul pulsante "Mappa cambiamento-punto" per generare mappe punto di svolta. Valori di punto di cambiamento statisticamente significativo verranno mappati sull'immagine per visualizzare il modello spaziale anatomico MNI-spazio. Questo mapping può avvenire a livelli di granularità diversi, a seconda del livello anatomico specificato al punto 2.1. Le mappe di cambiamento-punto possono essere sovrapposti sulle immagini di T1-weighted utilizzando MRIcro (Figura 2B) (http://www.cabi.gatech.edu/mricro/mricro/).

Risultati

Utilizzando le procedure descritte al punto 1.1-1.3, intero cervello segmentazione mappe possono essere ottenute da MRICloud. Nella versione corrente di Atlante (V9B), 283 pacchi sono segmentati presso la granularità migliori (livello 5), che possono essere raggruppate per diversi livelli di granularità, ad es., dall'emisfero di lobuli e pacchi, in base alle definizioni di ontologia specifica. La figura 3 Mostra due tipi di segmentazioni multi-live...

Discussione

Come dimostrato in questa carta, segmentazione del intero-cervello del cervello MRI può essere comodamente raggiunto utilizzando la nostra piattaforma online MRICloud. T1-weighted MRI basata volumetrica marcatore ha dimostrato di essere robusto e sensibile ad una gamma di malattie di neurodegenerative1,2,3. Le misure volumetriche sono utilizzate per varie analisi a valle, quali modellazione matematica e analisi di funzionalità...

Divulgazioni

Gli autori non hanno nulla a rivelare.

Riconoscimenti

Ringraziamo gli investigatori PREDICT-HD, in particolare, il Dr. Hans Johnson e il Dr. Jane S. Pauslen dall'University of Iowa, per la loro generosità nel condividere i dati di MRI e costruttiva discussione sull'analisi dei dati e i risultati.

Questo lavoro è supportato da NIH concede NS098018 R21, P50 NS16375, NS40068, NS086888 R01, NS084957 R01, P41 EB015909, P41 EB015909, R01 EB000975, EB008171 R01 e U01 NS082085.

Materiali

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

Riferimenti

  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).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

Medicinaproblema 136punto di svoltaAtlante MRIsegmentazionegranularitMRICloudpremanifest HD

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Contattaci

SUGGERISCI JOVE ALLA BIBLIOTECA

Newsletter di JoVE

Ricerca

Didattica

Autori

Personale delle biblioteche

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati