Bu kağıt beyin atrofi premanifest Huntington hastalığı başladığında, “değişim noktası” tanımlayan hacimsel MRG veri analizi için istatistiksel bir modelini açıklar. Bütün beyin haritalama değişim noktaları T1 ağırlıklı görüntülerin bir atlas tabanlı segmentasyon boru hattı kullanılarak elde beyin birimlerde dayalı elde edilir.
MRI son gelişmeler nörodejeneratif hastalıklar tanımlamak için yararlı işaretleri çeşitli sunuyoruz. Huntington hastalığı (HD), bölgesel beyin atrofi motor başlangıçlı (“premanifest” döneminde) önce uzun yıllar başlar fakat beyin genelinde bölgesel atrofi kronolojik zamanmekansal desen değil tam olarak karakterize. Burada biz bir online bulut bilgi işlem platformu, “MRICloud” T1 ağırlıklı görüntüleri birden çok taneciklik düzeyde atlas tabanlı bütün beyin ayrılmasını sağlar ve böylece, beyin anatomisi bölgesel özelliklerine erişmek bize sağlayan, göstermek. Sonra istatistiksel olarak önemli dönüm noktaları, bölgesel beyin atrofi olmak göze çarpan başladığı algılar yani “değişim noktası”, bir hastalık ilerleme dizin ile ilgili olarak bir regresyon modeli açıklar. CAG-yaş ürün (CAP) puanı HD hastalarda hastalık ilerleme dizinini oluşturmak için kullanılır. Segmentasyon boru hattı üzerinden hacimsel ölçü değişim noktası analizi bu nedenle, beyin arasında düzen ve yapısal atrofi desen önemli bilgiler sağlar. Kağıdın T1 ağırlıklı MRG veri büyük kadınlarında PREDICT-HD çalışması bir premanifest HD konu üzerinde bu tekniklerin kullanılması gösterilmiştir. Bu tasarım potansiyel beyin anatomisi dinamik değişiklikleri öğrenmek için nörodejeneratif hastalıkların bir dizi geniş bir uygulaması vardır.
Manyetik rezonans görüntüleme (MRG) yeteneğimizi beyin anatomisi ve nörodejeneratif hastalıklar1,2,3işlevlerinde incelemek için önemli ölçüde geliştirilmiştir. En yaygın MRG biri T1 ağırlıklı yapısal beyin anatomisi ve ilgili patoloji değerlendirmek için rutin klinik uygulamada görüntüleme aracı benimsenmiş. Kantitatif analiz T1 ağırlıklı yüksek çözünürlüklü görüntülerin anatomik değişiklikler sırasında beyin dejenerasyonu ölçmek için yararlı işaretleri sağlar. Özellikle, tabanlı segmentasyon miktar yaklaşımlar etkin bir şekilde azaltır görüntü dimensionality Voksel düzeyinden (sırayla tarafındaki (106)) anatomik yapısal düzeyine ((102)) yüksek üretilen iş Nöroinformatik4 için , 5. otomatik beyin segmentasyon elde edilebilir önceden tanımlanmış anatomik etiketleri hasta görüntüleri üzerine bir Atlas harita atlas tabanlı yöntemleri6,7,8,9 kullanarak . Atlas tabanlı yöntemler arasında çok atlas algoritmaları10,11,12,13,14 edilen üstün segmentasyon doğruluk ve sağlamlık. Grubumuza bir tam otomatik T1 çok atlas segmentasyon boru hattı, gelişmiş diffeomorphic görüntü kayıt algoritmaları15, çoklu atlas füzyon yöntemleri16,17ve zengin çok atlas kitaplıkları ile geliştirdi 18. boru hattı 2015 yılından bu yana, bir bulut bilgi işlem platformunda, MRICloud19, dağıtılmış ve nörodejeneratif hastalıklar, Alzheimer hastalığı (Ah)20,gibi21, birincil çalışma için kullanılan İlerici afazi22ve Huntington hastalığı23.
Yüksek çözünürlüklü görüntüler beyin yapılarına parçalara sonra birimler gibi bölgesel özellikleri nöroanatomik değişiklikleri tanımlamak için matematiksel modeller kurmak için kullanılabilir. Bir değişim noktası analizi yöntemi son zamanlarda istatistiksel olarak anlamlı beyin xarakteristikaları değişiklikler gerçekleştiği, boyuna ve/veya kesit MRI verilerine dayalı zamansal sipariş analiz etmek bizim grup tarafından kurulmuştur. Bu istatistiksel model ilk reklam hastalar21,24yaş üstü şekle dayanan diffeomorphometry ölçmek için geliştirilmiştir; ve daha sonra Huntington yenidoğan beyin25beyin gelişimsel değişiklikleri açıklamak olarak hastalığı (HD), de beyin yapısal değişiklikleri öğrenmek için uyarlanmıştır. HD hastalarda, değişim noktası CAG-yaş ürün (CAP) puanı, saygı ile HTT 26CAG genişleme maruz ölçüde bir göstergesi olarak tanımlanmıştır. Striatal atrofi bir HD, globus pallidus27tarafından takip en erken işaretleri olduğunu iyi bilinmektedir. Henüz striatum beyin belirsizliğini genelinde diğer gri ve beyaz maddenin yapıları ile ilgili olarak değişimler. Bu ilişki bize hastalık ilerleme anlamak önemlidir. Değişim noktası analizi tüm beyin yapıları olarak hacimsel değişiklikler büyük olasılıkla beyin atrofi HD premanifest aşamasında sistematik bilgi sağlayacaktır.
Burada bütün beyin segmentasyon premanifest HD bireylerde hacimsel veri değişim noktası çözümlemesi gerçekleştirmek için MRICloud (www.mricloud.org) ve adımları kullanarak gerçekleştirme yordamları gösterir. MRG veri büyük nüfus multicenter toplanmıştır PREDICT-HD28,29 yaklaşık 400 denetimleri ve premanifest HD konular ile çalışma. Atlas tabanlı segmentasyon ve değişim noktası analizi birleşimi beyin yapısal değişiklikler ve hastalık ilerleme desen kronolojik zamanmekansal sırası hakkında benzersiz bilgi beyin getiriyor. Teknikleri potansiyel beyin dejenerasyonu eşleştirmek için çeşitli biyolojik ile nörodejeneratif hastalıkların bir dizi için geçerlidir.
Bu yazıda gösterildiği gibi beyin MRI bütün beyin ayrılmasını uygun bizim online platformu MRICloud kullanılarak elde edilebilir. T1 ağırlıklı MRG göre hacimsel marker sağlam ve nörodejeneratif hastalıklar1,2,3dizi hassas olmak göstermiştir. Hacimsel önlemler matematiksel modelleme ve Özellik seçimi ve sınıflandırma analizi gibi çeşitli akış aşağı analizi için klinik tanı ve teşhis yardımcı o…
The authors have nothing to disclose.
PREDICT-HD müfettişler, özellikle, Hans Johnson ve Dr. Jane S. Pauslen Iowa Üniversitesi,’içinde MRG veri ve veri analizi ve sonuçları üzerinde yapıcı tartışma pay onların cömertlik için teşekkür ediyoruz.
Bu eser NIH tarafından desteklenen R21 NS098018, P50 NS16375, NS40068, R01 NS086888, R01 NS084957, P41 EB015909, P41 EB015909, R01 EB000975, R01 EB008171 ve U01 NS082085 verir.
MATLAB | Mathworks | N/A | Version 2015b and above |
Dell Workstation | Dell | Dell Precision T5500 (Intel Xeon CPU) |