José María Sanz Sanz ETSIDI-UPM Septiembre 2015. Contenidos de la presentación Introducción Localización de atlas para AD. Protocolos ADNI-HHP ENIGMA.

Presentación del tema: "José María Sanz Sanz ETSIDI-UPM Septiembre 2015. Contenidos de la presentación Introducción Localización de atlas para AD. Protocolos ADNI-HHP ENIGMA."— Transcripción de la presentación:

1 José María Sanz Sanz ETSIDI-UPM Septiembre 2015

2 Contenidos de la presentación Introducción Localización de atlas para AD. Protocolos ADNI-HHP ENIGMA aplicado a atlas ADNI-HHP Técnicas de Patch-labeling Desarrollos futuros 2

3 Introducción Las enfermedades neurodegenerativas suponen un gran desafío para la sociedad actual. Alzheimer’s Disease (AD) Esquizofrenia El hipocampo es fundamental. Segmentación automatizada para detección temprana. 3

4 Localización de atlas para AD (I) Protocolo de adquisición: ADNI Obtención de imágenes MRI Protocolo de segmentación: HarP (HHP) Obtención de etiquetados de hipocampo Resumen de la base de atlas obtenida 4

5 Localización de atlas para AD (II) ADNI (Alzheimer’s Disease Neuroimaging Initiative) Objetivos: Establecer una base de imágenes del cerebro. Adquisición de imágenes usando protocolos. Obtención de las imágenes MRI. (http://adni.loni.usc.edu/) ADNI_013_S_0325 5

6 Localización de atlas para AD (III) 6 (http://adni.loni.usc.edu/) 26 39 Hombres Mujeres 9999 Distribución ADNI por edad y sexo

7 Localización de atlas para AD (IV) HarP o HHP (Harmonized Hippocampal Protocol) Objetivos: Definir un modelo del hipocampo. Establecer un protocolo de segmentación. Obtención de los etiquetados (Boccardi) ADNI_013_S_0325 7

8 Localización de atlas para AD (V) 8 (http://www.hippocampal-protocol.net/SOPs/index.php)

9 Localización de atlas para AD (VI) Colección de 134 atlas Diagnóstico: NC: Normal/Control MCI: Mild Cognitive Impairment LMCI: Late MCI AD: Alzheimer 60-6565-7070-7575-8080-8585-90 Hombres10121611 10 Mujeres511181299 Total152334232019 NCMCILMCIAD Hombres2318821 Mujeres2111824 Total44291645 Tabla 1: Distribución de los atlas por edad Tabla 2: Distribución de los atlas por diagnóstico 9

10 Protocolo ENIGMA con ADNI-HHP (I) Introducción (I) Consorcio ENIGMA (Enhancing Neuro Imaging Genetics through Meta-Analysis) Objetivos Estudiar el cerebro mediante imágenes (MRI, DTI, etc.) y datos genéticos. Entorno de cooperación y difusión de la información. 10

11 Protocolo ENIGMA con ADNI-HHP (I) Introducción (II) Protocolo ENIGMA1 ( http://enigma.ini.usc.edu/ ) Obtención del volumen intracraneal (ICV). Skull-Stripping (ajuste grueso) Bias correction 1 Skull-Stripping (ajuste fino) Transformación al espacio normalizado Bias correction 2 Cálculo del ICV Espacio nativo Espacio normalizado 11

12 Protocolo ENIGMA con ADNI-HHP (I) Introducción (III) Herramientas FSL BET: Skull-Stripping. FAST: Bias correction. FLIRT: Transformaciones y registro afín. http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslOverview 3D Slicer: Rotación libre http://www.slicer.org/ 12

13 Protocolo ENIGMA con ADNI-HHP (II) Inspección visual Separación de las imágenes que no estén alineadas con los ejes. ADNI_002_S_1261 Bien orientada ADNI_006_S_0322 Requiere corrección 13

14 Protocolo ENIGMA con ADNI-HHP (III) Rotación en 3D Slicer (I) Línea de comisuras anterior y posterior (ACPC) AC PC 14

15 Protocolo ENIGMA con ADNI-HHP (III) Rotación en 3D Slicer (II) 35 imágenes para rotar Usamos 3D Slicer ( Boccardi ) Imagen original ADNI_002_S_0413 Rotación con línea AC-PCRotación libre 15

16 Protocolo ENIGMA con ADNI-HHP (III) Rotación en 3D Slicer (III) 16

17 Protocolo ENIGMA con ADNI-HHP (IV) BET Primer Skull-Stripping Valores bajos de –f (entre 0,25 y 0,4). Localización del centro de gravedad del cerebro. Septo pelúcido ADNI_127_S_0393.nii.gzADNI_127_S_0393_braintmp.nii.gz 17

18 Protocolo ENIGMA con ADNI-HHP (V) FAST y BET (2ª vez) Corrección del sesgo magnético (Bias correction) Segundo Skull-Stripping (ajuste fino, -f entre 0,3 y 0,6) Skull-Stripping 1 ADNI_127_S_0393 Sesgo magnético Biascorrected Skull-Stripping 2 18

19 Protocolo ENIGMA con ADNI-HHP (VI) FLIRT Transformación al espacio normalizado MNI152 Skull-Stripping 2Imagen normalizada Imagen referencia MNI152 FLIRT (registro) -ref 19

20 Protocolo ENIGMA con ADNI-HHP (VII) Propagación a etiquetas Aplicamos a las etiquetas la misma matriz de transformación que a las imágenes. Skull-Stripping 2 + etiqueta Imagen normalizada + etiqueta 20

21 Protocolo ENIGMA con ADNI-HHP (VIII) Índices DICE Las imágenes inversas son resultado de transformar al espacio de referencia y luego aplicar la transformación inversa. Se han retirado 8 imágenes que presentaban defectos (los resultados de la tabla no las tienen en cuenta). DICEMínimoMáximoMediaMedianaDesv. Est. NatImg-inv0,9740,9820,979 0,002 NormImg-MNI1520,9140,9550,9400,9410,008 NatLabelL-inv0,9671,0000,9930,9960,007 NatLabelR-inv0,9671,0000,9930,9950,007 21

22 Protocolo ENIGMA con ADNI-HHP (VIII) Volumetría Cálculo de ICV (numVoxeles > 0) · volumenVoxel volumenVoxel = Spacing(1) · Spacing(2) · Spacing(3) Cálculo de volumetría del hipocampo Igual que el ICV pero con las etiquetas. Ejemplo: ADNI_003_S_0907 ICV = 1292880,00 mm 3 Hipocampo L = 3071,242 mm 3 Hipocampo R = 3014,992 mm 3 22

23 Patch-labeling (I). Introducción Métodos de registro no rígido elastix ANTs y AHEAD Patch-labeling Coupé Rousseau Platero 23

24 Patch-labeling (II) Patch: Conjunto de vóxeles vecinos. Coupé et al. Análisis en intensidad entre la imagen paciente y los atlas (nonlocal means). Fusión de los etiquetados obtenidos. 24

25 Patch-labeling (III) Rousseau et al. Grafo con pesos que relaciona las imágenes. Pairwise: Registra cada imagen. Groupwise: Fusiona los atlas. Pointwise: Etiqueta por vóxel. Multipoint Obtiene etiquetados para todo el patch. Consigue varios etiquetados por vóxel. Fusión por mayoría (MV). Fast-multipoint (más rápido que ANTs) 25

26 Patch-labeling (IV). Platero, C. (I) Combinación de registro no rígido y patch-labeling. Registro no rígido Registro de los atlas a la imagen paciente. Fusión de etiquetas basada en corte de grafos. Patch-labeling Registro afín de atlas. Selección de los patches más significativos. Multipoint 26

27 Patch-labeling (IV). Platero, C. (II) Optimización del código mediante función MEX. La función MEX engloba el cálculo de la medida de similitud (ss) para hacer multipoint. Resultados en Lyapunov (escritorio remoto): ROI 1ROI 2 Media Desviación Estándar Media Desviación Estándar MATLAB11,51831,290710,41580,8235 MEX11,52462,328110,03071,7975 27

28 Desarrollos futuros Para la base de atlas ADNI-HHP: Generación de segmentaciones automáticas para otros pacientes (proyecto Vallecas). Obtener un diagnóstico precoz de AD (ya se han empezado a obtener resultados de diagnóstico de pacientes). Para el etiquetado con patches: Mejorar la optimización del código. 28

29 Bibliografía ADNI Alzheimer’s Disease Neuroimaging Initiative http://adni.loni.usc.edu/ Harmonized Hippocampal Protocol http://www.hippocampal-protocol.net/ Boccardi, M. et al. (2015). Training labels for hippocampal segmentation based on the EADC-ADNI harmonized hippocampal protocol. Alzheimer's & Dementia. Enigma http://enigma.ini.usc.edu/ Smith, S. M. (2000). BET: brain extraction tool. FMRIB TR00SMS2b, Oxford Centre for Functional Magnetic Resonance Imaging of the Brain), Department of Clinical Neurology, Oxford University, John Radcliffe Hospital, Headington, UK. Boccardi, M. (2011). Survey of protocols for the manual segmentation of the hippocampus: preparatory steps towards a joint EADC-ADNI harmonized protocol. Journal of Alzheimer's disease: JAD. Coupé, P. (2011) Patch-based segmentation using expert priors: Application to hippocampus and ventricle segmentation. NeuroImage. Rousseau, F. (2011) A supervised patch-based approach for human brain labeling. Medical Imaging, IEEE Transactions. Platero, C. (2015) Combining patch-based strategies and non-rigid registration-based label fusion methods. (Unpublished). 29