Download Presentación Septiembre

José María Sanz Sanz
ETSIDI-UPM
Septiembre 2015
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
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
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
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
Localización de atlas para AD (III)
Hombres
Mujeres
26
39
Distribución ADNI por edad y sexo
9
9
(http://adni.loni.usc.edu/)
6
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
Localización de atlas para AD (V)
(http://www.hippocampal-protocol.net/SOPs/index.php)
8
Localización de atlas para AD (VI)
 Colección de 134 atlas
60-65
65-70
70-75
75-80
80-85
85-90
Hombres
10
12
16
11
11
10
Mujeres
5
11
18
12
9
9
Total
15
23
34
23
20
19
Tabla 1: Distribución de los atlas por edad
NC
MCI
LMCI
AD
Hombres
23
18
8
21
Mujeres
21
11
8
24
Total
44
29
16
45
Diagnóstico:
• NC: Normal/Control
• MCI: Mild Cognitive
Impairment
• LMCI: Late MCI
• AD: Alzheimer
Tabla 2: Distribución de los atlas por diagnóstico
9
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
Protocolo ENIGMA con ADNI-HHP (I)
Introducción (II)
 Protocolo ENIGMA1 (http://enigma.ini.usc.edu/)
 Obtención del volumen intracraneal (ICV).
Espacio nativo
Skull-Stripping
(ajuste grueso)
Bias correction
1
Skull-Stripping
(ajuste fino)
Bias correction
2
Transformación
al espacio
normalizado
Espacio normalizado
Cálculo del ICV
11
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
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
Protocolo ENIGMA con ADNI-HHP (III)
Rotación en 3D Slicer (I)
 Línea de comisuras anterior y posterior (ACPC)
PC
AC
14
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-PC
Rotación libre
15
Protocolo ENIGMA con ADNI-HHP (III)
Rotación en 3D Slicer (III)
16
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.gz
ADNI_127_S_0393_braintmp.nii.gz
17
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
Protocolo ENIGMA con ADNI-HHP (VI)
FLIRT
 Transformación al espacio normalizado MNI152
Imagen referencia
MNI152
-ref
Skull-Stripping 2
FLIRT
(registro)
Imagen normalizada
19
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
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.
DICE
Mínimo
Máximo
Media
Mediana
Desv. Est.
NatImg-inv
0,974
0,982
0,979
0,979
0,002
NormImg-MNI152
0,914
0,955
0,940
0,941
0,008
NatLabelL-inv
0,967
1,000
0,993
0,996
0,007
NatLabelR-inv
0,967
1,000
0,993
0,995
0,007
 Se han retirado 8 imágenes que presentaban defectos
(los resultados de la tabla no las tienen en cuenta).
21
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 mm3
 Hipocampo L = 3071,242 mm3
 Hipocampo R = 3014,992 mm3
22
Patch-labeling (I). Introducción
 Métodos de registro no rígido
 elastix
 ANTs y AHEAD
 Patch-labeling

Coupé

Rousseau

Platero
23
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
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
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
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 1
ROI 2
Media
Desviación
Estándar
Media
Desviación
Estándar
MATLAB
11,5183
1,2907
10,4158
0,8235
MEX
11,5246
2,3281
10,0307
1,7975
27
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
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