脑结构的三维形态建模与分析
2019年11月14日
我们介绍一种针对脑结构的半自动形态分析方案，包括使用开源软件进行图像分割，以及利用自动化建模工具包进行群体形态分析。本文以脑部磁共振图像中的海马体分割为例，演示三维形态分析方案的各个步骤。
在粗糙且含噪声的分割结果基础上，精确恢复形态特征对于实现个体脑形态模型之间的良好解剖对应关系至关重要。我们的框架提供了多种用于个体形态建模、群体模板构建以及形态异常计算的工具，并已应用于大规模的人脑数据集。
本次实验操作将由我实验室前研究生 Dr.Jaeil Kim 博士演示，他开发了用于脑形态建模的软件。进行海马分割的手动编辑时，请在图形用户界面软件中打开 T1 加权磁共振图像及自动海马分割结果。在显示窗口中点击图标以选择冠状面视图，并滚动切片直至定位到海马钩部。
在海马掩模中包含钩回存在的区域，当钩回消失后，使用添加和减去功能编辑海马体部的掩模。持续编辑海马掩模，直至找到海马尾部。随着丘脑枕核位于海马上方逐渐消失，穹窿将显现出来。
完成对海马体最后一个冠状切片的编辑，该切片中穹窿全长可见，但尚未与胼胝体压部相连。然后，将左侧和右侧海马体的掩膜以 NifTI 格式保存。为构建群体模板模型，请加载形态建模插件并点击“打开目录”，以打开包含目标研究群体二值掩膜的文件夹。
输入所需的顶点数量，然后点击“模板构建”以进行群体模板构建。接着检查平均形状网格。对于个体形状重建，加载感兴趣的T1加权磁共振图像及其对应的分割掩膜，并选择工作目录以保存文件。
为个体形态建模选择一个模板模型，并根据需要在形态建模插件中检查和调整建模参数。因此，我们的建模框架几乎是自动化的，但某些步骤需要用户确认。例如，如果海马区的值不是1，用户必须更改强度参数。
然后，在工具包工作台的3D视图中检查结果。要进行形态和畸形测量，请在软件的数据管理器中选择感兴趣对象的形态模型，然后单击“选择模板”以选定目标模板，从而获得测量结果。此处可观察到用于个体形态重建的海马模板模型的代表性形变。
该方法通过诱导模板模型从大到小的形变，在最小化其点分布畸变的同时，恢复个体的形态特征。在本图中，展示了两名受试者基于其分割掩膜重建的形态模型。在这些图像中，可观察到配准后的个体形态模型、它们的平均模型，以及个体形态模型与平均模型之间的形态差异向量。
这些数据代表投影到平均模型上的平均形态变形图，分别来自脑组织体积较小和较大的两组。这两组的形态变形图在相应区域呈现出相反的海马体形态差异模式。
检查分割掩膜以及个体或共享模型。如果模型未与图像边界贴合，可调整建模参数以获得更优结果。可利用形状变形进行统计分析，以研究组间形状差异。我们还在项目页面提供了用于分析的 MATLAB 代码。
这种稳健的方法已应用于多项临床研究，不仅涉及阿尔茨海默病或衰老研究等关键结构建模，还涵盖需要对复合骨进行分析的足部骨骼疾病。
查看完整文字稿并访问数千部科学视频
概述
本研究介绍了一种用于脑结构三维形态分析的半自动协议，重点是从脑部MRI图像中对海马体进行分割。该方法学包括使用开源软件进行图像分割，随后利用自动化建模软件包进行群体形态分析。
关键研究组成部分
科学领域
- 神经科学
- 图像分析
- 脑结构建模
背景
- 精确的形状恢复对于脑模型中的解剖对应关系至关重要。
- 该框架包含用于形状建模和形变计算的工具。
- 已结合大规模人类脑部数据集用于多种研究。
- 该软件由Dr. Jaeil Kim开发，具有用户友好的功能特性。
研究目的
- 演示海马体分割与形态分析的操作流程。
- 提供用于建模个体及群体脑形态的自动化框架。
- 提供用于形态变异统计分析的工具。
使用的方法
- 该方法利用图形用户界面进行 MRI 图像和分割结果的编辑。
- 该研究使用 T1 加权磁共振图像聚焦于海马体结构。
- 用户手动编辑海马体分割结果并构建群体模板。
- 通过形态变形测量进行统计分析。
- 项目页面提供了用于分析的 MATLAB 代码。
主要结果
- 该方法可实现对海马体的精确形态建模，并计算其形态异常。
- 结果展示了不同脑组织体积组间海马体形态的差异。
- 在建模过程中，在最小化形变的同时恢复了个体的形态特征。
- 包含对齐模型及平均形态异常图的可视化展示。
结论
- 本方案可实现对海马结构的有效形态分析与建模。
- 该方法有助于加深对脑科学研究中解剖学变异的理解。
- 其应用可扩展至涉及阿尔茨海默病及其他结构异常等疾病的临床研究。
常见问题
行业重要性概述
脑结构的精确三维形态建模能够对与病理过程相关的解剖学变异进行定量评估，有助于神经退行性疾病研究中的靶点验证。该方法通过将结构生物标志物与疾病机制相联系，提供预测可信度，从而支持早期发现阶段的决策判断。通过在不同队列中标准化形态表型分析，该方法增强了从发现到临床前模型研究的转化连续性。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：通过量化与疾病状态相关的海马体形态变化，实现对治疗假设的验证。
- 操作价值：通过对大规模数据集进行可重复的形态异常测量，支持生物学风险降低。
- 预测价值：通过识别具有强基因型-表型相关性的结构生物标志物，提升项目筛选效率。
筛选与检测方法开发
- 检测准备：通过从 MRI 数据生成标准化的形态模型，为下游筛选准备经过验证的生物系统。
- 定量输出：提供数值化的形态异常度量指标，实现对化合物对脑结构影响的高内涵筛选。
- 平台复用：通过自动化模板构建和开放软件集成，促进在不同研究中的可扩展应用。
转化与临床前研究
- 疾病相关性：可直接应用于阿尔茨海默病和衰老研究，其中海马萎缩是关键的病理特征。
- 转化生物标志物：形态变形图可作为从临床前到临床研究连续性的可量化终点指标。
- 风险校正的进展评估：能够对干预措施对脑结构的影响进行客观比较，降低后期研究阶段的失败风险。
流程与工作流整合
该方法通过提供标准化、可量化的神经解剖学表型分析，融入了从早期靶点验证到临床前药效测试的发现全过程。
- 发现生物学：通过将遗传或药理学干预与海马亚区可测量的形态变化关联起来，支持假设验证。
- 筛选：通过组别模板构建实现检测标准化，确保在化合物文库间进行一致的基线比较。
- 分析：生成形态变形向量和统计图谱，实现处理组与对照组之间结构表型的客观比较。
- 转化研究：通过保持框架在物种特异性适应中的解剖保真度，将发现结果与临床前验证相连接。
- 企业级复用：由于其开放的软件基础以及用于形态建模与分析的模块化工作流程，可作为可重复使用的神经影像学平台。
运营与企业影响
- 科学价值：通过提供脑结构变化与疾病模型之间的直接定量关联，减少机制上的不确定性。
- 操作价值：通过自动化的群体模板构建和标准化的分割流程，确保结果的可重复性和可扩展性。
- 战略价值：基于结构靶点结合缺失的情况，实现对无效化合物的早期识别，从而提高资本使用效率。
- 项目组合影响：通过识别能够使疾病相关脑回路形态异常恢复正常化的化合物，支持基于风险调整的优先级排序。
实施注意事项
- 需要具备神经解剖学和磁共振成像（MRI）图像解读的专业知识，以准确进行手动分割校正。
- 依赖于T1加权MRI数据的获取，以及能够处理大型三维形态数据集的计算基础设施。
- 需要在不同研究团队之间对分割协议进行标准化，以确保跨研究机构和研究项目的形态可比性。
- 将该框架应用于非海马脑区结构或不同成像模态时，需考虑适应性调整。
- 在关键步骤（如强度参数调优）中需要用户确认，若未实现标准化，可能引入变异性，从而限制方法的可靠性。
