Kvantitative mål på ulike anatomiske hjernestrukturer og patologiske funn er etterspurt. I klinikken brukes manuelle metoder, men disse er arbeidskrevende med mindre det ikke er begrenset til for eksempel å måle tverrsnitt og/eller lengde av en normal eller patologisk struktur. Full manuell segmentering, se tumor segmentering (legg inn lenke til Anne Linse segmentering) kan utføres, men er ikke klinisk rutine. Ofte brukes semi-kvantitative skårings systemer for å bedømme f.eks. atrofi generelt eller i spesielle strukturer som i hippokampus eller kortikale regioner.

Per i dag har ingen leverandører av MR maskiner som har inkorporert metoder for automatisk morfometri (lenke legges inn her til automatisk morfometri) som del av programvaren, som det for eksempel er gjort for DTI, perfusjon og fMRI analyse. Det finnes ekstern programvare som er FDA og CE anerkjent og utfører automatisk morfometri. Programvaren kan enten kobles opp mot PACS eller MR bildene lastes opp på en server (https://www.cortechslabs.com/neuroquant/ ). Denne tjeneste koster penger. Flere klinikker i Norge har prøvd metoden for ulike kliniske problemstillinger, se publikasjoner under.

Den prediktive verdien av MR basert morfometri for demens er ikke god nok til klinisk bruk alene. Den må kobles sammen med andre mål som PET  resultater eller kognitive mål. 

Referanser

Semikvantitative skåringssystmer

1. Harper L, Barkhof F, Fox NC et-al.
Using visual rating to diagnose dementia: a critical evaluation of MRI atrophy scales.
J. Neurol. Neurosurg. Psychiatr. . doi:10.1136/jnnp-2014-310090

2. Scheltens P, Launer L, Barkhof F et-al.
Visual assessment of medial temporal lobe atrophy on magnetic resonance imaging: Interobserver reliability.
J Neurol. 1995;242 (9): 557-560. doi:10.1007/BF00868807

3. Wahlund LO, Julin P, Johansson SE et-al.
Visual rating and volumetry of the medial temporal lobe on magnetic resonance imaging in dementia: a comparative study.
J. Neurol. Neurosurg. Psychiatr. 2000;69 (5): 630-5.

4. Sarazin M, de Souza LC, Lehéricy S et-al.
Clinical and research diagnostic criteria for Alzheimer's disease.
Neuroimaging Clin. N. Am. 2012;22 (1): 23-32,viii. doi:10.1016/j.nic.2011.11.004

5. Lehmann M, Koedam EL, Barnes J et-al.
Posterior cerebral atrophy in the absence of medial temporal lobe atrophy in pathologically-confirmed Alzheimer's disease.
Neurobiol. Aging. 2012;33 (3): 627.e1-627.e12. doi:10.1016/j.neurobiolaging.2011.04.003

6. Koedam EL, Lehmann M, van der Flier WM et-al.
Visual assessment of posterior atrophy development of a MRI rating scale.
Eur Radiol. 2011;21 (12): 2618-25. doi:10.1007/s00330-011-2205-4

Full automatisert morfometri brukt i klinikken

1. Persson K, Selbæk G, Brækhus A, Beyer M, Barca M, Engedal K (2016).
Fully automated structural MRI of the brain in clinical dementia workup.
Acta Radiol. Sep 28. pii: 0284185116669874.

2. Rogne S, Vangberg T, Eldevik P, Wikran G, Mathiesen EB, Schirmer H (2016).
Magnetic Resonance Volumetry: Prediction of Subjective Memory Complaints and Mild Cognitive Impairment, and Associations with Genetic and Cardiovascular Risk Factors.
Dement Geriatr Cogn Dis Extra. Nov 25;6(3):529-540. doi: 10.1159/000450885.

3. Brezova V, Moen KG, Skandsen T, Vik A, Brewer JB, Salvesen O, Håberg AK (2014).
Prospective longitudinal MRI study of brain volumes and diffusion changes during the first year after moderate to severe traumatic brain injury.
Neuroimage Clin. Mar 28;5:128-40. doi: 10.1016/j.nicl.2014.03.012.

Prediksjon av mild kognitive nedsettelse eller demens vha strukturell MR

1. Lebedeva A, Westman E, Borza T, Beyer MK, Engedal K, Aarsland D1, Selbæk G2, Håberg AK and ADNI (2017)
MRI-based classification models in prediction of mild cognitive impairment and dementia in late-life depression.
Frontiers in Aging Neuroscience. doi: 10.3389/fnagi.2017.00013

2. Wang L, Benzinger TL, Su Y, Christensen J, Friedrichsen K, Aldea P, McConathy J, Cairns NJ, Fagan AM, Morris JC, Ances BM (2016).
Evaluation of Tau Imaging in Staging Alzheimer Disease and Revealing Interactions Between β-Amyloid and Tauopathy.
JAMA Neurol. Sep 1;73(9):1070-7. doi: 10.1001/jamaneurol.2016.2078.

3. Lupton MK, Strike L, Hansell NK, Wen W, Mather KA, Armstrong NJ, Thalamuthu A, McMahon KL, de Zubicaray GI, Assareh AA, Simmons A, Proitsi P, Powell JF, Montgomery GW, Hibar DP, Westman E, Tsolaki M, Kloszewska I, Soininen H, Mecocci P, Velas B, Lovestone S; Alzheimer's Disease Neuroimaging Initiative., Brodaty H, Ames D, Trollor JN, Martin NG, Thompson PM, Sachdev PS, Wright MJ (2016)
The effect of increased genetic risk for Alzheimer's disease on hippocampal and amygdala volume.
Neurobiol Aging. Apr;40:68-77. doi: 10.1016/j.neurobiolaging.2015.12.023.

4. Eskildsen SF, Coupé P, Fonov VS, Pruessner JC, Collins DL; Alzheimer's Disease Neuroimaging Initiative (2015).
Structural imaging biomarkers of Alzheimer's disease: predicting disease progression.
Neurobiol Aging. Jan;36 Suppl 1:S23-31. doi: 10.1016/j.neurobiolaging.2014.04.034

5. Xekardaki A, Rodriguez C, Montandon ML, Toma S, Tombeur E, Herrmann FR, Zekry D, Lovblad KO, Barkhof F, Giannakopoulos P, Haller S (2015).
Arterial spin labeling may contribute to the prediction of cognitive deterioration in healthy elderly individuals.
Radiology. Feb;274(2):490-9. doi: 10.1148/radiol.14140680.

6. Adachi M, Kawakatsu S, Sato T, Ohshima F (2012).
Correlation between volume and morphological changes in the hippocampal formation in Alzheimer's disease: rounding of the outline of the hippocampal body on coronal MR images. Neuroradiology. Oct;54(10):1079-87. doi: 10.1007/s00234-012-1019-7.

7. Shaffer JL, Petrella JR, Sheldon FC, Choudhury KR, Calhoun VD, Coleman RE, Doraiswamy PM; Alzheimer’s Disease Neuroimaging Initiative (2013).
Predicting cognitive decline in subjects at risk for Alzheimer disease by using combined cerebrospinal fluid, MR imaging, and PET biomarkers.
Radiology. Feb;266(2):583-91. doi: 10.1148/radiol.12120010