Обработка на ткиво

Tissue processing

Мозоците беа подготвени во 10% пуфериран формалин во временски опсег од 6 недели и 15 месеци. Во текот на постмортем сликањето, мозоците се чуваа влажни во текот на скенот за да се зачуваат својствата на ткивото. Тие не беа едноставно потонати во течноста, бидејќи поврзувањето (интерфејсот) меѓу површината на мозокот и течноста не е лесно видлива при скеновите на МНР. За да се реши овој проблем, беше конструиран сад од плексиглас со придружни структури и водена бања на 120o F на дното за да се одржува влажна средина што ќе ја зачува влажноста на мозокот во текот на процесот на скенирањето (24). Мозоците беа исечени во серија од 1.6 mm дебели коронални резенки со меѓурезенски процеп од 0 mm, кој дозволи целосно опфаќање на мозокот.

Brains were fixed in 10% buffered formalin for a range of time between 6 weeks and 15 months. During postmortem imaging, brains were kept moist for the duration of the scan in order to preserve the properties of the tissue. They were not simply submerged in liquid because the interface between the surface of the brain and the liquid is not easily discernable in MRI scans. To solve this problem, a Plexiglas container with supporting structures and a 120o F water bath at the bottom was constructed in order to maintain a humid environment to sustain brain moisture during the scanning process (24). Brains were cut into a series of 1.6 mm thick coronal slices with 0 mm interslice gap, which allowed full coverage of the brain.

Собирање на податоци

Data Collection

Серија на постмортен МНР секвенци користени во оваа студија во детали се опишани од Шуман и соработници. (24). За да се оптимизира контрастот на супстанцата во бело-сивата маса на мозоците натопени во формалин, се користеше серија сликања на тежината на густина на протонот во кое БМ (белата маса) се појавува темна, СМ (сивата маса) се појавува светла, а ЦСТ (цереброспинална течност) се јавува посветла. Заради проблемите на фиксацијата и отстранувањето на мозокот од черепот, големи длабоки пресеци создаваат искривувања што обично се откриваат при скеновите на МРС. Сликањето се изведе на две места: едното користеше Signa Genesis (GE медицински системи) со магнетско поле од 1.5 T, време на повторување (ВП) 6700 ms, време на одек (ВО) 8 ms, и 7 повторени надразнувања (NEX). Сликите направени со овој скенер имаа големина на воксел од 0.3125 mm × 0.3125 mm × 1.6 mm. Другото место употреби MAGNETOM Allegra (Siemens) со 3 Т магнетско поле, ВП = 600 ms, ВО = 32 ms, and NEX = 1. Големината на вокселот на сликите во оваа серија беше 0.781 mm × 0.781 mm × 1.5 mm.

The post-mortem MRI sequences used in this study are described in detail in Schumann et al. (24). In order to optimize white-gray matter substance contrast in formalin-fixed brains, a proton density weighted imaging sequence was used, in which the WM (white matter) appears dark, the GM (gray matter) appears light, and the CSF (cerebral spinal fluid) appears brighter. Due to fixation problems and removal of the brain from the skull, large deep cuts create distortions commonly revealed in MRI scans. Imaging was performed at two sites: One used a Signa Genesis (GE Medical Systems) with a magnetic field of 1.5 T, repetition time (TR) 6700 ms, echo time (TE) 8 ms, and 7 repeated excitations (NEX). Images produced by this scanner had a voxel size of 0.3125 mm × 0.3125 mm × 1.6 mm. Site two employed a MAGNETOM Allegra (Siemens) with a 3 T magnetic field, TR = 600 ms, TE = 32 ms, and NEX = 1. Voxel size of images in this series was 0.781 mm × 0.781 mm × 1.5 mm.

Анализа на слика

Image Analysis

Целта на анализата на сликата беше да се измери разликата меѓу формата на белата маса на

The objective of image analysis was to quantify the difference between the shape of white matter

Субјектите со аутизам и контролните (нормалните) без да се користат традиционалните волуметриски мерки. За да се постигне оваа цел предложен беше систем за анализа на слика што се состои од три постапки: 1) намалување на буката и ефектот од делумен волумен, 2) сегментација на белата маса, и 3) анализа на формата. Овој комплетен систем е прикажан на Слика 1.

for autistic subjects and controls (normals) without using traditional volumetric measurements. To achieve this goal an image analysis system consisting of three steps was proposed: 1) reduction of noise and partial volume effect, 2) white matter segmentation, and 3) shape analysis. The complete system is shown in Figure 1.

Слика 1.Предложен систем за анализа на слика

Figure 1. The proposed image Analysis System

Ефектот на намалување на буката и на делумниот волумен

Reduction of Noise and Partial Volume Effect

Целта на сликата на „намалување на буката“ и ефектот на редуцирање на делумниот волумен е да се открие сивото ниво што ја минимизира разликата меѓу вокселите и нивното соседство (26-воксели), прикажани на сл. 2. За да се постигне оваа цел беше употребен моделот на Гибс како модел за секој скен на МНР. Се користеше метода на спуштање на косина (градиент) за да се најде сивото ниво што ја минимизира следната енергија на Гибс (25).

The goal of image “denoising” and reduction of partial volume effect is to find the gray level that minimizes the difference between the voxels and their neighborhood (26-voxels), shown in Fig. 2. To achieve this goal a Gibbs model was used as a model for each MRI scan. A gradient descent method was used to find the gray level that minimized the following Gibbs energy (25).

Каде се константи. Резултатот од користење на овој приод за различни сетови на податоци е прикажан на Слика 3.

Where are constants. The result of using this approach is shown in Figure 3 for different data sets

Слика 2. 3Д Систем на соседство ()

Figure 2. 3D Neighborhood System ()

Слика 3.Резултати од методот на намалување на буката: сликата пред (горе) и понамалувањето на буката (долу).

Figure 3. Results of denoising approach: images before (top) and after (bottom) denoising.

Сегментација на белата маса

White Matter Segmentation

Целта при имплементирањето на оваа постапка беше точно да се сегментира белата маса во сликите на МНР. За да се постигне оваа цел, претходно се примени методот на стохастичен изобличувачки модел (26, 27). Силата на алгоритмот во однос на времето за пресметување и робусноста се должи на употребата на взаемните веројатности на сигналите и регионалните обележувања во индивидуалните точки како надворешни сили што ја водат еволуцијата на моделот. Овие взаемни веројатности се извлечени од моделот на слика на случајно поле на Марков-Гибс (СПМГ) што подразбира слика како примерок од два меѓусебно поврзани просторни стохастички процеси. Процесот на ниско ниво со условно независни и произволно распределени сигнали се поврзува со набљудуваната слика, додека неговата скриена карта со региони е претставена со високо ниво на СПМГ од независни регионални обележувачи (25). Маргиналните веројатни дистрибуирања на сигнали во секој регион се прибираат од дистрибуирање на мешан емпирички сигнал врз целата слика.

The aim in implementing this step was to accurately segment the white matter in the MRI images. To achieve this goal a previous stochastic deformable model approach was implemented (26, 27). The power of the algorithm in terms of computation time and robustness is owed to the use of joint probabilities of the signals and region labels in individual points as external forces guiding the model evolution. These joint probabilities are derived from a Markov–Gibbs random field (MGRF) image model which considers an image as a sample of two interrelated spatial stochastic processes. The low level process with conditionally independent and arbitrarily distributed signals relates to the observed image whereas its hidden map of regions is represented with the high level MGRF of interdependent region labels (25). Marginal probability distributions of signals in each region are recovered from a mixed empirical signal distribution over the whole image.

Правејќи така, секое маргинално дистрибуирање се мери приближно со линеарната комбинација на Гаузијанс (ЛКГ) имајќи ги и позитивните и негативните компоненти (28). Параметрите на ЛКГ се пресметуваат користејќи ја претходно предложената модификација на ЕМ алгоритмот, а високото ниво на Гибсовите потенцијали се пресметуваат аналитички. Компаративните експерименти покажуваат дека предложениот модел ги исцртува комплицираните граници на различните модални објекти многу поточно од други познати методи. Слика 4 прикажува пример на сегментација на белата маса користејќи го овој метод.

In so doing, each marginal is approximated with a linear combination of Gaussians (LCG) having both positive and negative components (28). The LCG parameters are estimated using the previously proposed modification of the EM algorithm, and the high-level Gibbs potentials are computed analytically. Comparative experiments show that the proposed model outlines complicated boundaries of different modal objects much more accurately than other known counterparts. Figure 4 shows an example of white matter segmentation using this approach.

Анализа на форма

Shape Analysis

Да се сними разликата на густината на белата маса меѓу аутистичките и контролните субјекти, беше предвидена карта на растојание во 3Д сегментирана бела маса. Бидејќи гирификацијата е примарен фактор на диференцијација меѓу аутистичките и контролните субјекти, беше предвидена карта на растојание за работ на белата маса во гирусите (Слика 5). Картата на растојание на која било точка внатре во сегментираниот објект се дефинира како минимум Евклидово растојание од границата. Методот за пресметување на густината беше користен за да се најде оптималниот праг што прави разлика меѓу растојанијата од гирификацијата на белата маса и растојанијата од другите ткива на белата маса како што е прикажано на Слика 5.

To capture the thickness in white matter difference between autistic and control subjects, the distance map inside the 3D segmented white matter was calculated. Since gyrification is the primary differentiating factor between autistics and controls, the distance map for the edge of the white matter was only calculated within the gyri (Figure 5). The distance map at any point inside the segmented object is defined as the minimum Euclidian distance from the boundary. The density estimation approach was used to find the optimum threshold that discriminates between the distances from white matter gyrification and the distances from the other white matter tissues as shown in Figure 5.

Слика 5. Карта на растојанието за работ на белата маса предвиден во површината на кортексот (црвена), исклучување на јадрото (бела); (a) половина мозоки (б) цел мозок.

Figure 5. Distance map for the edge of white matter calculated within the cortex surface (red), excluding the core (white) (a) half brain and (b) full brain.

Точното пресметување на d(i,j) бара време, посебно кај големи волумени. Затоа, d(i,j) може дискретно приближно да се измери користејќи жлебен метрички систем (29) или континуирано приближно мерење со решавање на Еиконаловата равенка, користејќи го методот на брза прогресија (МБП) (30). Иако МБП е најстабилен и постојан метод за решавање на оваа равенка, тој појавува многу нумерички грешки долж дијагоналните насоки. За да се поправи овој проблем, оваа студија имплементира понапредна верзија на МБП која е со висока точност на Картезијанските домени. Овој нов метод се нарекува мултиматрична брза прогресија (ММБП), кој го пресметува секое решение при секоја точка со решавање на Еиконаловата равенка долж неколку матрици и го одбира решението што ја задоволува каузалната поврзаност на брзата прогресија. Матриците се центрирани на секоја точка и ги покриваат целосно најблиските соседи. Во 2Д просторот, 2 матрици опфаќаат 8 соседи (2 соседа хоризонтално, 2 вертикално и 4 дијагонално). За оние матрици што не се сплотени со природниот координатен систем, Еиконаловата равенка се добива користејќи фиксирани деривати, а потоа е решена користејќи шема за финитна разлика од повисок ред. (31)

The exact computation of d(i,j) is very time consuming, especially in large volumes. Therefore, d(i,j) can be discretely approximated using chamfer metric (29) or continuously approximated by solving the Eikonal equation, using the fast marching method (FMM) (30). Although the FMM is the most stable and consistent method for solving this equation, it suffers from large numerical error along diagonal directions. To rectify this problem, this study implements an improved version of the FMM that is highly accurate on Cartesian domains. This new method is called multi-stencils fast marching (MSFM), which computes the solution at each point by solving the Eikonal equation along several stencils and then picks the solution that satisfies the fast marching causality relationship. The stencils are centered at each point and cover its entire nearest neighbors. In 2D space, 2 stencils cover the 8-neighbors (2 neighbors horizontally, 2 vertically, and 4 diagonally). For those stencils that are not aligned with the natural coordinate system, the Eikonal equation is derived using directional derivatives and then solved using the higher order finite difference scheme. (31)

Кумулативната дистрибуциска функција (КДФ) како дискриминаторска карактеристика

The cumulative distribution function (CDF) as a discriminatory feature

Кумулативната дистрибуциска функција (КДФ) е графичко претставување на картата на растојанието. Кога се примени на картите на растојанието на сегментираната бела маса кај аутистичките и контролните субјекти, секоја класа беше целосно одделена (Слика 6А).

The cumulative distribution function (CDF) is a graphical representation of the distance map. When applied to the distance maps of segmented white matter for autistic and controls subjects, each class was completely separable (Figure 6A).

Слика 6. (лево) Кумулативната дистрибуција на картата на растојанието во 14 сегментирани субјекти (седум нормални и седум со аутизам) и (десно) соодветен просек на КДФ (функциии на кумулативна дистрибуција).

Figure 6. (Left) Cumulative distribution of distance map inside segmented 14 subjects (seven normal and seven with autism) and (Right) the corresponding average CDFs.

Класификација користејќи
дополнително растојание

Classification using
Levy distance

За да се користи КДФ за класификација на субјектите како контролни и аутистички, се пресмета дополнително растојание. Дополнителното растојание се дефинира како разлика меѓу КДФ на растојанија од даден објект и просек на КДФ на аутистички и контролни субјекти (Слика 3Б). Математички, дополнителното растојание меѓу КДФ на непознат објект Fu и просек на КДФ на аутистички субјекти FA се дефинира како што следи:

In order to use the CDF to classify subjects as control or autistic, the levy distance was calculated. The levy distance is defined as the distance between the CDF of the distances of a given object and the average CDF of autistic and control subjects (Fig. 3B). Mathematically, the levy distance between the CDF of unknown object Fu and the average CDF of autistic subjects FA is defined as follows:

Слика 7. Класификација на непознат (зелено) користејќи дополнително растојание (ρ).

Figure 7. Classification of unknown (green) using levy distance (ρ).

Резултати

Results

Како што се претпоставуваше, дебелината на кортикалната (гирална) бела маса беше поголема кај контролните и помала кај субјектите со аутизам. Ова се препиша на поголемата гирификација најдена кај аутистичките субјекти што го затвора гиралниот прозорец така дозволувајќи помал простор за белата маса. Табелата 2 ја прикажува точноста на резултатите од класификацијата за секој постмортем мозок. Точноста на класификацијата беше прикажана на 3 нивоа на доверба - 85% доверба, 90% доверба и 95% доверба. Како што се очекуваше, 85% ниво на доверба даде најдобри резултати – точно класифицирајќи 22/23 аутистички субјекти, со 0.96 стапка на точност, и 15/16 контролни субјекти, со 0.94 стапка на точност. На 90% ниво на доверба, 22/23 аутистичките субјекти с¢ уште беа коректно класифицирани, меѓутоа, кај 14/16 контролни субјекти коректно класифицирани, стапката на точност достигна до 0.88. Нивото на доверба од 95% имаше помали стапки на точност за двете групи; коректно класифицирајќи 20/23 аутистички, со 0.87 стапка на точност и 14/16 контролни субјекти, со 0.88 стапка на точност.

As hypothesized, the thickness in cortical (gyral) white matter was greater for controls and smaller for autistics. This is attributed to the greater gyrification found in autistics which closes the gyral window hence allowing smaller room for white matter. Table 2 shows the accuracy of classification results for each postmortem brain. Accuracy of classification was performed at 3 confidence levels – 85% confidence, 90% confidence and 95% confidence. As expected, the 85% confidence level yielded the best results – correctly classifying 22/23 autistics, a 0.96 accuracy rate, and 15/16 controls, a 0.94 accuracy rate. At the 90% confidence level, 22/23 autistics were still classified correctly, however, 14/16 controls were correctly classified, bringing the accuracy rate for controls down to 0.88. The 95% confidence level had smaller accuracy rates for both groups; correctly classifying 20/23 autistics, a 0.87 accuracy rate and 14/16 controls, a 0.88 accuracy rate.

Табела 2. Tочност на класификацијата

Table 2. Accuracy of classification

Дискусија

Discussion

Студии на обемот на главата, структурните слики и постмортемските тежини, сите укажуваат дека пациентите со аутизам имаат, во просек, поголеми мозоци од нормалните. За почетокот на ова волуметриско зголемување се дебатира во литературата.

Studies of head circumference, structural imaging, and postmortem weights all indicate that patients with autism have, on average, larger than normal brains. The onset of this volumetric increase is debated in the literature.

Низ енцефализација поголемите мозоци се карактеризираат со зголемена површинска област и гирификација со придружно намалување на гиралниот прозорец. Гиралниот прозорец е хипотетична рамнина за премин на кортикалните аферентни и еферентни влакна (32). Ова намалување на димезиите на гиралниот прозорец ги ограничува кортикалните проекции и резултира во една тенденција која ги фаворизира покусите врски споредено со контролните субјекти. Во прилог на вреден клиникчопатолошки корелат, резултатите од оваа студија укажуваат на користа од овој морфометрички индекс за точната класификација на аутистички и контролни пациенти.
Заклучивме дека резултатите од нашата студија, намален гирален прозорец кај аутистичките пациенти, можат да се објаснат во однос на миниколумнопатијата. Претходните студии покажаа абнормалности во индексот на сивото ниво кај пациентите со аутизам означувајќи блиско набивање и раздвојување на миниколумните (33). Оваа миниколумнопатија се карактеризира со поголем број на миниколумни, од кои секоја има нормален додаток/број на неврони (23). Крајниот резултат е зголемена невронска густина за која било дадена големина на заболен кортекс (23). Затоа, она што го разликува аутистичкиот од контролниот мозок не се елементите на индивидуалната неврална морфометрија, туку нивната топографска организација во неокортексот. Абнормалноста во аранжманот на невроните може да резултира во искривени поврзувачки патеки кои на крајот водат до изменета обработка на информации.
Точната анализа на анатомските абнормалности кај постмортемскиот аутистички мозок може да се добие преку густината на протонот измерена со МНР. Овие скенографии даваат високи резолуции и слики со висок контраст на сиво/белата маса, кои се корисни додатоци како на in vivо извештаите за испитувањата така и на невропатолошките техники. Спротивно на претходните волуметриски методи, геометриската метода за анализирање на гиралниот прозорец води до една точна класификација на непознат сет од податоци или на пациенти со аутизам или на контролни.

Throughout encephalization larger brains are characterized by increased surface area and gyrification with a concomitant reduction of the gyral window. The gyral window is the hypothetical plane for the passage of cortical afferent and efferent fibers (32). This reduction in gyral window dimensions constrains cortical projections and results in a bias that favors shorter connections as compared to controls. In addition to a valuable clinicopathological correlate, the results of our study indicate the usefulness of this morphometric index in the accurate classification of autistic patients and controls.
We propose that the results of our study, a reduced gyral window in autistic patients, can be explained in terms of a minicolunopathy. Previous studies have shown abnormalities in the Gray Level Index of autistic patients denoting close packing and spacing of minicolumns (33). This minicolumnopathy is characterized by a greater number of minicolumns each having a normal complement/number of neurons (23). The end result is that of increased neuronal density for any given volume of affected cortex (23). Therefore, what differentiate an autistic from a control brain are not elements of the individual neuronal morphometry but rather their topographic organization within the neocortex. An abnormality in neuronal arrangement could result in distorted connectivity pathways which ultimately lead to altered information processing.
Accurate analysis of anatomical abnormalities in the post-mortem autistic brain can be achieved through proton density weighted MRI. These scans generate high-resolution and high gray/white matter contrast images that are useful complements to both in vivo screening surveys and neuropathological techniques. Contrary to previous volumetric approaches, the geometric method for analyzing the gyral window leads to an accurate classification of an unknown dataset into either autistic patients or controls.

Во нашата студија оваа метода резултираше со значителна точност коректно класифицирајќи 22/23 аутистички и 15/16/ контролни субјекти со 85% ниво на доверба и 20/23 аутистички и 14/16 контролни со 95% ниво на доверба.
Оваа студија не ги зеде предвид другите структури освен гиралната бела маса. Додавањето на други анатомски карактеристики на анализата би требало да ја зголемат чувствителноста и предвидувачката способност на алгоритмот. Како на пример, се очекува дека со затворањето на гиралниот прозорец да се создава склоност кон пократки врски. Ова би можело да се изрази како зголемување при кратката поврзаност и u-влакна за сметка на долгата поврзаност и комисурните проекции (на пр. корпус калозум). Вклучувањето на анатомски карактеристики на корпус калозум заедно со марките на нашиот гирален прозорец би можеле да дадат поточни резултати.
Потенцијалната слабост на нашата компјутеризирана алгоритамска студија на гиралниот прозорец е споредбата на сетови од податоци скенирани при различни резолуции. Во овој посебен случај потребен е процес на повторување на примероците што ги нормализира резолуциите на сите сетови на податоци. Овој извор на грешка би бил безначаен ако сите сетови на податоци се ограничени на скеновите на МНР што имаат иста резолуција. На истражувањето на патологијата на аутизмот му недостига константност меѓу наодите. Ова може да се објасни со недостапноста на поголеми примероци и одблизу одбрани контролни групи, заедно со неуспехот да се објаснат изненадувачките фактори како што се возраста, полот, коефициентот на интелигенција, социо-економскиот статус, менталната ретардација итн. Употребата на гиралниот прозорец може да даде биомaркер кај аутизмот што ќе овозможи да се создаде оправданост меѓу различните студии.

In our study this method resulted in significant accuracy correctly classifying 22/23 autistics and 15/16 controls at the 85% confidence level and 20/23 autistics and 14/16 controls at the 95% confidence level.
This study did not take into account structures other than the gyral white matter. Adding other anatomical features to the analysis should increase the sensitivity and predictive ability of the algorithm. As an example, it is expected that as the gyral window closes a bias is created towards shorter connections. This could be reflected as an increase in short association and u fibers at the expense of longer association and commissural projections (e.g., corpus callosum). Including anatomical features of the corpus callosum along with our gyral window measurements could yield more accurate results.
A potential weakness of our computerized gyral window algorithm study is the comparison of datasets scanned at different resolutions. In this particular instance a re-sampling process that normalized the resolutions of all the data sets is required. This source of error would be negligible if all data sets are confined to MRI scans that have the same resolution.
Research on the pathology of autism lacks consistency between findings. This may be explained by the unavailability of larger sample sizes and closely matched control groups, along with the failure to account for confounding factors such as age, sex, IQ, socio-economic status, mental retardation, handedness, etc. The use of the gyral window may provide for a biomarker in autism that allows for construct validity among varied

Citation:Casanova FM, Farag A, El-Baz A, Mott M, Hassan H, Fahmi R, Switala EA. Abnormalities of the Gyral Window in Autism: a Macroscopic Correlate to a Putative Minicolumnopathy. J Spec Educ Rehab 2006; 7(1-2):85-101.

Literatura / References

1. Piven J, Arndt S, Bailey J, Havercamp S, Andreasen NC, Palmer P. An MRI study of brain size in autism. Am J Psychiatry 1995; 152: 1145–1149.
2. Davidovitch M, Patterson B, Gartside P. Head circumference measurements in children with autism. J Child Neurol 1996; 11: 389–393.
3. Lainhart JE, Piven J, Wzorek M, et al. Macrocephaly in children and adults with autism. J Am Acad Child Adolesc Psychiatry 1997; 36: 282–290.
4. Fombonne E, Rogé B, Claverie J, County S, Frémolle J. Microcephaly and macrocephaly in autism. J Autism Dev Disord 1999; 29: 113–119.
5. Yeargin-Allsop M, Rice C, Karapurkar T, Doernberg N, Boyle C, Murphy C. Prevalence of autism in a US metropolitan area. JAMA 2003; 289: 48–55.
6. Tidmarsh L, Volkmar FR. Diagnosis and epidemiology of autism spectrum disorders. Can J Psychaitry 2003; 48: 517–525.
7. Minshew NJ, Payton JB. New perspectives in autism, part II: the differential diagnosis and neurobiology of autism. Curr Probl Pediatr 1988; 18: 613–694.
8. Bolton P, Macdonald H, Pickles A, et al. A case-control family history study of autism. J Child Psychol Psychiatry 1994; 35: 877–900.
9. Stevens MC, Fein DA, Dunn M, et al. Subgroups of children with autism by cluster analysis: a longitudinal examination. J Am Acad Child Adolesc Psychiatry 2000; 39: 346–352.
10. Kemper TL, Bauman ML. The contribution of neuropathologic studies to the understanding of autism. Neurol Clin 1993; 11: 175–187.
11. Egaas B, Courchesne E, Saitoh O. Reduced size of corpus callosum in autism. Arch Neurol 1995; 52: 794–801.
12. Guerin P, Lyon G, Barthélémy C, et al. Neuropathological study of a case of autistic syndrome with severe mental retardation. Dev Med Child Neurol 1996; 38: 203–211.
13. Williams RS, Hauser SL, Purpura, DP, DeLong GR, Swisher CN. Autism and mental retardation: neuropathologic studies performed in four retarded persons with autistic behavior. Arch Neurol 1980; 37: 749–753.
14. Ritvo ER, Freeman BJ, Scheibel AB. Lower Purkinje cell counts in the cerebella of four autistic subjects: initial findings of the UCLA-NSAC autopsy research report. Am J Psychiatry 1986; 143: 862–866.
15. Farag A, El-Baz A, Gimel’farb G: Density estimation using modified expectation maximization for a linear combination of Gaussians. In: 2004 International conference on image processing: proceedings. Piscataway, NJ: IEEE Press, 2004: 194–197.
16. Geusebroek M, Burghouts GJ, Smeulders AWM. The Amsterdam library of object images. Int J Comput Vis 2005; 61: 103–112.
17. Sethian JA. Level set methods and fast marching methods: evolving interfaces in computational geometry, fluid mechanics, computer vision, and materials science. 2nd ed. Cambridge: Cambridge University Press, 1999.

18. Courchesne E, Karns CM, Davis HR, et al. Unusual brain growth patterns in early life in patients with autistic disorder: an MRI study. Neurology 2001; 57: 245–254.
19. Carper RA, Moses P, Tigue ZD, Courchesne E. Cerebral lobes in autism: early hyperplasia and abnormal age effects. Neuroimage 2002; 16: 1038–1051.
20. Herbert MR, Ziegler DA, Makris N, et al: Localization of white matter volume increase in autism and developmental language disorder. Ann Neurol 2004; 55: 530–540.
21. Rubenstein JL, Merzenich MM. Model of autism: increased ratio of excitation/inhibition in key neural systems. Genes Brain Behav 2003; 2: 255–267.
22. Belmonte MK, Baron-Cohen S. Normal sibs of children with autism share negative frontal but not positive sensory abnormalities: preliminary evidence from fMRI during processing of visual distractors. Soc Neurosci Abstr 2004; 30: 582.10.
23. Brock J, Brown CC, Boucher J, Rippon G. The temporal binding deficit hypothesis of autism. Dev Psychopathol 2002; 14: 209–224.
24. Just MA, Cherkassky VL, Keller TA, Minshew NJ. Cortical activation and synchronization during sentence comprehension in high-functioning autism: evidence of underconnectivity. Brain 2004; 127: 1811–1821.
25. Belmonte MK, Yurgelun-Todd DA. Functional anatomy of impaired selective attention and compensatory processing in autism. Cogn Brain Res 2003; 17: 651–664.
26. Casanova MF, Van Kooten IA, Switala AE, et al. Minicolumnar abnormalities in autism. Acta Neuropathol (Berl) 2006; 112: 287–303.
27. Schumann CM, Buonocore MH, Amaral DG. Magnetic resonance imaging of the post-mortem autistic brain. J Autism Dev Disord 2001; 31: 561–568.
28. Farag A, El-Baz A, Gimel’farb G. Precise image segmentation of multimodality imaging. IEEE Trans Image Process 2006; 15: 952–968.
29. El-Baz A, Farag A, Gimel’farb G. MGRF controlled stochastic deformable model. Kalviainen H, Parkkinen J, Kaarna A, eds. In: Image analysis. Berlin: Springer, 2005: 1138–1147.
30. El-Baz A, Farag A, Gimel’farb G: Stochastic deformable model. Clocksin W, Fitzgibbon A, Torr P, eds. In: Proceedings of the British machine vision conference. London: BMVA, 2005: 230–239.
31. Sabry H. and Farag A. Accurate tracking of monotonically advancing fronts. Fitzgibbon A, Taylor CJ, LeCun Y, eds. 2006 IEEE Computer Society conference on computer vision and pattern recognition. Los Alamitos, Calif: IEEE Computer Society, 2006: 355–362.
32. Prothero JW, Sundsten JW. Folding of the cerebral cortex in mammals. Brain Behav Evol1984; 24: 152–167.
33. Casanova MF, Buxhoeveden DP, Switwala AE, Roy E. Neuronal density and architecture (gray level index) in the brains of autistic patients. J Child Neurol 2002; 17: 515–521.
34. Bailey A, Phillips W, Rutter M. Autism: toward an integration of clinical, genetic, neuropsychological, and neurobiological perspectives. J Child Psychol Psychiatry 1996; 37: 39–126.