方法文章

基于T1加权MRI图像的皮层灰质自动分割

8.7K 次观看

⸱

DOI：

10.3791/58198

⸱

2019年1月7日

 ,  , 
1Huntington's Disease Research Centre, UCL Institute of Neurology

通讯作者： Eileanoir B. Johnson <eileanoir.johnson@ucl.ac.uk>, Rachael I. Scahill <r.scahill@ucl.ac.uk>, Sarah J. Tabrizi <s.tabrizi@ucl.ac.uk>

本文内容

摘要

本方案描述了将七种不同的自动化分割工具应用于结构T1加权MRI扫描，以勾画可用于灰质体积定量的灰质区域的过程。

摘要

在神经影像学研究中，近期多项研究讨论了不同研究之间在体积测量结果上的差异，这些差异被认为源于使用不同的分割工具来生成脑体积。本文介绍了七种可用于分割大脑灰质的自动化工具的处理流程。该方案为研究人员提供了一个初步步骤，以确定从T1加权MRI扫描中生成灰质体积最准确的方法。文中还包含了进行详细视觉质量控制的操作步骤。本方案涵盖了一系列潜在的分割工具，并鼓励用户在将其应用于完整队列之前，先在部分数据子集中比较这些工具的性能。此外，该方案还可进一步推广至其他脑区的分割。

引言

神经影像学在临床和科研领域均被广泛应用。目前正致力于提高基于磁共振成像（MRI）扫描量化脑体积的研究的可重复性；因此，研究者分享使用现有MRI工具将MRI扫描分割为区域性体积的经验至关重要，这有助于方法的标准化与优化1。本实验方案提供了使用七种不同工具从T1加权MRI扫描中分割皮层灰质（CGM；指不包括皮层下区域的灰质）的逐步操作指南。这些工具此前曾用于一项针对分割方法的方法学比较研究2，该研究在一个亨廷顿病队列中发现不同工具的表现存在差异。由于这些工具在不同数据集中的表现可能存在差异，研究者在将其应用于自身数据集之前，应先测试多种工具，再选定其中一种。

灰质（GM）体积通常被用作衡量脑形态的指标。体积测量方法通常具有较高的可靠性，能够有效区分健康对照组与临床组3。脑区不同组织类型的体积通常通过自动化软件工具进行计算，这些工具可识别各类组织类型。因此，为了获得高质量的灰质边界划分（分割），准确勾画白质（WM）和脑脊液（CSF）对于确保灰质区域的准确性至关重要。目前有多种可用于灰质分割的自动化工具，每种工具所需的处理步骤不同，输出结果也有所差异。已有许多研究将这些工具应用于不同的数据集进行相互比较，部分研究还对特定工具进行了优化1,4,5,6,7,8,9,10,11。先前的研究表明，在脑体积研究中，不同体积测量工具之间的变异性可能导致文献中的结果不一致，这些差异被认为是导致关于神经系统疾病得出错误结论的重要驱动因素1。

最近，一项针对包含健康对照参与者和亨廷顿病患者队列的研究对多种分割工具进行了比较。亨廷顿病是一种遗传性神经退行性疾病，通常在成年期发病。该病突出且被广泛研究的神经病理学特征是皮层下结构和皮层灰质（CGM）的进行性萎缩。研究结果表明，应用于该队列的七种分割工具表现各异，这支持了以往的研究发现，即根据用于计算脑体积的软件不同，结果可能存在差异。本方案提供了Johnson et al.（2017）2中所用处理方法的信息，旨在促进在神经影像研究中对最适工具进行严谨的方法学选择。本手册涵盖灰质（GM）体积的分割，但不涉及如多发性硬化中所见病灶等病变的分割。

方案

注意：确保所有图像均为 NifTI 格式。本文不涉及转换为 NifTI 格式的方法。

1. 分割 通过 SPM 8：统一分割

注意：此操作通过在 Matlab 环境中运行的 SPM8 图形用户界面（GUI）完成。SPM8 用户指南提供了更详细的说明，可访问以下网址获取：http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf。

  1. 确保已安装 SPM8 并将其设置在软件路径中。
  2. SPM 分割通过图形用户界面（GUI）进行。要打开 SPM，请打开命令窗口并在命令行中输入 'spm'。
  3. 按下“PET & VBM”以打开结构 MRI 工具箱。
  4. 按下“Batch”以打开批处理编辑器。这允许同时对多个扫描图像进行分割。
  5. 选择 'SPM | Spatial | Segment'。
  6. 点击 'Data | Select Files'，选择 T1 加权扫描图像作为输入。
    注意：文件必须是未压缩的 NifTi 格式文件，扩展名为 '.nii'。
  7. 点击 'output files | Grey Matter'，并确保已选择 'Native Space'，对白质进行相同操作。如果不需要脑脊液（CSF）分割，则将其保留为“None”。
  8. 如果扫描图像已经过偏置场校正，请将“Bias Corrected”选项更改为“Don't Save Corrected”。对于“Clean up any partitions”选项，请测试三种不同选项，并通过视觉质量控制（QC，第8节）确定哪种选项对数据效果最佳。
  9. 其余设置保持默认值，然后点击绿色旗帜运行分割程序。
    注意：每个受试者大约需要 5 分钟，命令行将显示“Running Segment”。完成后，命令窗口将显示“Done”。
  10. 按照第8节所述方法对灰质（C1*.nii 文件）进行视觉质量控制。

2. 通过 SPM 8 进行分割：新分割

注意：此操作通过 SPM8 图形用户界面（GUI）完成。SPM8 使用指南提供了更详细的说明，可在以下网址获取：http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf。请确保已安装 SPM8 并将其设置在软件路径中。打开 SPM 软件，通常可通过在命令行中输入 "spm" 实现。这将打开一个图形用户界面（GUI）窗口，其中包含一系列可选选项，用于执行分析。 

  1. 点击“PET & VBM”。
  2. 点击“Batch”以打开批处理编辑器。
  3. 在批处理窗口中选择“SPM | Tools | New Segment”。选择T1图像文件（扩展名为“.nii”）。
  4. 将“Native Tissue type”设置为“Native Space”。根据需要，通过将其设置为“None”来关闭不需要的不同组织类别（如CSF）。将“Warped Tissue”设置为“None”。
    注意：所有其他选项可保留默认设置。
  5. 点击绿色旗帜以运行分割。
    注意：命令行将显示“Running New Segment”。当运行完成后，MATLAB命令行将显示“Done New Segment”。
  6. 按照第8节所述方法对灰质（C1*.nii文件）进行视觉质量检查。

3. 通过 SPM 12 进行分割：分割

注意：本操作步骤的执行 通过 SPM12 图形用户界面。SPM12 使用指南提供了更详细的说明，可访问以下网址获取：http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf。

  1. 在命令窗口中输入“spm”以打开SPM软件。这将打开一个图形用户界面（GUI）窗口，其中包含可选择的多种选项，用于执行分析。
  2. 点击“PET & VBM”，然后点击“Batch”以打开批处理编辑器。
  3. 点击“SPM | Spatial | Segment”，然后点击“Data | Volumes”。
  4. 将“Native Tissue type”设置为“Native Space”。通过将其设置为“None”来关闭不需要的组织类别（例如CSF）。将“Warped Tissue”设置为“None”。
    注意：所有其他选项可保持默认设置。
  5. 点击绿色旗帜以运行分割。
    注意：命令窗口将显示“Running Segment”。运行完成后，将显示“Done Segment”。
  6. 按照第8节所述方法对灰质（C1*.nii文件）进行视觉质量检查。

4. 通过 FSL FAST 进行分割

注意：此操作在命令行中进行。FSL 指南提供了更详细的说明，可访问以下网址获取：https://fsl.fmrib.ox.ac.uk/fsl/fslwiki。

  1. 运行 BET 脑提取。这可能需要针对不同的数据集进行优化，但基本命令为：
    bet T1_ID.nii bet_T1_ID.nii
  2. 运行 FSL FAST 分割：
    fast bet_T1_ID.nii
    注意：这将输出灰质（GM）、脑脊液（CSF）和白质（WM）的部分体积图和二值化区域。
  3. 按照第 8 节所述，对灰质区域（文件名以 *_pve_1.nii.gz 结尾）进行视觉质量检查。

5. 通过 FreeSurfer 进行分割

注意：此操作需在命令行中进行。FreeSurfer 指南提供了更详细的说明，可访问以下网址获取：https://surfer.nmr.mgh.harvard.edu/。

  1. 通过输入以下命令设置数据所在目录：
    export SUBJECTS_DIR=/path/to/nii/files
  2. 运行以下命令执行分割：
    recon-all -i T1_ID.nii -subjid T1_ID -autorecon1 -cw256
    recon-all -subjid T1_ID -autorecon2 -autorecon3
    注意：这些命令每位受试者需要 > 10 小时。使用 -cw256 标志可将视野大于 256 的扫描图像裁剪至该尺寸以进行处理。
  3. 通过查看位于“输出文件夹 | scripts | recon-all.log”的脚本，确认处理已正确完成。请检查最后一行是否显示“recon-all -s T1_ID finished without error”。
  4. 按照第 8 节所述方法对灰质（GM）区域进行视觉质量检查。

6. 通过 ANTs 进行分割

注意：此操作在命令行中进行。ANTs 是比其他工具更复杂的软件，需注意此处所述的流程可根据每个队列进一步优化以提升结果。ANTs 的文档可从以下网址获取：http://stnava.github.io/ANTsDoc/。如下所述，有两种方法可将图像分割为组织类别。 

  1. 使用第一种方法时，以默认设置运行命令“antsAtropos.sh”，且不包含组织先验信息。
    注意：当仅需分为3类组织时，此方法通常表现良好：灰质（GM）、白质（WM）和其他。
    1. 通过输入以下命令来设置 ANTs 软件的路径：
      export ANTSPATH=/path/to/ANTs/bin/
    2. 通过输入以下命令来运行分割流程：
      antsAtroposN4.sh -d <图像尺寸> - a <t1.nii.gz> - c <组织类别数量> -o <输出>
      1. 此命令的可选参数包括：
        脑部掩模：-x <mask.nii.gz>;
        组织先验：-p <segmentationPriors%d.nii.gz>.
    3. 这将生成一个包含部分容积图和提取出的大脑的文件夹。按照第8节所述方法对灰质区域进行视觉质量检查。
  2. 以生成更多组织类别（灰质、皮层下灰质、白质、脑脊液、其他） 等等。）或对显示神经病理学特征的队列进行分割时，应使用特定的组织先验信息。可从不同网站下载组织先验模板。或者，可使用特定研究的模板来构建先验信息——这种方法更为复杂，但可能带来益处，尤其是在存在病理性脑部改变的队列中。
    1. 要创建特定研究的模板/先验图像，首先需创建特定研究的模板：
      antsMultivariateTemplateConstruction.sh -d <图像尺寸> - o 模板 <其他选项> <images.nii.gz>
      1. 此命令的可选参数包括：
        -c：用于并行计算的控制参数。
        若以串行方式运行，请使用0；-j：核心数量；-r：在创建模板前对输入图像进行刚体配准（默认为0）——0表示关闭，1表示开启。仅在初始模板不可用时此选项才有效。
    2. 从 ANTs 网站下载脑掩膜和先验图像。
      注意：可能需要编辑此掩膜，以确保其与模板脑具有良好的近似性。脑掩膜是整个流程中最重要的部分之一；如果脑掩膜质量较差，则脑提取/Atropos 的运行效果将不理想。部分下载选项包括：
      https://figshare.com/articles/ANTs_ANTsR_脑模板?915436
      下载的模板应随后注册到研究模板中。
    3. 计算配准，这将输出一系列变换场，随后可将这些变换场应用于下载的模板，以将其转换至特定研究的模板空间。要计算配准，请使用以下命令：
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template -n 6
      1. 此命令中的选项包括：
        -d：维度（即， 3D 扫描将为“3”；-f：固定图像（即， 图像需要最终放置的位置）；-m：移动图像（即， 需要移动的图像）；-o：输出文件名（无需扩展名）；-n：线程数。
    4. 将配准应用于数据：
      antsApplyTransforms -d 3 -i downloaded_template.nii.gz -r template.nii.gz -o downloaded_to_template.nii.gz -t downloaded_to_template1Warp.nii.gz -t downloaded_to_template0GenericAffine.mat
      1. 此命令中的选项包括：
        - d：维度（即， 3D 扫描将为“3”；-i：输入图像（即， 需要移动的图像）；-r：参考图像（即， 参考图像用于定义输出扭曲图像的间距、原点、大小和方向；-o 输出名称，即在研究特定模板空间中下载的模板（此处需要扩展名）；-t 变换文件名称，配准计算生成的输出文件。
    5. 目视检查研究特异性模板与下载模板之间的配准对应关系（为此，将研究特异性模板叠加在下载的模板之上打开）。
    6. 如果配准成功，将变换应用于下载的先验图像和提取的模板脑，重复步骤 6.2.5。
      注意：完成这些步骤后，将得到一个研究特定模板、一个与研究特定模板对齐的已下载模板，以及一个与研究特定模板对齐的已下载脑提取掩模和组织先验图像。
    7. 使用 antsCorticalThickness.sh 运行研究特定模板；该步骤可提供灰质（GM）、白质（WM）和脑脊液（CSF）区域，可用于构建研究特定的先验信息：
      antsCorticalThickness.sh -d 3 -a 模板.nii.gz -e 下载至模板空间的图像.nii.gz -m 研究空间中二值化模板提取脑区掩膜.nii.gz -p 下载的标签先验概率%d.nii.gz -o CT_模板
      1. 此命令中的选项包括：
        - d：维度（即， 3D 扫描将为“3”；-a：待分割的图像（在本例中为研究特异性模板）；-e：脑模板（未去除颅骨；在本例中为已配准至研究特异性模板的下载模板）；-m：下载的脑提取掩模（在本例中为从已配准至研究特异性模板的下载模板中提取出的脑区）；-p：使用 C 风格格式指定的先验信息例如， -p 标签先验%02d.nii.gz)
        注意：该命令假设前四个先验图像的顺序如下：1：脑脊液（CSF），2：皮层灰质（GM），3：白质（WM），4：皮下灰质（GM）（此处指已配准至研究特异性模板的下载模板所提供的先验图像）。
    8. 运行此命令将为模板生成先验图像，但在用于 Atropos 分割之前需要进行平滑处理。平滑命令是 ANTs 软件的一部分。使用以下命令对所有先验图像进行平滑处理：
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. 在运行 Atropos 之前，需对所有原始空间扫描图像进行脑提取。可使用特定研究的模板，并通过在模板上运行 antsCorticalThickness.sh 生成提取的脑图像（步骤 6.2.1）：
      antsBrainExtraction.sh -d 3 -a T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. 此命令中的选项包括：
        -d：维度；-a：解剖图像；-e：脑提取模板（即， 模板已创建，未进行颅骨剥离）；-m：用于脑提取的特定研究脑掩膜；-o：输出文件前缀。
    10. 然后运行 Atropos：
      antsAtroposN4.sh -d 3 -a T1.nii.gz -x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. 此命令中的选项包括：
        -d = 维度；-a：解剖图像；-x：由脑提取生成的脑提取掩模；-c：待分割的组织类别数量；-o：输出文件前缀；-p：研究特异性分割先验信息 <segmentationPriors%d.nii.gz>
    11. 按照第8节所述，对GM区域进行视觉质量检查。

7. 通过 MALP-EM 进行分割

  1. 运行 MALP-EM 时，打开终端窗口，将目录切换至 MALP-EM 安装目录，然后输入以下命令：
    ./malpem-proot -i T1_scan.nii -o ./ -m optional_brain_mask_final.nii.gz -f 3T -t 6 -c
  2. 命令执行完成后，检查是否存在包含组织分类和区域分割结果的输出文件夹。
  3. 按照第 8 节所述方法对灰质（GM）进行视觉质量检查。

8. 视觉质量控制

注意：应对所有用于分析的分割区域进行视觉质量控制。质量控制可确保分割结果达到高标准，并能可靠地反映皮质灰质（CGM）的分割情况。进行质量控制时，需打开每个扫描图像，并将其叠加到原始T1图像上，以将生成的区域与扫描图像上可见的皮质灰质进行比较。

  1. SPM、FSL、ANTs 和 MALP-EM 分割
    1. 使用 FSLeyes 进行视觉质量检查：
      https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
      注意：较早版本的查看器 FSLview 也可用于相同目的。
    2. 打开终端窗口，并加载 T1 图像以及叠加在 T1 上的灰质（GM）区域。输入以下命令：
      fsleyes T1.nii Region1.nii Region2.nii。
    3. FSLeyes 打开后，使用顶部面板中的不透明度切换按钮调整或降低叠加区域的不透明度，以便观察 T1 图像在灰质区域下方的显示情况。通过顶部面板中的“颜色下拉选项卡”更改分割叠加的颜色。
    4. 逐一切片浏览整个大脑。
      注意：此处使用的是冠状面视图，但用户应使用自己最熟悉的视图。
    5. 检查每一层切片中被检区域是否存在分割不足或过度估计的情况。
      注意：请参见代表性结果部分，了解良好与不良分割的示例。
  2. FreeSurfer 质量检查
    1. 使用 FreeView 进行视觉质量检查。
      注意：请参考以下文档：
      https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart。
    2. 打开终端窗口。要查看叠加在 T1 上的容积性灰质区域，请切换至受试者文件夹并输入以下命令：
      freeview ./mri/T1.mgz ./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. 逐一切片浏览整个大脑。
      注意：此处使用的是冠状面视图，但用户应使用自己最熟悉的视图。
    4. 检查每一层切片中被检区域是否存在分割不足或过度估计的情况。
      注意：请参见代表性结果部分，了解分割结果的示例。

结果

20名对照参与者的大脑平均体积及其人口统计学信息见表1。这些数据可作为使用相关工具时预期值的参考。结果应结合原始T1.nii图像进行解读。所有灰质区域应按照第8节所述步骤进行检查。在进行视觉质量控制时，需将灰质区域与T1扫描图像直接叠加对比观察，以确保准确性。

区域应因明显错误而被舍弃，如图所示 图1有时这些错误是由于处理过程执行不当，或大脑在视野中的位置不佳所致。为纠正这些错误，可将原始T1加权图像进行刚性对齐至标准空间，并重新尝试分割。失败率将根据数据质量、所用工具以及失败的分类而有所不同。在本研究中，导致被排除的完全失败的失败率 < 所有工具的错误率为5%，但多个工具始终出现较不显著的错误。FSL FAST、SPM 8 New Segment 和 FreeSurfer 存在错误（但未发生失败） > 该队列中50%的扫描图像存在此类错误。该错误率是通过检查视觉质控过程中的记录进行量化的，若发现偏离预期区域的情况属于明显异常，则计入错误，如图所示。 图2-6需要注意的是，这些工具已在其他数据集上得到验证，并能实现更低的错误率 3,8尽管这些误差可能通过手动干预或在脑提取时加入掩模来改善，但由于SPM New Segment和MALP-EM在此数据集上的误差率较低，因此将优先使用这两种工具。掩模可在ANTs和MALP-EM处理前应用，或在SPM（所有版本）和FSL FIRST处理后应用。

更多次要错误如图2-6所示。在将不同分割工具应用于整个队列之前，先在数据集上进行测试，可选择在该数据集上表现最佳的工具用于分析。进行质量控制（QC）时，应制定一套流程，以决定是否拒绝、编辑或接受分割结果。此处描述了七种工具常见的错误，并在图2-6中展示了示例。此类分割错误通常可通过在处理流程中添加掩膜或手动编辑区域进行校正。然而，对于皮层过度或欠分割严重的区域，可能需要从分析中剔除。在做出此类决定时，应制定并遵循严格的判定标准。这些步骤未在本方案中涵盖，且会因数据集不同而有所差异。

通常，在进行视觉质量控制时，需特别关注颞叶和枕叶区域，因为这些区域出现的错误最为常见。图2展示了颞叶分割良好与不良的示例，图3展示了枕叶分割良好与不良的示例。图4显示了所有工具中均可能出现的另一种常见问题，即在脑部的上层切片中，非脑组织被错误分类为皮层灰质（CGM）。图5展示了在多种分割结果中可见的另一问题，即部分皮层灰质（CGM）区域未被包含在分割结果中。这种情况常出现在脑部的上层切片中，如图5所示。

SPM8 统一分割通常导致颞叶边界划分效果较差，分割出的灰质区域会渗入颞叶周围的非脑组织中。渗入枕叶的情况较为常见，同时在多个区域也观察到额叶区域被低估的现象。对于 SPM8 新分割方法，同样普遍存在颞叶边界划分不佳和枕叶区域渗漏的问题。使用该版本的 SPM 还会导致在几乎所有分割结果中，颅骨和硬脑膜内的体素被错误分类为灰质。与早期 SPM 版本相比，SPM12 有所改进，颞叶的分割效果更优，其他区域的渗漏现象也有所减少。ANTs 在该队列中的表现差异较大，初始脑提取结果决定了分割质量。需特别关注外部边界；若使用 ANTs 进行脑提取效果不佳，则可通过 Atropos 命令中包含的脑掩膜加以改进。在颞叶和枕叶区域灰质被高估的问题仍较为常见。MALP-EM 在颞叶和枕叶灰质高估方面的问题较少，但在部分案例中存在皮层低估现象。通过在流程中引入脑掩膜可改善此问题。FSL FAST 分割结果变异程度较高，主要由于 BET 脑提取在此队列数据上的表现不稳定所致。同样，枕叶和颞叶区域的问题也较常见；但通过优化脑提取过程可加以改善。最后，FreeSurfer 的体积分割区域通常在灰质/脑脊液边界处较为紧凑，往往排除了外边界部分灰质区域（图6）。与其他工具类似，在颞叶和枕叶区域也普遍存在灰质外渗现象。最后，图7 展示了在 FSLview 中显示的一个良好分割示例，其分割无任何错误。通常可对手动编辑分割区域以改善结果，但本文未涵盖此操作。

显示结构解剖的脑部 MRI 扫描；侧面和轴向视图，以彩色映射突出显示区域。
图 1：在 T1 扫描上显示的失败分割示例。 如果该分割无法改进，则应重新处理并从分析中排除。 请点击此处查看此图的放大版本。

大脑分割过程，MRI分析，显示皮层区域和边界识别的示意图。
图2：不同工具在T1加权扫描中对颞叶处理效果的示例。（A）未进行分割的T1扫描图像。（B）具有较好区域划分效果的T1扫描图像示例（MALP-EM）。（C）具有较好区域划分效果的T1扫描图像示例（FreeSurfer）。（D）区域划分较差的T1扫描图像示例，显示左右颞叶存在溢出（SPM 8 New Segment）。（E）区域划分较差的T1扫描图像示例，显示左右颞叶存在溢出（FSL FAST）。这些扫描图像使用FSLeyes查看，其中T1图像作为基础图像，灰质（GM）区域作为叠加层显示。本图中，GM区域以红-黄色显示，透明度为0.4。颜色梯度表示体素的部分容积效应，黄色越明显的体素其PVE估计值越高（更可能是灰质），红色越明显的体素其PVE估计值越低（较不可能是灰质）。请点击此处查看该图的放大版本。

显示激活的脑部 MRI 扫描图，彩色图谱突出显示区域，脑功能分析，示意图。
图 3：不同工具在 T1 扫描图像上对枕叶区域分割效果的示例。（A）未进行分割的 T1 扫描图像。（B）T1 扫描图像叠加一个良好的区域分割示例（MALP-EM）。（C）T1 扫描图像叠加一个分割效果较差的枕叶区域示例，该分割在区域的内侧部分渗入硬脑膜（SPM 8 Unified Segment）。（D）T1 扫描图像叠加另一个分割效果较差的枕叶区域示例，该分割在区域的内侧和上部均渗入硬脑膜（SPM 8 New Segment）。（E）T1 扫描图像叠加另一个分割效果较差的枕叶区域示例，该分割在区域的内侧和上部均渗入硬脑膜（FSL FAST）。所有扫描图像均在 FSLeyes 中查看，以 T1 扫描图像作为基础图像，灰质区域作为叠加层。本图中，灰质区域以红黄色显示，透明度设为 0.4。颜色梯度表示体素的部分容积效应，颜色偏黄的体素具有较高的部分容积估计值（更可能为灰质），颜色偏红的体素具有较低的部分容积估计值（较不可能为灰质）。请点击此处查看该图的放大版本。

MRI脑部扫描显示异常；矢状面、冠状面、轴向视图；突出显示病灶检测。
图4：灰质区域溢出至硬脑膜的示例，在FSLview窗口中显示（矢状面、冠状面和轴向视图）。 蓝色区域突出显示溢出至硬脑膜的部分。 请点击此处查看该图的放大版本。

脑部MRI扫描；解剖结构可视化；诊断影像分析。
图5：灰质区域示例，其中已将脑脊膜灰质（CGM）的部分区域排除在分割之外。 该区域在FSLview窗口中以矢状面、冠状面和轴向面显示。轴向面最能清晰展示被排除在分割之外的区域。 请点击此处查看该图的放大版本。

经分割区域的脑部MRI分析；显示脑图谱的神经影像软件界面。
图6：在FreeView中显示的FreeSurfer灰质区域示例，该区域沿灰质/脑脊液边界非常紧密。 左上角的冠状面窗口最能显示该区域皮层灰质（CGM）的低估情况。 请点击此处查看该图的高清版本。

带有高亮区域的脑部 MRI 扫描图像；神经影像学，解剖结构分析。
图 7：T1 脑扫描中边界清晰的 MALP-EM 区域示例。该区域在任何部位均未出现对 CGM 的高估或低估问题。请点击此处查看该图的放大版本。

脑体积分析表格；SPM、FSL、ANTs、MALP-EM 方法；包含人口统计学数据。
表 1：来自 TRACK-HD 研究的 20 名对照参与者的人口统计学信息及其灰质平均体积（mL），使用本文所述的七种工具进行分割。

讨论

最近的研究表明，采用不同的容积测量方法可能对神经影像学研究具有重要意义1,2。通过发表相关实验方案，帮助初学者掌握如何应用不同的神经影像学工具，以及如何对这些工具输出的结果进行质量控制（QC），研究人员可为其数据集选择最合适的方法。

尽管本标准操作流程中的大多数步骤可根据数据和研究人员的需求进行调整，但其中最关键的步骤之一是详细描述的视觉质量控制过程。所有由这些工具生成的分割结果均应进行视觉质量控制，这对于连续血糖监测（CGM）数据的准确测量至关重要。为确保高质量分割而采取的质量控制步骤，是在检查了数千个CGM区域后逐步建立的。通过视觉检查比较不同工具的结果，可为每个数据集找到最准确的方法。

对于每种工具，均可采用不同的选项来针对每个数据集优化分割效果。通常建议在分割前将所有扫描图像重新对齐至原生空间，因为这可以减少分割错误；但此步骤并非必需。此外，不同工具输出的脑区范围也有所不同，有些仅包含皮层灰质，而有些还包含皮下区域。同时，部分工具输出部分容积估计（PVE）结果，而另一些则输出离散的组织图谱。尽管本文未涵盖体积提取的具体方法，且关于PVE与离散组织图谱之间差异的讨论超出了本标准操作流程（SOP）的范围，但一般认为PVE图谱是更为可靠的测量方式12。本SOP提供了Johnson et al.（2017）2中用于图像分割与质量控制（QC）的处理流程信息；然而，其他用户可能需要根据其图像质量选择更合适的工具，或进行进一步处理，例如应用掩模以将分析区域限定为皮层灰质。所有分割操作均可在原生空间中完成。

本方案提供了七种不同方法的示例流程，可用于从T1加权MRI扫描中分割脑灰质（CGM）。这些示例基本遵循各软件推荐的默认流程，需要注意的是，针对不同扫描图像成功分割特定区域时，可能需要对这些流程进行进一步优化。某些工具（如MALP-EM）选项有限，更适合神经影像学初学者使用。而其他工具（如ANTs）则可进行详细优化，本文所展示的方案仅代表该软件的一种可能应用方式。对于大多数工具而言，还可采用其他选项，例如使用掩模来限制体积计算范围。

需要注意，并非所有工具都可在每种操作系统上使用。SPM 和 ANTs 兼容 Windows、Mac 和 Linux 系统，FSL 兼容 Mac 和 Linux 系统，而 MALP-EM 和 FreeSurfer 仅兼容 Linux 系统（或在 Windows/Mac 电脑上运行的 Linux 虚拟机）。

本方案涵盖了对3D T1加权MRI扫描图像进行分割和质量控制（QC）以生成CGM区域的步骤。然而，本方案假设图像为NifTI格式（.nii扩展名）的3D T1图像。在Johnson et al.2所进行的分析中，图像已使用N3方法13进行了偏置场校正。本方案还假设相关软件已按照各工具提供的说明在Linux计算机上完成下载和安装。本研究中比较的软件包括SPM814、SPM12、FSL15、FreeSurfer16,17、ANTs18和MALP-EM19。

本标准操作流程涵盖了一系列分割技术；然而，结构T1扫描的分割尚有其他可选方法。Johnson et al.2根据其在亨廷顿病研究中的使用频率，选定了这些方法用于先前的比较分析。然而，每种工具在不同数据集中的表现各不相同，未在本文中涉及的分割工具也可能适用于其他数据集和研究团队。

这些工具在神经影像学研究中被广泛使用。随着这些工具的软件不断更新，每种分割方法的输出结果可能会随时间发生显著变化。然而，研究中仍应重点关注视觉质量控制（QC）的过程，以确保神经影像学研究中使用的是高质量的分割结果。

披露

作者无任何利益冲突需要披露。

致谢

我们谨向CHDI/High Q基金会中负责TRACK-HD研究的所有人员表示感谢，特别是Beth Borowsky、Allan Tobin、Daniel van Kammen、Ethan Signer和Sherry Lifer。作者们还要向参与TRACK-HD研究的受试者及其家属致以诚挚的谢意。本工作在UCLH/UCL开展，该机构获得了英国卫生部国家健康研究所生物医学研究中心资助计划的部分资金支持。S.J.T.承认获得了国家健康研究所通过痴呆症与神经退行性疾病研究网络（DeNDRoN）提供的支持。

TRACK-HD 研究团队：
C. Campbell，M. Campbell，I. Labuschagne，C. Milchman，J. Stout，莫纳什大学，墨尔本，维多利亚州，澳大利亚；A. Coleman，R. Dar Santos，J. Decolongon，B. R. Leavitt，A. Sturrock，不列颠哥伦比亚大学，温哥华，不列颠哥伦比亚省，加拿大；A. Durr，C. Jauffret，D. Justo，S. Lehericy，C. Marelli，K. Nigaud，R. Valabrègue，ICM研究所，巴黎，法国；N. Bechtel，S. Bohlen，R. Reilmann，明斯特大学，明斯特，德国；B. Landwehrmeyer，乌尔姆大学，乌尔姆，德国；S. J. A. van den Bogaard，E. M. Dumas，J. van der Grond，E. P. 't Hart，R. A. Roos，莱顿大学医学中心，莱顿，荷兰；N. Arran，J. Callaghan，D. Craufurd，C. Stopford，曼彻斯特大学，曼彻斯特，英国；D. M. Cash，IXICO，伦敦，英国；H. Crawford，N. C. Fox，S. Gregory，G. Owen，N. Z. Hobbs，N. Lahiri，I. Malone，J. Read，M. J. Say，D. Whitehead，E. Wild，伦敦大学学院，伦敦，英国；C. Frost，R. Jones，伦敦卫生与热带医学院，伦敦，英国；E. Axelson，H. J. Johnson，D. Langbehn，爱荷华大学，爱荷华州，美国；以及S. Queller，C. Campbell，印第安纳大学，印第安纳州，美国。

参考文献

  1. Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439(2016).
  2. Johnson, E. B., et al. Recommendations for the Use of Automated Gray Matter Segmentation Tools: Evidence from Huntington's disease. Frontiers in Neurology. 8, 519(2017).
  3. Schwarz, C. G., et al. A large-scale comparison of cortical thickness and volume methods for measuring Alzheimer's disease severity. NeuroImage: Clinical. 11, 802-812 (2016).
  4. Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
  5. Eggert, L. D., Sommer, J., Jansen, A., Kircher, T., Konrad, C. Accuracy and reliability of automated gray matter segmentation pathways on real and simulated structural magnetic resonance images of the human brain. Public Library of Science One. 7 (9), 45081(2012).
  6. Fellhauer, I., et al. Comparison of automated brain segmentation using a brain phantom and patients with early Alzheimer's dementia or mild cognitive impairment. Psychiatry Research. 233 (3), 299-305 (2015).
  7. Gronenschild, E. H. B. M., et al. The effects of FreeSurfer version, workstation type, and Macintosh operating system version on anatomical volume and cortical thickness measurements. Public Library of Science One. 7 (6), 38234(2012).
  8. Iscan, Z., et al. Test-retest reliability of freesurfer measurements within and between sites: Effects of visual approval process. Human Brain Mapping. 36 (9), 3472-3485 (2015).
  9. Kazemi, K., Noorizadeh, N. Quantitative Comparison of SPM, FSL, and Brainsuite for Brain MR Image Segmentation. Journal of Biomedical Physics & Engineering. 4 (1), 13-26 (2014).
  10. Klauschen, F., Goldman, A., Barra, V., Meyer-Lindenberg, A., Lundervold, A. Evaluation of automated brain MR image segmentation and volumetry methods. Human Brain Mapping. 30 (4), 1310-1327 (2009).
  11. McCarthy, C. S., Ramprashad, A., Thompson, C., Botti, J. A., Coman, I. L., Kates, W. R. A comparison of FreeSurfer-generated data with and without manual intervention. Frontiers in Neuroscience. 9, (2015).
  12. Tohka, J. Partial volume effect modeling for segmentation and tissue classification of brain magnetic resonance images: A review. World Journal of Radiology. 6 (11), 855-864 (2014).
  13. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17, 87-97 (1998).
  14. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  15. Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  16. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
  17. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
  18. Avants, B. B., Tustison, N. J., Wu, J., Cook, P. A., Gee, J. C. An open source multivariate framework for n-tissue segmentation with evaluation on public data. Neuroinformatics. 9 (4), 381-400 (2011).
  19. Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).

重印与许可

标签

SPM 软件视觉质量控制FSLeyes 查看器FreeSurfer 分析脑体积测量神经影像学方案分割工具
基于T1加权MRI图像的皮层灰质自动分割
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。