Name: 使用脑部 MRI 手动分割人脉络丛 (视频) | JoVE Journal
Uploaded: 2023-12-15T12:40:00.000+00:00
Duration: 4 min 25 s
Description: 学习使用脑部MRI手动分割侧脑室、第三脑室和第四脑室的脉络丛。该方法通过建立标准化数据集，为训练自动分割算法奠定基础，助力神经影像学研究。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本工作由美国国家心理健康研究所资助，资助项目编号为 R01 MH131586（授予 P.L 和 M.R）、R01 MH078113（授予 M.K），以及悉尼·R·贝尔 Jr 基金会资助项目（授予 P.L）。

本方案已获得贝斯以色列女执事医疗中心机构审查委员会的批准。用于演示本方案的受试者为健康个体，其脑部MRI扫描无伪影或运动干扰，并已获取书面知情同意书。采用配备32通道头部线圈的3.0 T MRI扫描仪（见材料表），以1 mm × 1 mm × 1.2 mm分辨率采集三维T1加权图像。扫描序列使用MP-RAGE ASSET，参数设置为：视野256 × 256，TR/TE/TI = 7.38/3.06/400 ms，翻转角为11度。
1. 将脑部 MRI 导入 3D Slicer
注意：3D Slicer 提供与其用户界面相关的文档。
<ol>
	<li>准备用于导入 3D Slicer 的脑部 MRI DICOM（医学数字成像与通信）或 NIFTI（神经影像信息学技术倡议）文件。</li>
	<li>通过点击工具栏左上角的 DCM 按钮导入 DICOM 数据。然后点击 Import DICOM files 按钮以导入 DICOM 格式数据。</li>
	<li>如果 MRI 数据为 NIFTI 格式，可通过点击工具栏左上角的 DATA 按钮进行导入。在弹出的对话框中，选择 Choose directory to Add 以批量导入文件夹中的 NIFTI 数据，或选择 Choose File(s) to Add 以导入特定的 NIFTI 文件。然后点击 OK 按钮，继续将数据上传至 3D Slicer。</li>
	<li>导入后，MRI 数据将在右侧窗口中显示，呈现轴向、矢状向和冠状向切面。</li>
	<li>通过进入 Layouts 并选择特定布局来更改窗口布局。可通过点击 3D Slicer 工具栏中的 Layouts 模块图标，或通过应用程序菜单中的 View &#62; Layouts 找到该选项。</li>
</ol>
2. 从 3D Slicer 中的示例数据下载 DICOM
<ol>
	<li>在欢迎使用 Slicer部分的初始界面中，点击下载示例数据按钮。然后选择MRHead按钮，系统将开始下载，此过程可能需要几分钟。</li>
	<li>确保右侧窗口中显示了包含轴状面、矢状面和冠状面的脑部 MRI 数据。</li>
</ol>
3. 质量控制与调整 MRI 图像
<ol>
	<li>通过仔细检查每个 MRI 切片，定性评估图像质量以及是否存在由于头部运动或扫描问题导致的伪影。</li>
	<li>通过右键单击并向上或向下移动鼠标来分别实现缩小或放大图像切片。</li>
	<li>如需移动图像切片，请左键单击图像，按住Shift键，然后拖动鼠标。</li>
	<li>调整图像亮度有助于观察脉络丛。为此，可在工具栏中点击调整容积的窗宽/窗位，或左键单击图像后上下移动鼠标以分别提高或降低亮度。</li>
	<li>调整对比度可进一步帮助识别脉络丛。左键单击图像切片后，左右移动鼠标以分别增强或减弱对比度。为确定脉络丛的合适对比度，可参考深部灰质核团（围绕侧脑室和第三脑室排列的灰质团块）或对比度标尺条中显示的信号强度。</li>
	<li>选定合适的对比度后，在整个分割过程中应保持该对比度不变，不要针对幕上和幕下区域可能存在的差异进行调整。</li>
</ol>
4. 手动创建脉络丛的分段
<ol>
	<li>开始对侧脑室、第三脑室和第四脑室的脉络丛进行分割时，需在Segment Editor模块中创建分割文件。要进入该模块，可单击工具栏中的Segment Editor，或转至Modules下拉菜单并选择Segment Editor。</li>
	<li>单击segmentation下拉菜单以选择不同的分割（若已创建多个分割），并重命名当前选中的分割。</li>
	<li>使用Master Volume下拉菜单选择需要编辑的NIFTI或DICOM数据集。只有在选中体积文件后，用户才能开始分割或编辑。</li>
	<li>单击Add按钮两次，为侧脑室脉络丛添加两个分割段。通过双击名称将其重命名为右侧侧脑室脉络丛和左侧侧脑室脉络丛。</li>
	<li>再次单击Add按钮，为第三和第四脑室脉络丛添加分割段，并将其重命名为&#34;3rd ventricle choroid plexus&#34;和&#34;4th ventricle choroid plexus&#34;。</li>
</ol>
5. 查看不同的切片和分割图像
<ol>
	<li>编辑前，先进行背景研究，了解如何在查看窗口中切换不同布局，以及如何更改分割区域的视图或不透明度。</li>
	<li>在查看窗口顶部、切片滑块左侧，点击图钉图标，将打开一个下拉菜单，其选项可能因窗口当前所处的具体布局而有所不同。 
	&#8203;注意：在分割脉络丛时，使用不同的布局可能有所帮助，因为脉络丛的结构在不同个体之间可能存在差异。例如，“常规”布局允许用户同时查看全部三个切片以及场景的三维视图；而选择“仅红色/黄色/绿色切片”则可为用户提供二维切片的特写视图，从而实现对脉络丛更精确的分割。</li>
</ol>
6. 界定侧脑室脉络丛感兴趣区域（ROIs）
注意：手动分割无需将图像配准至模板。
<ol>
	<li>对于侧脑室脉络丛，首先在轴向平面上开始操作，确保图像基于前后联合线进行定位。然后以侧副三角作为参考点来定位侧脑室脉络丛。
	<ol>
		<li>在轴向平面上完成编辑后，切换至其余视图（矢状面和冠状面），以确保对侧脑室脉络丛的手动分割未包含周围脑实质或脑脊液（CSF）。</li>
	</ol>
	</li>
	<li>开始编辑时，点击需要操作的分割区域，该分割区域名称将高亮显示。</li>
	<li>在分割编辑器的效果部分中，点击绘制或画笔工具以开始手动分割。 
	注：建议首先在一个平面（冠状面、轴向面或矢状面）上开始分割，待所有层面的分割完成后，再切换至其他平面进行检查和优化。建议用户优先选择轴向面或冠状面，因为在此类视图中侧脑室脉络丛更易于观察。</li>
	<li>使用绘制工具时，按住鼠标左键并在侧脑室脉络丛边界处绘制轮廓。完成描迹后，单击右键以填充所绘制的区域。</li>
	<li>使用画笔工具时，首先选择用于绘制的笔刷直径。建议使用3%或5%的笔刷以实现对脉络丛更精确的勾画，而10%的笔刷则适用于较大范围的选择。</li>
	<li>对于任一工具，均可使用绘制或擦除功能，通过添加或删除选区来修正任何错误的勾画。 
	&#8203;注：参考其他视角平面有助于区分侧脑室脉络丛结构与其他脑结构，例如周围灰质、穹窿、胼胝体或海马。建议用户排除已识别出脉络丛囊肿的脑扫描图像。</li>
	<li>以红核所在层面作为标志，用于确定侧脑室脉络丛分割的终止位置。</li>
</ol>
7. 界定第三和第四脑室脉络丛的感兴趣区域（ROI）
注意：更高分辨率的T1加权图像（如0.7或0.8 mm）以及在7T MRI上获得的图像，可提供更准确、可靠的第三和第四脑室脉络丛的手动分割。由于第三和第四脑室脉络丛区域通常更小，且可用于界定的体素更少，因此其分割比侧脑室脉络丛更为困难。
<ol>
	<li>对于 第三脑室脉络丛，从以下步骤开始 矢状面 并使用 室间孔、穹窿、胼胝体、丘脑和大脑内静脉 作为参考点，以在3中精确定位脉络丛rd 脑室。在同一平面内切换不同切片有助于判断某一区域是穹窿、丘脑、静脉还是第三脑室脉络丛。
	<ol>
		<li>在矢状面完成编辑后，切换至其余视图（轴向和冠状面），以确保第三脑室脉络丛的手动分割未选中周围脑实质或脑脊液。</li>
	</ol>
	</li>
	<li>同样地，对于 第四脑室脉络丛，从以下步骤开始 矢状面 并使用上方的 小脑脚、脑桥和延髓作为参考点 精确定位第四脑室中的脉络丛。在同一平面内切换不同切片有助于判断某一区域是小脑、小脑扁桃体、下髓帆还是第四脑室th 脑室脉络丛
	<ol>
		<li>在矢状面编辑完成后，切换至其余视图（轴向和冠状面），以确保第四脑室脉络丛的手动分割未选中周围脑实质或脑脊液。</li>
	</ol>
	</li>
</ol>
8. 脉络丛体积的计算
<ol>
	<li>从模块下拉菜单中，导航至定量分析，然后选择分割统计。</li>
	<li>在输入部分，于分割工具下选择新的分割图以进行量化，并从标量体积中选择MRI体积。对于输出表格（位于输出下），选择表格选项。完成后，点击应用，一个包含脉络丛体积（以多种单位表示）的表格将显示出来。</li>
</ol>
9. 保存分割结果和体积数据
<ol>
	<li>单击工具栏左上角的 保存 按钮，以保存生成的文件。</li>
	<li>将分割文件保存为 .nrrd（3D Slicer 文件）、.nii.gz（NIFTI 文件）或 .tsv（表格文件）。</li>
</ol>
10. 确定分割的准确性、性能与一致性
注意：建议使用 MONAI 软件包（见材料表），该软件包中包含了 Dice 系数（DC）和 DeepMind 平均表面距离（avgSD）的实现。DC 和 avgSD 的详细信息如下所述。为了计算这些指标，读者需要具备编程能力（例如，使用 Python、从磁盘读取图像、将数据重新格式化为这些函数所需的输入数组）。目前尚无包含所有这些指标的一体化易用软件包。
<ol>
	<li>DC 分数 是量化两个几何域重叠程度的标准方法。要计算两个分割结果之间的平均 DC 分数，请提供两个张量 y_pred 和 y，即每帧对应一个二值化标签图像的多帧图像。张量 y_pred 和 y 可以包含两位不同人工标注者的结果、同一标注者的重复标注结果，或自动预测结果与人工标注的真实值。
	<ol>
		<li>使用函数 monai.metrics.compute_meandice 计算平均 DC 分数。</li>
		<li>使用 monai.transforms.post 生成合适的二值标签张量。 
		注意：include_background 参数可设置为 False，以在 DC 计算中排除第一个类别（通道索引为 0），该类别按惯例被视为背景。</li>
	</ol>
	</li>
	<li>考虑 avgSD 分数 使用较少，并注意由于表面距离存在多种定义，该方法可能有所不同。例如，最大距离（也称为 Hausdorff 距离，对异常值高度敏感）、平均距离（如本文所述）和 95 百分位数（高度稳健）是常用的度量方式。
	<ol>
		<li>使用函数 compute_average_surface_distance 计算 avgSD 分数。</li>
		<li>确保在默认设置下，该函数计算从 y_pred 到 y 的平均表面距离。</li>
		<li>此外，如果 symmetric = True，请确保返回这两个输入之间的平均对称表面距离。</li>
	</ol>
	</li>
	<li>可通过使用稳健的 Wilcoxon 符号秩检验进行配对分析，对多个病例的 DC 和 avgSD 分数进行统计分析。</li>
	<li>可考虑使用组内相关系数（ICC）作为另一种常用方法，以确定不同标注者是否能对多位参与者进行可靠评分。需注意，ICC 作用于一组成对的测量值（例如体积）而非直接作用于分割图像。为计算 ICC，可使用 R 软件和 R Studio（见 材料表），这将使整个过程更加简便。
	<ol>
		<li>使用 install.packages(&#34;psych&#34;) 下载软件包，并加载 library(psych)。</li>
		<li>使用 Data &#60;- data.frame(df) 输入数据框，其中包含参与者（行）和每位标注者（列）。然后使用 plot (Data) 可视化测量结果。</li>
		<li>运行 ICC 时，使用 ICC(Data)，该命令将生成不同类型 ICC 的表格，例如用于获取组间或组内标注者分数。</li>
	</ol>
	</li>
</ol>

Enhancing Neuroimaging Analysis in Brain Disorders

作者无竞争性财务利益。

实验方案的关键步骤 
在实施本方案时，有三个关键步骤需要特别注意。首先，必须检查磁共振（MR）图像的质量和对比度，以确保分割的准确性。如果图像质量过差，或对比度过低或过高，可能导致脉络丛边界划分不准确。可通过查看图像的灰度值或校准灰度值来调整图像对比度，从而增强灰质核团与灰质之间的对比。其次，评估人员需熟悉脉络丛的解剖结构，并接受过专业培训。若评估人员对脉络丛及其邻近脑区的解剖结构不熟悉，则可能错误地进行分割，导致脉络丛体积测量不准确。最后，必须评估评估者内部和评估者之间的可重复性，以确保执行手动分割的人员能够重复自身以及其他评估者的分割结果。这些指标在后续验证自动化分割工具时也具有重要意义。此外，若数据集固定，且将由多名评估者进行手动分割，则建议使用相同的窗宽窗位设置，以确保所有评估者观察的是具有相同对比度和亮度的图像。若不同评估者在查看同一图像时使用不同的窗宽窗位设置，则可能导致对该图像的分割结果出现差异。
修改与故障排除 
用户可对本方案进行若干调整。首先，位于隔旁区域及颞角前下外侧、紧邻...

脉络丛功能 
脉络丛是大脑中高度血管化的结构，由有孔毛细血管和单层脉络丛上皮细胞组成1。脉络丛突入侧脑室、第三脑室和第四脑室，产生脑脊液（CSF），在神经模式形成2和脑生理功能3,4中发挥重要作用。脉络丛分泌神经血管活性物质，包含类似干细胞的储存库，并作为物理屏障阻止有毒代谢产物进入，作为酶屏障清除绕过物理屏障的分子基团，以及作为免疫屏障抵御外来病原体入侵5。脉络丛调节神经发生6、突触可塑性7、炎症反应8、昼夜节律9,10、肠-脑轴11以及认知功能12。此外，外周细胞因子、应激和感染（包括SARS-CoV-2）可破坏血-脑脊液屏障13,14,15,16。因此，脉络丛-脑脊液系统对神经发育、神经环路成熟、脑内稳态及修复至关重要17。由于免疫、炎症、代谢和酶学改变会影响大脑，研究人员正利用神经影像学工具评估脉络丛在全生命周期及脑部疾病中的作用18,19,20。然而，目前常用的自动化脉络丛分割工具（如FreeSurfer）存在局限性，导致脉络丛分割效果不佳。因此，迫切需要建立脉络丛的真值手动分割数据，以用于开发准确的脉络丛自动化分割工具。
脉络丛在神经发育与脑部疾病中的作用 
脉络丛在脑部疾病中的作用长期以来被忽视，主要是因为人们认为它仅扮演支持性角色，其功能是缓冲大脑并维持适当的盐分平衡2,21然而，脉络丛作为一种与疼痛综合征等脑部疾病相关的结构，已逐渐受到关注22，SARS-CoV-216,23,24神经发育2以及脑部疾病19，提示在行为障碍的发展中存在跨诊断效应。在神经发育障碍中，脉络丛囊肿与发育迟缓、注意缺陷多动障碍（ADHD）或自闭症谱系障碍（ASD）的风险增加相关25,26此外，研究发现自闭症谱系障碍（ASD）患者的侧脑室脉络丛体积有所增加27. 在脑部疾病中,自1921年以来，精神障碍中已有关于脉络丛异常的描述28,29先前的研究使用 FreeSurfer 分割方法，在大量精神病性障碍患者样本中发现脉络丛体积增大，与健康对照组及其一级亲属相比均存在显著差异。19这些发现在一个大规模的精神病临床高风险人群样本中通过手动分割脉络丛体积得到了验证，结果发现，与健康对照组相比，这些患者的脉络丛体积更大。30复杂区域疼痛综合征中脉络丛增大的研究日益增多22，中风31，多发性硬化症20,32阿尔茨海默病33,34，以及抑郁症35，部分研究揭示了外周与脑部免疫/炎症活动之间的关联。这些神经影像学研究颇具前景；然而，FreeSurfer 对侧脑室脉络丛的分割效果较差21 限制了自动化脉络丛体积估算的可信度。因此，在多发性硬化症研究中20,32抑郁症35阿尔茨海默病34，以及早期精神病36 已开始手动分割侧脑室脉络丛，但目前尚无相关操作指南，也缺乏对第三和第四脑室脉络丛分割的指导。
常用的分割工具未包含脉络丛 
诸如 FreeSurfer37,38,39、FMRIB 软件库（FSL）40、SLANT41 和 FastSurfer（由合著者 Martin Reuter 开发）42,43 等脑部分割流程，能够准确且可靠地分割皮层和皮层下结构，其采用的分割范式包括基于图谱的方法（FSL）、基于图谱和表面的方法（FreeSurfer），以及基于深度学习的分割方法（SLANT 和 FastSurfer）。其中一些方法的局限性包括处理速度较慢、对不同扫描仪、磁场强度和体素尺寸的泛化能力有限37,44，以及强制将标签图对齐至标准图谱空间。然而，仅有 FreeSurfer 和 FastSurfer 具备分割脉络丛的能力，并兼容高分辨率 MRI 数据。FastSurfer 背后的神经网络是基于 FreeSurfer 的脉络丛标签进行训练的，因此继承了 FreeSurfer 之前所述的可靠性与覆盖范围的局限性，其中第三和第四脑室被忽略21。目前对高分辨率 MRI 仍存在一定限制，但可通过 FreeSurfer 的高分辨率处理流程45 和 FastSurferVINN43 来应对这一问题。
目前的脉络丛分割工具 
目前仅有一种可免费使用的脉络丛分割工具，但其分割准确性有限。多种因素可能影响脉络丛的精确分割，包括：（1）由于脉络丛位于脑室内部，其位置存在变异性（空间非固定性）；（2）由于细胞异质性、脉络丛功能的动态变化、病理改变或部分容积效应，导致体素强度、对比度和分辨率存在差异（结构内异质性）；（3）与年龄或病理相关的脑室大小差异，进而影响脉络丛的大小；（4）与邻近皮层下结构（如海马、杏仁核、尾状核和小脑） proximity 较近，而这些结构本身也难以准确分割。鉴于上述挑战，FreeSurfer 的分割结果常出现对脉络丛的低估或高估、错误标记或完全忽略的情况。
最近有三项研究分别采用高斯混合模型（Gaussian Mixture Model, GMM）46、轴向多层感知机（Axial-MLP）47以及基于U-Net的深度学习方法48，试图解决脉络丛分割缺乏可靠方法的问题。这些模型均使用私有且经人工标注的数据集进行训练与评估，每个数据集最多包含150名受试者，且扫描设备、采集地点、人群特征及疾病类型的多样性有限。尽管这些研究46,48,49相较于FreeSurfer的脉络丛分割方法取得了显著改进——有时预测结果与真实标注的交集甚至翻倍，但这些方法均未满足以下任一条件：(1) 在高分辨率磁共振成像（MRI）中得到验证；(2) 包含专门的泛化能力与可靠性分析；(3) 拥有大规模且具代表性的训练与测试数据集；(4) 针对或分析脉络丛分割中的挑战（如部分容积效应）；(5) 作为即用型工具公开发布。因此，目前脉络丛分割的&#34;金标准&#34;仍是手动勾画，例如使用3D Slicer50或ITK-SNAP51完成。该方法此前未被详细描述，一直是希望研究脉络丛作用的研究人员面临的主要挑战。本研究选择3D Slicer进行手动分割，原因在于作者对该软件较为熟悉，且该平台提供多种基于不同策略的工具，可组合使用以获得理想结果。其他工具如ITK-SNAP也可用于此目的，其主要专注于图像分割，一旦掌握使用方法，用户亦可获得良好分割结果。此外，作者已开展一项病例对照研究，证实了使用3D Slicer进行手动分割的方法具有高准确性和高可靠性30，本文即详细描述该特定方法学。

<table><tbody><tr><td>3D Slicer</td><td>3D Slicer</td><td>https://www.slicer.org/</td><td>一款免费的开源软件，用于医学、生物医学及其他三维图像和网格的可视化、处理、分割、配准与分析，以及图像引导手术的规划与导航。</td></tr><tr><td>FreeSurfer</td><td>FreeSurfer</td><td>https://surfer.nmr.mgh.harvard.edu/</td><td>一个开源的神经影像工具包，用于处理、分析和可视化人类大脑磁共振图像。</td></tr><tr><td>ITK-SNAP</td><td>ITK-SNAP</td><td>http://www.itksnap.org/pmwiki/pmwiki.php</td><td>一款免费、开源、跨平台的软件应用程序，用于对三维和四维生物医学图像中的结构进行分割。&amp;nbsp;</td></tr><tr><td>Monai Package</td><td>Monai Consortium</td><td>https://docs.monai.io/en/stable/metrics.html</td><td>用于计算Dice系数和DeepMind平均表面距离。&amp;nbsp;</td></tr><tr><td>MRI scanner</td><td>GE</td><td>Discovery MR750&amp;nbsp;</td><td></td></tr><tr><td>Psych Package</td><td>R-Project</td><td>https://cran.r-project.org/web/packages/psych/index.html</td><td>最初为个性心理学、心理测量学理论和实验心理学开发的通用工具箱。</td></tr><tr><td>R Software</td><td>R-Project</td><td>https://www.r-project.org/</td><td>R 是一个用于统计计算和图形的自由软件环境。&amp;nbsp;</td></tr><tr><td>RStudio</td><td>Posit</td><td>https://posit.co/</td><td>RStudio 集成开发环境（IDE）是一组工具，旨在帮助您更高效地使用 R 和 Python。&amp;nbsp;</td></tr><tr><td>Windows 或 Apple 操作系统台式机或笔记本电脑</td><td>任意厂商</td><td>n/a</td><td>运行本实验方案所用软件所需的设备。&amp;nbsp;</td></tr></tbody></table>

使用脑部 mri 手动分割人类脉络丛

Manual Segmentation of the Human Choroid Plexus Using Brain MRI

脉络丛已被证实与神经发育及多种脑部疾病相关。研究表明，脉络丛在大脑成熟、免疫/炎症调节以及行为和认知功能中具有关键作用。然而，目前现有的自动化神经影像分割工具在准确且可靠地分割侧脑室脉络丛方面表现不佳。此外，尚无任何现有工具能够分割位于第三和第四脑室的脉络丛。因此，亟需一种能够对侧脑室、第三脑室和第四脑室脉络丛进行分割的标准化操作流程，以提高针对神经发育障碍和脑部疾病中脉络丛研究的可靠性与可重复性。本实验方案提供了基于DICOM或NIFTI图像，在3D Slicer软件中为脉络丛创建独立标注文件的详细步骤。脉络丛将通过T1加权图像的轴向、矢状和冠状切面进行手动分割，确保排除邻近脑室的灰质或白质结构中的体素。将调整窗宽窗位以辅助识别脉络丛及其解剖边界。本方案还将展示评估分割准确性与可靠性的方法。通过手动勾画建立的脉络丛金标准分割结果，可用于开发更优、更可靠的自动化分割工具，并可公开共享，以揭示脉络丛在整个生命周期及多种脑部疾病中的变化规律。

该方法已针对侧脑室脉络丛进行了迭代优化，先后在169名健康对照者和340名临床高精神病风险患者队列中进行了广泛测试30。采用上述技术，作者获得了较高的同一位评定者的准确性和可靠性，其 Dice 系数（DC）为 0.89，平均豪斯多夫距离（avgHD）为 3.27 mm3，单评定者组内相关系数（ICC）为 0.9730，充分证明了本文所述方案的可靠性。
处理质量控制问题及 3D Slicer 设置 
在开始分割流程之前，必须检查脑部扫描图像的质量，以确保不存在影响手动分割的头部运动或伪影（图 1A）。接下来，可调整图像的亮度和对比度，以更清晰地显示脉络丛结构。某些脑部扫描图像可能存在头部运动，需判断此类伪影是否会对脉络丛的边界勾画产生不利影响（图 1B）。此外，亮度和对比度存在伪影的图像会使脉络丛边界的识别变得困难（...

尽管脉络丛在大脑中具有关键作用，但由于缺乏可靠的自动化分割工具，针对该结构的神经影像学研究仍然十分有限。本方案旨在实现脉络丛的金标准手动分割，为未来的神经影像学研究提供依据。

使用脑部 MRI 手动分割人类脉络丛

脉络丛已被证实与神经发育及多种脑部疾病相关。研究表明，脉络丛在……中具有关键作用。

我们的目标是建立一种简便且标准化的手动分割脑内侧脑室、第三脑室和第四脑室中脉络丛的实验方案。我们希望解决在手动分割脉络丛过程中可能遇到的常见问题或困难，尤其是考虑到脉络丛在脑内所处位置的复杂性。开发该方案将有助于构建足够大的真实分割图数据集，进而用于训练和开发能够准确、自动分割脉络丛的算法。未来，这将推动研究脉络丛在各种神经及神经精神疾病中的作用。首先，通过点击工具栏左上角的 DCM 按钮，然后点击“导入 DICOM 文件”按钮，导入医学数字成像与通信（DICOM）数据。要调整图像的亮度，请点击“调整窗宽窗位”或在图像上左键单击并上下拖动鼠标。然后左键单击图像切片，并向左或向右移动鼠标以调整对比度。参考深部灰质核团或对比度标尺的信号强度，确保在整个分割过程中保持一致，从而选择适合脉络丛的对比度。要开始对侧脑室、第三脑室和第四脑室的脉络丛进行分割，请从模块的下拉菜单中选择“分割编辑器”。现在点击“分割”下拉菜单以选择不同的分割结果，并重命名所选的分割。使用主图像体积下拉菜单，选择需要编辑的 NIFTI 或 DICOM 数据集。连续点击“添加”按钮两次，以添加两个用于侧脑室脉络丛的分割区域。双击其标题，将其重命名为右侧侧脑室脉络丛和左侧侧脑室脉络丛。再次点击“添加”按钮，以创建第三脑室和第四脑室脉络丛的分割区域。随后，将它们分别重命名为第三脑室脉络丛和第四脑室脉络丛。从轴位平面的侧脑室脉络丛开始，并确保根据前后联合连线来定位图像。使用侧副三角作为参考点，以定位侧脑室脉络丛。开始手动分割时，选择分割编辑器中“效果”部分的绘制或画笔工具。使用画笔工具时，选择合适的画笔直径进行绘制。利用红色核层来确定何时停止对侧脑室脉络丛的分割。要定位第三脑室的脉络丛，应从矢状面开始，以室间孔（Monro孔）、穹窿、胼胝体、丘脑和大脑内静脉作为解剖标志。类似地，对于第四脑室脉络丛，从矢状面开始，以小脑上脚、脑桥和延髓作为参考点，精确定位第四脑室内的脉络丛。从“模块”下拉菜单中，进入“定量分析”并选择“分割统计”。然后在“输入”部分，于分割工具下选择新创建的分割图用于定量分析，并从标量体积中选择MRI体积。对于输出表格，选择输出下方的表格选项，然后点击应用。此时将显示一个以不同单位表示脉络丛体积的表格。点击工具栏左上角的保存按钮，以存储生成的文件。将分割文件保存为 NRRD、NII.GZ 或 TSV 格式。

manual-segmentation-of-the-human-choroid-plexus-using-brain-mri

Research

科研

JoVE Journal

Neuroscience

神经科学

使用脑部 MRI 手动分割人脉络丛

本文介绍了在3T磁共振扫描仪上对人体中脑及皮层下结构进行1.2...

高分辨率人类中脑功能磁共振成像方法

提出了一种基于计算机断层扫描（CT）图像的自动化中线偏移估测与颅内压（ICP）预筛查系统，用于创伤性脑损伤（TBI）患者，该系统采用图像处理与机器学习技术。...

基于脑部CT图像的自动中线移位与颅内压估测

本研究提供了一套完整的手动追踪内侧颞叶（MTL）结构的操作指南。该方案可应用于针对健康人群和临床人群的内侧颞叶结构和/或结构-功能联合磁共振成像（MRI）研究。...

内侧颞叶结构的手动分割综合方案

本文描述了一种用于容积性磁共振成像（MRI）数据分析的统计模型，该模型可识别在亨廷顿病临床前阶段脑萎缩开始的"变化点"。基于采用T1加权图像的图谱引导分割流程所获得的脑体积数据，实现了全脑范围内的变化点定位图谱绘制。...

全脑分割与解剖学脑部MRI的变点分析——在亨廷顿病前驱期中的应用

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。...

基于T1加权MRI图像的皮层灰质自动分割

由于灵巧的手部操作能力主要是灵长类动物的特征，因此已在猕猴中开发出行为学任务。四种测量手部操作能力和力量的伸手抓握取物任务可用于评估中枢神经系统损伤后的功能恢复情况，并检验治疗效果。...

非人灵长类动物手动灵巧性的行为评估

本文描述了一种利用微泡和超声在小鼠中广泛开放血脑屏障的技术。通过该技术，可将锰递送至小鼠脑内。由于锰是一种可在去极化神经元中蓄积的磁共振成像（MRI）对比剂，该方法可实现对神经元活动的成像。...

利用超声波血脑屏障破坏结合锰增强磁共振成像进行功能性神经影像学研究

我们介绍了一种收集脑脊液（CSF）并在胚胎斑马鱼脑室系统中创建缺乏脑脊液环境的方法。这使得能够进一步研究脑脊液的成分及其在胚胎脑发育过程中的必要性。...

斑马鱼胚胎脑室的手动引流

本视频展示了一种收获支持前脑功能的两种最重要高血管化结构的方法。这两种结构分别是大脑表面（浅层）血管系统及其相关脑膜（MAV），以及脉络丛，它们对于脑血流和脑脊液（CSF）稳态至关重要。...

大鼠脑表面血管系统及相关脑膜和脉络丛的解剖可视化描述

本论文的目的是利用磁共振成像（MRI）研究海马体及其亚区。本文描述了一种用于分割海马体及五个海马亚结构的方案：阿蒙角（cornu ammonis, CA）1、CA2/CA3、CA4/齿状回、辐射层/ lacunosum /moleculare...

高分辨率 体内 手动分割方案：基于3T磁共振成像的人类海马亚区分析

学习使用脑部MRI手动分割侧脑室、第三脑室和第四脑室的脉络丛。该方法通过建立标准化数据集，为训练自动分割算法奠定基础，助力神经影像学研究。

使用脑部 MRI 手动分割人类脉络丛

探索更多视频