A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.
Innerhalb von Neuroimaging Forschung haben eine Reihe von Studien die Auswirkungen unterschiedlicher zwischen Studie volumetrische Befunde diskutiert, die gedacht werden, um die aus der Nutzung der verschiedenen Segmentierungstools Gehirn Volumen erzeugen ergeben. Hier präsentieren wir Verarbeitung Pipelines für sieben automatisierte Tools, die zur Segmentierung der grauen Substanz im Gehirn verwendet werden können. Das Protokoll sieht einen ersten Schritt für die Forscher mit dem Ziel, die genaueste Methode zur Erzeugung von Volumen der grauen Substanz aus T1-gewichteten MRT-Aufnahmen zu finden. Auch das Manuskript gehören Schritte, detaillierte visuelle Qualitätskontrolle durchzuführen. Dieses Protokoll umfasst eine Reihe von potenziellen Segmentierungstools und regt Benutzer um die Leistung dieser Werkzeuge in einer Teilmenge der Daten vor der Auswahl einer für eine volle Kohorte gelten. Darüber hinaus kann das Protokoll weiter auf die Segmentierung von anderen Hirnregionen verallgemeinert werden.
Neuroimaging ist weit verbreitet in den beiden klinischen und Forschung Einstellungen. Es gibt eine aktuelle Bewegung um die Reproduzierbarkeit der Studien zu verbessern, das Hirnvolumen von Magnetresonanz-Bildgebung (MRI) Scans zu quantifizieren; Daher ist es wichtig, dass Ermittler Erfahrungen mit MRI Werkzeuge teilen für MRI-Scans in regionalen Bände, Segmentierung, um die Standardisierung und Optimierung der Methoden1zu verbessern. Dieses Protokoll enthält eine schrittweise Anleitung zur Verwendung von sieben verschiedene Werkzeuge zur Segmentierung der kortikalen grauen Substanz (CGM, graue Substanz die subkortikale Regionen ausschließt) von T1-gewichteten MRT-Untersuchungen. Diese Werkzeuge wurden früher in einem methodischen Vergleich der Segmentierung Methoden2, die Variable Leistung zwischen Tools auf eine Chorea Huntington-Kohorte unter Beweis gestellt. Da diese Werkzeuge variieren zwischen den verschiedenen Datensätzen gedacht wird, ist es wichtig für die Forscher eine Reihe von Tools zu testen, bevor die Auswahl nur einer ihrer Dataset zuweisen.
Volumen der grauen Substanz (GM) dient regelmäßig als ein gewisses Maß an Gehirn Morphologie. Volumetrische Maßnahmen sind in der Regel zuverlässig und in der Lage, zwischen gesunden Kontrollpersonen und klinischen Gruppen3unterscheiden. Das Volumen der verschiedenen Gewebetypen von Hirnregionen wird in den meisten Fällen anhand automatisierte Software-Tools, die diese Gewebetypen zu identifizieren. Deshalb erstellen Sie qualitativ hochwertige Darstellungen (Segmentierungen) von der GM, genaue Abgrenzung der weißen Substanz (WM) und Liquor cerebrospinalis (CSF) kritische Genauigkeit der GM-Region zu erreichen. Es gibt eine Reihe von automatisierten Tools, die für die Durchführung von GM Segmentierung verwendet werden kann, und jeder erfordert verschiedene Verarbeitungsschritte und führt zu einen anderen Ausgang. Eine Reihe von Studien angewendet haben die Werkzeuge auf verschiedene Datasets, sie miteinander zu vergleichen und einige haben spezielle Werkzeuge1,4,5,6,7,8 optimiert ,9,10,11. Bisherigen Arbeit hat gezeigt, dass die Variabilität zwischen volumetrische Tools kann Inkonsistenzen innerhalb der Literatur führen, wenn Hirnvolumen studieren, und diese Unterschiede als treibende Faktoren für falsche Schlussfolgerungen über vorgeschlagen worden neurologischen Erkrankungen1.
Vor kurzem erfolgte ein Vergleich der verschiedenen Segmentierungstools in einer Kohorte, die gesunden Teilnehmerinnen und Teilnehmer mit Chorea Huntington enthalten. Huntington-Krankheit ist eine genetische Neurodegenerative Erkrankung mit einem typischen Ausbruch im Erwachsenenalter. Allmähliche Atrophie der subkortikalen und CGM ist eine prominente und gut untersuchte neuropathologische Merkmal der Erkrankung. Die Ergebnisse zeigten Variable Leistung von sieben Segmentierungstools, die angewendet wurden, der Kohorte, Unterstützung von Vorarbeiten, die Variabilität der Ergebnisse abhängig von der Software zur Berechnung der Gehirn-Bände von MRT-Untersuchungen nachgewiesen. Dieses Protokoll enthält Informationen über die Verarbeitung in Johnson Et al. (2017) 2 , die sorgfältige methodische Auswahl der am besten geeignete Werkzeuge für den Einsatz in Neuroimaging fördert. Dieses Handbuch umfasst die Segmentierung von GM Volumen, nicht aber die Segmentierung der Läsionen, wie bei Multipler Sklerose.
Hinweis: Sicherstellen Sie, dass alle Bilder im NifTI-Format. Umstellung auf NifTI wird hier nicht behandelt.
1. Segmentierung über SPM 8: Unified Segment
Hinweis: Dieser Vorgang erfolgt über die SPM8-GUI betreibt in Matlab. Das SPM8-Handbuch enthält weitere Details und finden Sie unter: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.
2. Segmentierung über SPM 8: neues Segment
Hinweis: Dieser Vorgang wird über die SPM8-GUI durchgeführt. Das SPM8-Handbuch enthält weitere Details und finden Sie unter: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Stellen Sie sicher, dass SPM8 in der Software-Pfad installiert ist. Öffnen Sie die SPM-Software, normalerweise durchgeführt, indem Sie "Spm" in einer Befehlszeile eingeben. Daraufhin wird eine grafische Benutzeroberfläche (GUI) Fenster mit einer Reihe von Optionen, die ausgewählt werden können, um Analysen durchzuführen.
3. Segmentierung über SPM 12: Segment
Hinweis: Dieses Verfahren ist erfolgt über die SPM12 GUI. Das SPM12-Handbuch enthält weitere Details und finden Sie unter: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.
(4) Segmentierung über FSL schnell
Hinweis: Dieses Verfahren kann in der Befehlszeile ausgeführt. Das FSL-Handbuch enthält weitere Details und finden Sie unter: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.
(5) Segmentierung über FreeSurfer
Hinweis: Dieses Verfahren kann in der Befehlszeile ausgeführt. Das FreeSurfer-Handbuch enthält weitere Details und finden Sie unter: https://surfer.nmr.mgh.harvard.edu/.
6. Segmentierung über Ameisen
Hinweis: Dieses Verfahren kann in der Befehlszeile ausgeführt. ANTs ist, dass eine komplexere Software als die anderen Tools und es sollte angemerkt werden, dass das Verfahren hier erklärt weiter für jede Altersgruppe zur Verbesserung der Ergebnisse optimiert werden könnte. Ameisen-Dokumentation finden Sie unter: http://stnava.github.io/ANTsDoc/. Es gibt zwei Möglichkeiten, die Bilder in Gewebe-Klassen wie unten beschrieben zu segmentieren.
(7) Segmentierung über MALP-EM
8. optische Qualitätskontrolle
Hinweis: Visuelle Qualitätskontrolle sollte auf alle segmentierten Regionen für die Analyse durchgeführt werden. Qualitätskontrolle sorgt dafür, dass die Segmentierungen von hohem Standard sind und zuverlässige Segmentierung der CGM stellen. Um Qualitätskontrolle durchzuführen, wird jeder Scan geöffnet und überlagert, die ursprünglichen T1, die generierten Region der CGM sichtbar auf dem Scan zu vergleichen.
Durchschnittliches Gehirn Volumen für 20 Kontrolle Teilnehmer zusammen mit demografischen Daten, ist in Tabelle 1dargestellt. Dies dient als Leitfaden für die erwarteten Werte bei der Verwendung dieser Tools. Ergebnisse sollten im Zusammenhang mit dem Originalbild T1.nii betrachtet werden. Alle GM-Regionen sollte gemäß den in Abschnitt 8 beschriebenen Schritten überprüft werden. Wenn Sie visuelle QC durchführen, ist es wichtig, GM-Regionen zu den T1-Scan direkt zu vergleichen, indem Sie anzeigen sie überlagert, die T1.
Regionen sollten für grobe Fehler abgelehnt werden, wie in Abbildung 1dargestellt. Manchmal führen diese Fehler Verarbeitung nicht ordnungsgemäß ausgeführt wurde, ob das Gehirn in das Sichtfeld schlecht positioniert war. Um diesen Fehler zu korrigieren, können die native T1-Scans starr neu ausgerichtet, Standardraum und Segmentierung kann wieder versucht werden. Die Rate der Ausfälle variieren je nach Qualität der Daten und Werkzeuge, sowie die Klassifizierung des Scheiterns. In der aktuellen Studie Ausfallraten von Totalausfälle Ablehnung wiederum waren < 5 % für alle Werkzeuge, aber weniger bedeutenden Fehler waren durchweg über eine Reihe von Tools gesehen. FSL schnell, SPM 8 neues Segment und FreeSurfer hatte Fehler (aber keine Ausfälle) in > 50 % der Scans für diese Kohorte. Diese Fehlerquote wurde anhand der Notizen während den Sehprozess QC mit Fehler enthalten, wenn sie als eine vernünftige Abkehr von den erwarteten Regionen galten, wie in Abbildung 2-6quantifiziert. Es ist wichtig zu beachten, dass diese Tools auf andere Datasets und führen zu viel niedrigeren Fehler Raten 3,8validiert worden sind. Während diese Fehler eventuell könnte durch manuelle Eingriffe oder die Aufnahme einer Maske im Gehirn-Extraktion, verbessert werden da SPM neues Segment und MALP-EM führte zu einer geringeren Fehlerquote für dieses Dataset, würde diese Werkzeuge stattdessen verwendet werden. Masken können vor der Verarbeitung innerhalb von Ameisen und MALP-EM, und nach der Verarbeitung für SPM (alle Versionen) und FSL erste angewendet werden.
Weitere kleinere Fehler sind in den Figuren 2-6gezeigt. Durch verschiedene Segmentierung Testtools für ein Dataset vor Anwendung auf die ganze Kohorte, kann das Tool, das beste für dieses Dataset führt zur Analyse ausgewählt werden. Bei QC, sollte ein Verfahren entwickelt werden, für die Wahl abzulehnen, zu bearbeiten oder zu akzeptieren Segmentierungen. Häufige Fehler gesehen für die sieben Tools werden hier mit Beispielen dargestellt in Abbildung 2-6beschrieben. Fehler bei der Segmentierung wie diese können oft mit dem Zusatz einer Maske in der Verarbeitung-Stream oder Bearbeitung der Regionen korrigiert werden. Regionen mit umfangreichen über - oder unter - estimation des Kortex müssen jedoch von der Analyse abgelehnt werden. Strenge Kriterien sollten entwickelt und verfolgt bei dieser Entscheidung. Diese Schritte werden in diesem Protokoll nicht abgedeckt und variiert von Dataset-Dataset.
Im Allgemeinen ist bei der visuellen QC es wichtig, besonderes Augenmerk auf zeitliche und okzipitalen Regionen, da diese Bereiche sind, die die konsequenteste Fehler zeigen. Abbildung 2 zeigt Beispiele für gute und schlechte zeitliche Segmentierungen und Abbildung 3 zeigt Beispiele für gute und schlechte okzipitalen Segmentierungen. Abbildung 4 zeigt ein weiteres häufiges Problem, das auftritt, in allen Tools, in denen nicht Hirngewebe als CGM in überlegene Scheiben des Gehirns eingestuft wird. Abbildung 5 zeigt ein weiteres Problem gesehen in einer Reihe von Segmentierungen, wo Regionen der CGM die Segmentierung ausgeschlossen sind. Dies geschieht häufig in überlegene Scheiben des Gehirns, wie in Abbildung 5zu sehen.
SPM8 Unified Segment führte häufig schlechte zeitliche Abgrenzung mit der segmentierten GM Region Verschütten in nicht-Hirngewebe Umgebung den Temporallappen. Auslaufen in der Occipital Vorsprung ist weit verbreitet, während Unterschätzung der Frontallappen in einigen Regionen auch gesehen. Für SPM8 neues Segment waren schlechte zeitliche Abgrenzung und okzipitalen verschütten auch üblich. Mit dieser Version von SPM führt auch Voxel innerhalb des Schädels und Dura als GM in fast allen Segmentierungen eingestuft. SPM12 war im Vergleich zu früheren Versionen von SPM, mit der Temporallappen Segmentierungen verbesserte und weniger Verschütten in anderen Regionen verbessert. Ameisen zeigte sehr variabel Leistung auf dieser Kohorte mit der ursprünglichen Gehirn Extraktion bestimmt die Qualität der Segmentierung. Es ist wichtig, besonderes Augenmerk auf die äußeren Grenzen, und wenn Gehirn Extraktion mit Ameisen schlecht ist, dann die Gehirn-Maske enthalten im Atropos Befehl verbessert werden kann. Probleme mit der Überbewertung des GM in der zeitlichen und occipital Vorsprung waren wieder üblich. MALP-EM zeigte weniger Probleme mit der Überbewertung der zeitlichen und occipital Lappen; Zwar gab es Unterschätzung des Kortex in einer Reihe von Fällen. Dies kann durch Aufnahme einer Gehirn-Maske in der Pipeline verbessert werden. FSL schnell Segmentierungen waren sehr variabel, durch die Variable Leistung von BET Gehirn Extraktion der Daten aus dieser Kohorte. Wiederum waren Themen im okzipitalen und Schläfenlappen üblich; Diese können jedoch mit Optimierung des Gehirns Extraktion verbessert werden. Zu guter Letzt sind FreeSurfer volumetrische Regionen oft dicht entlang der GM/CSF-Grenze, in der Regel mit Ausnahme einiger Regionen von GM in die äußere Begrenzung (Abbildung 6). Wie bei anderen Tools herrscht verschütten außerhalb der GM innerhalb der zeitlichen und occipital Vorsprung. Zu guter Letzt zeigt Abbildung 7 ein Beispiel für eine gute Segmentierung in FSLview, die keine Fehler bei der Segmentierung angezeigt. Manuelle Bearbeitung der Regionen kann oft zur Verbesserung der Regionen durchgeführt werden, obwohl dies hier nicht abgedeckt ist.
Abbildung 1 : Beispiel für eine fehlgeschlagene Segmentierung auf einen T1-Scan angezeigt. Diese Segmentierung sollte neu verarbeitet und aus der Analyse ausgeschlossen, wenn es nicht verbessert werden kann. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 2 : Beispiele für die Leistungsfähigkeit der verschiedenen Tools im Temporallappen auf einem T1 Scan. (A) die T1-Scan ohne eine Segmentierung. (B) T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung (MALP-EM). (C) die T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung (FreeSurfer). (D) die T1 Scannen mit ein Beispiel für eine schlechte regionale Abgrenzung Verschütten in der linken und rechten Temporallappen (SPM 8 neues Segment) zeigen. (E) die T1 Scannen mit ein Beispiel für eine schlechte regionale Abgrenzung Verschütten in der linken und rechten Temporallappen (FSL schnell) zeigen. Die Scans werden in FSLeyes mit der T1-Scan als ein Basis-Image und der GM-Region als Overlay angezeigt. In dieser Abbildung sind die GM-Regionen wie rot-gelb mit einer Deckkraft von 0,4 angesehen. Der Farbverlauf stellt Teilvolumen der Voxel mit Voxeln, die sind mehr gelb mit einer höheren PVE-Schätzung (eher zu GM) und diejenigen, die roten haben eine niedrigere PVE-Schätzung (seltener GM) sind. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 3 : Beispiele für die Leistungsfähigkeit der verschiedenen Tools auf der Occipital Vorsprung auf einem T1-Scan. (A) die T1-Scan ohne eine Segmentierung. (B) T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung (MALP-EM). (C) die T1 Scannen mit ein Beispiel für eine schlechte Occipital Vorsprung Abgrenzung mit Verschütten in der Dura im medialen Bereich der Region (SPM 8 Unified Segment). (D) die T1 Scannen mit ein Beispiel für eine schlechte Occipital Vorsprung Abgrenzung mit Auslaufen in die Dura in den medialen und überlegenen Abschnitten der Region (SPM 8 neues Segment). (E) die T1 Scannen mit ein Beispiel für eine schlechte Occipital Vorsprung Abgrenzung mit Auslaufen in die Dura in den medialen und überlegenen Abschnitten der Region (FSL schnell). Die Scans werden in FSLeyes mit der T1-Scan als ein Basis-Image und der GM-Region als Overlay angezeigt. In dieser Abbildung sind die GM-Regionen wie rot-gelb mit einer Deckkraft von 0,4 angesehen. Der Farbverlauf stellt Teilvolumen der Voxel mit Voxeln, die sind mehr gelb mit einer höheren PVE-Schätzung (eher zu GM) und diejenigen, die roten haben eine niedrigere PVE-Schätzung (seltener GM) sind. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 4 : Beispiel für eine GM-Region ergossen sich in die Dura, dargestellt in einem FSLview Fenster (in sagittaler, koronale und axiale Ansichten). Blauen Bereich unterstreicht Verschütten in der Dura. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 5 : Beispiel für eine GM-Region, die Regionen der CGM von Segmentierung ausgeschlossen hat. Diese Region wird in einem FSLview Fenster in sagittaler, koronale und axiale Ansicht angezeigt. Die axiale Ansicht am besten zeigt die Regionen, die aus der Segmentierung ausgeschlossen wurden. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 6 : Beispiel für eine FreeSurfer GM-Region, die sehr eng entlang der GM/CSF-Begrenzung, angezeigt in DVB-t. Das koronale Fenster in der oberen linken besten zeigt die Unterschätzung in der CGM in dieser Region. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 7 : Beispiel für eine gut abgegrenzte MALP-EM-Region über ein Gehirn-Scan T1. Die Region zeigt keine Probleme mit über oder unter - estimation der CGM in jeder Region. Bitte klicken Sie hier für eine größere Version dieser Figur.
Tabelle 1: Demographische Daten und durchschnittlich GM Volumen (mL) für 20 Teilnehmer der Kontrolle der TRACK-HD-Studie, segmentiert, mit den sieben beschriebenen Tools hier.
Die Autoren haben nichts preisgeben.
Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.
Wir danken all jenen in der CHDI/High Q Foundation verantwortlich für die TRACK-HD-Studie; vor allem Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer und Sherry Lifer. Auch möchten die Autoren ihre Dankbarkeit für die TRACK-HD-Studien-Teilnehmer und ihre Familien. Diese Arbeit war am UCLH/UCL, durchgeführt, die einen Teil der Finanzierung aus dem Department of Health National Institute für Forschung biomedizinische Forschung Gesundheitszentren Förderform erhielt. S.J.T. räumt Unterstützung des National Institute for Health Research durch die Demenz und neurodegenerativen Research Network, DeNDRoN.
TRACK-HD-Ermittler:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australien; A. Coleman, R. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Kanada; A. Dürr, C. Jaufer, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM-Institut, Paris, Frankreich; N. Bechtel, S. Bohlen, R. Reilmann, Universität Münster, Münster, Deutschland; B. Landwehrmeyer, Universität Ulm, Ulm, Deutschland; S. J. A. van Den Bogaard, E. M. Dumas, J. van der Grond, E. P. ' t Hart, R. A. Roos, Leiden University Medical Center, Leiden, Niederlande; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universität von Manchester, Manchester, Vereinigtes Königreich; D. M. Bar, IXICO, London, Vereinigtes Königreich; H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. sagen, D. Whitehead, E. Wild, University College London, London, Vereinigtes Königreich; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, London, Vereinigtes Königreich; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; und S. Queller, C. Campbell, Indiana University IN USA.
