Name: Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen (Video) | JoVE Journal
Uploaded: 2019-01-07T14:00:00.000+00:00
Duration: 6 min 48 s
Description: Erfahren Sie die automatische Segmentierung kortikaler grauer Substanz aus T1-gewichteten MRT-Aufnahmen mit SPM-Software. Diese Methode ermöglicht präzise Quantifizierung von Hirnvolumen für neurologische Forschung.

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

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.

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.
<ol><li>Stellen Sie sicher, dass SPM8 in der Software-Pfad installiert ist.</li>
	<li>SPM Segmentierung erfolgt über eine grafische Benutzeroberfläche. Um SPM zu öffnen, öffnen Sie ein Befehlsfenster, und geben Sie ein "Spm" in der Befehlszeile.</li>
	<li>Drücken Sie "PET & VBM", die strukturellen MRT-Toolbox zu öffnen.</li>
	<li>Drücken Sie "Batch" zu den Batch-Editor zu öffnen. Dies ermöglicht Aufteilung auf mehrere Scans zu einem Zeitpunkt durchgeführt werden.</li>
	<li>Wählen Sie "SPM | Räumliche | Segment ".</li>
	<li>Klicken Sie auf "Daten | Wählen Sie Dateien. Wählen Sie die T1-gewichteten Scans als Eingabe. Hinweis: Die Dateien müssen entpackt NifTi-Dateien mit der Endung ".nii" wird.</li>
	<li>Klicken Sie auf "Ausgabe-Dateien | Grey Matter "und sorgen dafür, dass"Native Space"ausgewählt ist, machen Sie dasselbe für die weiße Substanz. Wenn die CSF-Segmentierung nicht erforderlich ist, lassen dieses als 'None'.</li>
	<li>Wenn die Scans bereits Verzerrungen korrigiert wurden, ändern Sie die "Bias korrigiert" Option "Don't speichern korrigiert". Testen Sie für die "Clean up keine Partitionen" Option die drei verschiedenen Optionen zu und verwenden Sie visuelle Qualitätskontrolle (QC, Abschnitt 8), um festzustellen, welche am besten für die Daten.</li>
	<li>Lassen Sie die anderen Einstellungen als Standardwerte. Klicken Sie auf die grüne Fahne der Segmentierung ausführen. Hinweis: Dieser Vorgang dauert ca. 5 Minuten pro Teilnehmer und die Befehlszeile wird sagen: "Running-Segment". Wenn Sie fertig sind, wird das Befehlsfenster "Done" angezeigt.</li>
	<li>Führen Sie visuelle QC auf die GM (C1*.nii Datei), wie in Kapitel 8 beschrieben.</li>
</ol>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.
<ol><li>Drücken Sie "PET & VBM".</li>
	<li>Drücken Sie "Batch" zu den Batch-Editor zu öffnen.</li>
	<li>Wählen Sie "SPM | Werkzeuge | Neues Segment "im Fenster" Stapel ". Wählen Sie die T1-Image-Dateien (Endung ".nii").</li>
	<li>Legen Sie "Nativen Gewebe Typ" auf "Native Raum". Bei Bedarf schalten Sie die verschiedenen Gewebe Klassen (z. B. CSF) - wenn nicht benötigt wird-indem sie auf 'None'. "Verzerrte Gewebe' auf 'None' gesetzt. Hinweis: Alle anderen Optionen können als die Standardeinstellung belassen werden.</li>
	<li>Klicken Sie auf die grüne Fahne, um die Segmentierung zu laufen. Hinweis: Die Befehlszeile wird sagen: "Neues Segment läuft". Einmal hat es fertig, läuft der MATLAB Befehlszeile wird sagen, "getan neues Segment".</li>
	<li>Führen Sie visuelle QC auf die GM (C1*.nii Datei), wie in Kapitel 8 beschrieben.</li>
</ol>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.
<ol><li>Öffnen Sie die SPM-Software "Spm" in das Befehlsfenster eingeben. Daraufhin wird eine grafische Benutzeroberfläche (GUI) Fenster mit einer Reihe von Optionen, die ausgewählt werden können, um Analysen durchzuführen.</li>
	<li>Drücken Sie "PET & VBM". Drücken Sie "Batch" zu den Batch-Editor zu öffnen.</li>
	<li>Klicken Sie auf "SPM | Räumliche | Segment ". Klicken Sie auf "Daten | Bände.</li>
	<li>Legen Sie "Nativen Gewebe Typ" auf "Native Raum". Schalten Sie die Gewebe-Klassen, die nicht (z. B. CSF) erforderlich sind, indem sie auf 'None'. "Verzerrte Gewebe' auf 'None' gesetzt. Hinweis: Alle anderen Optionen können als Standardeinstellung belassen werden.</li>
	<li>Klicken Sie auf die grüne Fahne, um die Segmentierung zu laufen. Hinweis: Das Befehlsfenster wird angezeigt: "Running-Segment". Sobald das abgeschlossen ist, wird angezeigt: "Segment getan".</li>
	<li>Führen Sie visuelle QC auf die GM (C1*.nii Datei), wie in Kapitel 8 beschrieben.</li>
</ol>(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.
<ol><li>Führen Sie Wette Gehirn Extraktion. Dies kann für verschiedene Datasets optimiert werden müssen, aber der basic-Befehl ist: T1_ID.nii bet_T1_ID.nii Wette</li>
	<li>FSL schnell Segmentierung ausführen: schnelle bet_T1_ID.nii Hinweis: Dies wird Teilvolumen Karten und binäre Regionen für GM-CSF und WM. Ausgabe</li>
	<li>Führen Sie visual QC auf der GM-Region (die Dateiendung * _pve_1.nii.gz) wie in Abschnitt 8 beschrieben.</li>
</ol>(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/.
<ol><li>Legen Sie das Verzeichnis, wo sind die Daten durch Eingabe: SUBJECTS_DIR = / Pfad/zu/Nii/Exportdateien</li>
	<li>Führen Sie die Segmentierung durch Ausführen der Befehle aus: Recon-All - i T1_ID.nii - Subjid T1_ID-autorecon1-cw256 Recon-All - Subjid T1_ID-autorecon2-autorecon3 Hinweis: Die Befehle nehmen > 10 h pro Teilnehmer. Die - cw256 Flagge notwendig ist, um Scans mit Gesichtsfelder größer als 256 bis zu dieser Größe für die Verarbeitung zu beschneiden.</li>
	<li>Überprüfen Sie, dass Verarbeitung korrekt abgeschlossen wurde, indem man das Skript befindet sich in der "Ausgabe-Ordner | Scripte | Recon-All.log ". Überprüfen Sie, dass die letzte Zeile sagt "Recon-All - s T1_ID fehlerfrei fertig".</li>
	<li>Führen Sie visuelle QC auf der GM-Region wie in Kapitel 8 beschrieben.</li>
</ol>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.
<ol><li>Um die erste Methode zu verwenden, führen Sie den Befehl "antsAtropos.sh" mit den Standardeinstellungen und ohne einschließlich Gewebe Prioren. Hinweis: Dies tritt oft gut vor allem wenn nur 3 Gewebe Klassen erforderlich sind: GM, WM, andere.<ol>
<li>Legen Sie den Pfad zu Ameisen Software, indem Sie den Befehl eingeben: Export ANTSPATH = / Pfad/zu/Ameisen/bin /</li>
		<li>Führen Sie die Segmentierung Pipeline durch Eingabe des Befehls: antsAtroposN4.sh -d < Image_dimension > - < t1.nii.gz > -c < Anzahl der Gewebe Klassen > -o < Ausgabe ><ol>
<li>Optionale Argumente für diesen Befehl sind: Gehirn-Maske: - X < mask.nii.gz >; Gewebe-Prioren: -p < segmentationPriors%d.nii.gz >.</li>
		</ol>
</li>
		<li>Dies erstellt einen Ordner mit der Ausgabe einschließlich Teilvolumen Karten und einem extrahierten Gehirn. Führen Sie visuelle QC auf der GM-Region wie in Kapitel 8 beschrieben.</li>
	</ol></li>
	<li>Um mehr Gewebe-Klassen zu generieren (subkortikale GM, GM, WM, CSF, Sonstiges, etc.) oder die Segmentierung auf einer Kohorte zeigen neuronale Pathologie durchführen, verwenden Sie bestimmte Gewebe Prioren. Gewebe Prioren von verschiedenen Webseiten herunterladen. Alternativ können Sie eine studienspezifischen Vorlage Prioren machen - das ist sehr viel komplexer ist nützlich, vor allem in Kohorten mit pathologischen Gehirnveränderungen.<ol>
<li>Zum Erstellen einer studienspezifischen Vorlage/Prioren zuerst erstellen Sie eine studienspezifischen Vorlage: antsMultivariateTemplateConstruction.sh -d < Image_dimension > -o Vorlage < andere Optionen >< images.nii.gz ><ol>
<li>Optionale Argumente für diesen Befehl sind: -c: Control für paralleles rechnen. Wenn im Serieneinsatz, eine 0 ausgeführt; -j: Anzahl der Kerne; -r: registrieren Starrkörper Eingänge vor dem Erstellen der Vorlage (Default 0)--0 aus 1 == == auf. Dies ist nur sinnvoll, wenn eine erste Vorlage nicht verfügbar ist.</li>
		</ol>
</li>
		<li>Ein Brainmask und Prioren von der Ameisen-Website herunterladen. Hinweis: Diese Maske müssen bearbeitet werden, um sicherzustellen, dass es eine gute Annäherung an die Vorlage Gehirn ist. Die Brainmask ist eines der wichtigsten Teile der Pipeline; Wenn es schlecht ist, wird Gehirn Extraktion/Atropos schlecht ausgeführt. Die Download-Optionen gehören: https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436. Die heruntergeladene Vorlage sollte dann an der Studie Vorlage registriert werden.</li>
		<li>Berechnen Sie die Registrierung, die eine Reihe von Verwerfungen ausgegeben werden, die dann auf die heruntergeladene Vorlage zu studienspezifischen Vorlage Raum transformieren angewendet werden können. Um die Registrierung zu berechnen, verwenden Sie den Befehl: antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o Downloaded_to_template - n 6<ol>
<li>Die Optionen in diesem Befehl sind: -d: dimension (d. h. 3D-Scans wäre '3'); -f: Standbild (d. h. der Raum wo die Bilder brauchen, um am Ende); -m: Bewegtbild (d. h., das Bild, das verschoben werden muss); -o: Ausgabenamen (keine Verlängerung erforderlich); -n: Anzahl der Threads.</li>
		</ol>
</li>
		<li>Die Registrierung auf die Daten anwenden: 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.<ol>
<li>Die Optionen in diesem Befehl sind: -d: dimension (d. h. 3D-Scans wäre '3'); -i: Eingangsbild (d. h., das Bild, das verschoben werden muss); -r: Referenzbild (d. h. das Referenzbild definiert Abstand, Herkunft, Größe und Richtung des verzerrten Ausgabebildes); -o output Name, dies ist die heruntergeladene Vorlage im Bereich studienspezifischen Vorlage (Erweiterung benötigt in diesem Fall); -t Transform Dateiname der Ausgabe-Datei aus der Registrierung-Berechnung.</li>
		</ol>
</li>
		<li>Visuell überprüfen Sie die Registrierung für die Korrespondenz zwischen der studienspezifischen Vorlage und heruntergeladene Vorlage (dies zu tun, öffnen Sie die studienspezifischen Vorlage auf die heruntergeladene Vorlage).</li>
		<li>Wenn die Registrierung funktioniert hat, gelten die Transformation für die heruntergeladenen Prioren und Vorlage Gehirn, Wiederholung von Schritt 6.2.5 extrahiert. Hinweis: Nach diesen Schritten werden studienspezifische Vorlage, eine heruntergeladene Vorlage ausgerichtet mit der studienspezifischen Vorlage, zusammen mit einer heruntergeladenen Gehirn-Extraktion-Maske und Gewebe Prioren auch mit der studienspezifischen Vorlage ausgerichtet.</li>
		<li>Führen Sie die Studie bestimmte Vorlage durch antsCorticalThickness.sh; Dies bietet GM, WM und CSF Regionen, die für studienspezifische Prioren verwendet werden können: antsCorticalThickness.sh -d 3-template.nii.gz -e downloaded_to_template.nii.gz -m downloaded_binarised_template_extracted_brain_in_studyspace.nii.gz -p downloaded_labelsPriors%d.nii.gz -o CT_template<ol>
<li>Die Optionen in diesem Befehl sind: -d: dimension (d. h. 3D-Scans wäre '3'); -a: Bild (in diesem Fall die studienspezifischen Vorlage) segmentiert werden; -e: Gehirn Vorlage (nicht Schädel abgestreift; in diesem Fall die heruntergeladene Vorlage, die an der studienspezifischen Vorlage registriert wurde); -m: heruntergeladene Gehirn Extraktion Maske (in diesem Fall, die extrahierten Gehirn aus der heruntergeladenen Vorlage, die an der studienspezifischen Vorlage registriert wurde); -p: Prioren mit c-Format Formatierung (z. B. -p labelsPriors%02d.nii.gz) angegeben. Hinweis: Der Befehl wird davon ausgegangen, dass die ersten vier Prioren wie folgt bestellt werden: 1: CSF, 2: kortikale GM, 3: WM, und 4: subkortikale GM (in diesem Fall die Prioren aus der heruntergeladenen Vorlage, die an der studienspezifischen Vorlage registriert wurden).</li>
		</ol>
</li>
		<li>Das Ausführen dieses Befehls führt zu generierten Prioren für die Vorlage, aber sie brauchen vor der Verwendung in Atropos Segmentierung Glättung. Die Glättung Befehl ist Teil der Ameisen-Software. Glätten Sie alle Prioren mit dem Befehl: SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz</li>
		<li>Vor dem Ausführen von Atropos, laufen Sie Gehirn Extraktion auf alle heimischen Raum Scans. Die studienspezifischen Vorlage kann verwendet werden, und extrahiert Gehirn erzeugt aus antsCorticalThickness.sh, die auf der Vorlage (Schritt 6.2.1): antsBrainExtraction.sh -d 3-T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz<ol>
<li>Die Optionen in diesem Befehl sind: -d: Dimensionen; -a: anatomische Bild; -e: Gehirn Extraktionsvorlage (d. h. ohne Schädel Abisolieren erstellt); -m: studieren spezifische Brainmask zur Entnahme des Gehirns; -o: Output Präfix.</li>
		</ol>
</li>
		<li>Führen Sie Atropos: antsAtroposN4.sh -d 3 - ein T1.nii.gz - X T1_brain.nii.gz -c 3 -o Atropos_specific_template<ol>
<li>Die Optionen in diesem Befehl sind: -d = Dimensionen; -a: anatomische Bild; -x: Gehirn Extraktion Maske generiert aus der Gehirn-Extraktion; -c: Anzahl der Gewebe-Klassen zur Segmentierung; -o: Output Präfix; -p: studienspezifischen Segmentierung Prioren < segmentationPriors%d.nii.gz ></li>
		</ol>
</li>
		<li>Führen Sie visuelle QC auf der GM-Region wie in Kapitel 8 beschrieben.</li>
	</ol></li>
</ol>(7) Segmentierung über MALP-EM
<ol><li>MALP-EM laufen, ein terminal-Fenster öffnen, ändern Sie das Verzeichnis in das Installationsverzeichnis MALP-EM und tippe: . / Malpem-Proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3 t -t 6 - c</li>
	<li>Nachdem der Befehl abgeschlossen ist, überprüfen Sie, ob ein Ausgabeordner mit Gewebe-Klassen und regionalen Segmentierungen.</li>
	<li>Führen Sie visuelle QC auf der GM wie in Kapitel 8 beschrieben.</li>
</ol>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.
<ol><li>
SPM, FSL, Ameisen und MALP-EM Segmentierungen
	<ol>
<li>Führen Sie visual QC mit FSLeyes: https://Users.fmrib.Ox.AC.UK/~paulmc/fsleyes_userdoc/ Hinweis: FSLview (eine ältere Zuschauer) kann auch auf die gleiche Weise verwendet werden.</li>
		<li>Öffnen Sie ein terminal-Fenster und öffnen Sie die T1 und die GM-Regionen überlagert, die T1. Um dies zu tun, geben Sie Folgendes ein: Fsleyes T1.nii Region1.nii Region2.nii.</li>
		<li>Sobald FSLeyes geöffnet wird, verwenden Sie die Deckkraft Schalter im oberen Bereich anpassen/verringern Sie die Deckkraft und Visualisierung von T1-Bild unter der GM-Region. Ändern Sie die Farbe der Segmentierung Überlagerung über "Farbe Dropdown-Tab" im oberen Bereich.</li>
		<li>Blättern Sie durch jedes Slice im Gehirn. Hinweis: Hier erfolgt dies mit der koronale Ansicht, aber Benutzer die Ansicht, dass sie die meisten Erfahrungen mit verwenden sollte.</li>
		<li>Überprüfen Sie jedes Slice für Regionen der unter - oder over - estimation der untersuchten Region. Hinweis: Die repräsentative Ergebnisse im Abschnitt Beispiele für gute und schlechte Segmentierungen.</li>
	</ol>
</li>
	<li>
FreeSurfer QC
	<ol>
<li>Peform visuelle QC mit DVB-t. Hinweis: Lesen Sie die Dokumentation hier: https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.</li>
		<li>Öffnen Sie ein terminal-Fenster. Um die volumetrische GM Region überlagert, die T1 anzuzeigen, ändern Sie Verzeichnis zum Thema Ordner und Typ: DVB-t./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3</li>
		<li>Blättern Sie durch jedes Slice im Gehirn. Hinweis: Hier erfolgt dies mit der koronale Ansicht, aber Benutzer die Ansicht, dass sie die meisten Erfahrungen mit verwenden sollte.</li>
		<li>Überprüfen Sie jedes Slice für Regionen der unter - oder over - estimation der untersuchten Region. Hinweis: Siehe Abschnitt repräsentative Ergebnisse für Beispiele für die Segmentierungen.</li>
	</ol>
</li>
</ol>

<ol><li>Katuwal, G. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inter-Method+Discrepancies+in+Brain+Volume+Estimation+May+Drive+Inconsistent+Findings+in+Autism%5BTitle%5D)+AND+%22Frontiers+in+Neuroscience%22%5BJournal%5D)">Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism.</a> Frontiers in Neuroscience. 10, 439(2016).</li>
<li>Johnson, E. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recommendations+for+the+Use+of+Automated+Gray+Matter+Segmentation+Tools%3A+Evidence+from+Huntington%27s+disease%5BTitle%5D)+AND+%22Frontiers+in+Neurology%22%5BJournal%5D)">Recommendations for the Use of Automated Gray Matter Segmentation Tools: Evidence from Huntington's disease.</a> Frontiers in Neurology. 8, 519(2017).</li>
<li>Schwarz, C. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+large-scale+comparison+of+cortical+thickness+and+volume+methods+for+measuring+Alzheimer%27s+disease+severity%5BTitle%5D)+AND+%22NeuroImage%3A+Clinical%22%5BJournal%5D)">A large-scale comparison of cortical thickness and volume methods for measuring Alzheimer's disease severity.</a> NeuroImage: Clinical. 11, 802-812 (2016).</li>
<li>Clarkson, M. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+voxel+and+surface+based+cortical+thickness+estimation+methods%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">A comparison of voxel and surface based cortical thickness estimation methods.</a> NeuroImage. 57 (3), 856-865 (2011).</li>
<li>Eggert, L. D., Sommer, J., Jansen, A., Kircher, T., Konrad, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accuracy+and+reliability+of+automated+gray+matter+segmentation+pathways+on+real+and+simulated+structural+magnetic+resonance+images+of+the+human+brain%5BTitle%5D)+AND+%22Public+Library+of+Science+One%22%5BJournal%5D)">Accuracy and reliability of automated gray matter segmentation pathways on real and simulated structural magnetic resonance images of the human brain.</a> Public Library of Science One. 7 (9), 45081(2012).</li>
<li>Fellhauer, I., et al. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/26211622">Comparison of automated brain segmentation using a brain phantom and patients with early Alzheimer's dementia or mild cognitive impairment.</a> Psychiatry Research. 233 (3), 299-305 (2015).</li>
<li>Gronenschild, E. H. B. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effects+of+FreeSurfer+version%2C+workstation+type%2C+and+Macintosh+operating+system+version+on+anatomical+volume+and+cortical+thickness+measurements%5BTitle%5D)+AND+%22Public+Library+of+Science+One%22%5BJournal%5D)">The effects of FreeSurfer version, workstation type, and Macintosh operating system version on anatomical volume and cortical thickness measurements.</a> Public Library of Science One. 7 (6), 38234(2012).</li>
<li>Iscan, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Test-retest+reliability+of+freesurfer+measurements+within+and+between+sites%3A+Effects+of+visual+approval+process%5BTitle%5D)+AND+%22Human+Brain+Mapping%22%5BJournal%5D)">Test-retest reliability of freesurfer measurements within and between sites: Effects of visual approval process.</a> Human Brain Mapping. 36 (9), 3472-3485 (2015).</li>
<li>Kazemi, K., Noorizadeh, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+Comparison+of+SPM%2C+FSL%2C+and+Brainsuite+for+Brain+MR+Image+Segmentation%5BTitle%5D)+AND+%22Journal+of+Biomedical+Physics+%26+Engineering%22%5BJournal%5D)">Quantitative Comparison of SPM, FSL, and Brainsuite for Brain MR Image Segmentation.</a> Journal of Biomedical Physics & Engineering. 4 (1), 13-26 (2014).</li>
<li>Klauschen, F., Goldman, A., Barra, V., Meyer-Lindenberg, A., Lundervold, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+automated+brain+MR+image+segmentation+and+volumetry+methods%5BTitle%5D)+AND+%22Human+Brain+Mapping%22%5BJournal%5D)">Evaluation of automated brain MR image segmentation and volumetry methods.</a> Human Brain Mapping. 30 (4), 1310-1327 (2009).</li>
<li>McCarthy, C. S., Ramprashad, A., Thompson, C., Botti, J. A., Coman, I. L., Kates, W. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+FreeSurfer-generated+data+with+and+without+manual+intervention%5BTitle%5D)+AND+%22Frontiers+in+Neuroscience%22%5BJournal%5D)">A comparison of FreeSurfer-generated data with and without manual intervention.</a> Frontiers in Neuroscience. 9, (2015).</li>
<li>Tohka, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Partial+volume+effect+modeling+for+segmentation+and+tissue+classification+of+brain+magnetic+resonance+images%3A+A+review%5BTitle%5D)+AND+%22World+Journal+of+Radiology%22%5BJournal%5D)">Partial volume effect modeling for segmentation and tissue classification of brain magnetic resonance images: A review.</a> World Journal of Radiology. 6 (11), 855-864 (2014).</li>
<li>Sled, J. G., Zijdenbos, A. P., Evans, A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+nonparametric+method+for+automatic+correction+of+intensity+nonuniformity+in+MRI+data%5BTitle%5D)+AND+%22IEEE+Transactions+on+Medical+Imaging%22%5BJournal%5D)">A nonparametric method for automatic correction of intensity nonuniformity in MRI data.</a> IEEE Transactions on Medical Imaging. 17, 87-97 (1998).</li>
<li>Ashburner, J., Friston, K. J. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/15955494">Unified segmentation.</a> NeuroImage. 26 (3), 839-851 (2005).</li>
<li>Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/21979382">FSL.</a> NeuroImage. 62, 782-790 (2012).</li>
<li>Dale, A. M., Fischl, B., Sereno, M. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cortical+surface-based+analysis.+I.+Segmentation+and+surface+reconstruction%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Cortical surface-based analysis. I. Segmentation and surface reconstruction.</a> NeuroImage. 9, 179-194 (1999).</li>
<li>Fischl, B., Sereno, M. I., Dale, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cortical+surface-based+analysis.+II%3A+Inflation%2C+flattening%2C+and+a+surface-based+coordinate+system%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system.</a> NeuroImage. 9, 195-207 (1999).</li>
<li>Avants, B. B., Tustison, N. J., Wu, J., Cook, P. A., Gee, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+open+source+multivariate+framework+for+n-tissue+segmentation+with+evaluation+on+public+data%5BTitle%5D)+AND+%22Neuroinformatics%22%5BJournal%5D)">An open source multivariate framework for n-tissue segmentation with evaluation on public data.</a> Neuroinformatics. 9 (4), 381-400 (2011).</li>
<li>Ledig, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robust+whole-brain+segmentation%3A+application+to+traumatic+brain+injury%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Robust whole-brain segmentation: application to traumatic brain injury.</a> Medical Image Analysis. 21 (1), 40-58 (2015).</li>
</ol>

Die Autoren haben nichts preisgeben.

Vor kurzem hat die Forschung gezeigt, dass die unterschiedlichen volumetrischen Methoden wichtige Implikationen für Neuroimaging Studien1,2nutzen können. Von publishing-Protokolle, mit denen Reiseführer unerfahrene Anwender in verschiedenen Neuroimaging Werkzeuge anwenden sowie QC auf die Ergebnisausgabe durch diese Tools ausführen, können Forscher die beste Methode, um ihre Dataset zuweisen auswählen.
Während die meisten Schritte in d...

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.

automatische segmentierung der kortikalen grauen zellen von t1-gewichteten mrt-aufnahmen

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

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.

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 verglei...

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.

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Within neuroimaging research, a number of recent studies have discussed the impact of between-study differences in volumetric findings that are thought to ...

Diese Methode kann schlüsselgebende Fragen in den Bereichen Neuroimaging und Neurologie beantworten. Zum Beispiel, ob es Gruppenunterschiede im kortikalen Volumen für nicht-klinische versus klinische Populationen gibt. Der Hauptvorteil dieser Technik ist, dass sie es Forschern ermöglicht, das beste Werkzeug für ihre Daten zu verwenden.Öffnen Sie zunächst die SPM-Software, indem Sie ein MATLAB-Befehlsfenster öffnen und SPM in die Befehlszeile eingeben. Wählen Sie dann PET VBM aus, um die strukturelle MRT-Toolbox zu öffnen, um eine einheitliche Segmentierung durchzuführen. Öffnen Sie nun den Batch-Editor, um die Segmentierung für mehrere Scans gleichzeitig durchzuführen.Wählen Sie SPM, Räumlich und Segment, dann Daten, Dateien und wählen Sie die T1-gewichteten Scans als Eingabe aus. Klicken Sie als Nächstes auf Ausgabedateien, Graue Materie, und stellen Sie sicher, dass Native Space ausgewählt ist, und wiederholen Sie dies für White Matter. Wenn die CSF-Segmentierung nicht erforderlich ist, lassen Sie diesen Satz auf Keine.Wenn die Scans bereits Voreingenommenheit korrigiert wurden, ändern Sie diese Option in Nicht korrigieren. Verwenden Sie dann Alle Partitionen bereinigen und alle drei Optionen testen, bevor Sie die vollständige Analyse ausführen. Lassen Sie nun die anderen Einstellungen auf Standardeinstellungen festgelegt und klicken Sie auf das grüne Flag, um die Segmentierung auszuführen.Das MATLAB-Fenster sagt Fertig, wenn die Segmentierung abgeschlossen ist. Führen Sie schließlich die visuelle Qualitätskontrolle für die resultierende Graue Materie-NIfTI-Datei durch. Um die Option Neues Segment in SPM 8 auszuführen, wählen Sie zuerst PET VBM aus, bevor Sie den Batch-Editor öffnen.Wählen Sie dann SPM, Tools, Neues Segment aus, und wählen Sie die zu verwendenden T1-Bilddateien im NIfTI-Format aus. Legen Sie die Option Native Tissue Type auf Native Space fest, und deaktivieren Sie die nicht erforderlichen Tissueklassen. Deaktivieren Sie auch verzerrtes Gewebe, und klicken Sie dann auf die grüne Flagge, um die Segmentierung auszuführen und die visuelle Qualitätskontrolle nach Abschluss durchzuführen.Um die Segmentierung in SPM 12 durchzuführen, drücken Sie erneut PET VBM und öffnen Sie den Batch-Editor. Wählen Sie dann SPM, Räumliches Segment und Datenvolumes aus. Wählen Sie dann Native Space Tissue Type aus, und deaktivieren Sie nicht benötigte Gewebeklassen.Legen Sie Verzerrtes Gewebe auf Keine fest, und klicken Sie auf die grüne Flagge. Nachdem die Segmentierung abgeschlossen ist, stellen Sie erneut sicher, dass Sie die visuelle Qualitätskontrolle wie im nächsten Abschnitt dieses Protokolls beschrieben durchführen. Die visuelle Qualitätskontrolle kann mit FSLeyes durchgeführt werden.Beginnen Sie, indem Sie ein Terminalfenster öffnen, und öffnen Sie dann FSLeyes, indem Sie FSLeyes in das Terminal eingeben. Wählen Sie dann Datei, Aus Datei hinzufügen aus, und wählen Sie das ursprüngliche T1 und die segmentierten Bereiche aus, um sie anzuzeigen. Sobald FSLeyes geöffnet wird, verwenden Sie den Deckkraft-Umschalter, um die Visualisierung des zugrunde liegenden T1-Bildes zu ermöglichen.Ändern Sie auch die Farbe des Segmentierungs-Overlays nach Bedarf über die Registerkarte Farb-Dropdown im oberen Bereich. Scrollen Sie nun durch jede Scheibe im Gehirn und überprüfen Sie jede Scheibe auf Regionen unter oder überschätzt in der Region, die überprüft wird. Die visuelle Qualitätskontrolle ist ein wesentlicher Schritt für dieses Verfahren.Durch den Vergleich Ihrer segmentierten Regionen mit dem ursprünglichen T1-Scan können Sie sicherstellen, dass Ihre Regionen von hoher Qualität sind und dass Ihre Schlussfolgerungen biologisch korrekt sind. Um die visuelle Qualitätskontrolle von FreeSurfer-Daten mithilfe von Freeview durchzuführen, öffnen Sie ein Terminalfenster, und ändern Sie das Verzeichnis in den Betreffordner, der die verarbeitete FreeSurfer-Ausgabe enthält. Geben Sie dann den Befehl auf dem Bildschirm hier ein, um den volumetrischen Graustoffbereich anzuzeigen, der auf dem T1 überlagert ist. Scrollen Sie erneut durch jede Scheibe im Gehirn und überprüfen Sie, ob Regionen unter oder überschätzt werden, um die untersuchte Hirnregion zu erhalten.Hier sehen wir ein Beispiel für eine fehlgeschlagene Segmentierung, die auf einem T1-Scan angezeigt wird. Diese Segmentierung sollte erneut verarbeitet und von der Analyse ausgeschlossen werden, wenn sie nicht verbessert werden kann. Diese Abbildung zeigt Beispiele für die Leistung verschiedener Werkzeuge auf dem temporalen Lappen auf einem T1-Scan.Beispiele für eine gute regionale Abgrenzung sind hier zu sehen, während Beispiele für eine schlechte regionale Abgrenzung, die Verschüttungen in der linken und rechten zeitlichen Lappen zeigen, hier gezeigt werden. Diese Abbildung zeigt Beispiele für die Leistung verschiedener Werkzeuge auf dem Okzipitallappen auf einem T1-Scan. Hier sehen wir den T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung, während hier ein Beispiel für eine schlechte regionale Abgrenzung ist, die verschüttet in die mediale Dura zeigt.Hier sehen wir ein Beispiel für eine graue MaterieRegion, die in die Dura verschüttet wird, hervorgehoben durch die blaue Region. Diese Abbildung zeigt ein Beispiel für einen Graustoffbereich, der Bereiche des Kortex aus der Segmentierung ausgeschlossen hat, die am besten in der axialen Ansicht dargestellt werden. Beim Versuch dieses Verfahrens ist es wichtig, sich daran zu erinnern, verschiedene Tools in Ihren Daten zu testen und die visuelle Qualitätskontrolle für die Prozessscans durchzuführen.Nach der Entwicklung ebnete diese Technik den Weg für Neuroimaging-Forscher, Veränderungen des Gehirnvolumens im Laufe der Zeit zu untersuchen, ohne dass invasive Tests erforderlich waren.

automated-segmentation-cortical-grey-matter-from-t1-weighted-mri

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Dieser Artikel beschreibt Techniken zur hochauflösenden funktionellen Kernspintomografie mit 1,2 mm Probenahme in der menschlichen Mittelhirn und subkortikalen Strukturen mit einem 3T Scanner durchführen. Die Verwendung dieser Techniken, um topographische Karten der visuellen Stimulation in der menschlichen Colliculus superior (SC) zu lösen ist als ein Beispiel gegeben.

Hochauflösende Functional Magnetic Resonance Imaging Methods for Human Mittelhirn

Eine automatisierte Mittellinienverlagerung Schätzung und intrakraniellen Drucks (ICP) Pre-Screening-System auf der Computertomographie (CT) für Patienten mit Schädel-Hirn-Trauma (SHT) basiert schlug mit Bildverarbeitung und Techniken des maschinellen Lernens.

Automatisierte Midline Shift und intrakranieller Druck Schätzung basierend auf Gehirn CT Images

Läsion Explorer (LE) ist eine regional entwickelt, um Hirngewebe und subkortikalen Hyper Läsion Volumetrie von strukturellen MRT der Alzheimer-Krankheit und normalen älteren erhalten halbautomatisch, Bildverarbeitungs-Pipeline. Um ein hohes Maß an Genauigkeit und Zuverlässigkeit zu gewährleisten, ist das folgende eine Video-geführt, standardisiertes Protokoll für LE manuellen Verfahren.

Läsion Explorer: Ein Video-geführt, standardisiertes Protokoll für genaue und zuverlässige MRI-abgeleiteten Volumetrics in der Alzheimer-Krankheit und Normale Ältere

Die vorliegende Arbeit bietet einen umfassenden Leitsatz zur manuellen Nachverfolgung der Strukturen des medialen Temporallappens (MTL). Dieses Protokoll kann auf Forschungen angewendet werden, die strukturelle und/oder kombinierte strukturell-funktionelle Magnetresonanztomographie (MRT) der MTL sowohl in gesunden als auch in klinischen Gruppen umfasst.

Eine umfassende Protokoll für die manuelle Segmentierung der medialen Temporallappen Structures

Dieses Whitepaper beschreibt ein statistisches Modell für Volumetrische MRI-Daten-Analyse, die "Wechselpunkt" identifiziert, wenn Hirnatrophie im Premanifest Chorea Huntington beginnt. Ganz-Brain Mapping von die wechselpunkte erfolgt basierend auf Gehirn Volumen mit einer Atlas-basierte Segmentierung-Pipeline von T1-gewichteten Bildern erzielt.

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit

Wir führen ein halbautomatisches Protokoll für die Formanalyse von Gehirnstrukturen ein, einschließlich der Bildsegmentierung mit offener Software, und weitere gruppenweise Formanalyse mit einem automatisierten Modellierungspaket. Hier zeigen wir jeden Schritt des 3D-Formanalyseprotokolls mit Hippocampus-Segmentierung aus Hirn-MR-Bildern.

Dreidimensionale Formmodellierung und Analyse von Gehirnstrukturen

Hier ist ein praktisches Tutorial für eine offene, standardisierte Bildverarbeitungspipeline zum Zwecke der Läsion-Symptom-Mapping. Für jeden Verarbeitungsschritt wird eine schrittweise Vorgehensweise angeboten, von der manuellen Infarktsegmentierung auf CT/MRT über die anschließende Registrierung bis hin zum Standardraum sowie praktische Empfehlungen und Illustrationen mit beispielhaften Fällen.

Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom Mapping

Es wird eine standardisierte Pipeline zur Untersuchung der Morphometrie der grauen Substanz des Kleinhirns vorgestellt. Die Pipeline kombiniert hochauflösende, hochmoderne Ansätze zur optimierten und automatisierten Kleinhirnpaketierung und voxelbasierten Registrierung des Kleinhirns zur volumetrischen Quantifizierung.

Eine standardisierte Pipeline zur Untersuchung der Morphometrie der menschlichen zerebellären grauen Substanz mittels struktureller Magnetresonanztomographie

Trotz der entscheidenden Rolle des Plexus choroideus im Gehirn sind Neuroimaging-Studien dieser Struktur aufgrund des Mangels an zuverlässigen automatisierten Segmentierungswerkzeugen rar. Das vorliegende Protokoll zielt darauf ab, eine manuelle Segmentierung des Aderhautplexus nach Goldstandard zu gewährleisten, die in zukünftige Neuroimaging-Studien einfließen kann.

Manuelle Segmentierung des menschlichen Aderhautplexus mittels Hirn-MRT

Eine einfache und zuverlässige Methode zur Isolierung und Kultivierung von neuralen Stammzellen aus gebrauchten menschlichen fetalen kortikalen Gewebe wird beschrieben. Kulturen von bekannten menschlichen neurologischen Erkrankungen abgeleitet werden können für die Charakterisierung von pathologischen zellulären und molekularen Prozesse eingesetzt werden, sowie eine Plattform bieten, um pharmakologische Wirksamkeit zu beurteilen.

Generierung von neuralen Stammzellen aus menschlichen Föten Ausrangierte Rindengewebe

Erfahren Sie die automatische Segmentierung kortikaler grauer Substanz aus T1-gewichteten MRT-Aufnahmen mit SPM-Software. Diese Methode ermöglicht präzise Quantifizierung von Hirnvolumen für neurologische Forschung.

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Weitere Videos entdecken