Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Segmentación automática de la materia gris Cortical de las imágenes de T1-Weighted MRI

8.7K vistas

⸱

DOI:

10.3791/58198

⸱

7 de enero de 2019

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

En este artículo

Resumen

Este protocolo describe el proceso de aplicación de siete herramientas de la segmentación automatizada diferentes análisis estructurales de T1-weighted MRI para delimitar las regiones de materia gris que pueden ser utilizadas para la cuantificación del volumen de materia gris.

Resumen

Dentro de la investigación neuroimaging, un número de estudios recientes ha discutido el impacto de las diferencias entre los estudios en hallazgos volumétricos que se piensan para resultar de la utilización de herramientas de segmentación diferente para generar volúmenes de cerebro. Aquí, se presentan tuberías de proceso para siete herramientas automatizadas que pueden utilizarse para segmentar materia gris dentro del cerebro. El protocolo proporciona un paso inicial para investigadores con el objetivo de encontrar el método más preciso para la generación de volúmenes de materia gris de T1-weighted MRI las exploraciones. Pasos para realizar control de calidad visual detallada también están incluidos en el manuscrito. Este protocolo cubre una gama de posibles herramientas de segmentación y anima a los usuarios a comparar el rendimiento de estas herramientas dentro de un subconjunto de sus datos antes de seleccionar uno para aplicar a una cohorte completa. Además, el protocolo puede ser más generalizado a la segmentación de otras regiones del cerebro.

Introducción

Neuroimaging es ampliamente utilizado en las dos clínicas y parámetros de investigación. Hay un movimiento actual para mejorar la reproducibilidad de los estudios que cuantifican el volumen del cerebro de la proyección de imagen de resonancia magnética (MRI) exploraciones; por lo tanto, es importante que los investigadores compartan experiencias del uso de herramientas disponibles de MRI para segmentación de las exploraciones de MRI en volúmenes regionales, mejorar la estandarización y optimización de métodos1. Este protocolo proporciona a una guía paso a paso para usar siete herramientas diferentes a la materia gris cortical (CGM; materia gris que excluye regiones subcorticales) del segmento de T1-weighted MRI las exploraciones. Estas herramientas fueron utilizadas previamente en una comparación metodológica de segmentación métodos2, que ha demostrado el rendimiento variable entre herramientas en una cohorte de la enfermedad de Huntington. Puesto que el rendimiento de estas herramientas se piensa que varían entre los diferentes conjuntos de datos, es importante para los investigadores para poner a prueba una serie de herramientas antes de seleccionar sólo uno para aplicar a su conjunto de datos.

Volumen de materia gris (GM) se utiliza regularmente como una medida de la morfología del cerebro. Medidas volumétricas son generalmente fiables y capaces de discriminar entre controles sanos y grupos clínicos3. El volumen de los tipos de tejido diferentes de regiones del cerebro más a menudo se calcula utilizando herramientas de software automatizado que identifican estos tipos de tejidos. Así, para crear delineaciones de alta calidad (segmentación) del mecanismo mundial, precisa delimitación de la materia blanca (WM) y líquido cefalorraquídeo (LCR) es fundamental para lograr la exactitud de la región de GM. Hay una serie de herramientas automatizadas que pueden utilizarse para realizar segmentación de GM, y cada uno requiere procesamiento diferentes pasos y resulta en una salida diferente. Un número de estudios ha aplicado los instrumentos a diferentes conjuntos de datos para comparar entre sí, y algunos han optimizado herramientas específicas1,4,5,6,7,8 ,9,10,11. Trabajo previo ha demostrado que la variabilidad entre las herramientas volumétricas puede provocar inconsistencias dentro de la literatura al estudiar el volumen del cerebro, y estas diferencias se han sugerido como factores de falsas conclusiones acerca de conducir condiciones neurológicas1.

Recientemente, se realizó una comparación de herramientas de segmentación diferente en una cohorte que incluyó participantes de control sano y participantes con enfermedad de Huntington. La enfermedad de Huntington es una enfermedad genética neurodegenerativa con un inicio típico en la edad adulta. Progresiva atrofia subcortical y CGM es una característica neuropathological prominente y bien estudiada de la enfermedad. Los resultados demostraron funcionamiento variable de siete herramientas de segmentación que se aplicaron a la cohorte, apoyando el trabajo anterior que demuestra la variabilidad en los resultados dependiendo del software utilizado para el cálculo de los volúmenes cerebrales de IRM. Este protocolo proporciona información sobre el proceso utilizado en Johnson et al. (2017) 2 que anima a una cuidadosa selección metodológica de las herramientas más apropiadas para el uso en neuroimaging. Este manual cubre la segmentación de volumen de GM pero no se aplica la segmentación de lesiones, tales como los observados en la esclerosis múltiple.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Nota: Asegúrese de que todas las imágenes están en formato de NifTI. Conversión a NifTI no está cubierto aquí.

1. segmentación por SPM 8: Unificado de segmento

Nota: Este procedimiento se realiza mediante la GUI de SPM8 que opera dentro de Matlab. La guía SPM8 proporciona más detalle y se puede encontrar en: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Asegúrese de que SPM8 instalado y ubicado en la ruta de acceso de software.
  2. Segmentación de SPM se realiza utilizando una interfaz gráfica. Para abrir el SPM, abra una ventana de comandos y escriba 'spm' en la línea de comandos.
  3. Pulse 'PET & VBM' para abrir el cuadro de herramientas estructural de MRI.
  4. Pulse 'Batch' para abrir el Editor por lotes. Esto permite la segmentación que se realizará en varias exploraciones a la vez.
  5. Seleccione ' SPM | Espacial | Segmento '.
  6. Haga clic en ' datos | Seleccione los archivos. Elegir las imágenes de T1-weighted como entrada.
    Nota: Los archivos deben estar los archivos descomprimidos de NifTi, con la extensión que '.nii'.
  7. Haga clic en ' los archivos de salida | Materia gris ' y asegúrese de que está seleccionado 'Espacio nativa', hacer lo mismo con la materia blanca. Si la segmentación de la CSF no es necesaria dejar esto como 'None'.
  8. Si las imágenes ya han sido corregidos por sesgo, cambie la opción 'Sesgo corregido' a 'No guardar corregido'. Para la opción 'Limpiar particiones', las tres diferentes opciones de prueba y uso visual de control de calidad (QC, sección 8) para determinar que funciona mejor para los datos.
  9. Deje los otros ajustes como sus valores predeterminados. A continuación, haga clic en la bandera verde a correr la segmentación.
    Nota: Esto toma alrededor de 5 minutos por participante, y dice la línea de comandos, segmento de ejecución. Cuando haya terminado, la ventana de comandos mostrará 'Hecho'.
  10. Realizar control de calidad visual en la GM (archivo C1*.nii) como se describe en la sección 8.

2. segmentación por SPM 8: nuevo segmento

Nota: Este procedimiento se realiza mediante la GUI de SPM8. La guía SPM8 proporciona más detalle y se puede encontrar en: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Asegúrese de que SPM8 instalado y ubicado en la ruta de acceso de software. Abra el software SPM realizado típicamente escribiendo "spm" en una línea de comandos. Esto abre una ventana de interfaz (GUI) de gráfica de usuario con una gama de opciones que pueden seleccionarse para realizar análisis.

  1. Prensa 'PET & VBM'.
  2. Pulse 'Batch' para abrir el Editor por lotes.
  3. Seleccione ' SPM | Herramientas | Nuevo segmento ' en la ventana Lote. Seleccione los archivos de imagen de T1 (con extensión '.nii').
  4. Establecer 'Tejido nativo tipo' a 'Espacio nativa'. Según sea necesario, apagar el tejido diferentes clases (por ejemplo, LCR) - si no requerido - por ajuste a 'None'. Establecer 'Tejido deformado' a 'None'.
    Nota: Todas las opciones se pueden dejar como la configuración predeterminada.
  5. Haga clic en la bandera verde para ejecutar la segmentación.
    Nota: La línea de comandos dirá, correr nuevo segmento. Una vez ha terminado de ejecutar la voluntad de la línea de comandos MATLAB, 'hecho nuevo segmento'.
  6. Realizar control de calidad visual en la GM (archivo C1*.nii) como se describe en la sección 8.

3. segmentación por SPM 12: segmento

Nota: Este procedimiento es realizado a través de la GUI SPM12. La guía de SPM12 proporciona más detalle y se puede encontrar en: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Abra el software SPM escribiendo 'spm' en la ventana de comandos. Esto abre una ventana de interfaz (GUI) de gráfica de usuario con una gama de opciones que pueden seleccionarse para realizar análisis.
  2. Prensa 'PET & VBM'. Pulse 'Batch' para abrir el Editor por lotes.
  3. Haga clic en ' SPM | Espacial | Segmento '. A continuación, haga clic en ' datos | Volúmenes.
  4. Establecer 'Tejido nativo tipo' a 'Espacio nativa'. Apague las clases de tejido que no están necesario (como CFS) al establecer que 'Ninguno'. Establecer 'Tejido deformado' a 'None'.
    Nota: Todas las demás opciones se pueden dejar como por defecto.
  5. Haga clic en la bandera verde para ejecutar la segmentación.
    Nota: Se mostrará la ventana de comandos: 'Segmento de funcionamiento'. Una vez finalizado el plazo, se mostrará: 'Hecho segmento'.
  6. Realizar control de calidad visual en la GM (archivo C1*.nii) como se describe en la sección 8.

4. segmentación por FSL rápido

Nota: Este procedimiento se realiza en la línea de comandos. La guía FSL proporciona más detalle y se puede encontrar en: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Ejecutar la extracción de cerebro de apuesta. Esto puede necesitar ser optimizado para diferentes conjuntos de datos, pero el comando básico es:
    apuesta T1_ID.nii bet_T1_ID.nii
  2. Ejecutar FSL rápida segmentación:
    bet_T1_ID.nii rápido
    Nota: Esta salida mapas de volumen parcial y regiones binarias para GM CSF y WM.
  3. Realizar control de calidad visual en la región de GM (el fin de archivo * _pve_1.nii.gz) como se describe en la sección 8.

5. segmentación por FreeSurfer

Nota: Este procedimiento se realiza en la línea de comandos. La guía de FreeSurfer proporciona más detalle y se puede encontrar en: https://surfer.nmr.mgh.harvard.edu/.

  1. Establece el directorio donde los datos están escribiendo:
    Export SUBJECTS_DIR = / path/a/nii/archivos
  2. Ejecutar la segmentación ejecutando los comandos:
    Recon-todo - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Recon-todos - subjid T1_ID-autorecon2-autorecon3
    Nota: Los comandos toman > 10 h por participante. El - cw256 bandera es necesario recortar más de 256 hasta este tamaño para el procesamiento de exploraciones con campos de vista.
  3. Compruebe que proceso ha finalizado correctamente mirando el script situado en la ' carpeta de salida | secuencias de comandos | Recon-todo.log '. Compruebe que la última línea dice 'recon-all - s T1_ID acabado sin errores'.
  4. Realizar control de calidad visual en la región de GM como se describe en la sección 8.

6. segmentación por hormigas

Nota: Este procedimiento se realiza en la línea de comandos. Las hormigas es un software más complejo que otras herramientas y cabe señalar que el procedimiento explicado aquí podría ser más optimizado para que cada cohorte mejorar los resultados. Documentación de las hormigas puede encontrarse en: http://stnava.github.io/ANTsDoc/. Hay dos maneras de segmentar las imágenes en las clases de tejido como se describe a continuación.

  1. Para utilizar el primer método, ejecute el comando 'antsAtropos.sh' con la configuración predeterminada y sin incluir Priores de tejido.
    Nota: Esto a menudo funciona bien especialmente cuando se requieren sólo 3 clases de tejido: GM, WM, otros.
    1. Establecer la ruta de acceso al software de las hormigas escribiendo el comando:
      Export ANTSPATH = / path/a/las hormigas/bin /
    2. Ejecutar la canalización de segmentación escribiendo el comando:
      antsAtroposN4.sh -d < image_dimension > - a < t1.nii.gz > -c < número de clases de tejido > -o < salida >
      1. Argumentos opcionales de este comando son:
        Máscara de cerebro: - x < mask.nii.gz >;
        Priores de tejido: -p < segmentationPriors%d.nii.gz >.
    3. Esto creará una carpeta con la salida incluyendo mapas de volumen parcial y un cerebro extraído. Realizar control de calidad visual en la región de GM como se describe en la sección 8.
  2. Para generar más clases de tejido (GM, GM subcortical, WM, LCR, otros, etc.) o realizar la segmentación de una cohorte que muestran patología neural, uso Priores de tejido específico. Descargar a reincidentes de tejido de diferentes sitios Web. Alternativamente, utilizar una plantilla específica de estudio para hacer distribuciones previas - esto es mucho más complejo pero puede ser beneficioso, especialmente en cohortes con cambios patológicos del cerebro.
    1. Para crear a una plantilla/Priores de estudio específicos, en primer lugar crear una plantilla de estudio específico:
      antsMultivariateTemplateConstruction.sh plantilla de -o -d < image_dimension > < otras opciones >< images.nii.gz >
      1. Argumentos opcionales de este comando son:
        -c: control para cómputo paralelo.
        Si funciona en serie, usar un 0; -j: número de corazones; -r: no cuerpo rígido registro de entradas antes de crear la plantilla (por defecto 0) - 0 == 1 == en. Esto sólo es útil cuando una plantilla inicial no está disponible.
    2. Descargar un brainmask y priores de la Página Web de hormigas.
      Nota: Esta mascarilla necesitará ser editado para asegurarse de que es una buena aproximación del cerebro plantilla. La brainmask es una de las partes más importantes de la tubería; Si es pobre, entonces cerebro extracción/Átropos funcionará mal. Algunas de las opciones de descarga son:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Luego debe registrarse la plantilla a la plantilla del estudio.
    3. Calcular el registro, que es la salida de una serie de deformaciones que luego se puede aplicar a la plantilla a transformar al espacio plantilla específica de estudio. Para calcular el registro, utilice el comando:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Las opciones de este comando son:
        -dimensión d: (es decir, las exploraciones 3D sería '3'); -imagen f: fija (es decir, el espacio donde las imágenes se necesitan para terminar); -m: movimiento imagen (es decir, la imagen que necesita ser movido); -o: nombre (sin extensión necesitada); -n: número de hilos.
    4. El registro se aplican a los datos:
      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. Las opciones de este comando son:
        -dimensión d: (es decir, las exploraciones 3D sería '3'); -imagen de i: entrada (es decir, la imagen que necesita ser movido); -imagen de referencia r: (es decir, la imagen de referencia define la separación, origen, tamaño y dirección de la imagen deformado de salida); nombre de salida -o, esta es la plantilla en el espacio plantilla específica de estudio (extensión necesaria en este caso); nombre de archivo de transforma -t, el archivo de resultados del cálculo de la matrícula.
    5. Revise el registro de la correspondencia entre la plantilla específica de estudio y la plantilla descargada (para hacer esto, abra la plantilla de estudio específico en la parte superior la plantilla).
    6. Si ha funcionado el registro, aplicar la transformación a los Priores descargados y extraído el cerebro plantilla, repetir paso 6.2.5.
      Nota: Siguiendo estos pasos, habrá una plantilla específica de estudio, una plantilla con la plantilla específica de estudio, junto con una máscara de extracción de cerebro descargado y priores de tejido también alineados con la plantilla específica de estudio.
    7. Ejecutar la plantilla específica de estudio a través de antsCorticalThickness.sh; Esto proporciona regiones GM, WM y CSF que pueden ser utilizadas para estudios específicos previos:
      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
      1. Las opciones de este comando son:
        -dimensión d: (es decir, las exploraciones 3D sería '3'); -a: imagen a segmentarse (en este caso, la plantilla del estudio específico); -plantilla de cerebro e: (no cráneo despojado; en este caso, la plantilla que ha sido registrada en la plantilla del estudio específico); -máscara de extracción de cerebro m: descargado (en este caso, el cerebro extraído de la plantilla que ha sido registrado en la plantilla del estudio específico); -p: priores especificados utilizando el estilo c formato (por ejemplo, labelsPriors%02d.nii.gz -p).
        Nota: El comando asume que los primeros cuatro priores se ordenan como sigue: 1: LCR, 2: GM cortical, 3: WM y 4: GM subcortical (en este caso, los Priores de la plantilla que ha sido registrado en la plantilla del estudio específico).
    8. Ejecuta este comando dará como resultado generados Priores de la plantilla, pero es necesario alisar antes de su uso en la segmentación de Átropos. El comando suavizado es parte del programa de las hormigas. Suavizar a todos los Priores con el comando:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Antes de ejecutar el Atropos, ejecute extracción de cerebro en todos los escaneos espacio nativa. La plantilla específica de estudio se puede utilizar y extrae cerebro generado de la ejecución de antsCorticalThickness.sh en la plantilla (criterio 6.2.1):
      antsBrainExtraction.sh -d 3-T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Las opciones de este comando son:
        -d: dimensiones; -imagen a: anatómica; -plantilla de extracción de cerebro de e: (es decir, plantilla creada sin el desmontaje del cráneo); -m: estudio brainmask específico utilizado para la extracción del cerebro; -Prefijo de salida o:.
    10. Luego ejecute Átropos:
      antsAtroposN4.sh -d 3 - a T1.nii.gz - x T1_brain.nii.gz -c 3 -oh Atropos_specific_template
      1. Las opciones de este comando son:
        -d = dimensiones; -imagen a: anatómica; -máscara de extracción de cerebro de x: generada a partir de la extracción del cerebro; -c: número de clases de tejido para segmentar; -Prefijo de salida o:; -Priores de segmentación específica p: estudio < segmentationPriors%d.nii.gz >
    11. Realizar control de calidad visual en la región de GM como se describe en la sección 8.

7. segmentación por MALP-EM

  1. Para ejecutar el MALP-EM, abra una ventana de terminal, cambiar el directorio en el directorio de instalación de MALP-EM y el tipo:
    . / malpem-proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
  2. Una vez que el comando se ha completado, compruebe que hay una carpeta de salida con las clases de tejido y segmentaciones regionales.
  3. Realizar control de calidad visual en lo GM tal como se describe en la sección 8.

8. visual de Control de calidad

Nota: Control de calidad Visual debe realizarse en todas las regiones segmentadas a utilizarse en el análisis. Control de calidad asegura que las segmentaciones son de alta calidad y representan segmentación confiable de la CGM. Para realizar el control de calidad, cada exploración se abre y superpuesta en la T1 original para comparar la región generada a la CGM visible en la exploración.

  1. SPM, FSL, hormigas y segmentaciones MALP-EM
    1. Realizar control de calidad visual con FSLeyes:
      https://users.fmrib.ox.AC.uk/~paulmc/fsleyes_userdoc/
      Nota: FSLview (un visor de mayor) también puede utilizarse de la misma manera.
    2. Abrir una ventana de terminal y abrir regiones GM superpuestas en la T1 y T1. Para ello, escriba:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Una vez FSLeyes se abre, utilice el botón opacidad en el panel superior para ajustar/reducir la opacidad y permitir la visualización de la imagen de T1 debajo de la región de GM. Cambiar el color de la superposición de segmentación a través de la pestaña' color desplegable' en el panel superior.
    4. Desplácese por cada rebanada en el cerebro.
      Nota: Aquí esto se hace usando el vista coronal, pero los usuarios debe utilizar la vista que tienen más experiencia con.
    5. Compruebe cada rebanada para las regiones de bajo - o sobre - estimation de la región siendo examinada.
      Nota: Consulte la sección de resultados representativos ejemplos de segmentaciones buenos y malos.
  2. FreeSurfer QC
    1. Realizar control de calidad visual mediante TDT.
      Nota: Consulte la documentación aquí:
      https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Abra una ventana de terminal. Para ver la región GM volumétrica superpuesta en la T1, cambie el directorio a la carpeta del tema y tipo:
      TDT./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Desplácese por cada rebanada en el cerebro.
      Nota: Aquí esto se hace usando el vista coronal, pero los usuarios debe utilizar la vista que tienen más experiencia con.
    4. Compruebe cada rebanada para las regiones de bajo - o sobre - estimation de la región siendo examinada.
      Nota: Consulte la sección de resultados representativos ejemplos de las segmentaciones.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Los volúmenes de medio cerebro para 20 participantes de control, junto con información demográfica, se muestra en la tabla 1. Esto actúa como una guía para los valores esperados al usar estas herramientas. Resultados deben considerarse en el contexto de la imagen original de T1.nii. Todas las regiones de GM deben ser inspeccionadas según los pasos descritos en la sección 8. Cuando se realiza el control de calidad visual, es importante comparar directamente las regiones de...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Recientemente, la investigación ha demostrado que el uso de los diferentes métodos volumétricos puede tener implicaciones importantes para los estudios de neuroimagen1,2. Editorial protocolos que ayudan a los usuarios guía en cómo aplicar herramientas de neuroimagen diferentes, así como realizar control de calidad en la salida de resultados por estas herramientas, los investigadores pueden seleccionar el mejor método para aplicar a su conjunto de datos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen nada que revelar.

Agradecimientos

Deseamos agradecer a todos los de la Fundación de Q de CHDI y alto responsable del estudio TRACK-HD; en particular, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer y Sherry Lifer. Los autores también desean extender su agradecimiento a los participantes del estudio TRACK-EH y sus familias. Este trabajo fue emprendido en UCLH/UCL, que recibió una proporción de la financiación del Instituto de nacional del Departamento de salud de salud centros de investigación biomédica investigación esquema de financiación. S.J.T. reconoce apoyo del Instituto Nacional de investigación en salud a través de las demencias y neurodegenerativas Research Network, DeNDRoN.

Investigadores de TRACK-HD:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; A. Coleman r. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, Universidad de British Columbia, Vancouver, BC, Canadá; A. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, París, Francia; Bechtel de N. S. de Bohlen, R. Reilmann, Universidad de la Münster, Münster, Alemania; B. Landwehrmeyer, Universidad de Ulm, Ulm, Alemania; J. S. J. A. van den Bogaard, E. M. Dumas, van der Grond, E. P. ' t Hart, R. A. Roos, Leiden University Medical Center, Leiden, Países Bajos; N. Arran de J. Callaghan, Craufurd D., C. Stopford, Universidad de Manchester, Manchester, Reino Unido; D. M. efectivo, IXICO, Londres, Reino Unido; H. Crawford, N. C. Fox, S. Gregorio, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Lea, M. J. di, Whitehead D., E. Wild, University College London, Londres, Reino Unido; C. Frost, R. Jones, escuela londinense de higiene y Medicina Tropical de Londres, Reino Unido; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, Estados Unidos; y S. Queller, C. Campbell, Indiana University, en Estados Unidos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Software SPMControl de Calidad VisualVisor FSLeyesAn lisis con FreeSurferMedici n del Volumen CerebralProtocolo de NeuroimagenHerramientas de Segmentaci n
Segmentación automática de la materia gris Cortical de las imágenes de T1-Weighted MRI
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.