Neuroscience

Segmentation automatique de substance grise corticale des Images d’IRM pondérées en T1

Published: January 7, 2019 doi: 10.3791/58198

Eileanoir B. Johnson¹, Rachael I. Scahill¹, Sarah J. Tabrizi¹

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

Summary

Ce protocole décrit le processus d’application de sept outils de segmentation automatique différents à structurels pondérées en T1 IRM à délimiter des régions de matière grise qui peuvent être utilisées pour la quantification du volume de matière grise.

Abstract

Dans la recherche de neuro-imagerie, un certain nombre d’études récentes ont examiné l’incidence des différences entre les études dans les conclusions volumétriques qui sont susceptibles de résulter de l’utilisation des outils de segmentation différente pour générer des volumes de cerveau. Ici, les pipelines de traitement aux sept outils automatisés qui permet de segmenter la matière grise dans le cerveau sont présentés. Le protocole prévoit une première étape pour les chercheurs qui vise à trouver la méthode la plus précise pour générer des volumes de matière grise de l’IRM pondérées en T1. Étapes d’entreprendre le contrôle détaillé de la qualité visuel sont également incluses dans le manuscrit. Ce protocole couvre un éventail d’outils de segmentation potentiels et encourage les utilisateurs à comparer les performances de ces outils au sein d’un sous-ensemble de leurs données avant de sélectionner un à appliquer à une cohorte complète. En outre, le protocole peut être encore généralisé à la segmentation des autres régions du cerveau.

Introduction

Neuroimaging est employé couramment dans les deux cliniques et paramètres de recherche. Il y a un coup en cours pour améliorer la reproductibilité des études qui quantifier le volume du cerveau des analyses de l’imagerie par résonance magnétique (IRM) ; ainsi, il est important que les chercheurs partagent expériences d’utilisation des outils de MRI disponibles pour la segmentation d’IRM en volumes régionaux, afin d’améliorer la normalisation et l’optimisation des méthodes¹. Ce protocole prévoit un guide détaillé à l’aide de sept différents outils pour segmenter la substance grise corticale (CGM ; matière grise qui exclut les régions sous-corticales) d’IRM pondérées en T1. Ces outils ont été précédemment utilisés dans une comparaison méthodologique de segmentation méthodes², qui ont démontré un rendement variable entre les outils sur une cohorte de la maladie de Huntington. Étant donné que les performances de ces outils est pensé à varier selon les différents ensembles de données, il est important pour les chercheurs de tester quelques outils avant de sélectionner un seul à appliquer à l’ensemble de leur données.

Volume de matière grise (GM) est régulièrement utilisé comme mesure de la morphologie du cerveau. Mesures volumétriques sont généralement fiables et capables de distinguer les témoins sains et groupes cliniques³. Le volume des types de tissus différents de régions du cerveau est le plus souvent calculé à l’aide d’outils logiciels automatisés permettant d’identifier ces types de tissus. Ainsi, pour créer des délimitations de haute qualité (segmentations) de GM, la délimitation précise de la substance blanche (WM) et le liquide céphalo-rachidien (LCR) est critique dans la réalisation de précision de la région de GM. Il y a un certain nombre d’outils automatisés qui peuvent être utilisés pour l’exécution de segmentation de GM, et chacun exige des étapes de traitement différent et se traduit par une sortie différente. Un certain nombre d’études ont appliqué les outils aux différents ensembles de données à comparer avec une autre, et certains ont optimisé des outils spécifiques¹^,⁴^,⁵^,⁶^,⁷^,⁸ ^,⁹^,¹⁰^,¹¹. Des travaux antérieurs a montré que la variabilité entre les outils volumétriques peut entraîner des incohérences dans la littérature lorsque l'on étudie le volume du cerveau, et ces différences ont été suggérés comme facteurs de fausses conclusions étant tirées concernant affections neurologiques¹.

Récemment, une comparaison des outils de segmentation différente dans une cohorte qui comprenait les participants contrôle sain et les participants avec la maladie de Huntington a été effectuée. La maladie de Huntington est une maladie génétique neurodégénérative avec un début typiquement à l’âge adulte. L’atrophie progressive de subcortical et CGM est une caractéristique des éminente et bien étudiée neuropathologique de la maladie. Les résultats ont démontré la performance variable de sept outils de segmentation qui ont été appliqués à la cohorte, soutenant des travaux antérieurs qui ont démontré la variabilité des résultats selon le logiciel utilisé pour calculer les volumes de cerveau de l’IRM. Ce protocole fournit des informations sur le traitement utilisé dans Johnson et al. (2017) ² qui encourage une sélection méthodologique rigoureuse des instruments plus appropriés pour une utilisation en neuro-imagerie. Ce manuel couvre la segmentation du volume de GM mais ne couvre pas la segmentation des lésions, telles que celles observées dans la sclérose en plaques.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Remarque : Assurez-vous que toutes les images sont au format NifTI. Conversion en NifTI n’est pas couvert ici.

1. segmentation par SPM 8 : unifiée Segment

Remarque : Cette procédure est effectuée via l’interface utilisateur de SPM8 qui fonctionne au sein de Matlab. Le guide de SPM8 fournit plus de détails et peut être trouvé à : http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

Assurez-vous que SPM8 est installé et mis dans le chemin d’accès du logiciel.
Segmentation de SPM est effectuée à l’aide d’une interface graphique. Pour ouvrir le SPM, ouvrez une fenêtre de commande et tapez « RID » dans la ligne de commande.
Appuyez sur « PET & VBM » pour ouvrir la boîte à outils structurel de MRI.
Appuyez sur « Lot » pour ouvrir l’éditeur de lot. Cela permet la segmentation à effectuer des scans multiples à la fois.
Sélectionnez ' SPM | Spatial | Segment ".
Cliquez sur "données | Sélectionnez des fichiers. Choisissez les analyses pondérées en T1 comme entrée.
Remarque : Les fichiers doivent être décompressés NifTi fichiers, avec l’extension étant « .nii ».
Cliquez sur "fichiers de sortie | Grey Matter "et assurez-vous que l’espace « Native » est sélectionné, procédez de même pour la matière blanche. Si la segmentation de la CSF n’est pas nécessaire laisser cela comme « Aucun ».
Si les scans ont déjà été corrigée en biais, changez l’option « Partialité corrigé » à « Ne Save corrigé ». Pour l’option « Nettoyer toutes les partitions », tester les trois différentes options et utilisez le contrôle visuel de qualité (QC, Section 8) afin de déterminer qui fonctionne le mieux pour les données.
Laissez les autres paramètres comme leurs valeurs par défaut. Ensuite, cliquez sur le drapeau vert pour exécuter la segmentation.
Remarque : Cela prend environ 5 minutes par participant, et la ligne de commande dira : « Segment en cours d’exécution ». Lorsque vous avez terminé, la fenêtre de commande affichera « Done ».
Exécuter visual QC sur le GM (fichier C1*.nii) tel que décrit dans la Section 8.

2. segmentation par SPM 8 : nouveau Segment

Remarque : Cette procédure est effectuée via l’interface utilisateur SPM8. Le guide de SPM8 fournit plus de détails et peut être trouvé à : http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Assurez-vous que SPM8 est installé et mis dans le chemin d’accès du logiciel. Ouvrez le logiciel SPM, généralement effectué en tapant « RID » dans une ligne de commande. Cela ouvre une fenêtre d’interface graphique utilisateur graphique avec un éventail d’options qui peuvent être sélectionnés pour effectuer l’analyse.

Appuyez sur « PET & VBM ».
Appuyez sur « Lot » pour ouvrir l’éditeur de lot.
Sélectionnez ' SPM | Outils | Nouveau Segment' dans la fenêtre de traitement par lots. Sélectionnez les fichiers d’image de T1 (avec l’extension « .nii »).
La valeur « Type de tissu Native » espace « Native ». Au besoin, coupez le tissu de différent classes (par exemple, CSF) - sinon requis - en les définissant à « None ». La valeur « Tissu gondolé » à « None ».
Remarque : Vous peuvent laisser toutes les autres options comme paramètre par défaut.
Cliquez sur le drapeau vert pour exécuter la segmentation.
Remarque : La ligne de commande dira : « En cours d’exécution nouveau Segment ». Une fois, il a fini exécute la volonté de ligne de commande MATLAB dire « fait nouveau Segment ».
Exécuter visual QC sur le GM (fichier C1*.nii) tel que décrit dans la Section 8.

3. la segmentation par l’intermédiaire de SPM 12 : Segment

Remarque : Cette procédure est effectuée via l’interface graphique de SPM12. Le guide de SPM12 fournit plus de détails et peut être trouvé à : http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

Ouvrez le logiciel SPM en tapant « RID » dans la fenêtre de commande. Cela ouvre une fenêtre d’interface graphique utilisateur graphique avec un éventail d’options qui peuvent être sélectionnés pour effectuer l’analyse.
Appuyez sur « PET & VBM ». Appuyez sur « Lot » pour ouvrir l’éditeur de lot.
Cliquez sur ' SPM | Spatial | Segment ". Cliquez ensuite sur « données | Des volumes.
La valeur « Type de tissu Native » espace « Native ». Désactiver les classes de tissus qui ne sont pas tenus (par exemple, CSF) en les définissant à « None ». La valeur « Tissu gondolé » à « None ».
Remarque : Vous peuvent laisser toutes les autres options comme paramètre par défaut.
Cliquez sur le drapeau vert pour exécuter la segmentation.
Remarque : La fenêtre de commande s’affiche : « Segment Running ». Une fois que la série est terminée, il affiche : « Fait débat ».
Exécuter visual QC sur le GM (fichier C1*.nii) tel que décrit dans la Section 8.

4. segmentation par FLS rapide

Remarque : Cette procédure se faite dans la ligne de commande. Le guide FSL fournit davantage de détails et peut être trouvé à : https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

Exécuter l’extraction de cerveau de pari. Il faudra peut-être optimisée pour différents ensembles de données, mais la commande de base est :
pari T1_ID.nii bet_T1_ID.nii
Exécutez le FLS rapide de segmentation :
bet_T1_ID.nii rapide
NOTE : Ceci va afficher cartes de volume partiel et régions binaires pour GM, CSF et WM.
Effectuer QC visuel sur la région de GM (la fin du fichier * _pve_1.nii.gz) tel que décrit dans la Section 8.

5. segmentation par FreeSurfer

Remarque : Cette procédure se faite dans la ligne de commande. Le guide de FreeSurfer fournit davantage de détails et peut être trouvé à : https://surfer.nmr.mgh.harvard.edu/.

Définir le répertoire où les données sont en tapant :
Export SUBJECTS_DIR = / chemin/vers/nii/les fichiers
Exécutez la segmentation en exécutant les commandes :
recon-all - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
recon-tous - subjid T1_ID-autorecon2-autorecon3
Remarque : Les commandes prennent 10 h > par participant. Le - cw256 drapeau est nécessaire pour recadrer les scans avec champs de vision plus grand que 256 à cette taille pour traitement.
Vérifier que le traitement terminé correctement en regardant le script situé dans le "dossier de sortie | scripts | recon-all.log'. Vérifiez que la dernière ligne dit « recon-all - s T1_ID terminé sans erreur ».
Effectuer QC visuel sur la région de GM comme décrit dans la Section 8.

6. la segmentation par l’intermédiaire de fourmis

Remarque : Cette procédure se faite dans la ligne de commande. Fourmis est un logiciel plus complex que les autres outils et il est à noter que la procédure expliquée ici pourrait être davantage optimisé pour chaque cohorte d’améliorer les résultats. Documentation de fourmis peut être trouvée sur : http://stnava.github.io/ANTsDoc/. Il y a deux manières de segmenter les images en classes de tissu comme décrit ci-dessous.

Pour utiliser la première méthode, exécutez la commande « antsAtropos.sh » avec les paramètres par défaut et sans inclure les Prieurs de tissu.
Remarque : Il effectue souvent bien surtout quand seulement 3 classes de tissus sont requis : GM, WM, autres.
1. Définissez le chemin d’accès au logiciel de fourmis en tapant la commande :
  Export ANTSPATH = / chemin/de/fourmis/bin /
2. Exécutez le pipeline de segmentation en tapant la commande :
  antsAtroposN4.sh -d < image_dimension > - un < t1.nii.gz > -c < nombre de classes de tissus > -o < sortie >
  1. Les arguments facultatifs pour cette commande sont :
    Masque de cerveau : x - < mask.nii.gz > ;
    Prieurs de tissu : -p < segmentationPriors%d.nii.gz >.
3. Cela va créer un dossier avec la sortie, y compris les cartes de volume partiel et un cerveau extrait. Effectuer QC visuel sur la région de GM comme décrit dans la Section 8.
Pour générer des classes de tissus plus (GM, GM sous-corticale, WM, CSF, autres, etc.) ou effectuer la segmentation sur une cohorte montrant nerveux pathologie, utilisez des prieurs de tissus spécifiques. Télécharger Prieurs de tissus de différents sites Web. Également utiliser un modèle d’étude spécifique pour faire des prieurs - c’est beaucoup plus complexe, mais peut être bénéfique, surtout dans les cohortes dont les modifications cérébrales pathologiques.
1. Pour créer un modèle d’étude spécifique/prieurs, commencez par créer un modèle d’étude spécifique :
  modèle de -o -d < image_dimension > antsMultivariateTemplateConstruction.sh < autres options >< images.nii.gz >
  1. Les arguments facultatifs pour cette commande sont :
    -contrôle de c: pour le calcul parallèle.
    Si en cours d’exécution en série, utilisez un 0 ; -j: nombre de cœurs ; -r: faire corps rigide d’enregistrement des entrées avant de créer le modèle (par défaut 0)--0 == 1 == sur. Cela n’est utile que lorsqu’un modèle initial n’est pas disponible.
2. Télécharger un brainmask et a priori sur le site de fourmis.
  Remarque : Ce masque peut doivent être modifiés pour s’assurer que c’est une bonne approximation du cerveau modèle. Le brainmask est l’une des parties plus importantes du pipeline ; Si elle est pauvre, cerveau extraction/Atropos fonctionnera mal. Certaines de ces options de téléchargement sont :
  https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
  Le modèle téléchargé doit ensuite être enregistré pour le modèle d’étude.
3. Calculer l’enregistrement, qui va afficher une série de chaînes qui peuvent également être transférés vers le modèle téléchargé à transformer en espace de modèle d’étude spécifique. Pour calculer l’enregistrement, utilisez la commande :
  antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
  1. Les options de cette commande sont :
    -d: dimension (c.-à-d., des scans 3D serait '3') ; -f: fixe l’image (c'est-à-dire l’espace où les images doivent se retrouver) ; -l’image en mouvement m: (c'est-à-dire l’image qui doit être déplacé) ; -le nom d’o : sortie (sans extension nécessaire) ; -n: nombre de threads.
4. S’appliquent à l’enregistrement de données :
  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. Les options de cette commande sont :
    -d: dimension (c.-à-d., des scans 3D serait '3') ; -i: entrée image (c'est-à-dire l’image qui doit être déplacé) ; -image de gauche à droite : référence (c'est-à-dire, l’image de référence définit l’espacement, origine, taille et orientation de l’image déformée de la sortie) ; nom de sortie -o, c’est le modèle téléchargé dans l’espace modèle étude spécifique (extension nécessaire dans ce cas) ; nom de fichier de transformation -t, le fichier de sortie dans le calcul de l’inscription.
5. Vérifier visuellement l’enregistrement pour la correspondance entre le modèle d’étude spécifique et le modèle téléchargé (pour ce faire, ouvrez le modèle d’étude spécifique sur le dessus le modèle téléchargé).
6. Si l’enregistrement a travaillé, appliquer la transformation à Prieurs téléchargés et extrait le cerveau modèle, répétant l’étape 6.2.5.
  Remarque : Après ces étapes, il y aura un modèle d’étude spécifique, un modèle téléchargé alignée sur le modèle d’étude spécifique, avec un masque d’extraction du cerveau téléchargé et Prieurs de tissus aussi alignées sur le modèle d’étude spécifique.
7. Parcourir le modèle spécifique de l’étude antsCorticalThickness.sh ; Ceci fournit des régions GM, WM et CSF qui peuvent être utilisées pour l’étude spécifique a priori :
  antsCorticalThickness.sh -d 3 - une 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. Les options de cette commande sont :
    -d: dimension (c.-à-d., des scans 3D serait '3') ; -a: image segmentation (dans ce cas, le modèle d’étude spécifique) ; -modèle e : cerveau (pas de crâne dépouillé ; dans ce cas, le modèle téléchargé qui a été enregistré dans le modèle d’étude spécifique) ; -masque d’extraction cerveau m: téléchargés (dans ce cas, le cerveau extrait le modèle téléchargé qui a été enregistré dans le modèle d’étude spécifique) ; -p: Prieurs spécifiés à l’aide de c-style de mise en forme (par exemple, p - labelsPriors%02d.nii.gz).
    Remarque : La commande suppose que les quatre premiers Prieurs sont classés comme suit : 1 : CSF, 2 : GM corticale, 3 : WM et 4 : GM sous-corticales (dans ce cas, les Prieurs de la modèle téléchargé qui a été enregistrée dans le modèle d’étude spécifique).
8. L’exécution de cette commande se traduira par des prieurs générés pour le modèle, mais ils ont besoin de lissage avant utilisation dans segmentation Atropos. La commande lissage fait partie du logiciel de fourmis. Lisser tous les a priori à l’aide de la commande :
  SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
9. Avant d’exécuter Atropos, exécutez extraction du cerveau sur tous les scans espace natif. Le modèle d’étude spécifique peut être utilisé et extraits de cerveau généré à partir de antsCorticalThickness.sh en cours d’exécution sur le gabarit (étape 6.2.1) :
  antsBrainExtraction.sh -d 3 - une T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
  1. Les options de cette commande sont :
    -d: dimensions ; -image a: anatomique ; -modèle d’extraction e : cerveau (c.-à-d., modèle créé, sans décapage du crâne) ; -m: étudier brainmask spécifique utilisé pour l’extraction du cerveau ; -préfixe o : sortie.
10. Puis exécutez Atropos :
  antsAtroposN4.sh -d 3 - un T1.nii.gz x - T1_brain.nii.gz -c 3 -o Atropos_specific_template
  1. Les options de cette commande sont :
    -d = dimensions ; -image a: anatomique ; -masque d’extraction x: cerveau généré par l’extraction du cerveau ; -c: nombre de classes de tissus pour segmenter ; -préfixe o : sortie ; -Prieurs de segmentation p: étude spécifique < segmentationPriors%d.nii.gz >
11. Effectuer QC visuel sur la région de GM comme décrit dans la Section 8.

7. segmentation par Paam-EM

Pour exécuter Paam-EM, ouvrez une fenêtre de terminal, accédez au répertoire dans le répertoire d’installation de Paam-EM et tapez :
. / malpem-proot - i T1_scan.nii -o. / -m -f optional_brain_mask_final.nii.gz 3 t -t - 6c
Une fois la commande terminée, vérifier qu’il y a un dossier de sortie avec les classes de tissus et segmentation régionale.
Exécuter visual QC sur le GM comme décrit dans la Section 8.

8. visuel contrôle de la qualité

Remarque : Contrôle de la qualité visuel doit être effectué sur toutes les régions segmentées pour être utilisées dans l’analyse. Contrôle de la qualité s’assure que les segmentations sont d’un niveau élevé et représentent une segmentation fiable de la CGM. Pour effectuer le contrôle de la qualité, chaque analyse est ouvert et superposée sur le T1 original pour comparer la région générée à la CGM visible sur le scan.

SPM, FSL, fourmis et Segmentations Paam-EM
1. Effectuez QC visuelle à l’aide de FSLeyes :
  https://users.fmrib.Ox.ac.uk/~paulmc/fsleyes_userdoc/
  Remarque : FSLview (une ancienne visionneuse) permet également de la même manière.
2. Ouvrez une fenêtre de terminal et ouvrir les T1 et les régions de GM superposées sur le T1. Pour ce faire, tapez :
  fsleyes T1.nii Region1.nii Region2.nii.
3. Une fois que le FSLeyes s’ouvre, utilisez la bascule de l’opacité dans le volet supérieur pour ajuster/réduire l’opacité et de permettre la visualisation de l’image de T1 sous la région de GM. Changer la couleur de la superposition de la segmentation par l’intermédiaire de la « onglet déroulant couleur » dans le volet supérieur.
4. Faire défiler chaque tranche dans le cerveau.
  NOTE : Ici, cela se fait à l’aide de la vue coronale, mais les utilisateurs devrait utiliser la vue qu’ils ont plus d’expérience avec.
5. Vérifiez chaque tranche pour les régions de sous - ou over - estimation de la région à inspecter.
  Remarque : Voir la section résultats représentatifs pour obtenir des exemples de segmentations de bonnes et mauvaises.
FreeSurfer QC
1. Peform QC visuelle à l’aide de FreeView.
  Remarque : Reportez-vous à la documentation ici :
  https://surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
2. Ouvrez une fenêtre de terminal. Pour afficher la région GM volumétrique superposée sur le T1, modifiez le répertoire pour le dossier de l’objet et le type :
  Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
3. Faire défiler chaque tranche dans le cerveau.
  NOTE : Ici, cela se fait à l’aide de la vue coronale, mais les utilisateurs devrait utiliser la vue qu’ils ont plus d’expérience avec.
4. Vérifiez chaque tranche pour les régions de sous - ou over - estimation de la région à inspecter.
  Remarque : Voir la section résultats représentatifs pour obtenir des exemples de la segmentation.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Cerveau moyen volumes pour 20 participants de contrôle, ainsi que des informations démographiques, est indiqué dans le tableau 1. Cela agit comme un guide pour les valeurs attendues lors de l’utilisation de ces outils. Résultats sont à considérer dans le contexte de l’image originale de T1.nii. Toutes les régions de GM doivent être inspectées selon les étapes décrites à la section 8. Lors de l’exécution visual QC, il est important de comparer directement les régions de GM pour l’analyse de T1 en affichant leur superposées sur le T1.

Régions doivent être rejetées pour des erreurs grossières, comme illustré à la Figure 1. Parfois ces erreurs se produisent si le traitement a été correctement exécuté, ou si le cerveau était mal placé dans le champ de vision. Pour corriger ces erreurs, les scans de T1 natifs peuvent être rigidement réalignés à espace standard et segmentation peut être tentée de nouveau. Le taux d’échec varie selon la qualité des données et des outils utilisés, ainsi que la classification de l’insuffisance. Dans la présente étude, taux d’échec des pannes totales résultant dans le rejet étaient < 5 % pour tous les outils, mais des erreurs moins importantes ont été vus régulièrement à travers un certain nombre d’outils. FLS FAST, SPM 8 nouveau Segment et FreeSurfer eu erreurs (mais pas de défaillances) dans > 50 % de scans pour cette cohorte. Ce taux d’erreur a été quantifié en examinant les notes prises au cours du processus visuel de QC, avec erreurs inclus s’ils étaient considérés comme un écart raisonnable des régions attendus, comme illustré dans les Figures 2 et 6. Il est important de noter que ces outils ont été validés sur d’autres ensembles de données et un résultat beaucoup plus faible erreur taux ³^,⁸. Ces erreurs pourraient éventuellement être améliorée via l’intervention manuelle ou l’inclusion d’un masque à l’extraction du cerveau, puisque le nouveau Segment de SPM et Paam-EM a entraîné un taux d’erreur inférieur pour ce dataset, serviraient ces outils à la place. Masques peuvent être appliqués avant le traitement au sein des fourmis et Paam-EM et après le traitement pour SPM (toutes versions) et le premier de la FSL.

Plus d’erreurs mineures sont présentés dans les Figures 2 et 6. Par outils de segmentation différente sur un dataset avant l’application de la cohorte entière de test, l’outil qui effectue le meilleur sur ce dataset peut être sélectionné pour analyse. Lors de l’exécution de QC, une procédure devrait être élaborée pour choisir de refuser, modifier ou d’accepter des segmentations. Les erreurs courantes pour les sept outils sont décrits ici, avec les exemples indiqués dans les Figures 2 et 6. Erreurs dans la segmentation comme celles-ci peuvent souvent être corrigées avec l’ajout d’un masque dans le flux de traitement ou la modification des régions. Toutefois, régions avec une vaste over - ou sous-estimation du cortex devrez peut-être être rejeté de l’analyse. Des critères stricts devraient élaborer et suivre pour prendre cette décision. Ces étapes ne sont pas couverts par le présent protocole et varieront entre dataset dataset.

Généralement, lors de l’exécution visual QC, il est important de prêter une attention particulière aux régions temporale et occipitales, car ce sont des domaines qui montrent les erreurs plus cohérentes. Figure 2 montre des exemples de segmentations temporelles de bonnes et mauvaises, et la Figure 3 illustre des exemples de bonnes et mauvaises segmentations occipitales. La figure 4 illustre un autre problème courant qui se produit dans tous les outils, dans laquelle le tissu non brain est classé comme CGM dans les tranches supérieures du cerveau. La figure 5 affiche une autre question vue dans un certain nombre de segmentations où les régions de la CGM sont exclues de la segmentation. Cela se produit souvent dans les tranches supérieures du cerveau, comme on le voit à la Figure 5.

SPM8 unifiée Segment entraîné souvent mauvaise délimitation temporelle, la région segmentée de GM de se jeter dans les tissus non brain qui entoure les lobes temporaux. Déversement dans le lobe occipital est commun, tout en sous estimation des lobes frontal vu aussi dans un certain nombre de régions. Pour SPM8 nouveau segment, mauvaise délimitation temporelle et renversements occipitale étaient également courantes. En utilisant cette version du SPM se traduit également par voxels dans le crâne et dura classées comme GM dans presque toutes les segmentations. SPM12 a été améliorée par rapport aux versions antérieures de SPM, avec le déversement lobe temporal segmentations amélioré et moins dans d’autres régions. Fourmis ont montré des performances très variables sur cette cohorte, l’extraction de cerveau initiale déterminant la qualité de la segmentation. Il est important d’accorder une attention particulière aux frontières extérieures, et si l’extraction du cerveau est mauvaise à l’aide des fourmis, puis le masque de cerveau inclus dans la commande Atropos peut être amélioré. Problèmes avec une surestimation de la GM dans les lobes temps et occipitales étaient encore fréquentes. Paam-EM a montré moins de problèmes avec une surestimation des lobes temps et occipitales ; bien que, il y a une sous-estimation du cortex dans un certain nombre de cas. Ceci peut être amélioré par l’inclusion d’un masque de cerveau dans le pipeline. FLS FAST segmentations étaient très variables, en raison de la variable rendement d’extraction de cerveau de pari sur les données de cette cohorte. Encore une fois, les questions dans l’occipital et les lobes temporaux étaient communes ; Toutefois, ceux-ci peuvent être améliorées avec l’optimisation de l’extraction du cerveau. Enfin, les régions volumétriques FreeSurfer sont souvent serrées le long de la limite de GM/CSF, généralement à l’exclusion de certaines régions de GM dans la bordure extérieure (Figure 6). Comme avec d’autres outils, fuite à l’extérieur de la GM est répandue dans les lobes temps et occipitales. Enfin, la Figure 7 montre un exemple d’une bonne segmentation affiché dans FSLview qui n’avait aucuns erreurs de segmentation. Édition manuelle des régions peut souvent être effectuée afin d’améliorer les régions, même si cela n’est pas couvert ici.

Figure 1 : Exemple d’une segmentation échec affichée sur un scan T1. Cette segmentation doit être re-traitée et exclue de l’analyse, si elle ne peut pas être améliorée. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2 : Exemples de la performance des différents outils sur le lobe temporal sur un scan T1. (A), le T1 scan sans une segmentation. (B), le T1 scan avec un exemple d’une bonne délimitation régionale (Paam-EM). (C), le T1 scan avec un exemple d’une bonne délimitation régionale (FreeSurfer). (D) T1 le scan avec un exemple d’une mauvaise délimitation régionale, montrant le déversement dans le lobe temporal gauche et droit (SPM 8 nouveau Segment). (E) T1 le scan avec un exemple d’une mauvaise délimitation régionale, montrant le déversement dans les gauche et de droite lobes temporaux (FSL rapide). Les scans sont considérés en FSLeyes avec le scan T1 comme une image de base et dans la région de GM en surimpression. Dans cette figure, les régions de GM sont considérées comme rouge-jaune avec une opacité de 0,4. Le dégradé de couleur représente un volume partiel de voxels, avec voxels qui sont plus jaunes ayant une estimation plus élevée de PVE (plus susceptible d’être GM) et ceux qui sont en rouge, avoir une estimation plus faible de PVE (moins susceptible d’être GM). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 3 : Exemples de la performance des différents outils sur le lobe occipital sur un scan T1. (A), le T1 scan sans une segmentation. (B), le T1 scan avec un exemple d’une bonne délimitation régionale (Paam-EM). (C) T1 le scan avec un exemple d’une délimitation de pauvres lobe occipital avec déversement dans la dure-mère dans la section médiane de la région (SPM 8 Unified Segment). (D) T1 le scan avec un exemple d’une délimitation de pauvres lobe occipital avec déversement dans la dure-mère dans les sections médiales et supérieures de la région (SPM 8 nouveau Segment). (E) T1 le scan avec un exemple d’une délimitation de pauvres lobe occipital avec déversement dans la dure-mère dans les sections médiales et supérieures de la région (FSL rapide). Les scans sont considérés en FSLeyes avec le scan T1 comme une image de base et dans la région de GM en surimpression. Dans cette figure, les régions de GM sont considérées comme rouge-jaune avec une opacité de 0,4. Le dégradé de couleur représente un volume partiel de voxels, avec voxels qui sont plus jaunes ayant une estimation plus élevée de PVE (plus susceptible d’être GM) et ceux qui sont en rouge, avoir une estimation plus faible de PVE (moins susceptible d’être GM). S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 4 : Exemple d’une région de GM s’infiltre à la dure-mère, affichée dans une fenêtre FSLview (en vue sagittale et coronale axial). La région bleue met en évidence le déversement dans la dure-mère. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 5 : Exemple d’une région de GM qui a exclu des régions de la CGM de segmentation. Cette région est affichée dans une fenêtre FSLview, en vue sagittale et coronale axial. La vue axiale meilleure montre les régions qui ont été exclues de la segmentation. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 6 : Exemple d’une région FreeSurfer GM qui est très serrée, la frontière de GM/CSF, affiché dans FreeView. La fenêtre coronaire dans les meilleurs albums de gauche affiche la sous-estimation de la CGM dans cette région. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 7 : Exemple d’une région bien délimitée de Paam-EM sur un scanner du cerveau T1. La région ne présente aucun problèmes avec over - ou sous-estimation de la CGM dans n’importe quelle région. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Table 1
Tableau 1 : Données démographiques et les volumes moyens de GM (mL) pour 20 participants de contrôle de l’étude de TRACK-HD, segmenté à l’aide de sept outils décrits ici.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Récemment, des recherches ont démontré que l’utilisation de différentes méthodes volumétriques peut-être avoir des implications importantes pour les études de neuro-imagerie¹^,². Par les protocoles de publication qui guide les utilisateurs novices dans comment appliquer les outils de la neuroimagerie différents, ainsi que comment faire QC sur la sortie des résultats de ces outils, les chercheurs peuvent choisir la meilleure méthode à appliquer à l’ensemble de leur données.

Alors que la plupart des mesures dans ce POS peuvent être ajustés pour répondre aux besoins de données et de chercheur, un des procédés plus critiques présentées ici sont les étapes qui décrit le contrôle détaillé de la qualité visuel. QC visuelle doit être effectuée sur toutes les sorties de segmentations par ces outils et est essentielle pour la mesure précise du CGM. Les démarches QC pour assurer les segmentations de haute qualité ont été élaborées après l’examen de milliers de régions CGM. En comparant différents outils via un examen visuel, on trouvera la méthode la plus précise pour chaque dataset.

Pour chaque outil, il y a différentes options qui peuvent être utilisées pour optimiser la segmentation sur chaque jeu de données. Il est souvent préférable d’harmoniser tous les scans à espace natif avant la segmentation, car cela peut réduire les erreurs de segmentation ; Cependant, ce n’est pas indispensable. En outre, les régions de sortie de chaque outil diffèrent, certains dont seulement GM corticale et certains aussi des régions sous-corticales. En outre, certaines régions sortie volume partiel estime (PVE) et certains tissus distincts cartes de sortie. Alors que l’extraction de volume n’est pas couvert ici, et discussion sur la différence entre PVE et tissus distincts cartes déborde le cadre de ce mode opératoire normalisé (SOP), les cartes PVE sont généralement acceptées comme un plus fiables de mesure¹². Ce SOP fournit des informations sur le traitement utilisé dans Johnson et al. (2017) ² segment et QC les scans ; Toutefois, il peut y avoir des sélections plus appropriées pour les autres utilisateurs selon la qualité de leurs images et poursuite de la procédure telles que l’application de masques pour limiter les régions corticales GM peut être exigée. Toutes les segmentations peuvent être effectuées dans l’espace natif.

Ce protocole prévoit pipelines exemple sept différentes méthodes utilisables pour segmenter le CGM d’IRM T1. Ces exemples suivent en grande partie les pipelines par défaut qui sont recommandés pour chaque logiciel, et il est important de noter que l’optimisation supplémentaire de ces pipelines peuvent être nécessaires pour la segmentation réussie d’une région sur différentes analyses. Certains outils, tels que Paam-EM, ont des options limitées et sont probables mieux pour les utilisateurs qui sont nouveaux dans la neuro-imagerie. Autres outils, notamment les fourmis, peuvent subir d’optimisation détaillée, et le protocole présenté ici représente une application possible de ce logiciel. Des options supplémentaires, telles que l’utilisation des masques pour limiter le calcul des volumes, sont également possibles pour la plupart des outils.

Il est important de noter que pas tous les outils peuvent être utilisés sur tous les systèmes d’exploitation. SPM et les fourmis sont compatibles avec les systèmes Windows, Mac et Linux, FLS est compatible avec les systèmes Mac et Linux, et Paam-EM et FreeSurfer sont compatibles avec les systèmes Linux (ou une machine virtuelle de Linux sur un PC Windows/Mac).

Ce protocole couvre les étapes qui peuvent être utilisés pour effectuer la segmentation et le contrôle de la qualité (CQ) sur 3D pondérées en T1 IRM pour générer des régions CGM. Toutefois, le protocole suppose que les images sont des images de T1 3D au format NifTI (.nii extension). Dans l’analyse réalisée par Johnson et al. ², images étaient déjà parti pris-corrigé à l’aide de la procédure de N3¹³. Ce protocole suppose également que le logiciel a été téléchargé et installé sur une machine linux selon les instructions fournies par chaque outil. Le logiciel comparé ici incluent SPM8¹⁴, SPM12, FLS¹⁵FreeSurfer¹⁶^,¹⁷, fourmis¹⁸et Paam-EM¹⁹.

Ce SOP couvre un éventail de techniques de segmentation ; Cependant, il existe autres options pour segmenter les analyses structurelles T1. Ces méthodes ont été retenues aux fins de la comparaison précédente par Johnson et al. ² basé sur leur fréquence d’utilisation dans la recherche de la maladie de Huntington. Toutefois, chaque outil effectue différemment dans chaque jeu de données et outils de segmentation non couverts ici peuvent être appropriés pour d’autres groupes d’ensembles de données et de la recherche.

Ces outils sont largement utilisés dans la recherche de neuro-imagerie. Mises à jour logicielles sont créés pour ces outils, il est probable que la sortie de chaque méthode de segmentation va subir des changements importants au fil du temps. Toutefois, l’accent doit rester sur le processus de QC visuel pour s’assurer que les segmentations de haute qualité sont utilisées dans les études de neuro-imagerie.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Nous tenons à remercier tous ceux à la fondation de Q CHDI/haut responsable de l’étude de TRACK-HD ; en particulier, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer et Sherry Lifer. Aussi, les auteurs tiennent à exprimer leur gratitude aux participants à l’étude TRACK-HD et leurs familles. Ce travail a été entrepris à l’UCLH/UCL, qui a reçu une part du financement de l’Institut National du ministère de la santé santé recherche centres de recherche biomédicale programme de financement. S.J.T. reconnaît le soutien de l’Institut National de recherche en santé par démences et neurodégénératives Research Network, DeNDRoN.

Enquêteurs de piste-HD :
C. Campbell, M. Campbell, I. la rose, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australie ; A. Coleman, r. Dar Santos, J. Delsaute, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Canada ; A. Durr, Jauffret, Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institut C.d., Paris, France ; N. Bechtel, S. Bohlen, R. Reilmann, Université de Münster, Münster, Allemagne ; B. Landwehrmeyer, Université d’Ulm, Ulm, Allemagne ; 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, pays-bas ; N. Arran, J. Callaghan, d. Craufurd, Stopford C., University of Manchester, Manchester, United Kingdom ; D. M. Cash, IXICO, London, United Kingdom ; H. Crawford, N. C. Fox, Gregory S., G. Owen, N. Z. Hobbs, N. Labrousse, I. Malone, J. Read, M. J. Say, d. Whitehead, E. Wild, University College de Londres, London, United Kingdom ; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londres, Royaume-Uni, E. Axelson, H. J. Johnson, d. Langbehn, Université de l’Iowa, IA, États-Unis ; et S. Queller, c. Campbell, Indiana University, aux États-Unis.

References

Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
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).
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).
Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
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).
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).
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).
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).
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).
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).
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).
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).
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).
Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
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).
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).
Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).

Neuroscience

Segmentation automatique de substance grise corticale des Images d’IRM pondérées en T1

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.