Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

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

8.7K vues

⸱

DOI :

10.3791/58198

⸱

7 janvier 2019

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

Dans cet article

Résumé

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.

Résumé

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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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.

  1. Assurez-vous que SPM8 est installé et mis dans le chemin d’accès du logiciel.
  2. 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.
  3. Appuyez sur « PET & VBM » pour ouvrir la boîte à outils structurel de MRI.
  4. Appuyez sur « Lot » pour ouvrir l’éditeur de lot. Cela permet la segmentation à effectuer des scans multiples à la fois.
  5. Sélectionnez ' SPM | Spatial | Segment ".
  6. 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 ».
  7. 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 ».
  8. 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.
  9. 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 ».
  10. 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.

  1. Appuyez sur « PET & VBM ».
  2. Appuyez sur « Lot » pour ouvrir l’éditeur de lot.
  3. Sélectionnez ' SPM | Outils | Nouveau Segment' dans la fenêtre de traitement par lots. Sélectionnez les fichiers d’image de T1 (avec l’extension « .nii »).
  4. 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.
  5. 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 ».
  6. 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.

  1. 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.
  2. Appuyez sur « PET & VBM ». Appuyez sur « Lot » pour ouvrir l’éditeur de lot.
  3. Cliquez sur ' SPM | Spatial | Segment ". Cliquez ensuite sur « données | Des volumes.
  4. 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.
  5. 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 ».
  6. 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.

  1. 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
  2. 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.
  3. 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/.

  1. Définir le répertoire où les données sont en tapant :
    Export SUBJECTS_DIR = / chemin/vers/nii/les fichiers
  2. 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.
  3. 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 ».
  4. 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.

  1. 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.
  2. 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

  1. 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
  2. Une fois la commande terminée, vérifier qu’il y a un dossier de sortie avec les classes de tissus et segmentation régionale.
  3. 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.

  1. 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.
  2. 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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

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...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

Logiciel SPMContr le de qualit visuelVisionneur FSLeyesAnalyse FreeSurferMesure du volume c r bralProtocole de neuro imagerieOutils de segmentation
Segmentation automatique de substance grise corticale des Images d’IRM pondérées en T1
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.