Summary
该协议描述了将7种不同的自动分割工具应用于结构 t1 加权 mri 扫描的过程, 以描述可用于量化灰质体积的灰质区域。
Abstract
在神经成像研究中, 最近的一些研究讨论了研究之间在体积发现方面的差异所产生的影响, 这些差异被认为是由于使用不同的分割工具来产生大脑体积。在这里, 介绍了可用于分割大脑中灰质的七个自动化工具的处理管道。该协议为研究人员提供了一个初步步骤, 他们的目标是从 t1 加权 mri 扫描中找到产生灰质体积的最准确方法。手稿中还包括进行详细视觉质量控制的步骤。此协议涵盖了一系列潜在的细分工具, 并鼓励用户在选择应用于完整队列的工具之前, 在其数据的子集中比较这些工具的性能。此外, 该协议还可以进一步推广到其他大脑区域的分割。
Introduction
神经成像广泛应用于临床和研究环境。目前有一个动作, 以提高研究的重现性, 量化磁共振成像 (mri) 扫描的大脑体积;因此, 调查人员必须分享使用可用 mri 工具将 mri 扫描分割为区域卷的经验, 以改进方法1的标准化和优化。该协议提供了一个分步指南, 使用七种不同的工具来分割皮质灰质 (cgm; 灰质, 排除皮质下区域) 从 t1 加权 mri 扫描。这些工具以前用于分割方法2的方法比较, 该方法显示了亨廷顿病队列中工具之间的可变性能。由于这些工具的性能被认为因不同数据集而异, 因此研究人员在选择仅应用于其数据集的工具之前, 必须先测试一些工具。
灰质 (gm) 体积经常被用作测量大脑形态的指标。体积测量通常是可靠的, 能够区分健康的对照组和临床组3。大脑区域的不同组织类型的体积通常是使用自动软件工具来计算这些组织类型的。因此, 要建立高质量的转基因区域划分 (分段), 准确划定白质 (wm) 和脑脊液 (csf) 对于实现全球机制区域的准确性至关重要。有许多自动化工具可用于执行 gm 细分, 每个工具都需要不同的处理步骤, 并产生不同的输出。一些研究将这些工具应用于不同的数据集, 将它们与其他数据集进行比较, 一些研究优化了特定工具1、4、5、6、7、8 , 9,10,11。先前的研究表明, 体积工具之间的差异可能会导致文献中的不一致, 在研究大脑体积时, 这些差异已被认为是导致错误结论被得出的驱动因素神经状况1。
最近, 对包括健康控制参与者和亨廷顿病参与者在内的队列中的不同分割工具进行了比较。亨廷顿病是一种遗传性神经退行性疾病, 成年后典型发病。皮质下逐渐萎缩和 cgm 是该疾病的一个突出和研究良好的神经病理特征。结果显示了应用于队列的7个分割工具的可变性能, 这支持了先前的工作, 这些工作证明了根据用于计算 mri 扫描大脑体积的软件, 发现的可变性。该协议提供了关于 johnson 等人之间使用的处理的信息.(2017年)2 , 鼓励仔细选择最适合用于神经成像的工具的方法。本手册涵盖了转基因体积的分割, 但不包括病变的分割, 例如在多发性硬化症中看到的病变。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
注意: 确保所有图像均采用 nifti 格式。这里不包括转换为 nifti。
1.通过spm 8 进行细分: 统一细分
注: 此过程是通过在 matlab 中运行的 spm8 gui 执行的。spm8 指南提供了更多详细信息, 可在 http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf 上找到。
- 确保在软件路径中安装并设置了 spm8。
- spm 分段是使用 gui 执行的。要打开 spm, 请打开命令窗口并在命令行中键入 "spm"。
- 按 "pet & vbm" 打开结构 mri 工具箱。
- 按 "批处理" 打开批处理编辑器。这样就可以一次在多个扫描上执行分段。
- 选择 "spm"空间的段 '。
- 点击 "数据"选择 "文件"。选择 t1 加权扫描作为输入。
注: 必须解压缩 nifti 文件, 扩展名为 ". nii"。 - 点击 "输出文件""灰色物质" 并确保选择 "原生空间", 对白质也这样做。如果不需要 csf 分割, 请将其保留为 "无"。
- 如果扫描已被偏置更正, 请将 "偏置" 选项更改为 "不保存已更正"。对于 "清理任何分区" 选项, 测试这三个不同的选项, 并使用可视化质量控制 (qc, 第8节) 来确定哪些最适合数据。
- 将其他设置保留为默认设置。然后, 单击绿色标志运行分段。
注: 每个参与者大约需要 5分钟, 命令行将显示 "运行段"。完成后, 命令窗口将显示 "完成"。 - 如第8节所述, 在 gm (C1*.nii 文件) 上执行可视化 qc。
2. 通过 spm 8 进行细分: 新的细分
注: 此过程通过 spm8 gui 执行。spm8 指南提供了更多详细信息, 可在 http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf 上找到。确保在软件路径中安装并设置了 spm8。打开 spm 软件, 通常通过在命令行中键入 "spm" 来执行。这将打开一个图形用户界面 (gui) 窗口, 其中包含一系列可供选择的选项来执行分析。
- 按 "pet & vbm"。
- 按 "批处理" 打开批处理编辑器。
- 选择 "spm"工具类"批处理" 窗口中的 "新段"。选择 t1 图像文件 (扩展名为 ". nii")。
- 将 "本地组织类型" 设置为 "本地空间"。根据需要, 关闭不同的组织类 (如 csf)-如果不是必需的), 将其设置为 "无"。将 "扭曲的组织" 设置为 "无"。
注: 所有其他选项都可以保留为默认设置。 - 单击绿色标志以运行分段。
注: 命令行将显示 "运行新段"。一旦它完成运行 matlab 命令行将说, ' 完成新的段 '。 - 如第8节所述, 在 gm (C1*.nii 文件) 上执行可视化 qc。
3. 通过 spm 12 分段: 分段
注: 此过程是通过spm12 gui 执行的。spm12 指南提供了更多细节, 可在以下网址查阅: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf。
- 通过在命令窗口中键入 "spm" 来打开 spm 软件。这将打开一个图形用户界面 (gui) 窗口, 其中包含一系列可供选择的选项来执行分析。
- 按 "pet & vbm"。按 "批处理" 打开批处理编辑器。
- 点击 "spm"空间的段 '。然后, 点击 "数据"卷 '。
- 将 "本地组织类型" 设置为 "本地空间"。通过将不需要的组织类 (如 csf) 设置为 "无", 关闭这些组织类。将 "扭曲的组织" 设置为 "无"。
注: 所有其他选项都可以保留为默认设置。 - 单击绿色标志以运行分段。
注: 命令窗口将显示: "正在运行段"。运行完成后, 它将显示: "完成段"。 - 如第8节所述, 在 gm (C1*.nii 文件) 上执行可视化 qc。
4. 通过 fsl fast 进行分段
注: 此过程在命令行中完成。fsl 指南提供了更多详细信息, 可在 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki 上找到。
- 运行 bet 大脑提取。这可能需要针对不同的数据集进行优化, 但基本命令是:
下注 T1_ID.nii bet_T1_ID.nii - 运行 fsl 快速细分:
快速 bet_T1_ID.nii
注: 这将输出 gm、csf 和 wm 的部分卷映射和二进制区域。 - 按照第8节的描述, 在 gm 区域 (文件结束 * _pve_1.nii.gz) 上执行可视化 qc。
5. 通过自由冲浪者分割
注: 此过程在命令行中完成。免费冲浪指南提供了更多的细节, 可以在 https://surfer.nmr.mgh.harvard.edu/找到。
- 通过键入以下内容来设置数据所在的目录:
导出 subjects _ dir =/pathto\ 文件 - 通过运行以下命令运行分段:
recon-all-i T1_ID.nii-子 jid T1_ID-autorecon1-cw256
recon-all-------------------------------------------------------------
注: 每个参与者的命令需要 > 10小时。-cw256 标志是裁剪视野大于256的扫描所必需的, 以进行处理。 - 查看位于 "输出文件夹" 中的脚本, 检查处理是否已正确完成脚本recon-all.log. log '。检查最后一行是否显示 "全部恢复" T1_ID 没有错误即可完成 "。
- 如第8节所述, 在通用汽车区域执行可视化 qc。
6. 通过 ant 分割
注: 此过程在命令行中完成。ant 是一个比其他工具更复杂的软件, 应该注意的是, 这里解释的过程可以进一步优化为每个队列, 以提高结果。ant 文档可在 http://stnava.github.io/ANTsDoc/上找到。有两种方法可以将图像分割成组织类, 如下所述。
- 若要使用第一种方法, 请使用默认设置运行命令 "antsast没有过. sh", 而不包括组织原点。
注: 这通常表现良好, 尤其是当只需要3个组织类: gm, wm, 其他。- 通过键入以下命令设置 ant 软件的路径:
出口 antspath =/pathtot\ antsbin/init - 通过键入以下命令运行分段管道:
antstroposn4. sh-d < 图像 _ 维数 >-& lt;t1.nii.gz>-c < 组织类的数量 > < 输出 >- 此命令的可选参数为:
脑罩:-x < > mask.nii.gz;
组织原点:-p < 节原点 d.nii.gz >。
- 此命令的可选参数为:
- 这将创建一个文件夹, 其中包含部分体积映射和提取的大脑。如第8节所述, 在通用汽车区域执行可视化 qc。
- 通过键入以下命令设置 ant 软件的路径:
- 要生成更多的组织类 (gm、皮质下 gm、wm、csf 等) 或对显示神经病理的队列进行分割, 请使用特定的组织前科。从不同的网站下载组织前科。或者, 使用特定于研究的模板来制作前科--这要复杂得多, 但可能是有益的, 特别是在大脑发生病理变化的群体中。
- 若要创建特定于学习的模板/首选项, 请首先创建特定于研究的模板:
< 图像的图像 _ 维度 >-o 模板 < 其他选项 > < >- 此命令的可选参数为:
-c: 并行计算的控制。
如果以串行方式运行, 则使用 0; 如果以串行方式运行, 则使用0。-j: 内核数;-r: 在创建模板之前对输入进行刚体注册 (默认为 0)-0 = 关闭 1 = = 打开。这仅在初始模板不可用时才有用。
- 此命令的可选参数为:
- 从 ant 网站下载一个智慧面具和前科。
注: 此掩码可能需要进行编辑, 以确保它是模板大脑的一个很好的近似值。智面具是管道最重要的部分之一;如果它是差的, 那么大脑萃取-阿特罗普斯将运行不好。其中一些下载选项包括:
https://figshare.com/articles/ANTs_ANTsR_Brain_Templates？915436, 我的时间, 我的
然后, 下载的模板应注册到研究模板。 - 计算注册, 这将输出一系列扭曲, 然后可以应用于下载的模板, 将其转换为特定于研究的模板空间。若要计算注册, 请使用以下命令:
antsRegistrationSyNQuick.sh. sh-d template.nii.gz-m 下载 _ template.nii.gz-o 下载 _ 到 _ 模板-n 6- 此命令中的选项包括:
-d: 尺寸 (即3d 扫描将为 "3");-f: 固定图像 (即图像需要结束的空间);-m: 移动图像 (即需要移动的图像);-o: 输出名称 (无需扩展);-n: 线程数。
- 此命令中的选项包括:
- 将注册应用于数据:
。- 此命令中的选项包括:
-d: 尺寸 (即3d 扫描将为 "3");-i: 输入图像 (即需要移动的图像);-r: 参考图像 (即, 参考图像定义输出扭曲图像的间距、原点、大小和方向);-o 输出名称, 这是在特定于研究的模板空间中下载的模板 (在这种情况下需要扩展);-t 转换文件名, 来自注册计算的输出文件。
- 此命令中的选项包括:
- 直观地检查注册, 以获取特定于研究的模板和下载的模板之间的对应关系 (为此, 请在下载的模板顶部打开特定于学习的模板)。
- 如果注册已成功, 请将转换应用于下载的原点和提取的模板大脑, 重复步骤6.2.5。
注: 按照这些步骤, 将有一个特定于学习的模板, 一个与特定于研究的模板对齐的下载模板, 以及一个下载的大脑提取掩码和组织前科也与研究特定的模板对齐。 - 通过抗 corticalthicknesss 运行研究特定模板;这提供了可用于特定学习的主, 并提供了 gm、wm 和 csf 区域:
antscorticalthicknex. sh-d template.nii.gz-e 下载 _ template.nii.gz-m 下载 _ binard-m 下载 _ binard-m _ 模板 _ brain _ studyspace.nii.gz-p 下载 _ labelspriors% d.nii.gz o ct _ 模板- 此命令中的选项包括:
-d: 尺寸 (即3d 扫描将为 "3");-a: 要分割的图像 (在这种情况下, 特定于学习的模板);-e: 大脑模板 (不是头骨剥离; 在这种情况下, 已注册到特定于学习的模板的下载模板);-m: 下载的大脑提取面膜 (在这种情况下, 从已注册到特定于学习的模板的下载模板中提取的大脑);-p: 使用 c 样式格式指定的前部 (例如, -p labelsPriors%02d.nii.gz)。
注: 该命令假定前四个前名的顺序如下: 1:csf、2: 皮质 gm、3:wm 和 4: 皮质 gm (在本例中为已注册到特定于研究对象的模板的下载模板中的前部)。
- 此命令中的选项包括:
- 运行此命令将生成模板的优先级, 但它们需要在 Atropos 分割中使用之前进行平滑处理。平滑命令是 ant 软件的一部分。使用该命令平滑所有优先项:
平滑图像 3 CT_template_BrainSegmentationPosteriors2.nii.gz ct _ 模板 _ 脑分割后部 _ smoothed.nii.gz - 在运行阿特罗波斯之前, 在所有的本机空间扫描中运行大脑提取。可以使用特定于研究的模板, 并提取从在模板上运行 antscorticalthickn斯. sh 而产生的大脑 (步骤 6.2.1):
template.nii.gz-m 模板 _ BrainExtractionBrain.nii.gz-o T1_brain.nii.gz- 此命令中的选项包括:
-d: 尺寸;-a: 解剖图像;-e: 大脑提取模板 (即创建模板, 无需颅骨剥离);-m: 研究用于大脑提取的特定脑罩;-o: 输出前缀。
- 此命令中的选项包括:
- 然后运行阿特罗波斯:
antstroposn4. sh-d 3-a T1.nii.gz T1_brain.nii.gz-c 3-o astopos _ 具体模板- 此命令中的选项包括:
-d = 尺寸;-a: 解剖图像;-x: 从大脑提取中产生的大脑提取面膜;-c: 要分割的组织类的数量;-o: 输出前缀;-p: 特定于研究的分割先验 < 分割的原始 d.nii.gz >
- 此命令中的选项包括:
- 如第8节所述, 在通用汽车区域执行可视化 qc。
- 若要创建特定于学习的模板/首选项, 请首先创建特定于研究的模板:
7. 通过 malp-em 分割
- 若要运行 alp-em, 请打开终端窗口, 将目录更改为 malp-em 安装目录, 然后键入:
./malpem-proot T1_scan.nii. o./-m 可选 _ brain _ bit _ brain _ maw _ final.nii.gz-f 3t-t 6-c - 命令完成后, 请检查是否有包含组织类和区域分段的输出文件夹。
- 如第8节所述, 对全球机制进行可视化质量控制。
8. 视觉质量控制
注: 应对要在分析中使用的所有分段区域执行视觉质量控制。质量控制可确保分割标准很高, 并代表 cgm 的可靠分割。为了执行质量控制, 每次扫描都将在原始 t1 上打开并叠加, 以便将生成的区域与扫描上可见的 cgm 进行比较。
-
spm、fsl、ant 和 malp-em 细分
- 使用 fsleyyes 执行可视化 qc:
https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
注意: fslview (较旧的查看器) 也可以以相同的方式使用。 - 打开终端窗口, 打开 t1 和覆盖在 t1 上的 gm 区域。为此, 请键入:
fsleyes t1. nii region1. nii region2. nii. nii. nii. nii。 - 打开 fsreyes 后, 使用顶部窗格上的不透明度切换来调整不透明度, 并允许在 gm 区域下方显示 t1 图像。通过顶部窗格中的 "颜色下拉选项卡" 更改细分覆盖的颜色。
- 滚动浏览大脑中的每一片。
注: 这是使用日冕视图完成的, 但用户应使用他们最有经验的视图。 - 检查每个切片是否有被检查区域的估计不足或过高的区域。
注: 有关好的和坏的分段的示例, 请参阅具有代表性的结果部分。
- 使用 fsleyyes 执行可视化 qc:
-
自由冲浪者质量控制
- 使用 freeview 进行可视化 qc。
注: 请参阅此处的文档:
https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart, 我的时间, 我的 - 打开终端窗口。要查看覆盖在 t1 上的体积 gm 区域, 请将目录更改为主题文件夹, 然后键入:
freeview./mri/t1. mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:。3 - 滚动浏览大脑中的每一片。
注: 这是使用日冕视图完成的, 但用户应使用他们最有经验的视图。 - 检查每个切片是否有被检查区域的估计不足或过高的区域。
注: 有关分段的示例, 请参阅具有代表性的结果部分。
- 使用 freeview 进行可视化 qc。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
表 1显示了20名控制参与者的平均大脑体积以及人口信息。在使用这些工具时, 这将作为预期值的指南。结果应在原始 t1. nii 图像的上下文中查看。应按照第8节所述的步骤对所有转基因区域进行检查。在执行可视化 qc 时, 通过查看覆盖在 t1 上的 gm 区域, 将其与 t1 扫描直接进行比较非常重要。
区域的严重错误应被拒绝, 如图 1所示。有时, 如果处理运行不正确, 或者大脑在视野内定位不佳, 就会产生这些错误。为了纠正这些错误, 本机 t1 扫描可以严格地重新与标准空间对齐, 并且可以重新尝试分段。故障率将根据所使用的数据和工具的质量以及故障分类而有所不同。在目前的研究中, 所有工具的总故障导致拒绝的故障率 < 5%, 但在许多工具中始终出现不太显著的错误。fsl fast、spm 8 新段和 freeflfer 在此队列的 > 50% 的扫描中出现错误 (但不是失败)。如图2-6 所示, 通过检查在目视质量控制过程中记录的笔记来量化这一错误率, 如果这些记录被视为合理偏离预期区域, 则包括错误。需要注意的是, 这些工具已在其他数据集上进行了验证, 导致错误率3、8 要低得多。虽然这些错误可以通过手动干预或在大脑提取时加入掩码来改进, 但由于 spm 新段和 galp-em 导致此数据集的错误率较低, 因此将使用这些工具。在 ant 和 malp-em 内部处理之前, 以及在处理 spm (所有版本) 和 fsl first 之后, 可以应用掩码。
图 2-6显示了更多的小错误。通过在应用到整个队列之前对数据集测试不同的细分工具, 可以选择在该数据集上执行最佳性能的工具进行分析。在执行 qc 时, 应开发一个选择拒绝、编辑或接受分段的过程。此处描述了这七个工具的常见错误,如图2-6 所示。像这样的分段错误通常可以通过在处理流中添加掩码或编辑区域来纠正。然而, 对皮层有广泛的过度或低估的区域可能需要从分析中被拒绝。在作出这一决定时, 应制定和遵循严格的标准。这些步骤不在本协议中涉及, 并且因数据集而异。
一般来说, 在执行视觉 qc 时, 必须特别注意时间和枕部区域, 因为这些区域显示的错误最一致。图 2显示了好的和坏的时间分段的示例,图 3显示了良好和坏的枕骨分段的示例。图 4显示了在所有工具中发生的另一个常见问题, 在这些工具中, 非脑组织在大脑的高级切片中被归类为 cgm。图 5显示了在多个分段中看到的另一个问题, 其中 cgm 的区域被排除在分段之外。这通常发生在大脑的高级切片中, 如图 5所示。
spm8 统一段通常导致时间划分不佳, 分割的 gm 区域溢出到时间裂片周围的非脑组织。溢出到枕叶是常见的, 而对额叶的估计不足也出现在一些地区。对于 spm8 新的段, 不良的时间划分和枕部溢漏也是常见的。使用这个版本的 spm 也会导致头骨和硬脑膜内的体素在几乎所有的分段中被归类为 gm。与早期版本的 spm 相比, spm12 得到了改善, 其他区域的颞叶分割得到了改善, 溢出量较小。ant 在这一队列中表现出高度可变的性能, 初始大脑提取决定了分割的质量。重要的是要特别注意外部边界, 如果使用 ant 的大脑提取不好, 那么阿特罗波斯命令中包含的大脑掩码就可以得到改进。在颞叶和枕叶对全球机制的过度估计问题再次普遍存在。malp-em 显示的时间和枕叶高估问题较少;不过, 在许多情况下, 皮质的估计不足。这可以通过在管道中加入一个大脑面罩来改善。由于 bet 大脑提取对该队列数据的可变性能, fsl fast 分割是高度可变的。同样, 枕部和颞叶内的问题也很常见;然而, 这些可以通过优化大脑提取来改善。最后, freesurfer 体积区域通常沿 gm/csf 边界紧密, 通常将 gm 的某些区域排除在外边界 (图 6)。与其他工具一样, 转基因以外的溢漏在颞叶和枕叶中普遍存在。最后,图 7显示了 fslview 中显示的一个良好的分段示例, 该过程在分割中没有错误。通常可以对区域进行手动编辑, 以改进区域, 尽管这里不涉及这一点。
图 1: t1 扫描上显示的分段失败的示例.如果无法改进, 则应重新处理这种分割, 并将其排除在分析之外。请点击这里查看此图的较大版本.
图 2: t1 扫描上的颞叶上不同工具的性能示例.(a) t1 扫描, 无需分割。(b) t1 扫描, 并以良好的区域划分 (alp-em) 为例。(c) t1 扫描与一个很好的区域划分的例子 (自由冲浪者)。(d) t1 扫描, 其中一个例子是区域划分不良, 显示左、右颞叶溢漏 (spm 8 新段)。(e) t1 扫描, 其中一个例子是区域划分不良, 显示左、右颞叶溢漏 (fsl fast)。扫描在 fsleyyes 中被视为基本图像, gm 区域作为覆盖。在此图中, gm 区域被视为红黄色区域, 不透明度为0.4。颜色渐变表示部分体积的体素, 其中较黄的体素具有较高的 pve 估计 (更有可能是 gm), 而红色的体素具有较低的 pve 估计 (不太可能是 gm)。请点击这里查看此图的较大版本.
图 3: t1 扫描上枕叶上不同工具的性能示例.(a) t1 扫描, 无需分割。(b) t1 扫描, 并以良好的区域划分 (alp-em) 为例。(c) t1 扫描, 其中包括一个糟糕的枕叶划分和溢漏进入该区域内侧段的硬脑膜的例子 (spm 8 统一段)。(d) t1 扫描, 其中包括一个糟糕的枕叶划分, 并将溢漏转化为区域内侧和高级部分的硬脑膜 (spm 8 新段)。(e) t1 扫描, 其中包括一个糟糕的枕叶划分, 并将溢漏转化为该区域内侧和高级部分的硬脑膜 (fsl fast)。扫描在 fsleyyes 中被视为基本图像, gm 区域作为覆盖。在此图中, gm 区域被视为红黄色区域, 不透明度为0.4。颜色渐变表示部分体积的体素, 其中较黄的体素具有较高的 pve 估计 (更有可能是 gm), 而红色的体素具有较低的 pve 估计 (不太可能是 gm)。请点击这里查看此图的较大版本.
图 4: gm 区域溢出到 dura 的示例, 显示在 fslview 窗口中 (以矢状、冠状和轴向视图显示).蓝色区域突出了到硬脑膜的溢出。请点击这里查看此图的较大版本.
图 5: 将 cgm 区域排除在细分之外的 gm 区域的示例.此区域显示在 fslview 窗口中, 以矢状、冠状和轴向视图显示。轴向视图最能显示已从分段中排除的区域。请点击这里查看此图的较大版本.
图 6: freesurfer gm 区域的示例, 该区域沿 gm/csf 边界非常紧密, 显示在 freeview 中.左上角的日冕窗口最好地显示了该区域 cgm 的不足。请点击这里查看此图的较大版本.
图 7: t1 脑部扫描中描述良好的 alp-em 区域的示例.该区域没有显示出任何区域对 cgm 的过度或低估问题。请点击这里查看此图的较大版本.
表 1: 跟踪 hd 研究中20名控制参与者的人口信息和平均转基因量 (ml), 使用此处描述的七个工具进行细分。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
最近的研究表明, 使用不同的体积方法可能对神经影像学研究有重要的意义 1,2。通过发布协议, 帮助指导新手用户如何应用不同的神经成像工具, 以及如何对这些工具的结果输出执行 qc, 研究人员可以选择应用于他们的数据集的最佳方法。
虽然此 sop 中的大多数步骤都可以进行调整以满足数据和研究人员的要求, 但这里介绍的最关键的过程之一是描述详细视觉质量控制的步骤。视觉 qc 应该对这些工具输出的所有分段执行, 这对于准确测量 cgm 是必不可少的。在对数千个 cgm 地区进行审查后, 制定了为确保高质量细分而采取的质量控制措施。通过目视检查比较不同的工具, 可以为每个数据集找到最准确的方法。
对于每个工具, 都有不同的选项可用于优化每个数据集的细分。通常最好在分割之前将所有扫描重新调整为本机空间, 因为这样可以减少分割中的错误;然而, 这并不重要。此外, 每个工具输出的区域不同, 有的只包括皮质 gm, 有的还包括皮质区域。此外, 一些区域输出部分体积估计 (pve) 和一些输出离散组织地图。虽然这里不涉及体积提取, 而且讨论 pve 和离散组织图之间的区别超出了本标准作业程序 (sop) 的范围, 但 pve 地图被普遍接受为更可靠的测量12。本 sop 提供了关于 johnson 等人之间使用的处理的信息.(2017年)2 、对扫描进行分段和 q级分析;但是, 根据其他用户的图像质量, 可能会有更合适的选择, 可能需要进一步的处理, 如应用口罩, 将区域限制为皮质 gm。所有分段都可以在本机空间中执行。
该协议提供了七种不同方法的示例管道, 可用于从 t1 mri 扫描中分割 cgm。这些示例在很大程度上遵循为每个软件推荐的默认管道, 请务必注意, 对于在不同的扫描中成功分割某个区域, 可能需要进一步优化这些管道。一些工具, 如 galp-em, 有有限的选择, 可能是更好地为用户谁是新的神经成像。其他工具 (包括 ant) 可以进行详细的优化, 此处提供的协议代表了此软件的一种可能的应用。对于大多数工具, 也可以使用其他选项, 例如使用掩码来限制卷的计算。
需要注意的是, 并非所有工具都可以在每个操作系统上使用。spm 和 ant 与 windows、mac 和 linux 系统兼容, fsl 与 mac 和 linux 系统兼容, malp-em 和 freefanfer 与 linux 系统兼容 (或在 windows/mac pc 上运行的 linux 虚拟机) 兼容。
该协议涵盖了可用于在 3d t1 加权 mri 扫描上执行分割和质量控制 (qc) 以生成 cgm 区域的步骤。但是, 该协议假定图像是 nifti 格式 (. nii 扩展名) 的 3d t1 图像。在约翰逊等人进行的分析中.2、图像已使用 n3 程序13进行偏置校正。此协议还假定软件已按照每个工具提供的说明下载并安装在 linux 计算机上。这里比较的软件包括 spm814、spm12、fsl15、自由冲浪者16、17、ant18和 malp-em19。
此 sop 涵盖了一系列分割技术;但是, 还有其他选项可用于分割结构 t1 扫描。这些方法是由 johnson 等人选择的, 供以前进行比较.2根据其在亨廷顿病研究中的使用频率。但是, 每个工具在每个数据集中的性能不同, 此处未涉及的细分工具可能适用于其他数据集和研究组。
这些工具广泛用于神经成像研究。随着软件更新的创建, 每种细分方法的输出很可能会随着时间的推移而发生重大变化。然而, 重点应保持在视觉 qc 的过程, 以确保在神经成像研究中使用高质量的分段。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
我们要感谢所有在 chdi\ 高级 q 基金会负责 track-hd 研究的人;特别是 beth borowsky、allan tobin、daniel van kammen、ethan signer 和 sherry lifer。作者还希望向 track-hd 的研究参与者及其家人表示感谢。这项工作是在加州大学洛杉矶大学进行的, 该中心得到了卫生部国家卫生研究所生物医学研究中心资助计划的一部分资金。s. j. t. 感谢国家卫生研究所通过 dementias 和神经退行性研究网络 (dendron) 提供的支持。
追踪-高清调查人员:
c. campbell, m. campbell, i. labuschagne, c. milchman, j. stout, monash 大学, 墨尔本, vic, australian;a. coleman, r. dar santos, j. decolongon, b. r. leavitt, a. sturrock, british university, 温哥华, bc, canada;a. durr, c. jauffret, d. justo, s. leherici, c. marelli, k. nigaud, r. valabrègue, 委员会研究所, paris, france;n. bechtel, s. bohlen, r. reilmann, münster 大学, 德国明斯特大学;b. landwehrmeyer, 德国乌尔姆乌尔姆大学;s. j. a. van den bogaard, e. m. dumas, j. van der grund, e. p. t t hart, r. a. roos, 莱顿大学医学中心, 荷兰莱顿大学医疗中心;n. arran, j. callaghan, d. craufurd, c. stopford, 曼彻斯特大学, 联合王国曼彻斯特;d. m. 现金, ixico, 伦敦, 联合王国;h. crawford, n. c. fox, s. gregory, g. owen, n. z. hobbs, n. lahiri, i. mic, j. read, m. j. say, d. whithead, e. wild, 伦敦大学学院, 伦敦, 联合王国;c. 弗罗斯特, r. jones, 伦敦卫生和热带医学院, 联合王国;e. axelson, h. j. johnson, d. langbehn, 美国国际电办爱荷华州大学;和 s. queller, c. campbell, 印第安纳大学, in, in, 美国。
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).
