Waiting
Traitement de la connexion…

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

פילוח אוטומטיות של החומר האפור קורטיקלית מתמונות MRI T1 משוקלל

Published: January 7, 2019 doi: 10.3791/58198
Automatic Translation
1, 1, 1
1Huntington's Disease Research Centre, UCL Institute of Neurology

Summary

פרוטוקול זה מתאר את התהליך של החלת שבעה כלים פילוח אוטומטיות שונות מבנית סריקות MRI T1 משוקלל על החומר האפור באזורים יכול לשמש עבור כימות של נפח החומר האפור.

Abstract

בתוך להפרעת, מספר המחקרים האחרונים דנו את השפעת ההבדלים בין למידה-נפחי ממצאים נחשבים הם תוצאה של שימוש בכלים פילוח שונים כדי ליצור אמצעי אחסון המוח. כאן מוצגים צינורות עיבוד עבור שבעה כלים אוטומטיים יכול לשמש כדי לחלק חומר אפור בתוך המוח. הפרוטוקול מספק צעד ראשוני עבור חוקרים במטרה למצוא את השיטה המדויקת ביותר ליצירת אמצעי אחסון החומר האפור של סריקות MRI T1 משוקלל. צעדים לבצע בקרת איכות חזותית מפורטת כלולים גם בכתב היד. פרוטוקול זה מכסה מגוון של כלים פילוח פוטנציאליים ומעודדת משתמשים כדי להשוות את הביצועים של כלים אלה בתוך קבוצת משנה של הנתונים שלהם לפני בחירת אחד כדי להחיל על עמית מלאה. יתר על כן, הפרוטוקול ייתכן כללית נוספת פילוח מאזורים אחרים במוח.

Introduction

דימות מוחי נעשה שימוש נרחב בשתי קליניים ומחקר הגדרות. ישנו איזשהו מהלך הנוכחי כדי לשפר את הפארמצבטית של מחקרים לכמת נפח המוח של סריקות דימות תהודה מגנטית (MRI); לכן, חשוב כי החוקרים לשתף חוויות של שימוש בכלים הזמינים MRI ולהפרדת סריקות MRI באמצעי אחסון מקומיים, כדי לשפר את התקינה ואופטימיזציה של שיטות1. פרוטוקול זה מספק מדריך צעד אחר צעד לשימוש שבעה כלים שונים כדי לחלק את החומר האפור בקליפת המוח (CGM; החומר האפור, אשר אינו כולל אזורים subcortical) של סריקות MRI T1 משוקלל. כלים אלה שימשו בעבר השוואה מתודולוגי של פילוח שיטות2, אשר הפגינו ביצועים משתנה בין כלי קוהורטה מחלת הנטינגטון. מאז הביצועים של כלים אלה, נחשב משתנים בין נתונים (datasets) שונות, חשוב לחוקרים לבחון מספר כלים לפני בחירת רק אחד כדי להחיל את ערכת הנתונים שלהם.

נפח החומר האפור (GM) משמש באופן קבוע כאמצעי של המוח מורפולוגיה. מידות נפח הם בדרך כלל אמין מסוגל להפלות בין הפקדים בריא לבין קבוצות קליניים3. הנפח של רקמות שונות סוגי אזורים במוח מחושב בדרך כלל באמצעות כלי תוכנה אוטומטית לזהות את סוגי רקמות אלה. לכן, כדי ליצור איכות גבוהה delineations (segmentations) של GM, תיחום מדויק של חומר לבן (WM), נוזל מוחי שדרתי (CSF) היא קריטית בהשגת דיוק של האזור GM. ישנם מספר כלים אוטומטיים העשויות לשמש לביצוע סגמנטציה GM, כל אחד דורש שלבי עיבוד שונות ותוצאות פלט שונה. מספר מחקרים החלת בכלים שונים datasets להשוות אותם עם אחד אחרים, חלקם יש אופטימיזציה כלים ספציפיים1,4,5,6,7,8 ,9,10,11. העבודות הקודמות הוכיחה כי השתנות בין כלי נפחי עלולה לגרום חוסר עקביות בתוך הספרות כשלמדתי נפח המוח, הבדלים אלה שהוצעו נהיגה גורמים מסקנות שווא משורטטים על מחלות נוירולוגיות1.

לאחרונה, בוצעה השוואה של כלים שונים פילוח במדגם שכלל המשתתפים שליטה בריאים והן של המשתתפים עם מחלת הנטינגטון. מחלת הנטינגטון היא מחלה גנטית ניווניות עם תחילת טיפוסי בבגרות. אטרופיה הדרגתית של subcortical ו- CGM היא תכונה neuropathological בולטים למד היטב של המחלה. התוצאות הראו ביצועים משתנה של שבעה כלים פילוח שהוחלו על קבוצה, תמיכה לעבוד קודמים שהראו השתנות של ממצאים בהתאם לתוכנה המשמש לחישוב המוח כרכים של סריקות MRI. פרוטוקול זה מספק מידע על עיבוד המשמשים ג'ונסון. et al. (2017) 2 שמעודד בחירה זהירה מתודולוגי הכלים המתאים ביותר לשימוש בדימות מוחי. מדריך זה מכסה את פילוח של GM האחסון אך אינו מכסה את פילוח של נגעים, כגון אלה ראה טרשת נפוצה.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

הערה: ודא כי כל התמונות הם בתבנית NifTI. המרה ל- NifTI אינו מכוסה כאן.

1. פילוח ויה SPM 8: מאוחדת פלח

הערה: הליך זה מבוצע באמצעות GUI SPM8 אשר פועלת בתוך Matlab. המדריך SPM8 מספק פירוט נוסף ניתן למצוא: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. ודא כי SPM8 מותקן, להגדיר את הנתיב תוכנה.
  2. פילוח SPM מתבצעת באמצעות GUI. לפתיחת SPM, פתח חלון פקודה והקלד 'spm' לתוך שורת הפקודה.
  3. הקש 'מחמד & שהתנהל' כדי לפתוח את ארגז הכלים MRI מבניים.
  4. הקש 'אצווה' כדי לפתוח את עורך אצווה. דבר זה מאפשר פילוח להתבצע על סריקות מרובות בו-זמנית.
  5. בחר ' SPM | מרחבי | מקטע '.
  6. לחץ על ' נתוני | בחר קבצים. בחר את הסריקות משוקלל T1 כקלט.
    הערה: על הקבצים להיות קבצים NifTi רוכסן מכנסיו, עם הסיומת. להיות '.nii'.
  7. לחץ על ' פלט קבצים | החומר האפור ', ודא כי נבחר "מרחב יליד", לעשות אותו הדבר עם חומר לבן. אם פילוח CSF אינו נדרש להשאיר את זה כמו 'ללא'.
  8. אם הסריקות כבר תוקנו-הטיה, לשנות את האפשרות 'תיקון הטיה' 'לא להציל מתוקן'. באפשרות 'נקה את כל המחיצות', לבדוק את האפשרויות השונות שלושה ולהשתמש חזותי בקרת איכות (QC, סעיף 8) כדי לקבוע איזו דרך עבור הנתונים.
  9. להשאיר הגדרות אחרות כברירות מחדל שלהם. לאחר מכן, לחץ על הדגל הירוק כדי להפעיל את פילוח.
    הערה: זה לוקח 5 דקות למשתתף, שורת הפקודה יגידו, 'הפעלת מקטע'. בסיום, תציג חלון הפקודה 'בוצע'.
  10. מבצע QC חזותי GM (קובץ C1*.nii) כמתואר בסעיף 8.

2. פילוח ויה SPM 8: קטע חדש

הערה: הליך זה מבוצע באמצעות SPM8 GUI. המדריך SPM8 מספק פירוט נוסף ניתן למצוא: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. ודא כי SPM8 מותקן, להגדיר את הנתיב תוכנה. פתח את התוכנה SPM, המבוצעת בדרך כלל על-ידי הקלדת "spm" לתוך שורת פקודה. פעולה זו פותחת חלון (GUI) של ממשק משתמש גרפי עם מגוון רחב של אפשרויות שניתן לבחור לבצע ניתוח.

  1. הקש "מחמד & שהתנהל".
  2. הקש 'אצווה' כדי לפתוח את עורך אצווה.
  3. בחר ' SPM | כלים | קטע חדש ' בחלון אצווה. בחר את קבצי התמונה T1 (עם סיומת '.nii').
  4. הגדר 'סוג הרקמה הטבעית' "מרחב מקורית". לפי הצורך, בטל את הרקמה שונים שיעורים (כגון CSF) - אם לא נדרש - על-ידי הגדרת 'ללא' אותם. הגדר 'רקמות מעוותת' כדי 'ללא'.
    הערה: ניתן יהיה להשאיר כל האפשרויות האחרות כהגדרת ברירת המחדל.
  5. לחץ על הדגל הירוק כדי להפעיל את פילוח.
    הערה: שורת הפקודה יגידו, 'הפעלת קטע חדש'. פעם זה סיים לרוץ הרצון שורת הפקודה MATLAB, 'עשיתי חדש קטע'.
  6. מבצע QC חזותי GM (קובץ C1*.nii) כמתואר בסעיף 8.

3. פילוח ויה SPM 12: פלח

הערה: ההליך זה שבוצעו דרך SPM12 GUI. המדריך SPM12 מספק פירוט נוסף ניתן למצוא: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. פתח את תוכנת SPM על-ידי הקלדת 'spm' לתוך חלון הפקודה. פעולה זו פותחת חלון (GUI) של ממשק משתמש גרפי עם מגוון רחב של אפשרויות שניתן לבחור לבצע ניתוח.
  2. הקש "מחמד & שהתנהל". הקש 'אצווה' כדי לפתוח את עורך אצווה.
  3. לחץ על ' SPM | מרחבי | מקטע '. לאחר מכן, לחץ על ' נתוני | כרכים.
  4. הגדר 'סוג הרקמה הטבעית' "מרחב מקורית". לבטל את המעמדות רקמה שאינם נחוצים (כגון CSF) על-ידי הגדרת 'ללא' אותם. הגדר 'רקמות מעוותת' כדי 'ללא'.
    הערה: ניתן יהיה להשאיר כל האפשרויות האחרות כמו הגדרת ברירת המחדל.
  5. לחץ על הדגל הירוק כדי להפעיל את פילוח.
    הערה: חלון הפקודה יציג: 'קטע ריצה'. לאחר סיום ההפעלה, הוא יציג: "נעשה קטע".
  6. מבצע QC חזותי GM (קובץ C1*.nii) כמתואר בסעיף 8.

4. פילוח ויה FSL מהר

הערה: הליך זה מתבצע בשורת הפקודה. המדריך FSL מספק פירוט נוסף ניתן למצוא: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. הפעל את ההימור המוח החילוץ. זה ייתכן שתצטרך להיות אופטימיזציה עבור נתונים (datasets) שונות, אך הפקודה הבסיסית היא:
    מתערב T1_ID.nii bet_T1_ID.nii
  2. הפעל FSL מהר פילוח:
    bet_T1_ID.nii מהיר
    הערה: זה יהיה הפלט נפח חלקי מפות של אזורים בינארי עבור GM CSF, ויליאם
  3. לבצע QC חזותי על האזור GM (הסוף קובץ * _pve_1.nii.gz) כמתואר בסעיף 8.

5. פילוח ויה FreeSurfer

הערה: הליך זה מתבצע בשורת הפקודה. המדריך FreeSurfer מספק פירוט נוסף ניתן למצוא: https://surfer.nmr.mgh.harvard.edu/.

  1. להגדיר את הספריה איפה הנתונים על-ידי הקלדת:
    ייצוא SUBJECTS_DIR = / נתיב/אל/המוסד/קבצים
  2. הפעל את פילוח על-ידי הפעלת הפקודות:
    איסוף מידע-כל - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    איסוף מידע-כל - subjid T1_ID-autorecon2-autorecon3
    הערה: הפקודות לקחת > h 10 למשתתף. Cw256-דגל יש צורך לחתוך סריקות עם שדות ראייה גדול יותר 256 עד גודל זה לעיבוד.
  3. בדוק עיבוד השלימה כראוי על ידי הסתכלות על קובץ ה-script ממוקם ' תיקיית הפלט | סקריפטים | איסוף מידע-all.log'. בדוק השורה האחרונה אומר 'recon-כל - s T1_ID השלים ללא שגיאה'.
  4. לבצע QC חזותי על האזור GM כמתואר בסעיף 8.

6. פילוח דרך נמלים

הערה: הליך זה מתבצע בשורת הפקודה. נמלים היא תוכנה מורכבים יותר מאשר את הכלים אחרים ואת זה יש לציין כי ההליך המוסברת יכול להיות עוד יותר ממוטב עבור כל קוהורטה לשפר את התוצאות. ניתן למצוא תיעוד נמלים: http://stnava.github.io/ANTsDoc/. קיימות שתי דרכים כדי לחלק את התמונות לתוך רקמות מחלקות כפי שמתואר להלן.

  1. כדי להשתמש בשיטה הראשונה, הפעל את הפקודה 'antsAtropos.sh' עם הגדרות ברירת מחדל וללא כולל רקמות הרשעות קודמות.
    הערה: זה לעיתים קרובות מופיעה בעיקר כאשר רק 3 כיתות רקמות נדרשים: ג'נרל מוטורס, WM, אחרים.
    1. לקבוע את הנתיב נמלים תוכנה על-ידי הקלדת הפקודה:
      ייצוא ANTSPATH = / נתיב/ל/נמלים/bin /
    2. הפעל את הצינור פילוח על-ידי הקלדת הפקודה:
      antsAtroposN4.sh -d < image_dimension >, < t1.nii.gz > -c < מספר הכיתות רקמות > -o < פלט >
      1. ארגומנטים אופציונליים עבור פקודה זו הם:
        מסכת המוח: - x < mask.nii.gz >;
        רקמות הרשעות קודמות: -p < segmentationPriors%d.nii.gz >.
    3. פעולה זו תיצור תיקיה עם הפלט כולל נפח חלקי מפות של המוח שחולצו. לבצע QC חזותי על האזור GM כמתואר בסעיף 8.
  2. כדי ליצור עוד שיעורים רקמות (ג'נרל מוטורס subcortical GM, WM, CSF, השני, וכו ') או לבצע את פילוח על עמית מציג פתולוגיה עצבית, להשתמש רקמות ספציפיות הרשעות קודמות. הורד רקמות הרשעות קודמות מאתרים שונים. לחלופין, השתמש תבנית לימוד ספציפיים כדי להפוך הרשעות קודמות - זה הוא הרבה יותר מורכב, אבל יכול להיות מועיל, בפרט גדודים עם שינויים פתולוגיים במוח.
    1. כדי ליצור תבנית/הרשעות של מחקר ספציפי, תחילה ליצור תבנית לימוד ספציפיות:
      תבנית -o -d < image_dimension > < אפשרויות אחרות >< antsMultivariateTemplateConstruction.sh images.nii.gz >
      1. ארגומנטים אופציונליים עבור פקודה זו הם:
        -c: בקרה לצורך חישוב מקבילי.
        אם פועל בשימוש סדרתי, 0; -j: מספר ליבות; -r: לעשות רישום גוף קשיח של תשומות לפני יצירת תבנית (ברירת המחדל 0) 0 = = הנחה 1 = = ב. פעולה זו שימושית רק כאשר תבנית הראשונית אינה זמינה.
    2. הורידו את brainmask של הרשעות קודמות מהאתר נמלים.
      הערה: מסכה זו ייתכן שתצטרך לערוך לוודא שזה הערכה טובה של המוח תבנית. Brainmask הוא אחד החלקים החשובים ביותר של הצינור; אם הוא עני, אז המוח החילוץ/האטרופוס יפעל בצורה גרועה. חלק מהאפשרויות להורדה הם:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      אז צריך להיות רשום את תבנית שהורדת על תבנית המחקר.
    3. לחשב את הרישום, אשר יהיה הפלט סדרה של עיוותי ואז שניתן להחיל על תבנית שהורדת להמירו למרחב תבנית ספציפית המחקר. כדי לחשב את הרישום, השתמש בפקודה:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. האפשרויות בפקודה זו הן:
        -d: ממד (קרי, 3D סריקות יהיה '3'); -תמונה קבוע f: (קרי, החלל שבו התמונות צריך בסופו של דבר); -הדימוי הנע מ: רכיסה (קרי, התמונה צריך להתרגש); -שם o: פלט (אין סיומת הצורך); -n: מספר הליכי המשנה.
    4. החל הרישום בנתונים:
      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. האפשרויות בפקודה זו הן:
        -d: ממד (קרי, 3D סריקות יהיה '3'); -תמונת הקלט i: (קרי, התמונה צריך להתרגש); -תמונת ייחוס r: (קרי, הייחוס מגדירה את המרווח, מקור, בגודל כיוון שהתמונה מעוותת פלט); -o פלט שם, זו התבנית שהורדו בשטח המחקר הספציפי תבנית (סיומת. הצורך במקרה זה); -t שם קובץ transform, קובץ הפלט מהחישוב רישום.
    5. בדיקה חזותית את הרישום עבור תכתובות בין מחקר ספציפי תבנית תבנית שהורדת (כדי לעשות זאת, פתח את תבנית מחקר ספציפי על גבי התבנית שהורדו).
    6. אם הרישום עבד, להחיל את השינוי הנזירים שהורדו, חילוץ תבנית המוח, לחזור על שלב 6.2.5.
      הערה: בעקבות צעדים אלה, תהיה תבנית לימוד ספציפיים, תבנית שהורדת מיושר עם התבנית מחקר ספציפי, יחד עם מסכה החילוץ המוח שהורדת ואת רקמת הרשעות קודמות גם מיושר עם התבנית מחקר ספציפי.
    7. תריץ את תבנית ספציפית המחקר antsCorticalThickness.sh; זה מספק אזורים GM, WM ו CSF יכול לשמש עבור מחקר ספציפי הרשעות קודמות:
      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. האפשרויות בפקודה זו הן:
        -d: ממד (קרי, 3D סריקות יהיה '3'); -ת התמונה כדי להיות מקוטע (במקרה זה, התבנית מחקר ספציפי); -המוח ה': תבנית (לא הגולגולת הפשיטו; במקרה זה, תבנית שהורדת שנרשם על תבנית ספציפית מחקר); -המוח שהורדו מ: מסכת החילוץ (במקרה זה, המוח שחולצו מן התבנית שהורדו שנרשם על תבנית ספציפית מחקר); -p: עבירות המצוין באמצעות c בסגנון עיצוב (למשל, labelsPriors%02d.nii.gz -p).
        הערה: הפקודה יוצא מנקודת הנחה כי הנזירים ארבע הראשונות מסודרות כדלקמן: 1: נוזל מוחי-שדרתי, 2: GM קורטיקלית, 3: WM, ו- 4: GM subcortical (במקרה זה, הנזירים מן התבנית שהורדו שנרשם על תבנית מחקר ספציפי).
    8. הפעלת פקודה זו תגרום הרשעות שנוצר עבור התבנית, אך עליהם בהחלקת לפני השימוש בהאטרופוס פילוח. הפקודה המחליק הוא חלק נמלים תוכנה. חלקה כל הרשעות קודמות באמצעות הפקודה:
      CT_template_BrainSegmentationPosteriors_smoothed.nii.gz CT_template_BrainSegmentationPosteriors2.nii.gz SmoothImage 3
    9. לפני הפעלת האטרופוס, להפעיל את המוח החילוץ על כל הסריקות שטח מקורית. התבנית מחקר ספציפי יכול לשמש, של המוח שנוצר מהפעלת antsCorticalThickness.sh על התבנית (שלב 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. האפשרויות בפקודה זו הן:
        -d: מידות; -התמונה אנטומי ת; -e: המוח החילוץ תבנית (קרי, תבנית שנוצרה, בלי הגולגולת בנוכחות אחר); -m: ללמוד brainmask ספציפיים השתמשו להעמסת המוח; -o: פלט קידומת.
    10. לאחר מכן הפעל האטרופוס:
      antsAtroposN4.sh -d 3-. T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. האפשרויות בפקודה זו הן:
        -d = מידות; -התמונה אנטומי ת; -x: המוח החילוץ מסכת המופקים החילוץ המוח; -c: מספר מחלקות רקמות כדי לחלק; -קידומת o: פלט; -p: מחקר ספציפי פילוח הרשעות קודמות < segmentationPriors%d.nii.gz >
    11. לבצע QC חזותי על האזור GM כמתואר בסעיף 8.

7. פילוח באמצעות רכב הגישוש-EM

  1. כדי להפעיל את רכב הגישוש-EM, לפתוח חלון מסוף, להחליף את הספריה לתוך ספריית ההתקנה רכב הגישוש-EM ו סוג:
    . / malpem-proot - i T1_scan.nii -o-/ -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
  2. לאחר הפקודה הושלמה, בדוק כי יש תיקיית פלט עם רקמת ומחלקות אזוריות segmentations.
  3. מבצע QC חזותי GM כמתואר בסעיף 8.

8. בקרת איכות חזותית

הערה: בקרת איכות חזותית צריכה להתבצע על כל האזורים מקוטע כדי לשמש בניתוח. בקרת איכות מבטיחה כי segmentations ברמה גבוהה, מייצגים חלוקת אמין CGM. כדי לבצע בקרת איכות, כל סריקה נפתח, בשכבות על T1 המקורי כדי להשוות בין האזור שנוצר גרפיקת CGM גלוי על הסריקה.

  1. SPM, FSL, נמלים, Segmentations רכב הגישוש-EM
    1. לבצע QC חזותי באמצעות FSLeyes:
      https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
      הערה: FSLview (הצופה בוגרים) יכול לשמש גם באותו אופן.
    2. פתח את חלון המסוף ופתח את T1 ואת האזורים GM את T1. כדי לעשות זאת, הקלד:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. ברגע FSLeyes יפתח, השתמש דו-מצבי של אטימות בחלונית העליונה להתאים/להפחית את האטימות ולאפשר ויזואלזציה של התמונה T1 מתחת לאזור GM. לשנות את צבע הכיסוי פילוח דרך 'צבע רשימה נפתחת של הכרטיסיה' בחלונית העליונה.
    4. גלול לאורך כל פרוסה במוח.
      הערה: כאן זה נעשה שימוש בתצוגת הילתית, אך משתמשים צריכים להשתמש בתצוגת שיש להם הכי הרבה ניסיון עם.
    5. בדוק כל פרוסה עבור אזורים של תחת - או over - estimation של האזור בבדיקה.
      הערה: עיין בסעיף התוצאות נציג דוגמאות segmentations טוב ורע.
  2. FreeSurfer QC
    1. לעיתים QC חזותי באמצעות פריוויו (freeview).
      הערה: עיין בתיעוד כאן:
      https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. פתח חלון מסוף. כדי להציג את האזור GM הנפחי את T1, לשנות מדריך על נושא התיקייה ועל סוג:
      פריוויו (freeview)./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. גלול לאורך כל פרוסה במוח.
      הערה: כאן זה נעשה שימוש בתצוגת הילתית, אך משתמשים צריכים להשתמש בתצוגת שיש להם הכי הרבה ניסיון עם.
    4. בדוק כל פרוסה עבור אזורים של תחת - או over - estimation של האזור בבדיקה.
      הערה: עיין בסעיף התוצאות נציג דוגמאות segmentations.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

אמצעי אחסון המוח הממוצע עבור 20 משתתפים שליטה, יחד עם מידע דמוגרפי, מוצג בטבלה 1. זה משמש מדריך עבור הערכים הצפויים בעת השימוש בכלים אלה. תוצאות צריך להציג את ההקשר של התמונה המקורית T1.nii. כל האזורים GM צריך להיבדק לפי השלבים המתוארים בסעיף 8. בעת ביצוע QC חזותי, חשוב להשוות את האזורים GM כדי הסריקה T1 ישירות על-ידי הצגת אותם את T1.

אזורים להידחות שגיאות גולמי כמוצג באיור1. לפעמים שגיאות אלה התוצאה אם עיבוד הופעל באופן שגוי, או אם המוח היה לקוי ממוקם בתוך שדה הראייה. כדי לתקן שגיאות אלה, הסריקות T1 מקורי יכול להיות נוקשה מחדש מיושר למרחב סטנדרטי, פילוח יכול להיות ניסיון מחדש. הקצב של כשלים משתנה בהתאם לאיכות הנתונים ואת הכלים המשמשים, כמו גם את הסיווג של כישלון. במחקר הנוכחי, שערי כישלון מוחץ וכתוצאה מכך דחייה < 5% עבור כל הכלים, אך שגיאות משמעותיות פחות נראו באופן עקבי על פני מספר כלים. FSL מהר, SPM 8 קטע חדש ו FreeSurfer היו שגיאות (אך לא כשלים) > 50% של סריקות עבור קבוצה זו. שיעור שגיאה זו הייתה לכמת על ידי בחינת ההערות שצולמו במהלך תהליך QC חזותי, עם שגיאות כללו אם הם נראו כמו סטייה סבירה מן האזורים הצפוי, כפי שמוצג דמויות 2-6. חשוב לציין כי יש כלים אלה מאומתים על אחרים datasets ולהוביל הרבה התחתון שגיאה המחירים 3,8. בזמן ואולי המזוןאפשר לשפר שגיאות אלה באמצעות התערבות ידנית או הכללתו של מסיכה-המוח החילוץ, מאז SPM קטע חדש, רכב הגישוש-EM, גרמו קצב שגיאות נמוך יותר עבור זה הנתונים (dataset), כלים אלה ישמש במקום. ניתן להחיל מסיכות לפני עיבוד בתוך רכב הגישוש-EM ונמלים, ואחרי עיבוד עבור SPM (כל הגירסאות) ו- FSL הראשון.

שגיאות קלות יותר מוצגים איורים 2-6. על-ידי בדיקת כלים פילוח שונים ב- dataset לפני יישום כל קבוצה, ניתן לבחור את הכלי מבצע הכי טוב את הנתונים (dataset) לצורך ניתוח. בעת ביצוע QC, צריכה להיות מפותחת הליך לבחירת לדחות, לערוך או לקבל את segmentations. שגיאות נפוצות ראו את הכלים שבע מתוארים כאן, עם הדוגמאות המוצגות דמויות 2-6. ניתן לתקן שגיאות בפילוח כאלה לעתים קרובות עם התוספת של מסכה הנחל עיבוד או עריכה האזורים. עם זאת, אזורים עם נרחב יותר - או תחת - estimation של קליפת ייתכן שיהיה עליך להיות דחוי מניתוח. קריטריונים מחמירים צריך להיות פיתח, לפיהם ההחלטה הזאת. שלבים אלה לא מכוסים פרוטוקול זה, ישתנו מן קבוצת הנתונים (dataset).

באופן כללי, בעת ביצוע QC חזותי, חשוב לשלם תשומת לב מיוחדת לאזורים באונה העורפית, שכן הן אזורים שמראים את השגיאות הכי עקבי. איור 2 מציג דוגמאות של טוב ורע segmentations טמפורלית, איור 3 מראה דוגמאות של טוב ורע segmentations אר. איור 4 מציג בעיה נפוצה נוספת המתרחשת כל הכלים, שבו רקמת מוח שאינו מסווג כ- CGM בפרוסות מעולה של המוח. איור 5 מציג בעיה נוספת ראיתי במספר segmentations איפה מחוזות CGM יכללו את פילוח. זה קורה לעתים קרובות בפרוסות מעולה של המוח, כפי שניתן לראות באיור5.

SPM8 אחידה קטע גרמו נפוץ המסכן תיחום זמני, עם האזור GM מקוטע לשפוך לתוך רקמות מוח-שאינם המקיפים את הצינוריות. זליגת לתוך האונה העורפית נפוץ, בעוד תת הערכה של האונות הקדמית גם אצל מספר אזורים. עבור קטע חדש SPM8, תיחום זמני המסכן זליגת העורפית היו גם נפוץ. משתמשים בגירסת SPM גם תוצאות voxels בתוך הגולגולת, דורא להיות מסווגת GM ב כמעט כל segmentations. SPM12 היה שיפור בהשוואה לגירסאות קודמות של SPM, עם האונה הטמפורלית segmentations משופרת ופחות זליגת באזורים אחרים. נמלים הראו ביצועים משתנה מאוד עוקבה הזה, עם מיצוי המוח הראשונית האיכות של פילוח. חשוב לשים לב מסוים לגבולות חיצוניים, אם המוח החילוץ המסכן באמצעות הנמלים, ואז המסכה המוח הכלולים בפקודה האטרופוס ניתן לשפר. בעיות עם הערכת יתר של GM בתוך האונות הטמפורלית, עורף שוב היו נפוצים. רכב הגישוש-EM הראו פחות בעיות להערכת יתר של האונות הטמפורלית, עורף; למרות, היה תת הערכה של קליפת במספר מקרים. זה ניתן לשפר על ידי הכללת מסכה המוח בתוך הצינור. FSL מהר segmentations היו משתנה מאוד, בשל הביצועים משתנה של התערבות המוח על הנתונים מן החילוץ הזה קוהורטה. שוב, בעיות בתוך העורף, הצינוריות היו נפוצים; עם זאת, אלה ניתן לשפר עם אופטימיזציה של המוח החילוץ. לבסוף, אזורים הנפחי FreeSurfer לעיתים קרובות הדוק לאורך הגבול GM/CSF, בדרך כלל למעט באזורים מסוימים של GM בגבול החיצוני (איור 6). כמו עם כלים אחרים, זליגת מחוץ GM נפוצה בתוך האונות הטמפורלית, עורף. לבסוף, איור 7 מראה דוגמה פילוח טוב המוצגים FSLview שהיה לא שגיאות בפילוח. עריכה ידנית של האזורים לעתים קרובות ניתן לבצע כדי לשפר את האזורים, אמנם זה לא מכוסה כאן.

Figure 1
איור 1 : דוגמה פילוח שנכשלו המוצג על סריקת T1. פילוח זה צריך לעבד מחדש, נכללו בניתוח, אם זה לא יכול להשתפר. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 2
איור 2 : דוגמאות הביצועים של כלים שונים על האונות הרקתיות בסריקה T1. (א) T1 סריקה ללא פילוח. (B) T1 הסריקה עם דוגמה תיחום אזורי טוב (רכב הגישוש-EM). (ג) T1 הסריקה עם דוגמה תיחום אזורי טוב (FreeSurfer). (D) T1 לסרוק עם דוגמה של תיחום אזורי, עניים מציג זליגת באונות הרקתיות ימינה ושמאלה (SPM מקטע 8 חדשים). (E) T1 לסרוק עם דוגמה של תיחום אזורי, עניים מציג זליגת ימינה ושמאלה ויולט (FSL מהר). הסריקות נצפים ב FSLeyes עם הסריקה T1 בתור תמונת הבסיס ובאזור GM ככיסוי. באיור זה, האזורים GM נצפים כמו אדום-צהוב עם אטימות של 0.4. הצבע מייצג את חלקי נפח של voxels, עם voxels כי הם יותר צהוב שיש הערכה PVE גבוהה יותר (יותר סביר להיות GM) ואת אלה אדום יש הערכה PVE נמוכה יותר (פחות סביר להיות GM). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 3
איור 3 : דוגמאות הביצועים של כלים שונים על האונה העורפית בסריקה T1. (א) T1 סריקה ללא פילוח. (B) T1 הסריקה עם דוגמה תיחום אזורי טוב (רכב הגישוש-EM). (ג) ה T1 לסרוק עם דוגמה תיחום המסכן העורף עם זליגת לתוך השכבה הקשה של המוח במדור המדיאלי של האזור (SPM 8 Unified מקטע). (D) T1 לסרוק עם דוגמה תיחום המסכן העורף עם זליגת לתוך השכבה הקשה של המוח בסעיפים המדיאלי מעולה של האזור (SPM מקטע 8 חדשים). (E) T1 לסרוק עם דוגמה תיחום המסכן העורף עם זליגת לתוך השכבה הקשה של המוח בסעיפים המדיאלי מעולה של האזור (FSL מהר). הסריקות נצפים ב FSLeyes עם הסריקה T1 בתור תמונת הבסיס, האזור GM ככיסוי. באיור זה, האזורים GM נצפים כמו אדום-צהוב עם אטימות של 0.4. הצבע מייצג את חלקי נפח של voxels, עם voxels כי הם יותר צהוב שיש הערכה PVE גבוהה יותר (יותר סביר להיות GM) ואת אלה אדום יש הערכה PVE נמוכה יותר (פחות סביר להיות GM). אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 4
איור 4 : דוגמה של אזור GM נשפך לתוך השכבה הקשה של המוח, מוצג בחלון FSLview (בתצוגות הסאגיטלי הילתית, מפוח). האזור הכחול מסמן את זליגת לתוך השכבה הקשה של המוח. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 5
איור 5 : דוגמה של אזור GM יש נכללו פילוח אזורי CGM. אזור זה מוצג בחלון FSLview, בתצוגות הסאגיטלי הילתית, צירית. הנוף צירית הטוב מציג את האזורים נכללו פילוח. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 6
איור 6 : דוגמה של אזור FreeSurfer GM הוא מאוד הדוק לאורך הגבול GM/CSF, המוצגת פריוויו (freeview). החלון הילתית במצב הכי השמאלי העליון מציג הערכת שפרמיה CGM באזור זה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 7
איור 7 : דוגמה של אזור רכב הגישוש-EM מוגדרים היטב היטב על סריקת מוח T1. האזור מציג אין בעיות עם over - או תחת - estimation של CGM בכל אזור. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Table 1
טבלה 1: מידע דמוגרפי ואמצעי אחסון GM הממוצע (mL) עבור שליטה 20, משתתפי המחקר המסלול-HD, מקוטע באמצעות הכלים שבע המתואר כאן.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

לאחרונה, מחקר הראה כי השימוש בשיטות נפח שונה יכול להיות השלכות חשובות על דימות מוחי מחקרים1,2. פרסום פרוטוקולים המסייעים משתמשים טירון מדריך איך ליישם כלי דימות מוחי שונים, כמו גם כיצד לבצע QC על הפלט התוצאות באמצעות כלים אלה, חוקרים ניתן לבחור את השיטה הטובה ביותר כדי להחיל את ערכת הנתונים שלהם.

בזמן השלבים ברוב נוהל זה ניתן להתאים בהתאם לדרישות הנתונים וחוקרת, אחד התהליכים הקריטיים ביותר המובאים כאן הם הצעדים המתארת בקרת איכות חזותית מפורטת. QC חזותי יש לבצעו על כל segmentations פלט על-ידי כלים אלה, והוא חיוני למדידה מדויקת של CGM. QC את הצעדים שננקטו כדי להבטיח באיכות גבוהה segmentations פותחו לאחר הבחינה של אלפי CGM אזורים. על ידי השוואת כלים שונים באמצעות בדיקה חזותית, השיטה המדויקת ביותר ניתן למצוא עבור כל הנתונים (dataset).

עבור כל כלי, קיימות אפשרויות שונות, יכול לשמש כדי למטב את פילוח על כל הנתונים (dataset). עדיף לעיתים קרובות כדי ליישר מחדש כל הסריקות למרחב מקורית לפני פילוח, כמו זה יכול להפחית שגיאות בפילוח; עם זאת, זו אינה חיונית. יתר על כן, האזורים פלט על-ידי כל כלי שונים, עם כמה כולל רק GM קליפתי וחלק גם כולל אזורים subcortical. יתר על כן, באזורים מסוימים פלט חלקי נפח הערכות (PVE), כמה פלט רקמות דיסקרטית מפות. בעוד אמצעי האחסון כריה אינו מכוסה כאן, דיון על ההבדל בין PVE ומפות רקמות דיסקרטית הוא מעבר להיקף זה סטנדרטי (SOP), מפות PVE מתקבלים בדרך כלל כמו מדד אמין יותר12. נוהל זה מספק מידע על עיבוד המשמשים ג'ונסון. et al. (2017) 2 קטע, QC הסריקות; עם זאת, ייתכנו בחירות מתאים יותר עבור משתמשים אחרים בהתאם לאיכות תמונות שלהם, עיבוד נוסף כגון היישום של מסיכות כדי להגביל אזורים קורטיקליים משמרת ייתכן שתידרש. כל segmentations יכול להתבצע בשטח מקורית.

פרוטוקול זה מספק דוגמה צינורות בשבע שיטות שונות, יכול לשמש כדי לחלק את CGM של סריקות T1 MRI. דוגמאות אלה במידה רבה בעקבות הצינורות ברירת המחדל המומלצים עבור כל תוכנה, וזה חשוב לציין שאופטימיזציה נוספת של אלה צינורות יהיה צורך פילוח מוצלחת של אזור על סריקות שונות. כלים מסוימים, כגון רכב הגישוש-EM, מוגבל אפשרויות, יש סיכוי גבוה יותר עבור משתמשים חדשים דימות מוחי. כלים אחרים, כולל נמלים, ניתן לעבור אופטימיזציה מפורט, ומייצג פרוטוקול המובאת כאן יישום אפשרי אחד של תוכנה זו. אפשרויות נוספות, כגון השימוש של מסיכות כדי להגביל את החישוב של אמצעי האחסון, אפשריים גם ברוב הכלים.

חשוב לציין כי לא כל כלי יכול לשמש על כל מערכת הפעלה. SPM ונמלים תואמים ל- Windows, Mac, ו מערכות לינוקס, FSL הוא תואם Mac ו- Linux מערכות, רכב הגישוש-EM ו FreeSurfer תואמים למערכות לינוקס (או מחשב וירטואלי לינוקס במחשב Windows/Mac).

פרוטוקול זה מכסה את הפעולות ניתן לבצע פילוח ובקרת איכות (QC) על סריקות MRI T1 משוקלל תלת-ממד כדי ליצור אזורים CGM. עם זאת, הפרוטוקול מניחה כי תמונות הם תמונות תלת-ממד T1 בתבנית NifTI (סיומת. .nii). בניתוח שבוצע על ידי ג'ונסון. et al. 2, תמונות כבר היו באמצעות הליך N313לתקן הטיה. פרוטוקול זה מבוסס על ההנחה כי התוכנה שהורדת, מותקן על מכונת לינוקס לפי ההוראות שסופקו על-ידי כל כלי. התוכנה בהשוואה כאן כוללים SPM814, SPM12, FSL15,16,FreeSurfer17, נמלים18רכב הגישוש-EM19.

נוהל זה מכסה מגוון של טכניקות פילוח; עם זאת, יש אפשרויות אחרות זמינים ולהפרדת סריקות T1 מבנית. שיטות אלה שנבחרו להשוואה הקודם על ידי ג'ונסון. et al. 2 מבוסס על התדר שלהם של שימוש במסגרת מחקר מחלת הנטינגטון. עם זאת, כל כלי מבצעת אחרת כל הנתונים (dataset), וייתכן פילוח כלים אינו מכוסה כאן המתאימה לקבוצות נוספות datasets ומחקר.

כלים אלו נמצאים בשימוש נרחב בתוך להפרעת. כמו עדכוני תוכנה נוצרות עבור כלים אלה, סביר להניח כי התפוקה של כל שיטת פילוח יעבור שינויים משמעותיים לאורך זמן. עם זאת, הדגש צריכים להישאר על התהליך של QC חזותי כדי להבטיח כי באיכות גבוהה segmentations משמשים במחקרים הדמייה.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

המחברים אין לחשוף.

Acknowledgments

אנו רוצים להודות לכל אלה של קרן Q CHDI/גבוהה אחראי על המחקר המסלול-HD; בפרט, בית Borowsky, אלן טובין, דניאל ואן Kammen, איתן החותם ואת שרי אסיר עולם. המחברים גם רוצים להאריך את המשתתפים במחקר מעקב אחר-HD ובני משפחותיהם תודתם. עבודה זו נערך ב UCLH/UCL, אשר קיבל שיעור מימון מן המכון הלאומי של מחלקת הבריאות עבור הבריאות מחקר ביו-רפואי מרכזי מחקר מימון ערכת. S.J.T. מאשר התמיכה של המכון הלאומי לחקר הבריאות באמצעות Dementias, רשת המחקר ניווניות, DeNDRoN.

חוקרים מסלול-HD:
ג. קמפבל, מר קמפבל, אני Labuschagne, ג Milchman, ג'יי סטאוט, אוניברסיטת מונש, מלבורן, ויק, אוסטרליה; א קולמן, סנטוס דאר רבי, ג'יי Decolongon, נולד ב ר לוויט, Sturrock א, אוניברסיטת בריטיש קולומביה, וונקובר, קנדה; א Durr, ג Jauffret, ד Justo, S. Lehericy, ג Marelli, ק' Nigaud, ר' Valabrègue, ICM מכון, פריז, צרפת; (ש ע) Bechtel, ס Bohlen, ר' Reilmann, אוניברסיטת מינסטר, מינסטר, גרמניה; B. Landwehrmeyer, האוניברסיטה ההיסטורית אולם, אולם, גרמניה; ס י א ואן דן Bogaard, דומא מ א, ג'יי ואן דר גרונד, E. P אל הארט, ר א רוס, המרכז הרפואי של אוניברסיטת ליידן, ליידן, הולנד; (ש ע) Arran, ג'יי קלהאן, האימפראטור ד, ג Stopford, אוניברסיטת מנצ'סטר, מנצ'סטר, אנגליה; ד מ במזומן, IXICO, לונדון, אנגליה; ה קרופורד פוקס נ ג, גרגורי ס', אוון ג, ש צ הובס, ש להירי, מאלון. אני, ג'יי לקריאה, מ' ג', וייטהד ד, אי פראי, נניח באוניברסיטת קולג ' בלונדון, לונדון, אנגליה; ג. פרוסט, ר ' ג'ונס, London School of להיגיינה, רפואה טרופית, לונדון, אנגליה; אי Axelson ה ג'יי ג'ונסון, Langbehn ד, אוניברסיטת איווה, IA, ארצות הברית; ס קוולר, אוניברסיטת ג קמפבל, אינדיאנה, ארה.

References

  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).

Tags

מדעי המוח גיליון 143 MRI מבניים SPM FSL FreeSurfer נמלים רכב הגישוש-EM בקרת איכות החומר האפור
פילוח אוטומטיות של החומר האפור קורטיקלית מתמונות MRI T1 משוקלל
Play Video
PDF DOI

Cite this Article

Johnson, E. B., Scahill, R. I.,… More

Johnson, E. B., Scahill, R. I., Tabrizi, S. J. Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images. J. Vis. Exp. (143), e58198, doi:10.3791/58198 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter