Neuroscience

Automatisert segmentering av kortikale grå materie fra T1-vektet MRI bilder

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

Denne protokollen beskriver prosessen med å bruke sju ulike automatisert segmentering verktøy strukturelle T1-vektet Mr skanner å avgrense grå materie områder som kan brukes for kvantifisering av grå materie.

Abstract

I neuroimaging forskning, har en rekke studier diskutert virkningen av mellom-studie forskjeller i volumetriske funn som antas å skyldes bruk av ulike segmentering verktøy for å generere hjernen volumer. Her presenteres behandling rørledninger for syv automatiserte verktøy som kan brukes til å segmentere grå materie i hjernen. Protokollen gir et første skritt for forskere å finne den mest nøyaktige metoden for å generere grå materie volumer fra T1-vektet Mr skanner. Skritt å gjennomføre detaljerte visuelle kvalitetskontroll er også inkludert i manuskriptet. Denne protokollen dekker en rekke potensielle segmentering verktøy og oppfordrer brukere til å sammenligne resultatene av disse verktøyene i et delsett av dataene før du velger en gjelder for en full kohort. Videre kan protokollen videre generaliseres til oppdeling av andre områder av hjernen.

Introduction

Neuroimaging er mye brukt i både klinisk og forskning innstillingene. Det er en gjeldende flytte for å forbedre reproduserbarhet av studier som kvantifisere hjernen volum fra magnetisk resonans imaging (MRI) skanner; Derfor er det viktig at etterforskerne dele erfaringer med tilgjengelige MRI-verktøy for å segmentere Mr skanner i regionale volumer, for å forbedre standardisering og optimalisering metoder¹. Denne protokollen gir trinnvise instruksjoner å bruke seks forskjellige verktøy til å segmentere kortikale grå saken (CGM, grå materie som utelukker subkortikal regioner) fra T1-vektet Mr skanner. Disse verktøyene ble tidligere brukt i en metodisk sammenligning av segmentering metode², som viste variabel ytelse mellom verktøy på en Huntingtons sykdom kohort. Siden resultatene av disse verktøyene er tenkt å variere blant forskjellige datasets, er det viktig for forskerne å teste en rekke verktøy før du velger bare én gjelder deres DataSet.

Grå materie (GM) volum brukes jevnlig som et mål på hjernen morfologi. Volumetrisk tiltak er generelt pålitelig og kunne forskjellsbehandle sunn kontroller og klinisk grupper³. Volumet av ulike vev typer områder av hjernen beregnes ofte med automatisert programvareverktøy som identifiserer slike vev. Dermed for å skape høy kvalitet delineations (segmentations) av GM, er nøyaktig avgrensning av hvit substans (WM) og cerebrospinalvæske (CSF) kritiske for nøyaktigheten av GM regionen. Det finnes en rekke automatiserte verktøy som kan brukes for å utføre GM segmentering, og hver krever ulike behandling trinn og resultater i en annen produksjon. En rekke studier har brukt verktøyene i forskjellige datasets sammenligne dem med hverandre, og noen har optimalisert spesifikke verktøy¹^,⁴^,⁵^,⁶^,⁷^,⁸ ^,⁹^,¹⁰^,¹¹. Tidligere arbeid har vist at variasjonen mellom volumetriske verktøy kan føre til uoverensstemmelser innen litteraturen når studere hjernen volum, og disse forskjellene er foreslått som kjører faktorer for falske konklusjoner trukket om nevrologiske forhold¹.

Nylig ble en sammenligning av ulike segmentering verktøy i en kohort både sunn kontroll deltakere og deltakerne med Huntingtons sykdom utført. Huntingtons sykdom er en genetisk neurodegenerative sykdom med en typisk utbruddet i voksen alder. Gradvis atrofi av subkortikal og CGM er en fremtredende og godt studert neuropathological funksjon av sykdommen. Resultatene viste variabel ytelse av syv segmentering verktøy som ble brukt på kohort, støtter tidligere arbeid som viste variasjon i resultatene avhengig av programvaren som brukes til å beregne hjernen volumer fra Mr skanner. Denne protokollen gir informasjon om behandling brukes i Johnson et al. (2017) ² som oppfordrer forsiktig metodisk utvalg av de mest passende verktøyene for bruk i neuroimaging. Denne håndboken dekker oppdeling av GM volum, men dekker ikke oppdeling av lesjoner, som dem sett i multippel sklerose.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Merk: Kontroller at alle bildene er i NifTI format. Konvertering til NifTI dekkes ikke her.

1. segmentering via SPM 8: Unified Segment

Merk: Denne prosedyren utføres via SPM8 GUI som opererer i Matlab. SPM8 guiden gir ytterligere detaljer og kan finnes på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

Kontroller at SPM8 er installert og satt i programvaren banen.
SPM segmentering utføres med en GUI. Du åpner SPM, åpne et kommandovindu og skriver inn 'spm' i kommandolinjen.
Trykk "PET & VBM" åpne strukturelle MRI verktøykassen.
Trykk "Satsvis" for å åpne redigeringsprogrammet satsvis. Dette gjør segmentering skal utføres på flere skanninger samtidig.
Velg ' SPM | Romlig | Segmentet '.
Klikk ' Data | Velg filene. Velg T1-vektet skanner som inndata.
Merk: Filene må være pakket NifTi filer med filtypen blir ".nii".
Klikk på ' utdatafiler | Grey stoff "og kontroller at"Innfødte Space"er valgt, gjøre det samme for hvit substans. Hvis CSF segmentering ikke kreves la dette som "Ingen".
Hvis skanner er allerede bias-korrigert, endre alternativet 'Bias korrigert' å "Ikke lagre korrigert". For alternativet "Rydde opp alle partisjoner" test de tre alternativene og bruk visuelle kvalitetskontroll (QC, avsnitt 8) for å bestemme som fungerer best for dataene.
La de andre innstillingene som standard. Klikk på det grønne flagget kjøre segmenteringen.
Merk: Dette tar ca 5 minutter per deltaker, og kommandolinjen vil si, 'Kjører segmentet'. Når ferdig, vises vinduet "Gjort".
Utføre visuelle QC på GM (C1*.nii-fil) som beskrevet i punkt 8.

2. segmentering via SPM 8: nytt Segment

Merk: Denne prosedyren utføres via SPM8 GUI. SPM8 guiden gir ytterligere detaljer og kan finnes på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Kontroller at SPM8 er installert og satt i programvaren banen. Åpne SPM programvare, vanligvis utføres ved å skrive "spm" i en kommandolinje. Dette åpner et grafisk bruker grenseflate (GUI) med en rekke alternativer som kan velges til å utføre analyse.

Trykk "PET & VBM".
Trykk "Satsvis" for å åpne redigeringsprogrammet satsvis.
Velg ' SPM | Verktøy | Nye segmentet ' i kjørselsvinduet. Velg T1 bildefiler (med filtypen '.nii').
Angi 'Innfødt vev type' til 'Innfødt Space'. Nødvendig slå av ulike vev klasser (for eksempel CSF) - hvis ikke nødvendig - ved å sette dem til "Ingen". Angi vindskjev vev for å 'Ingen'.
Merk: Alle andre alternativer kan stå som standardinnstilling.
Klikk det grønne flagget for å kjøre segmenteringen.
Merk: Kommandolinjen vil si 'Kjører nye segmentet'. Når den er ferdig kjører MATLAB kommandolinjen vil si 'gjort nye segmentet'.
Utføre visuelle QC på GM (C1*.nii-fil) som beskrevet i punkt 8.

3. segmentering via SPM 12: Segment

Merk: Denne fremgangsmåten er utført via SPM12 GUI. SPM12 guiden gir ytterligere detaljer og kan finnes på: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

Åpne programmet SPM ved å skrive 'spm' i kommandovinduet. Dette åpner et grafisk bruker grenseflate (GUI) med en rekke alternativer som kan velges til å utføre analyse.
Trykk "PET & VBM". Trykk "Satsvis" for å åpne redigeringsprogrammet satsvis.
Klikk på ' SPM | Romlig | Segmentet '. Klikk deretter på ' Data | Volum.
Angi 'Innfødt vev type' til 'Innfødt Space'. Slå av vev klassene som ikke kreves (for eksempel CSF) ved å sette dem til "Ingen". Angi vindskjev vev for å 'Ingen'.
Merk: Alle andre alternativer kan stå som standardinnstilling.
Klikk det grønne flagget for å kjøre segmenteringen.
Merk: Vinduet vil vise: 'Kjører segmentet'. Når kjøringen er fullført, vises den: "Gjort segmentet".
Utføre visuelle QC på GM (C1*.nii-fil) som beskrevet i punkt 8.

4. segmentering via FSL rask

Merk: Denne prosedyren er gjort i kommandolinjen. FSL guiden gir ytterligere detaljer og kan finnes på: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

Kjøre spill hjernen utvinning. Dette må være optimalisert for forskjellige datasets, men den grunnleggende kommandoen er:
Odds T1_ID.nii bet_T1_ID.nii
Kjør FSL rask segmentering:
rask bet_T1_ID.nii
Merk: Dette utgang delvis volum kart og binære regioner for GM, CSF og WM.
Utføre visuelle QC på GM regionen (filen avslutningen * _pve_1.nii.gz) som beskrevet i punkt 8.

5. segmentering via FreeSurfer

Merk: Denne prosedyren er gjort i kommandolinjen. FreeSurfer guiden gir ytterligere detaljer og kan finnes på: https://surfer.nmr.mgh.harvard.edu/.

Angi mappen der data er ved å skrive:
SUBJECTS_DIR = / sti/til/nii/eksportfiler
Kjør segmenteringen ved å kjøre kommandoer:
Recon-alle - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
Recon-alle - subjid T1_ID-autorecon2-autorecon3
Merk: Kommandoene ta > 10t per deltaker. -Cw256 flagg er nødvendig for å beskjære skanner med synsfelt større enn 256 ned denne størrelsen for behandling.
Sjekk at behandlingen har fullført riktig ved å se på skriptet ligger i den "output-mappen | skript | Recon-all.log ". Kontroller at den siste linjen sier "recon-alle - s T1_ID ferdig uten feil".
Utføre visuelle QC på GM regionen som beskrevet i punkt 8.

6. segmentering via maur

Merk: Denne prosedyren er gjort i kommandolinjen. Maur er en mer komplisert programvare enn de andre verktøyene, og det bør bemerkes at prosedyren forklart her kunne bli ytterligere optimalisert for hver kohort å forbedre resultatene. Maur dokumentasjon finnes på: http://stnava.github.io/ANTsDoc/. Det er to måter å segmentere bildene inn i vev klasser som beskrevet nedenfor.

For å bruke den første metoden, Kjør kommandoen "antsAtropos.sh" med standardinnstillingene og uten inkludert vev Priorene.
Merk: Dette ofte utfører spesielt godt når bare 3 vev klasser er nødvendig: GM, WM, andre.
1. Angi banen til maur programvare ved å skrive kommandoen:
  eksport ANTSPATH = / sti/til/maur/bin /
2. Kjør rørledningen segmentering ved å skrive kommandoen:
  antsAtroposN4.sh -d < image_dimension > - en < t1.nii.gz > -c < antall vev klasser > -o < produksjon >
  1. Valgfrie argumenter for denne kommandoen er:
    Hjernen maske: - x < mask.nii.gz >;
    Vev Priorene: -p < segmentationPriors%d.nii.gz >.
3. Dette vil opprette en mappe med utgang inkludert delvis volum kart og en utdraget hjernen. Utføre visuelle QC på GM regionen som beskrevet i punkt 8.
Generere flere vev klasser (GM, subkortikal GM, WM, CSF, andre, etc.) eller utfører segmenteringen på en kohort viser nevrale patologi, bruke bestemt vev Priorene. Last ned vev Priorene fra ulike nettsteder. Alternativt bruke en studie-spesifikk mal å Priorene - dette er mye mer kompleks, men kan være nyttig, spesielt i kohorter med patologisk brain endringer.
1. For å opprette en studie-spesifikk mal/Priorene, må du først opprette en studie-spesifikk mal:
  antsMultivariateTemplateConstruction.sh -d < image_dimension > -o mal < andre alternativer >< images.nii.gz >
  1. Valgfrie argumenter for denne kommandoen er:
    -c: kontroll for parallell databehandling.
    Hvis kjører i føljetong, bruke 0; -j: antall kjerner; -r: gjøre rigid kropp registrering av inndata før du oppretter malen (standard 0) - 0 == av 1 == på. Dette er bare nyttig når en første malen ikke er tilgjengelig.
2. Last ned en brainmask og Priorene fra webområdet maur.
  Merk: Denne masken må redigeres for å sikre at det er en god tilnærming til mal hjernen. Brainmask er en av de viktigste delene av rørledningen; Hvis det er dårlig, så kjøre hjernen utvinning/Atropos dårlig. Noen av nedlastingsalternativene er:
  https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
  Den nedlastede malen skal deretter registreres i malen studie.
3. Beregne registrering, som vil utdataene en serie med fordreier som deretter kan brukes til den nedlastede malen til å omforme det studien-spesifikk mal plass. Bruk kommandoen for å beregne registrering:
  antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
  1. Alternativene i denne kommandoen er:
    -d: dimensjon (dvs. 3D skanner ville være '3'); -f: fast bilde (dvs. plassen hvor bildene skal havne); -m: bevegelig bilde (dvs. bildet som skal flytte); -o: utgang navn (nødvendig); -n: antall tråder.
4. Registrering gjelde dataene:
  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. Alternativene i denne kommandoen er:
    -d: dimensjon (dvs. 3D skanner ville være '3'); -i: inndatabildet (dvs. bildet som skal flytte); -r: referanseavbildning (dvs. på referanseavbildningen definerer avstand, opprinnelse, størrelsen og retningen på produksjon vindskjev image); -o utgang navnet, er dette den nedlastede malen i studie-spesifikk mal plass (filtypen nødvendig i dette tilfellet); -t transformering filnavn, utdatafilen fra registreringsberegningen.
5. Visuelt kontrollere registreringen for korrespondanse mellom studie-spesifikk mal og nedlastede malen (åpne malen studie-spesifikke på den nedlastede malen for å gjøre dette).
6. Hvis registreringen har jobbet, gjelder de nedlastede Priorene transformasjon og utdraget mal hjernen, gjentar trinn 6.2.5.
  Merk: Etter disse trinnene, vil det være en studie-spesifikk mal, nedlastede malen linje med malen studie-spesifikke, sammen med en nedlastede hjernen utvinning maske og vev Priorene også justert med malen studie-spesifikke.
7. Går studere bestemte malen gjennom antsCorticalThickness.sh; Dette gir GM og WM CSF områder som kan brukes for studie-spesifikke Priorene:
  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. Alternativene i denne kommandoen er:
    -d: dimensjon (dvs. 3D skanner ville være '3'); -a: bildet til segmenteres (i dette tilfellet studien-spesifikke malen); -e: hjernen mal (ikke skallen strippet; i dette tilfellet den nedlastede malen som er registrert i malen studie-spesifikke); -m: nedlastede hjernen utvinning maske (i dette tilfellet utdraget hjernen fra den nedlastede malen som er registrert i malen studie-spesifikke); -p: Priorene ved hjelp av c-stil formatering (f.eks -p labelsPriors%02d.nii.gz).
    Merk: Du kommando forutsetter at de fire første Priorene er organisert slik: 1: CSF, 2: kortikale GM, 3: WM, og 4: subkortikal GM (i dette tilfellet Priorene fra den nedlastede malen som er registrert i malen studie-spesifikke).
8. Kjører denne kommandoen vil resultere i generert Priorene for malen, men de trenger glatte før bruk Atropos segmentering. Kommandoen utjevning er del av maur. Glatt alle Priorene kommandoen:
  SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
9. Før du kjører Atropos, kjøre hjernen utvinning på alle innfødte plass skanninger. Studie-spesifikke malen kan brukes, og utdraget hjernen generert kjører antsCorticalThickness.sh på malen (trinn 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. Alternativene i denne kommandoen er:
    -d: dimensjoner; -a: anatomiske bildet; -e: hjernen utvinning mal (dvs. mal laget, uten skallen stripping); -m: studere bestemte brainmask brukes for hjernen utvinning; -o: utgang prefiks.
10. Kjør Atropos:
  antsAtroposN4.sh -d 3 - en T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
  1. Alternativene i denne kommandoen er:
    -d = mål; -a: anatomiske bildet; -x: hjernen utvinning maske fra hjernen utvinning; -c: antall vev klasser til å segmentere; -o: utgang prefikset -p: studie-spesifikke segmentering Priorene < segmentationPriors%d.nii.gz >
11. Utføre visuelle QC på GM regionen som beskrevet i punkt 8.

7. segmentering via MALP-EM

Å løpe MALP-EM, åpne et terminalvindu, endre katalogen i MALP-EM installasjonsmappen og type:
. / malpem-proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
Når kommandoen er fullført, kontroller at det er en output-mappen med vev klasser og regionale segmentations.
Utføre visuelle QC på GM som beskrevet i punkt 8.

8. visuelle kvalitetskontroll

Merk: Visual kvalitetskontroll bør utføres på alle segmentert regioner i analysen. Kvalitetskontroll sikrer at segmentations er av høy standard og pålitelig segmentering av CGM. For å utføre kvalitetskontroll, hver skanning åpnes og kledde på opprinnelige T1 sammenligne den genererte regionen CGM synlig på skanningen.

SPM, FSL, maur og MALP-EM Segmentations
1. Utføre visuelle QC med FSLeyes:
  https://users.fmrib.Ox.ac.uk/~paulmc/fsleyes_userdoc/
  Merk: FSLview (en eldre viewer) kan også brukes på samme måte.
2. Åpne et terminalvindu og åpne T1 og GM regionene over T1. For å gjøre dette, skriver du:
  fsleyes T1.nii Region1.nii Region2.nii.
3. Når FSLeyes åpnes, kan du bruke den tetthet veksle i øverste rute justere/reduserer tetthet og tillate visualisering av T1 bildet under regionen GM. Endre fargen på segmentering overlegget via "dropdown kategorien farge" i den øverste ruten.
4. Bla gjennom hver sektor i hjernen.
  Merk: Her Dette er gjort bruke koronale syn, men brukerne bør bruke visningen som de har erfaring med.
5. Merk hver sektor for regioner av under - eller over - estimation av regionen blir kontrollert.
  Merk: Se representant resultater for eksempler på gode og dårlige segmentations.
FreeSurfer QC
1. Peform visuelle QC med FreeView.
  Merk: Se dokumentasjonen her:
  https://surfer.NMR.mgh.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
2. Åpne et terminalvindu. Hvis du vil vise volumetriske GM regionen over T1, endre adresseliste å emne-mappen og skriv:
  Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
3. Bla gjennom hver sektor i hjernen.
  Merk: Her Dette er gjort bruke koronale syn, men brukerne bør bruke visningen som de har erfaring med.
4. Merk hver sektor for regioner av under - eller over - estimation av regionen blir kontrollert.
  Merk: Se representant resultater for eksempler på segmentations.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Gjennomsnittlig hjernen volumer for 20 kontroll deltakerne, samt demografisk informasjon, vises i tabell 1. Dette fungerer som en guide for forventede verdier når du bruker disse verktøyene. Resultatene bør sees i sammenheng med T1.nii originalbildet. Alle GM regioner bør undersøkes henhold til fremgangsmåten som er beskrevet i delen 8. Når du utfører visuelle QC, er det viktig å direkte sammenligne regionene GM på T1 skanningen ved å vise dem over T1.

Områder bør bli avvist for feil som vist i figur 1. Disse feilene forårsake hvis behandling ble kjørt feil, eller hvis hjernen var dårlig plassert innenfor synsfelt. For å korrigere disse feilene, den opprinnelige T1-skanner kan være strengt nytt justert til standard plass og segmentering kan være nytt forsøk. Frekvensen for mislykkede varierer avhengig av kvaliteten på data og verktøy, i tillegg til klassifisering av feil. I denne studien, feilrater total svikt i avvisning var < 5% for alle verktøy, men mindre vesentlige feil ble konsekvent sett over en rekke verktøy. FSL raskt, SPM 8 nye segmentet og FreeSurfer hadde feil (men ikke feil) i > 50% av skanner for denne kohorten. Denne feil ble kvantifisert ved å undersøke notatene tatt under visuelle QC prosessen med feil inkludert hvis de ble sett på som en rimelig avgang fra de forventede områdene, som vist i tall 2-6. Det er viktig å merke seg at disse verktøyene har validert på datasett og føre til mye lavere feil priser ³^,⁸. Mens disse feilene kan muligens bli bedre via manuell eller inkludering av en maske på hjernen utvinning, siden SPM nytt Segment og MALP-EM resulterte i en lavere feil for dataset, vil disse verktøyene brukes i stedet. Masker kan brukes før behandling maur og MALP-EM og etter behandling for SPM (alle versjoner) og FSL første.

Flere mindre feil vises i tallene 2-6. Ved å teste ulike segmentering verktøy på dataset før programmet hele kohort, kan verktøyet som fungerer best på at datasett velges for analyse. Når du utfører QC, skal en prosedyre utvikles til å velge å avvise, redigere eller godta segmentations. Vanlige feil sett for sju verktøy er beskrevet her, med eksempler vist inne tallene 2-6. Feil i segmentering som disse kan ofte rettes med tillegg av en maske i behandling strømmen eller redigere regioner. Imidlertid måtte regioner med omfattende over - eller under - estimation på cortex bli avvist fra analyse. Strenge kriterier skal utarbeides og følges når du gjør denne beslutningen. Disse trinnene er ikke dekket i denne protokollen og vil variere fra datasett DataSet.

Vanligvis når du utfører visuelle QC, er det viktig å betale spesiell oppmerksomhet til timelige og occipital områder, som dette er områder som viser mest konsekvente feilene. Figur 2 viser eksempler på gode og dårlige timelige segmentations og Figur 3 viser eksempler på gode og dårlige occipital segmentations. Figur 4 viser et annet vanlig problem som oppstår i alle verktøy, som ikke-hjernevev er klassifisert som CGM i overlegen skiver av hjernen. Figur 5 viser et annet problem sett i en rekke segmentations der regioner av CGM utelates fra segmenteringen. Dette skjer ofte i overlegen skiver av hjernen, som vist i figur 5.

SPM8 Unified segmentet resultert ofte i dårlig timelige avgrensning, med segmenterte GM regionen søle inn ikke-hjerne vevet rundt temporal lobes. Utslipp i bakhodelappen er vanlig, mens under estimering av frontallappene også sett på en rekke områder. SPM8 nye segmentet var dårlig timelige avgrensning og occipital søl også vanlig. Denne versjonen SPM resulterer også i voxels i skallen og dura blir klassifisert som GM i nesten alle segmentations. SPM12 ble forbedret i forhold til tidligere versjoner av SPM, med tinninglappen segmentations bedre og mindre utslippet i andre regioner. Maur viste svært variabel ytelse på denne kohorten, med første hjernen utvinning bestemme kvaliteten på segmentering. Det er viktig å være spesielt oppmerksom på eksterne grensene, og hvis hjernen utvinning er dårlig med maur, deretter hjernen masken i kommandoen Atropos kan forbedres. Problemer med over estimering av GM i timelige og occipital lobes var igjen vanlige. MALP-EM viste færre problemer med over estimering av timelige og occipital lobes; Selv om det var under estimering av cortex i en rekke tilfeller. Dette kan forbedres ved inkludering av hjernen maske i rørledningen. FSL rask segmentations var svært variabel, på grunn av variabel ytelsen BET hjernen utvinning på data fra denne kohorten. Igjen, spørsmålene i occipital og temporal lobes var vanlig; men kan disse forbedres med optimalisering av hjernen utvinning. Endelig er FreeSurfer volumetriske områder ofte fast langs GM/CSF grensen, vanligvis uten noen regioner av GM i ytre grensen (figur 6). Som med andre verktøy, er søl utenfor GM utbredt i timelige og occipital lobes. Til slutt, figur 7 viser et eksempel på en god segmentering vises i FSLview som hadde ingen feil segmentering. Manuell redigering av regioner utføres ofte for å forbedre regioner, selv om dette ikke er dekket her.

Figur 1 : Eksempel på en mislykket segmentering vises på avsøking T1. Denne segmentering skal re behandlet og ekskludert fra analysen hvis det ikke kan bli bedre. Klikk her for å se en større versjon av dette tallet.

Figur 2 : Eksempler på resultatene av ulike verktøy på tinninglappen på avsøking T1. (A) T1 scan uten en segmentering. (B) T1 skanne med et eksempel på en god regionale avgrensning (MALP-EM). (C) T1 skanne med et eksempel på en god regionale avgrensning (FreeSurfer). (D) The T1 skanne med et eksempel på en dårlig regionale avgrensning, viser søl i venstre og høyre temporal lobes (SPM 8 nye segmentet). (E) The T1 skanne med et eksempel på en dårlig regionale avgrensning, viser søl i venstre og høyre temporal lobes (FSL raskt). Skanner vises i FSLeyes med T1 skanningen som base og GM regionen som et overlegg. I denne illustrasjonen vises regionene GM som rød-gule med en tetthet av 0.4. Fargen gradient representerer delvis volum av voxels, med voxels som er mer gul har en høyere PVE anslag (mer sannsynlig å være GM) og de som er røde har en lavere PVE anslag (mindre sannsynlig å bli GM). Klikk her for å se en større versjon av dette tallet.

Figur 3 : Eksempler på resultatene av ulike verktøy på bakhodelappen på en T1-skanning. (A) T1 scan uten en segmentering. (B) T1 skanne med et eksempel på en god regionale avgrensning (MALP-EM). (C) The T1 skanne med et eksempel på en dårlig bakhodelappen avgrensning med utslipp til dura i den mediale delen av regionen (SPM 8 Unified Segment). (D) The T1 skanne med et eksempel på en dårlig bakhodelappen avgrensning med utslipp til dura i de mediale og overlegen i regionen (SPM 8 nye segmentet). (E) The T1 skanne med et eksempel på en dårlig bakhodelappen avgrensning med utslipp til dura i de mediale og overlegen i regionen (FSL raskt). Skanner vises i FSLeyes med T1 skanningen som base og GM regionen som et overlegg. I denne illustrasjonen vises regionene GM som rød-gule med en tetthet av 0.4. Fargen gradient representerer delvis volum av voxels, med voxels som er mer gul har en høyere PVE anslag (mer sannsynlig å være GM) og de som er røde har en lavere PVE anslag (mindre sannsynlig å bli GM). Klikk her for å se en større versjon av dette tallet.

Figur 4 : Eksempel på en GM region sølt i dura, vises i et FSLview vindu (i sagittal, koronale og aksial). Regionen blå høydepunktene søl i dura. Klikk her for å se en større versjon av dette tallet.

Figur 5 : Eksempel på en GM region som har utelatt regioner av CGM fra segmentering. Dette området vises i et FSLview vindu i sagittal, koronale og aksial. Aksial viser beste regionene som er utelatt fra segmentering. Klikk her for å se en større versjon av dette tallet.

Figur 6 : Eksempel på en FreeSurfer GM region som er svært stramt langs GM/CSF grensen, vises i FreeView. Vinduet koronale i øverste venstre beste viser under estimering i CGM i denne regionen. Klikk her for å se en større versjon av dette tallet.

Figur 7 : Eksempel på et godt kodedel MALP-EM område på en T1 hjerne skanner. Regionen viser ingen problemer med over - eller under - estimation av CGM i en region. Klikk her for å se en større versjon av dette tallet.

Table 1
Tabell 1: Demografisk informasjon og gjennomsnittlig GM volumer (mL) for 20 kontroll deltakere fra spor-HD studien, segmentert med syv verktøyene som beskrives her.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nylig har forskning vist at bruken av volumetriske metoder kan ha viktige implikasjoner for neuroimaging studier¹^,². Ved publisering protokoller som hjelper guide nybegynnere i hvordan du bruker forskjellige neuroimaging verktøy, samt utføre QC på resultater-utgang disse verktøyene, kan forskere velge den beste metoden å bruke deres DataSet.

Mens de fleste trinn på denne SOP kan tilpasses etter kravene til data og forsker, en av de viktigste prosessene som presenteres her er fremgangsmåten som beskriver detaljert visuell kvalitetskontroll. Visuelle QC bør utføres på alle segmentations utgang av disse verktøyene og er avgjørende for nøyaktig måling av CGM. QC trinnene tatt for å sikre høy kvalitet segmentations er utviklet etter eksamen av CGM regioner. Ved å sammenligne forskjellige verktøy via visuell undersøkelse, finner den mest nøyaktige metoden for hvert datasett.

For hvert verktøy finnes det ulike alternativer som kan brukes til å optimalisere segmentering på hvert datasett. Det er ofte best å justere alle søk innfødt plass før segmentering, da dette kan redusere feil segmentering; men er dette ikke viktig. Videre avviker regionene produksjon av hvert verktøy, med noen inkludert bare kortikale GM og noen inkludert subkortikal regioner. Videre utgang noen delvis volum anslår (PVE) og noen utgang diskret vev kart. Mens volumet utvinning dekkes ikke her, og diskusjon av forskjellen mellom PVE og diskret vev kart er utenfor omfanget av denne standard operating procedure (SOP), er PVE kartene generelt akseptert som en mer pålitelig mål¹². Denne SOP gir informasjon om behandling brukes i Johnson et al. (2017) ² segmentet og QC skanner; men det kan være mer passende valg for andre brukere avhengig av sine bilder, og videre behandling for eksempel bruk av masker for å begrense regionene kortikale GM kan være nødvendig. Alle segmentations kan utføres i eget rom.

Denne protokollen gir syv ulike metoder som kan brukes til å segmentere CGM fra T1 Mr skanner eksempel rørledninger. Disse eksemplene i stor grad følge standard rørledningene som anbefales for hver programvare, og det er viktig å merke seg at ytterligere optimalisering av disse rørledninger kan være nødvendige for vellykket oppdeling av et område på ulike skanninger. Noen verktøy, som MALP-EM, har begrenset valgmulighetene og sannsynligvis bedre for brukere som er nye til neuroimaging. Andre verktøy, inkludert maur, kan gjennomgå detaljert optimalisering, og protokollen presenteres her representerer en mulig anvendelse av denne programvaren. Ytterligere alternativer, for eksempel bruk av masker for å begrense beregningen av volumene, er også mulig for de fleste verktøy.

Det er viktig å merke seg at ikke alle verktøy kan brukes på alle operativsystemer. SPM og maur er kompatible med Windows, Mac og Linux-systemer, FSL er kompatibel med Mac og Linux-systemer, og MALP-EM og FreeSurfer er kompatible med Linux-systemer (eller en Linux virtuell maskin som kjører på Windows/Mac PC).

Denne protokollen dekker trinnene som kan brukes til å utføre segmentering og kvalitetskontroll (QC) på 3D T1-vektet Mr skanner å generere CGM regioner. Imidlertid forutsetter protokollen at bildene er 3D T1 bilder i NifTI-format (.nii filtypen). I analysen av Johnson et al. ², bildene ble allerede bias-korrigert med N3 prosedyren¹³. Denne protokollen forutsetter at programvaren er lastet ned og installert på en linux maskin som instruksjonene fra hvert verktøy. Programvaren forhold her inkluderer SPM8¹⁴, SPM12, FSL¹⁵, FreeSurfer¹⁶^,¹⁷, maur¹⁸og MALP-EM¹⁹.

Denne SOP dekker en rekke segmentering teknikker; men finnes det andre alternativer for å segmentere strukturelle T1 skanninger. Disse metodene ble valgt for forrige sammenligning av Johnson et al. ² basert på deres bruksfrekvens innen Huntingtons sykdom forskning. Men hver verktøyet fungerer forskjellig i hver datasett, og segmentering verktøy ikke dekket her kan være passende for andre datasett og fagmiljøer.

Disse verktøyene er mye brukt i neuroimaging forskning. Som programvareoppdateringer er opprettet for disse verktøyene, er det sannsynlig at resultatet av hver segmentering metode vil gjennomgå betydelige endringer over tid. Men bør vekt forbli på prosessen med visuelle QC å sikre at høy kvalitet segmentations brukes i neuroimaging studier.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Vi ønsker å takke alle de ved CHDI/høy Q Foundation ansvarlig for spor-HD studier; spesielt, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan signerer og Sherry Lifer. Forfatterne også ønsker å utvide sin takknemlighet til spor-HD studie deltakerne og deres familier. Dette arbeidet ble gjort på UCLH/UCL, som fikk en andel av finansiering fra Department of Health's National Institute for Health biomedisinsk forskning forskningssentre finansiering ordningen. S.J.T. anerkjenner støtte fra National Institute for Health Research gjennom Dementias og nevrodegenerative Research Network, DeNDRoN.

SPOR-HD etterforskere:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; A. Coleman, R. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Canada; A. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, Frankrike. N. Bechtel, S. Bohlen, R. Reilmann, Universitetet i Münster, Münster, Tyskland; B. Landwehrmeyer, Universitetet i Ulm, Ulm, Tyskland; 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, Nederland; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universitetet i Manchester, Manchester, Storbritannia. D. M. kontanter, IXICO, London, Storbritannia. H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. lese, M. J. sier, D. Whitehead, E. Wild, University College London, London, Storbritannia. C. Frost, R. Jones, London School of Hygiene og tropiske medisin, London, Storbritannia. E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; og S. Queller, C. Campbell, Indiana University i USA.

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

Automatisert segmentering av kortikale grå materie fra T1-vektet MRI bilder

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.