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

Cette méthode peut répondre à des questions clés dans les domaines de la neuroimagerie et de la neurologie. Par exemple, s’il existe des différences de groupe dans le volume cortical pour les populations non cliniques par rapport aux populations cliniques. Le principal avantage de cette technique est qu’elle permet aux chercheurs d’utiliser le meilleur outil pour leurs données.

Pour commencer, ouvrez d’abord le logiciel SPM en ouvrant une fenêtre de commande MATLAB et en tapant SPM dans la ligne de commande. Ensuite, pour effectuer une segmentation unifiée, sélectionnez PET VBM pour ouvrir la boîte à outils d’IRM structurelle. Maintenant, ouvrez l’éditeur de lots pour effectuer la segmentation sur plusieurs scans à la fois.

Sélectionnez SPM, Spatial et Segment, puis Données, sélectionnez Fichiers et choisissez les analyses pondérées T1 comme entrée. Ensuite, cliquez sur Fichiers de sortie, Matière grise, et assurez-vous que l’espace autochtone est sélectionné, et répétez ceci pour White Matter. Si la segmentation CSF n’est pas nécessaire, laissez cet ensemble à Aucun.

Si les analyses ont déjà été corrigées par biais, modifiez cette option pour ne pas enregistrer corrigé. Utilisez ensuite Nettoyer les partitions et testez les trois options avant d’exécuter l’analyse complète. Maintenant, laissez les autres paramètres définis par défaut et cliquez sur le drapeau vert pour exécuter la segmentation.

La fenêtre MATLAB dira Fait lorsque la segmentation est terminée. Enfin, effectuez le contrôle de la qualité visuelle sur le fichier NIfTI Grey Matter qui en résulte. Pour effectuer l’option Nouveau Segment dans SPM 8, sélectionnez d’abord PET VBM avant d’ouvrir l’éditeur de lots.

Sélectionnez ensuite SPM, Outils, Nouveau Segment et sélectionnez les fichiers d’images T1 format NIfTI à utiliser. Définissez l’option Type de tissu autochtone dans l’espace autochtone et éteignez les classes de tissus qui ne sont pas nécessaires. Éteignez également les tissus déformés, puis cliquez sur le drapeau vert pour exécuter la segmentation et effectuer le contrôle visuel de la qualité une fois terminé.

Pour effectuer la segmentation dans SPM 12, appuyez à nouveau sur PET VBM et ouvrez l’éditeur de lots. Sélectionnez ensuite SPM, Spatial Segment et Data Volumes. Sélectionnez ensuite native Space Tissue Type et éteignez les classes de tissus nonneeded.

Réglez les tissus déformés à aucun, et cliquez sur le drapeau vert. Une fois la segmentation terminée, assurez-vous à nouveau d’effectuer le contrôle visuel de la qualité tel que détaillé dans la prochaine section de ce protocole. Le contrôle visuel de la qualité peut être effectué à l’aide de FSLeyes.

Commencez par ouvrir une fenêtre terminale, puis ouvrez FSLeyes en tapant FSLeyes dans le terminal. Sélectionnez ensuite Fichier, Ajouter à partir du fichier et sélectionnez le T1 d’origine et les régions segmentées pour les afficher. Une fois FSLeyes ouvert, utilisez le basculement d’opacité pour permettre la visualisation de l’image T1 sous-jacente.

Modifiez également la couleur de la superposition de segmentation au besoin via l’onglet dropdown de couleur dans le volet supérieur. Maintenant, faites défiler chaque tranche dans le cerveau et vérifiez chacune pour les régions de sous-estimation ou de surestimation dans la région en cours d’inspection. Le contrôle visuel de la qualité est une étape essentielle de cette procédure.

En comparant vos régions segmentées à l’analyse T1 originale, vous pouvez vous assurer que vos régions sont de haute qualité et que vos conclusions sont biologiquement exactes. Pour effectuer le contrôle visuel de la qualité des données FreeSurfer à l’aide de Freeview, ouvrez une fenêtre terminale et modifiez l’annuaire vers le dossier objet qui contient la sortie FreeSurfer traitée. Ensuite, tapez la commande vue sur l’écran ici pour voir la région de matière grise volumétrique superposée sur le T1. Encore une fois, faites défiler chaque tranche du cerveau et vérifiez les régions de sous-estimation ou de surestimation de la région du cerveau inspectée.

Ici, nous voyons un exemple d’une segmentation échouée affichée sur un scan T1. Cette segmentation doit être retraitée et exclue de l’analyse si elle ne peut pas être améliorée. Cette figure montre des exemples de la performance de différents outils sur le lobe temporal sur un scan T1.

Des exemples d’une bonne délimitation régionale sont observés ici, tandis que des exemples de mauvaise délimitation régionale, montrant des déversements dans les lobes temporels gauche et droit, sont montrés ici. Ce chiffre montre des exemples de la performance de différents outils sur le lobe occipital sur un scan T1. Ici, nous voyons le balayage T1 avec un exemple d’une bonne délimitation régionale, alors que voici un exemple d’une délimitation régionale pauvres, montrant déversement dans la dura médiale.

Ici, nous voyons un exemple d’une région de matière grise déversée dans la dura, mis en évidence par la région bleue. Ce chiffre montre un exemple d’une région de matière grise qui a exclu les régions du cortex de la segmentation, mieux montré dans la vue axiaale. Tout en essayant cette procédure, il est important de se rappeler de tester différents outils dans vos données, et d’effectuer un contrôle visuel de la qualité sur les analyses de processus.

Après son développement, cette technique a ouvert la voie aux chercheurs en neuroimagerie pour étudier les changements dans le volume du cerveau au fil du temps sans nécessiter de tests invasifs.