È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Segmentazione automatica di materia grigia corticale da immagini di T1-Weighted MRI

8.7K visualizzazioni

⸱

DOI:

10.3791/58198

⸱

7 gennaio 2019

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

In questo articolo

Sommario

Questo protocollo descrive il processo di applicazione di sette strumenti di diversa segmentazione automatizzata a scansioni di T1-weighted MRI strutturale di definire le aree di materia grigia che possono essere utilizzati per la quantificazione del volume della materia grigia.

Abstract

Nell'ambito della ricerca di neuroimaging, una serie di studi recenti hanno discusso l'impatto delle differenze tra studi volumetrici risultati che sono pensati per derivare dall'uso di strumenti di diversa segmentazione per generare volumi cerebrali. Qui, la pipeline di elaborazione per sette strumenti automatizzati che possono essere utilizzati per segmentare la materia grigia all'interno del cervello sono presentati. Il protocollo prevede un primo passo per i ricercatori con l'obiettivo di trovare il metodo più preciso per la generazione di volumi di materia grigia da scansioni di T1-weighted MRI. Procedura per intraprendere dettagliata visual controllo di qualità è anche incluse nel manoscritto. Questo protocollo copre una gamma di potenziali strumenti di segmentazione e incoraggia gli utenti a confrontare le prestazioni di questi strumenti all'interno di un sottoinsieme dei propri dati prima di utilizzarlo per applicare a un gruppo completo. Inoltre, il protocollo può essere ulteriormente generalizzato alla segmentazione di altre regioni del cervello.

Introduzione

Neuroimaging è ampiamente usato in ambito sia clinico e le impostazioni di ricerca. C'è una mossa attuale per migliorare la riproducibilità degli studi che quantificare il volume del cervello dalle scansioni di risonanza magnetica (MRI); quindi, è importante che gli investigatori condividano le esperienze di utilizzo di strumenti disponibili di MRI per segmentazione esplorazioni di MRI in volumi regionali, per migliorare la standardizzazione e l'ottimizzazione di metodi1. Questo protocollo fornisce una guida dettagliata all'uso di sette diversi strumenti per segmentare la materia grigia corticale (CGM; materia grigia che esclude regioni subcortical) da scansioni di T1-weighted MRI. Questi strumenti sono stati utilizzati in precedenza in un confronto metodologico di segmentazione metodi2, che ha dimostrato prestazioni variabile tra gli strumenti su una coorte di malattia di Huntington. Poiché le prestazioni di questi strumenti sono pensata per variare tra diversi set di dati, è importante per i ricercatori di testare una serie di strumenti prima di scegliere solo uno da applicare al loro set di dati.

Volume della materia grigia (GM) viene regolarmente utilizzato come misura della morfologia del cervello. Misure volumetriche sono generalmente affidabili e in grado di discriminare tra controlli sani e gruppi clinici3. Il volume dei tipi differenti del tessuto di regioni del cervello più spesso viene calcolato utilizzando strumenti software automatici che identificano questi tipi di tessuto. Così, per creare delineazioni di alta qualità (segmentazioni) del GM, precisa delineazione della materia bianca (WM) e del liquido cerebrospinale (CSF) è fondamentale per raggiungere una precisione della regione GM. Ci sono una serie di strumenti automatizzati che possono essere utilizzati per l'esecuzione di segmentazione di GM, e ciascuno richiede passaggi di elaborazione diversi e si traduce in un output diverso. Una serie di studi hanno applicato gli strumenti ai diversi set di dati per confrontarli con un altro, e alcuni hanno ottimizzato strumenti specifici1,4,5,6,7,8 ,9,10,11. Lavoro precedente ha dimostrato che variabilità tra gli strumenti volumetrici può causare incoerenze all'interno della letteratura quando si studia il volume del cervello, e queste differenze sono state suggerite come fattori per false conclusioni circa di guida condizioni neurologiche1.

Recentemente, è stato effettuato un confronto tra strumenti diversa segmentazione in un gruppo che comprendeva sia ai partecipanti sani di controllo e con malattia di Huntington. Malattia di Huntington è una malattia genetica neurodegenerativa con un esordio tipico in età adulta. L'atrofia progressiva del subcortical e CGM è una caratteristica prominente e ben studiata di neuropathological della malattia. I risultati hanno dimostrato prestazioni variabile di sette strumenti di segmentazione che sono state applicate alla coorte, sostenere il lavoro precedente che ha dimostrato di variabilità nei risultati a seconda del software utilizzato per calcolare i volumi di cervello da esplorazioni di MRI. Questo protocollo fornisce informazioni sul trattamento usato in Johnson et al. (2017) 2 che incoraggia metodologica attenta selezione degli strumenti più idonei per l'uso in neuroimaging. Questo manuale copre la segmentazione del volume di GM, ma non copre la segmentazione delle lesioni, come quelli visti nella sclerosi multipla.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Nota: Assicurarsi che tutte le immagini sono in formato NifTI. Conversione a NifTI non è coperto qui.

1. segmentazione tramite SPM 8: unificata segmento

Nota: Questa procedura viene eseguita tramite la GUI di SPM8 che opera all'interno di Matlab. La Guida di SPM8 fornisce maggiori dettagli e può essere trovato a: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Assicurarsi che SPM8 è installato e impostato nel percorso del software.
  2. La segmentazione di SPM è eseguita usando una GUI. Per aprire SPM, aprire una finestra di comando e digitare 'spm' nella riga di comando.
  3. Premere 'PET & VBM' per aprire la casella degli strumenti strutturale di MRI.
  4. Premere 'Batch' per aprire l'Editor di Batch. Questo consente la segmentazione essere eseguita su scansioni multiple alla volta.
  5. Selezionare ' SPM | Spaziale | Segmento '.
  6. Fare clic su ' dati | Selezionare file. Scegliere le scansioni di T1-weighted come input.
    Nota: I file devono essere decompressi NifTi file, con estensione essere '.nii'.
  7. Fare clic su ' file di output | Grey Matter' e assicurarsi che sia selezionato 'Native Space', fare lo stesso per materia bianca. Se la segmentazione di CSF non è necessaria lasciare questo come 'None'.
  8. Se le scansioni hanno già bias-corretto, modificare l'opzione 'Bias corretto' a 'Non salvare corretto'. Per l'opzione 'Ripulire tutte le partizioni', testare le tre diverse opzioni e utilizzare visual controllo qualità (QC, sezione 8) per determinare quale funziona meglio per i dati.
  9. Lasciare le altre impostazioni come valori predefiniti. Quindi, fare clic sulla bandiera verde per eseguire la segmentazione.
    Nota: Questo richiede circa 5 minuti per ogni partecipante e la riga di comando dirà, 'Esecuzione segmento'. Al termine dell'operazione, nella finestra di comando verrà visualizzato 'Fatto'.
  10. Eseguire visual QC su GM (file C1*.nii), come descritto nella sezione 8.

2. segmentazione tramite SPM 8: nuovo segmento

Nota: Questa procedura viene eseguita tramite la GUI di SPM8. La Guida di SPM8 fornisce maggiori dettagli e può essere trovato a: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Assicurarsi che SPM8 è installato e impostato nel percorso del software. Aprire il software SPM, in genere eseguito digitando "spm" in una riga di comando. Questo apre una finestra di interfaccia (GUI) di utente grafica con una gamma di opzioni che possono essere selezionati per eseguire l'analisi.

  1. Premere 'PET & VBM'.
  2. Premere 'Batch' per aprire l'Editor di Batch.
  3. Selezionare ' SPM | Strumenti | Nuovo segmento ' nella finestra Batch. Selezionare i file di immagine T1 (con estensione '.nii').
  4. Impostare 'Tessuto nativo tipo' a 'Spazio nativo'. Se necessario, spegnere il tessuto differente classi (ad esempio di CSF) - se non richiesto - impostarli su 'None'. Impostare 'Tessuto deformato' su 'None'.
    Nota: Tutte le altre opzioni possono essere lasciati come impostazione predefinita.
  5. Clicca sulla bandiera verde per eseguire la segmentazione.
    Nota: La riga di comando dirà, 'Esecuzione nuovo segmento'. Una volta terminata la esecuzione la volontà di riga di comando MATLAB dire, 'fatto nuovo segmento'.
  6. Eseguire visual QC su GM (file C1*.nii), come descritto nella sezione 8.

3. segmentazione tramite SPM 12: segmento

Nota: Questa procedura è eseguita tramite la GUI di SPM12. La Guida di SPM12 fornisce maggiori dettagli e può essere trovato a: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Aprire il software SPM digitando 'spm' nella finestra di comando. Questo apre una finestra di interfaccia (GUI) di utente grafica con una gamma di opzioni che possono essere selezionati per eseguire l'analisi.
  2. Premere 'PET & VBM'. Premere 'Batch' per aprire l'Editor di Batch.
  3. Fare clic su ' SPM | Spaziale | Segmento '. Quindi, fare clic su ' dati | Volumi.
  4. Impostare 'Tessuto nativo tipo' a 'Spazio nativo'. Disattivare le classi di tessuto che non sono necessari (ad esempio di CSF) impostandoli su 'None'. Impostare 'Tessuto deformato' su 'None'.
    Nota: Tutte le altre opzioni possono essere lasciati come impostazione predefinita.
  5. Clicca sulla bandiera verde per eseguire la segmentazione.
    Nota: Verrà visualizzata la finestra di comando: 'Segmento Running'. Una volta che viene completata l'esecuzione, esso visualizzerà: 'Fatto segmento'.
  6. Eseguire visual QC su GM (file C1*.nii), come descritto nella sezione 8.

4. segmentazione tramite FSL veloce

Nota: Questa procedura viene eseguita nella riga di comando. La guida FSL fornisce maggiori dettagli e può essere trovato a: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Eseguire estrazione del cervello di scommessa. Questo potrebbe essere necessario essere ottimizzato per set di dati diversi, ma il comando di base è:
    Scommetti T1_ID.nii bet_T1_ID.nii
  2. Eseguire FSL veloce segmentazione:
    bet_T1_ID.nii veloce
    Nota: Questo output volume parziale mappe e regioni binarie per GM, CSF e WM.
  3. Eseguire visual QC sulla regione GM (il finale di file * _pve_1.nii.gz) come descritto nella sezione 8.

5. segmentazione tramite FreeSurfer

Nota: Questa procedura viene eseguita nella riga di comando. La Guida di FreeSurfer fornisce maggiori dettagli e può essere trovato a: https://surfer.nmr.mgh.harvard.edu/.

  1. Impostare la directory in cui i dati sono digitando:
    SUBJECTS_DIR = / percorso/per/nii/file di esportazione
  2. Eseguire la segmentazione eseguendo i comandi:
    Recon-tutti - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Recon-all - subjid T1_ID-autorecon2-autorecon3
    Nota: I comandi accettano > 10 h per ogni partecipante. Il - cw256 bandiera è necessario ritagliare scansioni con campi di vista maggiore di 256 fino a questa dimensione per l'elaborazione.
  3. Verificare che l'elaborazione è stata completata correttamente guardando lo script trova nella ' cartella di output | gli script | Recon-all. log '. Verifica che l'ultima riga dice 'recon-tutti - s T1_ID finito senza errori'.
  4. Eseguire visual QC sulla regione di GM come descritto nella sezione 8.

6. segmentazione tramite formiche

Nota: Questa procedura viene eseguita nella riga di comando. ANTs è un software più complessi rispetto agli altri strumenti e si deve osservare che la procedura spiegata qui potrebbe essere ulteriormente ottimizzato per ogni coorte migliorare i risultati. Le formiche documentazione è reperibile presso: http://stnava.github.io/ANTsDoc/. Ci sono due modi per segmentare le immagini in classi di tessuto come descritto di seguito.

  1. Per utilizzare il primo metodo, è necessario eseguire il comando 'antsAtropos.sh' con le impostazioni predefinite e senza includere priori del tessuto.
    Nota: Questo spesso esegue bene soprattutto quando sono necessari solo 3 classi di tessuto: GM, WM, altri.
    1. Impostare il percorso al software di formiche digitando il comando:
      Export ANTSPATH = / percorso/per/formiche/bin /
    2. Eseguire la pipeline di segmentazione digitando il comando:
      antsAtroposN4.sh -d < image_dimension > - un < t1.nii.gz > -c < numero di classi di tessuto > -o < output >
      1. Argomenti facoltativi per questo comando sono:
        Maschera di cervello: - x < mask.nii.gz >;
        Priori di tessuto: -p < segmentationPriors%d.nii.gz >.
    3. Questo creerà una cartella con l'output tra cui mappe di volume parziale e un cervello Estratto. Eseguire visual QC sulla regione di GM come descritto nella sezione 8.
  2. Per generare ulteriori classi di tessuto (GM, GM subcortical, WM, CSF, altro, ecc.) o eseguire la segmentazione su una coorte risultati patologia neurale, utilizzare priori tissutali specifici. Scarica priori di tessuto da diversi siti Web. In alternativa, utilizzare un modello di studio specifico per rendere priori - questo è molto più complesso, ma può essere utile, soprattutto in coorti con cambiamenti patologici del cervello.
    1. Per creare un modello di studio specifici/priori, innanzitutto creare un modello di studio specifico:
      modello di -o -d < image_dimension > antsMultivariateTemplateConstruction.sh < altre opzioni >< images.nii.gz >
      1. Argomenti facoltativi per questo comando sono:
        -c: controllo per calcolo parallelo.
        Se eseguito in serie, utilizzare un 0; -j: numero di core; -r: fare registrazione di corpi rigidi di input prima di creare il modello (default 0) - 0 = spento 1 = = on. Questo è utile solo quando un modello iniziale non è disponibile.
    2. Scaricare un brainmask e priori dal sito Web di formiche.
      Nota: Questa maschera potrebbe essere necessario essere modificato per assicurarsi che è una buona approssimazione del cervello modello. La brainmask è una delle parti più importanti della pipeline; Se è povero, cervello estrazione/Atropo verrà eseguito male. Alcune delle opzioni di download sono:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Il modello scaricato quindi deve essere registrato per il modello di studio.
    3. Calcolare la registrazione, che emetterà una serie di fili di ordito che poi possono essere applicati al modello scaricato per trasformarlo in spazio modello specifici dello studio. Per calcolare la registrazione, utilizzare il comando:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Le opzioni in questo comando sono:
        -dimensione d: (cioè, scansioni 3D sarebbe '3'); -immagine fissa f: (cioè, lo spazio dove le immagini devono finire); -m: movimento immagine (cioè, l'immagine che deve essere spostato); -nome o: uscita (senza estensione necessaria); -n: numero di thread.
    4. Applicare la registrazione ai dati:
      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. Le opzioni in questo comando sono:
        -dimensione d: (cioè, scansioni 3D sarebbe '3'); -immagine in ingresso i: (cioè, l'immagine che deve essere spostato); -immagine di riferimento r: (cioè, l'immagine di riferimento definisce la spaziatura, origine, dimensione e direzione dell'immagine deformata in uscita); -o output nome, questo è il modello scaricato nello spazio specifici dello studio del modello (estensione necessaria in questo caso); nome del file di trasformazione del -t, il file di output dal calcolo della registrazione.
    5. Controllare visivamente la registrazione per la corrispondenza tra il modello specifico di studio e il modello scaricato (per fare questo, aprire il modello di studio specifici in cima il modello scaricato).
    6. Se la registrazione ha lavorato, applicare la trasformazione a priori scaricati ed Estratto di cervello di modello, ripetendo passo 6.2.5.
      Nota: Seguendo questi passi, ci sarà un modello di studio specifico, un modello scaricato allineato con il modello di studio specifico, insieme a una maschera di estrazione scaricato cervello e tessuto priori anche allineati con il modello di studio specifici.
    7. Eseguire il modello specifico di studio attraverso antsCorticalThickness.sh; in questo modo le regioni di GM, WM e CSF che possono essere utilizzate per specifici dello studio priori:
      antsCorticalThickness.sh -d 3 - un 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. Le opzioni in questo comando sono:
        -dimensione d: (cioè, scansioni 3D sarebbe '3'); -r: immagine per essere segmentato (in questo caso, il modello di studio specifico); -modello di cervello e: (non cranio spogliato; in questo caso, il modello scaricato che è stato registrato per il modello specifico di studio); -maschera di estrazione di cervello m: scaricati (in questo caso, il cervello Estratto dal modello scaricato che è stato registrato per il modello specifico di studio); -p: priori specificati utilizzando c-stile di formattazione (ad esempio, labelsPriors%02d.nii.gz -p).
        Nota: Il comando si presuppone che i primi quattro priori vengono ordinati come segue: 1: CSF, 2: corticale GM, 3: WM e 4: subcortical GM (in questo caso, i priori dal modello scaricato che è stato registrato per il modello di studio specifico).
    8. Eseguendo questo comando si tradurrà in precedenti generati per il modello, ma hanno bisogno di lisciatura prima dell'uso nella segmentazione Atropos. Il comando levigante è parte del software di formiche. Liscio tutti i precedenti utilizzando il comando:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Prima dell'esecuzione di Atropo, eseguire estrazione del cervello in tutte le scansioni spazio nativo. Il modello specifici dello studio può essere utilizzato ed estratti di cervello generato dall'esecuzione di antsCorticalThickness.sh sul modello (punto 6.2.1):
      antsBrainExtraction.sh -d 3 - un T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Le opzioni in questo comando sono:
        -dimensioni d:; -r: anatomica immagine; -modello per l'estrazione e: cervello (cioè, modello creato, senza cranio stripping); -m: studiare brainmask specifico utilizzato per l'estrazione del cervello; -prefisso o: uscita.
    10. Quindi eseguire Atropos:
      antsAtroposN4.sh -d 3 - un T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. Le opzioni in questo comando sono:
        -d = dimensioni; -r: anatomica immagine; -maschera di estrazione x: cervello generata dall'estrazione del cervello; -c: numero di classi di tessuto per segmentare; -prefisso o: uscita; -priori di segmentazione specifici dello studio p: < segmentationPriors%d.nii.gz >
    11. Eseguire visual QC sulla regione di GM come descritto nella sezione 8.

7. segmentazione tramite MALP-EM

  1. Per eseguire il MALP-EM, aprire una finestra terminale, modificare la directory nella directory di installazione del MALP-EM e digitare:
    . / malpem-proot - i T1_scan.nii -o. / optional_brain_mask_final.nii.gz -m -f 3T -t - 6C
  2. Una volta che il comando è stato completato, controllare che ci sia una cartella di output con classi di tessuto e segmentazioni regionali.
  3. Eseguire visual QC su GM come descritto nella sezione 8.

8. controllo di qualità visual

Nota: Controllo visivo di qualità dovrebbe essere eseguita su tutte le regioni segmentate da utilizzare nell'analisi. Controllo della qualità garantisce che le segmentazioni sono di alto livello e rappresentano affidabile segmentazione del CGM. Per eseguire il controllo di qualità, ogni scansione viene aperto e sovrapposto il T1 originale per confrontare la regione generata per il CGM visibile sull'esplorazione.

  1. SPM, FSL, formiche e segmentazioni MALP-EM
    1. Eseguire visual QC utilizzando FSLeyes:
      https://Users.FMRIB.Ox.AC.uk/~PaulMc/fsleyes_userdoc/
      Nota: FSLview (un visualizzatore più anziane) può essere utilizzato anche nello stesso modo.
    2. Aprire una finestra terminale e aprire il T1 e le regioni di GM sovrapposte il T1. Per effettuare questa operazione, digitare:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Una volta che si apre la finestra di FSLeyes, è possibile usare il commutatore di opacità sul riquadro superiore per regolare/ridurre l'opacità e consentire la visualizzazione dell'immagine T1 sotto la regione di GM. Cambiare il colore della sovrapposizione segmentazione tramite 'a discesa scheda colore' nel riquadro superiore.
    4. Scorrere ogni fetta nel cervello.
      Nota: Qui questo viene fatto utilizzando la vista della corona, ma gli utenti deve utilizzare la visualizzazione che hanno maggiore esperienza con.
    5. Controllare ogni fetta per regioni di sotto - o over - estimation della regione ispezionata.
      Nota: Vedere la sezione risultati rappresentativi per esempi di segmentazioni di buoni e cattivi.
  2. FreeSurfer QC
    1. Peform visual QC utilizzando FreeView.
      Nota: Fare riferimento alla documentazione di qui:
      https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Aprire una finestra terminale. Per visualizzare l'area di GM volumetrico sovrapposto il T1, cambiare directory per l'oggetto cartella e digitare:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Scorrere ogni fetta nel cervello.
      Nota: Qui questo viene fatto utilizzando la vista della corona, ma gli utenti deve utilizzare la visualizzazione che hanno maggiore esperienza con.
    4. Controllare ogni fetta per regioni di sotto - o over - estimation della regione ispezionata.
      Nota: Vedere la sezione risultati rappresentativi per esempi delle segmentazioni.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Volumi del cervello medio per 20 partecipanti di controllo, insieme a informazioni demografiche, è illustrato nella tabella 1. Questo agisce come una guida per i valori previsti quando si utilizzano questi strumenti. Risultati dovrebbero essere visto nel contesto dell'immagine originale T1.nii. Tutte le regioni di GM devono essere controllate secondo la procedura descritta nella sezione 8. Quando si esegue visual QC, è importante confrontare direttamente le regioni di GM ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Recentemente, la ricerca ha dimostrato che l'uso di diversi metodi volumetrici può avere importanti implicazioni per gli studi di neuroimaging1,2. Di protocolli di pubblicazione che aiutano gli utenti inesperti di guida a come applicare strumenti di neuroimaging diverso, nonché come eseguire QC sull'output dei risultati di questi strumenti, i ricercatori possono selezionare il metodo migliore da applicare al loro set di dati.

Mentre la...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno nulla a rivelare.

Ringraziamenti

Desideriamo ringraziare tutti coloro che sono alla Fondazione Q CHDI/alto responsabile dello studio TRACK-HD; in particolare, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer e Sherry Lifer. Gli autori inoltre desiderano estendere la loro gratitudine per i partecipanti di studio TRACK-HD e le loro famiglie. Questo lavoro è stato intrapreso a UCLH/UCL, che ha ricevuto una parte dei finanziamenti dal Istituto nazionale del dipartimento della salute salute ricerca centri di ricerca biomedica schema di finanziamento. S.J.T. riconosce il sostegno dell'Istituto nazionale per ricerca di salute attraverso le demenze e Neurodegenerative Research Network, DeNDRoN.

Investigatori di TRACK-HD:
C. Campbell, M. Campbell, I. Labate, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; R. Coleman, r. Dar Santos, J. Decolongon, B. R. Leavitt, r. Sturrock, University of British Columbia, Vancouver, BC, Canada; R. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Parigi, Francia; N. Bechtel, S. Bohlen, R. Reilmann, Università di Münster, Münster, Germania; B. Landwehrmeyer, Università di Ulm, Ulm, Germania; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ' t Hart, R. A. Roos, Leiden University Medical Center, Leida, Paesi Bassi; N. Arran, J. Callaghan, d. Craufurd, C. Stopford, Università di Manchester, Manchester, Regno Unito; D. M. contanti, IXICO, Londra, Regno Unito; H. Crawford, N. C. Volpe, S. Gregorio, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. Say, d. Whitehead, E. Wild, University College London, Londra, Regno Unito; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londra, Regno Unito; E. Axelson, H. J. Johnson, d. Langbehn, University of Iowa, IA, Stati Uniti d'America; e S. Queller, c. Campbell, Indiana University, IN, Stati Uniti d'America.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Software SPMControllo di Qualit VisivoVisualizzatore FSLeyesAnalisi FreeSurferMisurazione del Volume CerebraleProtocollo di NeuroimagingStrumenti di Segmentazione
Segmentazione automatica di materia grigia corticale da immagini di T1-Weighted MRI
Contattaci
Raccomanda alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.