A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
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.
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.
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.
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.
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.
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.
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.
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/.
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.
7. segmentazione tramite MALP-EM
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.
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 per la scansione di T1 visualizzandoli sovrapposto il T1.
Regioni dovrebbero essere respinta per errori grossolani, come mostrato nella Figura 1. A volte questi errori se l'elaborazione è stata eseguita in modo non corretto, o se il cervello era mal posizionato all'interno del campo visivo. Per correggere questi errori, le scansioni T1 native possono essere rigidamente riorganizzate per spazio standard e segmentazione può essere ri-tentato. Il tasso di guasti varierà a seconda della qualità dei dati e gli strumenti utilizzati, come pure la classificazione del fallimento. Nello studio corrente, tassi di guasto dei guasti totali conseguente rifiuto erano < 5% per tutti gli strumenti, ma errori meno significativi sono stati veduti costantemente attraverso una serie di strumenti. FSL veloce, SPM 8 nuovo segmento e FreeSurfer aveva errori (ma non guasti) in > 50% di scansioni per questo gruppo. Questo tasso di errore è stato quantificato esaminando le note prelevate durante il processo di controllo di qualità visivo, con errori inclusi se erano visti come una partenza ragionevole dalle regioni previste, come illustrato nella figure 2-6. È importante notare che questi strumenti siano stati convalidati su altri set di dati e il risultato molto inferiore errore tariffe 3,8. Mentre questi errori forse potrebbero essere migliorati tramite intervento manuale o l'inclusione di una maschera di estrazione del cervello, poiché il nuovo segmento di SPM e MALP-EM ha provocato un tasso di errore più basso per questo dataset, questi strumenti potrebbe essere utilizzati invece. Maschere possono essere applicate prima dell'elaborazione all'interno di formiche e MALP-EM e dopo la lavorazione per SPM (tutte le versioni) e primo FSL.
Più piccoli errori sono mostrati nelle figure 2-6. Di segmentazione diversi strumenti in un dataset prima dell'applicazione per tutta la coorte di test, lo strumento che garantisce le migliori prestazioni su di esso può essere selezionato per analisi. Quando si esegue il controllo di qualità, dovrebbe essere sviluppata una procedura per aver scelto di rifiutare, modificare o accettare segmentazioni. Errori comuni visti per sette strumenti sono descritti qui, con gli esempi riportati in figure 2-6. Errori nella segmentazione come questi spesso possono essere corretti con l'aggiunta di una maschera nel flusso di elaborazione o modificare le regioni. Tuttavia, le regioni con vasto sopra - o sotto - estimation della corteccia potrebbero essere necessario essere respinta dall'analisi. Rigorosi criteri dovrebbero essere sviluppati e seguiti nel prendere questa decisione. Questi passaggi non sono coperti dal presente protocollo e varieranno da dataset DataSet.
In genere, quando si esegue visual QC, è importante prestare particolare attenzione alle regioni occipitale e temporali, come queste sono zone che mostrano gli errori più coerenti. Nella figura 2 vengono illustrati esempi di buoni e cattivi segmentazioni temporali, e la figura 3 illustra esempi di buoni e cattivi segmentazioni occipital. La figura 4 Mostra un altro problema comune che si verifica in tutti gli strumenti, in cui il tessuto cerebrale non è classificato come CGM nella superior fette del cervello. Figura 5 consente di visualizzare un altro problema visto in un certo numero di segmentazioni dove regioni del CGM sono esclusi dalla segmentazione. Ciò si verifica spesso in superior fette del cervello, come si vede nella Figura 5.
SPM8 unificata segmento provocato comunemente scarsa delimitazione temporale, con la regione di GM segmentata che si rovesciano nel tessuto non-cervello che circondano i lobi temporali. Sversamento in lobo occipital è comune, mentre sottovalutazione dei lobi frontali visualizzato anche in alcune regioni. Per SPM8 nuovo segmento, scarsa delimitazione temporale e occipitale versamento erano anche comuni. Utilizzando questa versione di SPM comporta anche voxel all'interno del cranio e dura essere classificati come GM in quasi tutte le segmentazioni. SPM12 è stato migliorato rispetto alle versioni precedenti di SPM, con la fuoriuscita del lobo temporale migliorata e meno di segmentazioni in altre regioni. Le formiche hanno mostrato prestazioni altamente variabile su questo gruppo, con l'estrazione di cervello iniziale determinazione della qualità di segmentazione. È importante prestare particolare attenzione ai confini esterni, e se cervello estrazione è povero utilizzando le formiche, quindi la maschera di cervello inclusa nel comando Atropo può essere migliorata. Problemi con over-estimation del GM nei lobi temporali ed occipitali erano ancora comuni. MALP-EM ha mostrato meno problemi con sopravvalutazione dei lobi temporali ed occipitali; anche se, c'era la sottovalutazione della corteccia in un numero di casi. Questo può essere migliorato tramite l'inclusione di una maschera di cervello nella pipeline. FSL veloce segmentazioni erano altamente variabile, a causa delle prestazioni variabile di estrazione del cervello di scommessa sui dati da questo gruppo. Ancora una volta, i problemi all'interno del lobi occipital e temporali erano comuni; Tuttavia, questi può essere migliorati con l'ottimizzazione dell'estrazione del cervello. Infine, regioni volumetriche FreeSurfer hanno strette lungo il contorno di GM/CSF, in genere escluse alcune regioni di GM nel contorno esterno (Figura 6). Come con altri strumenti, fuoriuscita all'esterno il GM sia prevalente all'interno dei lobi temporali ed occipitali. Infine, la Figura 7 Mostra un esempio di una buona segmentazione visualizzato in FSLview che non aveva nessun errore di segmentazione. Modifica manuale delle regioni spesso può essere eseguita per migliorare le regioni, anche se questo non è coperto qui.
Figura 1 : Esempio di una segmentazione fallita visualizzata su un'esplorazione T1. Questa segmentazione dovrebbe essere rielaborata e sono esclusi dalle analisi se esso non può essere migliorata. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2 : Esempi delle prestazioni di diversi strumenti sul lobo temporale su un'esplorazione T1. (A) il T1 scansione senza una segmentazione. (B) il T1 scansione con un esempio di una buona delimitazione regionale (MALP-EM). Scansione (C) il T1 con un esempio di una buona delimitazione regionale (FreeSurfer). (D) il T1 scansione con un esempio di una delimitazione regionale povero, mostrando fuoriuscite nei lobi temporali sinistro e destro (SPM 8 nuovo segmento). (E) il T1 scansione con un esempio di una delimitazione regionale povero, mostrando la fuoriuscita in destro e sinistro lobi temporali (FSL veloce). Le scansioni vengono visualizzate in FSLeyes con la scansione di T1 come un'immagine di base e la regione di GM come overlay. In questa figura, le regioni di GM sono visti come rosso-giallo con un'opacità pari a 0,4. La sfumatura di colore rappresenta il volume parziale di voxel, con voxels che sono più giallo aventi una maggiore stima PVE (più probabilità di essere GM) e quelle che sono rosse, avendo una bassa stima PVE (meno probabilità di essere GM). Clicca qui per visualizzare una versione più grande di questa figura.
Figura 3 : Esempi delle prestazioni di diversi strumenti sul lobo occipitale su un'esplorazione T1. (A) il T1 scansione senza una segmentazione. (B) il T1 scansione con un esempio di una buona delimitazione regionale (MALP-EM). (C) il T1 scansione con un esempio di una delineazione di poveri del lobo occipital con invaso antitraboccamento in dura nella parte mediale della regione (SPM 8 unificata segmento). Il T1 (D) eseguire la scansione con un esempio di una delineazione di poveri del lobo occipital con invaso antitraboccamento in dura nella sezione mediale e superiore della regione (SPM 8 nuovo segmento). (E) il T1 scansione con un esempio di una delineazione di poveri del lobo occipital con invaso antitraboccamento in dura nelle sezioni mediale e superiore della regione (FSL veloce). Le scansioni vengono visualizzate in FSLeyes con la scansione di T1 come un'immagine di base e la regione di GM come overlay. In questa figura, le regioni di GM sono visti come rosso-giallo con un'opacità pari a 0,4. La sfumatura di colore rappresenta il volume parziale di voxel, con voxels che sono più giallo aventi una maggiore stima PVE (più probabilità di essere GM) e quelle che sono rosse, avendo una bassa stima PVE (meno probabilità di essere GM). Clicca qui per visualizzare una versione più grande di questa figura.
Figura 4 : Esempio di una regione di GM ha versato la dura madre, visualizzata in una finestra di FSLview (nelle viste assiale, coronale e sagittale). La regione blu evidenzia fuoriuscita in dura. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 5 : Esempio di una regione di GM che ha escluso le regioni del CGM dalla segmentazione. Questa regione viene visualizzata in una finestra di FSLview, in vista assiale, coronale e sagittale. La vista assiale migliore Mostra le regioni che sono state escluse dalla segmentazione. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 6 : Esempio di una regione di FreeSurfer GM che è molto stretta, lungo il confine di GM/CSF, visualizzato in FreeView. La finestra della corona nel migliore sinistra superiore Visualizza la sottovalutazione in CGM in questa regione. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 7 : Esempio di una regione ben delineata MALP-EM su un'esplorazione del cervello di T1. La regione non Mostra problemi con sopra - o sotto - estimation del CGM in qualsiasi regione. Clicca qui per visualizzare una versione più grande di questa figura.
Tabella 1: Dati demografici e volumi medi di GM (mL) per 20 partecipanti di controllo dallo studio TRACK-HD, segmentato utilizzando i sette strumenti descritti qui.
Gli autori non hanno nulla a rivelare.
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.
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.
