Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Automatische segmentatie van corticale grijze stof van MRI T1-gewogen beelden

8.7K weergaven

⸱

DOI:

10.3791/58198

⸱

7 januari 2019

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

In dit artikel

Samenvatting

Dit protocol beschrijft het proces van zeven verschillende automatische segmentatie tools op structurele T1-gewogen MRI-scans om af te bakenen grijze stof-regio's die kunnen worden gebruikt voor de kwantificering van grijze stof volume toe te passen.

Samenvatting

In onderzoek neuroimaging, een aantal recente studies hebben gesproken over het effect van tussen-studie verschillen in volumetrische bevindingen die voortvloeien uit het gebruik van verschillende segmentatie tools voor het genereren van hersenen volumes worden gedacht. Hier, worden verwerking pijpleidingen voor zeven geautomatiseerde hulpmiddelen die kunnen worden gebruikt om het segment van de grijze stof in de hersenen gepresenteerd. Het protocol biedt een eerste stap voor onderzoekers gericht op het vinden van de meest nauwkeurige methode voor het genereren van grijze stof volumes van T1-gewogen MRI-scans. Stappen te ondernemen gedetailleerde visuele kwaliteitscontrole zijn ook opgenomen in het manuscript. Dit protocol bestrijkt een scala van potentiële segmentatie tools en moedigt gebruikers aan om te vergelijken van de prestaties van deze hulpmiddelen binnen een subset van de gegevens voordat een toe te passen op een volledige cohort te selecteren. Bovendien, het protocol kan verder worden veralgemeend naar de segmentatie van andere hersengebieden.

Inleiding

Neuroimaging wordt veel gebruikt in zowel klinische en onderzoek instellingen. Er is een huidige zet om de reproduceerbaarheid van studies die hersenvolume van magnetische resonantie beeldvorming (MRI) scans kwantificeren; het is dus belangrijk dat onderzoekers ervaringen met het gebruik van beschikbare MRI hulpmiddelen delen voor het segmenteren van MRI-scans in regionale volumes, de normalisatie en de optimalisering van de methoden1te verbeteren. Dit protocol biedt een stapsgewijze gids voor het gebruik van zeven verschillende hulpmiddelen om te segmenteren van de corticale grijze stof (CGM; grijze stof die uitsluit van subcorticale regio's) van T1-gewogen MRI-scans. Voorheen werden deze hulpprogramma's gebruikt in een methodologische vergelijking van segmentatie methoden2, die aangetoond variabele prestaties tussen tools op een cohort van de ziekte van Huntington. Aangezien de prestaties van deze tools is gedacht om te variëren tussen verschillende datasets, is het belangrijk voor onderzoekers om te testen een aantal hulpmiddelen voor het selecteren van slechts één toe te passen op hun dataset.

Volume van de grijze stof (GM) wordt regelmatig gebruikt als een maatregel van de morfologie van de hersenen. Volumetrische maatregelen zijn over het algemeen betrouwbaar en kunnen onderscheid maken tussen gezonde controles en klinische groepen3. De hoeveelheid verschillende weefseltypes (HLA) van hersengebieden wordt meestal berekend met behulp van geautomatiseerde softwaretools waarmee deze weefseltypes (HLA). Zo is maken hoge kwaliteit afbakeningen (segmentaties) van de GM, nauwkeurige afbakening van de witte stof (WM) en de cerebrospinale vloeistof (CSF) kritisch in het bereiken van de nauwkeurigheid van de GM-regio. Er zijn een aantal geautomatiseerde hulpmiddelen die kunnen worden gebruikt voor het uitvoeren van GM segmentatie, en elk zijn er verschillende stappen nodig en resulteert in een verschillende output. Een aantal studies de hulpprogramma's hebt toegepast op verschillende datasets te vergelijken met elkaar, en sommige hebben geoptimaliseerd specifieke hulpmiddelen1,4,5,6,7,8 ,9,10,11. Vorige werk heeft aangetoond dat de variabiliteit tussen de volumetrische tools leiden inconsistenties binnen de literatuur tot kan bij de studie van de hersenvolume, en deze verschillen hebben gesuggereerd als drijvende factoren voor valse conclusies over neurologische aandoeningen1.

Onlangs, een vergelijking voor verschillende segmentatie tools in een cohort dat zowel de gezonde controle deelnemers en de deelnemers met de ziekte van Huntington opgenomen werd uitgevoerd. De ziekte van Huntington is een genetische neurodegeneratieve ziekte met een typische begin in volwassenheid. Geleidelijke atrofie van subcorticale en CGM is een prominente en goed bestudeerde neuropathologische kenmerk van de ziekte. De resultaten aangetoond variabele prestaties voor zeven segmentatie tools die zijn toegepast op de cohort, ondersteuning van eerdere werk dat aangetoond variabiliteit in bevindingen afhankelijk van de software die wordt gebruikt voor het berekenen van de hersenen volumes van MRI-scans. Dit protocol biedt informatie over de verwerking gebruikt in Johnson et al. (2017) 2 dat zorgvuldige methodologische selectie van de meest geschikte instrumenten voor gebruik in neuroimaging moedigt. Deze handleiding heeft betrekking op de segmentatie van GM volume maar heeft geen betrekking op de segmentatie van letsels, zoals gezien bij multiple sclerose.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Opmerking: Zorg ervoor dat alle beelden in NifTI-indeling zijn. Conversie naar NifTI is hier niet behandeld.

1. segmentatie via SPM 8: Unified Segment

Opmerking: Deze procedure wordt uitgevoerd via de SPM8 GUI die binnen Matlab werkt. De gids van de SPM8 biedt verder detail en kan worden gevonden op: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Zorg ervoor dat SPM8 is geïnstalleerd en ingesteld in het pad van de software.
  2. SPM segmentatie wordt uitgevoerd met behulp van een GUI. U opent SPM, opent u een opdrachtvenster en typ 'spm' naar de opdrachtregel.
  3. Druk op 'PET & VBM' te openen van de structurele MRI-werkset.
  4. Druk op de "Partij" om de Batch Editor te openen. Hierdoor segmentatie op meerdere scans tegelijk worden uitgevoerd.
  5. Selecteer ' SPM | Ruimtelijke | Segment'.
  6. Klik op ' gegevens | Selecteer bestanden. Kies de T1-gewogen scans als input.
    Opmerking: Moeten de bestanden zijn uitgepakt NifTi-bestanden, met de extensie '.nii' wordt.
  7. Klik op ' uitvoerbestanden | Grijze kwestie ' en controleer of 'Native ruimte' is geselecteerd, hetzelfde doen voor de witte stof. Als de CSF-segmentatie niet vereist is laat dit als 'Geen'.
  8. Als de scans zijn al bias-gecorrigeerd, de 'Bias gecorrigeerd' optie 'Niet opslaan gecorrigeerd' wijzigen. Voor de optie 'Schoon alle partities' test van de drie verschillende opties en gebruik van visuele kwaliteitscontrole (QC, sectie 8) om te bepalen welke werkt het beste voor de gegevens.
  9. Laat de andere instellingen als standaardwaarden. Klik op de groene vlag te voeren van de segmentatie.
    Opmerking: Dit duurt ongeveer 5 minuten per deelnemer, en de opdrachtregel zal zeggen, 'Segment Running'. Wanneer u klaar bent, verschijnt het opdrachtvenster 'Done'.
  10. Uitvoeren visuele QC op de GM (C1*.nii-bestand), zoals beschreven in sectie 8.

2. segmentatie via SPM 8: nieuw Segment

Opmerking: Deze procedure wordt uitgevoerd via de GUI SPM8. De gids van de SPM8 biedt verder detail en kan worden gevonden op: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Zorg ervoor dat SPM8 is geïnstalleerd en ingesteld in het pad van de software. Open de SPM software, doorgaans uitgevoerd door "spm" in een opdrachtregel te typen. Hiermee opent u een venster van grafische user interface (GUI) met een aantal opties die kunnen worden geselecteerd om analyses uit te voeren.

  1. Druk op 'PET & VBM'.
  2. Druk op de "Partij" om de Batch Editor te openen.
  3. Selecteer ' SPM | Tools | Nieuw Segment' in het batchvenster. Selecteer de T1-afbeeldingsbestanden (met de extensie '.nii').
  4. 'Native weefseltype' ingesteld op 'Native ruimte'. Desgewenst, uitschakelen van de verschillende weefsel klassen (zoals CSF) - zoniet vereist - door hen te stellen op 'Geen'. Instellen 'Warped weefsel' op 'Geen'.
    Opmerking: Alle andere opties kunnen worden overgelaten als de standaardinstelling.
  5. Klik op de groene vlag voor het uitvoeren van de segmentatie.
    Opmerking: De opdrachtregel zal zeggen, 'Nieuw Segment Running'. Zodra het klaar is met de MATLAB opdrachtregel wil zeggen, 'gedaan nieuwe Segment' uitgevoerd.
  6. Uitvoeren visuele QC op de GM (C1*.nii-bestand), zoals beschreven in sectie 8.

3. segmentatie via SPM 12: Segment

Opmerking: Deze procedure is uitgevoerd via de GUI SPM12. De gids van de SPM12 biedt verder detail en kan worden gevonden op: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. De SPM software niet openen door te typen 'spm' in het opdrachtvenster. Hiermee opent u een venster van grafische user interface (GUI) met een aantal opties die kunnen worden geselecteerd om analyses uit te voeren.
  2. Druk op 'PET & VBM'. Druk op de "Partij" om de Batch Editor te openen.
  3. Klik op ' SPM | Ruimtelijke | Segment'. Klik vervolgens op ' gegevens | Volumes'.
  4. 'Native weefseltype' ingesteld op 'Native ruimte'. Uitschakelen van de weefsel-klassen die niet nodig zijn (zoals CSF) door hen te stellen op 'Geen'. Instellen 'Warped weefsel' op 'Geen'.
    Opmerking: Alle andere opties kunnen worden overgelaten als standaardinstelling.
  5. Klik op de groene vlag voor het uitvoeren van de segmentatie.
    Opmerking: Het opdrachtvenster wordt weergegeven: 'Running Segment'. Zodra de run voltooid is, zal het tonen: 'Done Segment'.
  6. Uitvoeren visuele QC op de GM (C1*.nii-bestand), zoals beschreven in sectie 8.

4. segmentatie via FSL snel

Opmerking: Deze procedure wordt gedaan op de opdrachtregel. De gids van de FSL biedt verder detail en kan worden gevonden op: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. BET hersenen extractie worden uitgevoerd. Dit moet mogelijk worden geoptimaliseerd voor verschillende datasets, maar de fundamentele opdracht is:
    inzet van T1_ID.nii bet_T1_ID.nii
  2. FSL snel segmentatie uitvoeren:
    snelle bet_T1_ID.nii
    Opmerking: Dit zal uitvoer gedeeltelijke volume kaarten en binaire gebieden voor GM, CB, en WM.
  3. Uitvoeren visuele QC op de GM-regio (het einde van het bestand * _pve_1.nii.gz) zoals beschreven in sectie 8.

5. segmentatie via FreeSurfer

Opmerking: Deze procedure wordt gedaan op de opdrachtregel. De gids van de FreeSurfer biedt verder detail en kan worden gevonden op: https://surfer.nmr.mgh.harvard.edu/.

  1. Stel de map waar de gegevens is door te typen:
    SUBJECTS_DIR = / pad/naar/nii/bestanden exporteren
  2. Voer de segmentatie door de opdrachten uit te voeren:
    Recon-all - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Recon-all - subjid T1_ID-autorecon2-autorecon3
    Opmerking: De opdrachten duren > 10u per deelnemer. De - cw256 vlag nodig is om te snijden scans met gezichtsveld groter is dan 256 tot deze grootte voor verwerking.
  3. Controleer dat de verwerking correct door te kijken naar het script is voltooid bevindt zich de ' uitgang van de map | scripts | Recon-all.log'. Controleer dat de laatste regel zegt 'recon-all - s T1_ID afgewerkt zonder fouten'.
  4. Uitvoeren visuele QC op de GM-regio zoals beschreven in sectie 8.

6. segmentatie via mieren

Opmerking: Deze procedure wordt gedaan op de opdrachtregel. Mieren is een meer complexe software dan de andere hulpprogramma's, en het moeten worden opgemerkt dat de procedure hier uitgelegd kon worden verder geoptimaliseerd voor elk cohort om de resultaten te verbeteren. Mieren documentatie is te vinden op: http://stnava.github.io/ANTsDoc/. Er zijn twee manieren om het segmenteren van de beelden in weefsel klassen, zoals hieronder beschreven.

  1. Voor het gebruik van de eerste methode, de opdracht 'antsAtropos.sh' met standaardinstellingen en uitvoeren zonder het met inbegrip van weefsel priors.
    Opmerking: Dit voert vaak goed vooral wanneer slechts 3 weefsel klassen zijn vereist: GM, WM, andere.
    1. Het pad naar mieren software instellen door de opdracht te typen:
      exporteren van ANTSPATH = / pad/naar/mieren/bin /
    2. De segmentatie pijpleiding worden uitgevoerd door de opdracht te typen:
      antsAtroposN4.sh -d < image_dimension > - een < t1.nii.gz > -c < aantal weefsel klassen > -o < uitvoer >
      1. Optionele argumenten voor deze opdracht zijn:
        Hersenen masker: - x < mask.nii.gz >;
        Weefsel priors: -p < segmentationPriors%d.nii.gz >.
    3. Dit wordt een map gemaakt met de output, met inbegrip van gedeeltelijke volume kaarten en een uitgepakte hersenen. Uitvoeren visuele QC op de GM-regio zoals beschreven in sectie 8.
  2. Voor het genereren van meer weefsel klassen (GM subcorticale GM, WM, CB, andere, etc.) of uitvoeren van de segmentatie op een cohort tonen neurale pathologie, gebruik van specifieke weefsel priors. Download weefsel priors van verschillende websites. Als alternatief, een studie-specifieke sjabloon gebruiken om priors - dit is veel complexer maar kan zinvol zijn, vooral in cohorten met pathologische hersenen veranderingen.
    1. Als u wilt maken van een studie-specifieke sjabloon/priors, eerst een studie-specifieke-sjabloon te maken:
      antsMultivariateTemplateConstruction.sh -d < image_dimension > -o sjabloon < andere opties >< images.nii.gz >
      1. Optionele argumenten voor deze opdracht zijn:
        -c: controle voor parallelle berekening.
        Als uitgevoerd in seriële, gebruik een 0; -j: aantal kernen; -r: doen vastlichaam registratie van ingangen voor het maken van de sjabloon (standaard 0)--0 uit 1 == == op. Dit is alleen handig wanneer een oorspronkelijke sjabloon niet beschikbaar is.
    2. Een brainmask en priors downloaden vanaf de website van de mieren.
      Opmerking: Dit masker moet mogelijk worden bewerkt om ervoor te zorgen dat er een goede benadering van de hersenen van de sjabloon. De brainmask is een van de belangrijkste onderdelen van de pijpleiding; Als het slecht is, dan hersenen extractie/Atropos slecht uitgevoerd. Enkele van de downloadopties zijn:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Het gedownloade sjabloon moet vervolgens worden geregistreerd aan de studie-sjabloon.
    3. De registratie, die zal de uitgang van een reeks van morphen die vervolgens kunnen worden toegepast op het gedownloade sjabloon om te transformeren naar studie-specifieke sjabloon ruimte te berekenen. Voor de berekening van de registratie, gebruik van de opdracht:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. De opties in deze opdracht zijn:
        -d: dimensie (dat wil zeggen, 3D scans zou '3'); -f: vaste afbeelding (dat wil zeggen, de ruimte waar de beelden moeten eindigen); -m: bewegend beeld (dat wil zeggen, de afbeelding die moet worden verplaatst); -o: output naam (zonder extensie nodig); -n: aantal threads.
    4. De registratie van toepassing op de gegevens:
      antsApplyTransforms -d 3 -i downloaded_template.nii.gz - o template.nii.gz -o downloaded_to_template.nii.gz -t downloaded_to_template1Warp.nii.gz -t downloaded_to_template0GenericAffine.mat.
      1. De opties in deze opdracht zijn:
        -d: dimensie (dat wil zeggen, 3D scans zou '3'); -i: invoerafbeelding (dat wil zeggen, de afbeelding die moet worden verplaatst); -r: referentiebeeld (dat wil zeggen, het referentiebeeld definieert de afstand, de oorsprong, de grootte en de richting van het verwrongen beeld van uitvoer); -o output naam, dit is het gedownloade sjabloon in de studie-specifieke sjabloon ruimte (extensie nodig in dit geval); -t transformatie bestandsnaam, de output file van de registratie-berekening.
    5. Visueel controleren de registratie voor correspondentie tussen de studie-specifieke sjabloon en gedownloade sjabloon (dit moet doen, de studie-specifieke sjabloon op de top van het gedownloade sjabloon openen).
    6. Als de registratie heeft gewerkt, de transformatie van toepassing op de gedownloade priors en sjabloon hersenen, herhaal stap 6.2.5 geëxtraheerd.
      Opmerking: Na deze stappen, zal er een studie-specifieke sjabloon, een gedownloade sjabloon uitgelijnd met de studie-specifieke sjabloon, samen met een gedownloade hersenen extractie masker en weefsel priors ook afgestemd op de studie-specifieke sjabloon.
    7. De studie specifieke sjabloon doorlopen antsCorticalThickness.sh; Dit biedt GM, WM, en CB regio's die kunnen worden gebruikt voor studie-specifieke priors:
      antsCorticalThickness.sh -d 3 - een 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. De opties in deze opdracht zijn:
        -d: dimensie (dat wil zeggen, 3D scans zou '3'); -a: afbeelding worden gesegmenteerd (in dit geval, de studie-specifieke sjabloon); -e: hersenen sjabloon (niet schedel ontdaan; in dit geval, het gedownloade sjabloon die is ingeschreven aan de studie-specifieke sjabloon); -m: gedownloade hersenen extractie masker (in dit geval, de uitgepakte hersenen van de gedownloade sjabloon die is ingeschreven aan de studie-specifieke sjabloon); -p: priors opgegeven met behulp van de c-stijl opmaak (bijvoorbeeld -p labelsPriors%02d.nii.gz).
        Opmerking: De opdracht wordt ervan uitgegaan dat de eerste vier priors worden gerangschikt als volgt: 1: CB, 2: corticale GM, 3: WM, en 4: subcorticale GM (in dit geval, de priors van het gedownloade sjabloon die is ingeschreven aan de studie-specifieke sjabloon).
    8. Deze opdracht uit te voeren zal resulteren in de gegenereerde priors voor de sjabloon, maar zij moeten vloeiend maken vóór gebruik in Atropos segmentatie. De smoothing opdracht is onderdeel van de software van de mieren. Glad alle priors met behulp van de opdracht:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Voordat u Atropos, hersenen extractie op alle inheemse ruimte scans worden uitgevoerd. De studie-specifieke sjabloon kan worden gebruikt, en geëxtraheerd hersenen gegenereerd op basis van de antsCorticalThickness.sh waarop de sjabloon (stap 6.2.1):
      antsBrainExtraction.sh -d 3 - een T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. De opties in deze opdracht zijn:
        -d: afmetingen; -a: anatomische afbeelding; -e: hersenen extractie sjabloon (bijvoorbeeld sjabloon gemaakt, zonder het strippen van de schedel); -m: studeren specifieke brainmask gebruikt voor de extractie van de hersenen; -o: output voorvoegsel.
    10. Voer Atropos:
      antsAtroposN4.sh -d 3 - een T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. De opties in deze opdracht zijn:
        -d = afmetingen; -a: anatomische afbeelding; -x: hersenen extractie masker gegenereerd op basis van de hersenen-extractie; -c: aantal weefsel klassen in segmenten; -o: output voorvoegsel; -p: studie-specifieke segmentatie priors < segmentationPriors%d.nii.gz >
    11. Uitvoeren visuele QC op de GM-regio zoals beschreven in sectie 8.

7. segmentatie via MALP-EM

  1. Uitvoeren van MALP-EM, open een terminal venster, wijzig de map in de MALP-EM-installatiemap en het type:
    . / malpem-proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
  2. Zodra de opdracht is voltooid, controleren of er een uitgang van de map met weefsel klassen en regionale segmentaties is.
  3. Uitvoeren visuele QC op de GM zoals beschreven in sectie 8.

8. visuele kwaliteitscontrole

Opmerking: Visuele kwaliteitscontrole moet worden uitgevoerd op alle gesegmenteerde regio's moet worden gebruikt bij de analyse. Kwaliteitscontrole zorgt ervoor dat de segmentaties van hoge kwaliteit zijn en betrouwbare segmentatie van de CGM vertegenwoordigen. Voor het uitvoeren van kwaliteitscontrole, wordt elke scan geopend en overlay op de oorspronkelijke T1 te vergelijken van de gegenereerde regio aan de CGM zichtbaar op de scan.

  1. SPM, FSL, mieren en MALP-EM segmentaties
    1. Uitvoeren visuele QC met behulp van FSLeyes:
      https://users.fmrib.Ox.ac.uk/~PaulMc/fsleyes_userdoc/
      Nota: FSLview (een oudere viewer) kan ook worden gebruikt op dezelfde manier.
    2. Open een terminal venster en open de T1 en de GM-regio's die op de T1 bedekt. Om dit te doen, typt u:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Zodra FSLeyes opent, gebruikt u de knevel van de dekking op het bovenste deelvenster te passen/vermindering van de dekking en visualisatie van de T1-afbeelding onder de GM-regio. De kleur van de segmentatie overlay via de 'dropdown tabblad kleur' in het bovenste deelvenster te wijzigen.
    4. Blader door elk segment in de hersenen.
      Opmerking: Hier wordt dit gedaan met behulp van de coronale weergave, maar gebruikers moet het gebruik van de weergave die ze de meeste ervaring met hebben.
    5. Controleer elk segment voor regio's van onder - of over - estimation van de regio wordt geïnspecteerd.
      Opmerking: Zie de sectie van de representatieve resultaten voor voorbeelden van goede en slechte segmentaties.
  2. FreeSurfer QC
    1. Peform visuele QC met behulp van FreeView.
      Opmerking: Raadpleeg de documentatie hier:
      https://surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Open een terminal venster. Als u wilt weergeven van de volumetrische GM regio overlay op de T1, wisseling woninggids voor naar de map van het onderwerp en het type:
      DTT./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Blader door elk segment in de hersenen.
      Opmerking: Hier wordt dit gedaan met behulp van de coronale weergave, maar gebruikers moet het gebruik van de weergave die ze de meeste ervaring met hebben.
    4. Controleer elk segment voor regio's van onder - of over - estimation van de regio wordt geïnspecteerd.
      Opmerking: Zie de sectie van de representatieve resultaten voor voorbeelden van de segmentaties.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Gemiddelde hersenen volumes voor 20 deelnemers van de controle, samen met de demografische informatie wordt weergegeven in tabel 1. Dit fungeert als een gids voor verwachte waarden bij het gebruik van deze hulpprogramma's. Resultaten moeten worden gezien in de context van de oorspronkelijke afbeelding van de T1.nii. Alle GM-regio's moeten worden geïnspecteerd volgens de stappen die worden beschreven in sectie 8. Bij het uitvoeren van visuele QC, is het belangrijk om te ve...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Recent heeft onderzoek aangetoond dat het gebruik van verschillende methoden van de volumetrische kan belangrijke gevolgen hebben voor neuroimaging studies1,2. Door protocollen voor webpublicaties die gids beginnende gebruikers in het toepassen van verschillende neuroimaging tools, evenals het uitvoeren van QC op de output van de resultaten door deze hulpprogramma's helpen, kunnen onderzoekers de beste methode toe te passen op hun dataset selecteren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Dankbetuigingen

Wij willen iedereen bedanken die bij de CHDI/hoge Q Foundation verantwoordelijk voor de studie van de TRACK-HD; in het bijzonder, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer en Sherry Lifer. De auteurs ook wil hun dankbaarheid aan de TRACK-HD studiedeelnemers en hun families. Dit werk werd uitgevoerd op UCLH/UCL, die een deel van de financiering ontvangen van het ministerie van gezondheid-Rijksinstituut voor onderzoek biomedisch onderzoek gezondheidscentra financieringsprogramma. S.J.T. erkent dat ondersteuning van het Nationaal Instituut voor gezondheidsonderzoek door middel van de dementie en neurodegeneratieve onderzoeksnetwerk, DeNDRoN.

Onderzoekers van de TRACK-HD:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australië; 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 Instituut, Parijs, Frankrijk; N. Bechtel, S. Bohlen, R. Reilmann, Universiteit van Münster, Münster, Duitsland; B. Landwehrmeyer, Universiteit van Ulm, Ulm, Duitsland; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. 't Hart, R. A. Roos, Leids Universitair Medisch centrum, Leiden, Nederland; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universiteit van Manchester, Manchester, Verenigd Koninkrijk; D. M. Cash, IXICO, London, Verenigd Koninkrijk; H. Crawford, N. C. Fox, Gregory S., G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. lezen, M. J. Say, D. Whitehead, E. Wild, University College London, London, Verenigd Koninkrijk; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londen, Verenigd Koninkrijk; E. Axelson, H. J. Johnson, D. Langbehn, Universiteit van Iowa, IA, Verenigde Staten; en S. Queller, C. Campbell, Indiana universiteit, IN, Verenigde Staten.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

SPM softwarevisuele kwaliteitscontroleFSLeyes viewerFreeSurfer analysehersenvolumemetingneuroimaging protocolsegmentatiehulpmiddelen
Automatische segmentatie van corticale grijze stof van MRI T1-gewogen beelden
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.