Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Automatyczna segmentacja istoty szarej kory mózgowej na podstawie obrazów MRI T1-zależnych

8.7K wyświetleń

⸱

DOI:

10.3791/58198

⸱

7 stycznia 2019

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

W tym artykule

Podsumowanie

Ten protokół opisuje proces stosowania siedmiu różnych narzędzi do automatycznej segmentacji do strukturalnych skanów MRI z wagą T1 w celu wyznaczenia obszarów istoty szarej, które mogą być użyte do ilościowego określenia objętości istoty szarej.

Streszczenie

W ramach badań neuroobrazowania, wiele ostatnich badań omawiało wpływ różnic między badaniami w wynikach wolumetrycznych, które uważa się za wynikające z użycia różnych narzędzi segmentacji do generowania objętości mózgu. W tym artykule przedstawiono procesy przetwarzania siedmiu zautomatyzowanych narzędzi, które można wykorzystać do segmentacji istoty szarej w mózgu. Protokół stanowi pierwszy krok dla naukowców dążących do znalezienia najdokładniejszej metody generowania objętości istoty szarej z tomów rezonansu magnetycznego T1. W manuskrypcie zawarto również kroki mające na celu przeprowadzenie szczegółowej kontroli jakości wizualnej. Protokół ten obejmuje szereg potencjalnych narzędzi do segmentacji i zachęca użytkowników do porównywania wydajności tych narzędzi w podzbiorze swoich danych przed wybraniem jednego z nich, które ma zostać zastosowane do pełnej kohorty. Co więcej, protokół może być dalej uogólniony na segmentację innych regionów mózgu.

Wprowadzenie

Neuroobrazowanie jest szeroko stosowane zarówno w warunkach klinicznych, jak i badawczych. Obecnie podejmowane są działania mające na celu poprawę odtwarzalności badań, które określają ilościowo objętość mózgu na podstawie skanów rezonansu magnetycznego (MRI); dlatego ważne jest, aby badacze dzielili się doświadczeniami w korzystaniu z dostępnych narzędzi MRI do segmentacji skanów MRI na objętości regionalne, aby poprawić standaryzację i optymalizację metod1. Protokół ten zawiera przewodnik krok po kroku dotyczący korzystania z siedmiu różnych narzędzi do segmentacji istoty szarej kory (CGM; istota szara, która wyklucza obszary podkorowe) ze skanów MRI zależnych od T1. Narzędzia te były wcześniej wykorzystywane w metodologicznym porównaniu metod segmentacji2, które wykazały zmienną wydajność między narzędziami w kohorcie z chorobą Huntingtona. Ponieważ uważa się, że wydajność tych narzędzi różni się w zależności od różnych zestawów danych, ważne jest, aby badacze przetestowali kilka narzędzi przed wybraniem tylko jednego, które zostanie zastosowane do ich zestawu danych.

Objętość istoty szarej (GM) jest regularnie używana jako miara morfologii mózgu. Miary wolumetryczne są na ogół wiarygodne i są w stanie odróżnić osoby zdrowe od grup klinicznych3. Objętość różnych typów tkanek w obszarach mózgu jest najczęściej obliczana za pomocą zautomatyzowanych narzędzi programowych, które identyfikują te typy tkanek. Tak więc, aby stworzyć wysokiej jakości rozgraniczenia (segmentacje) GM, dokładne wyznaczenie istoty białej (WM) i płynu mózgowo-rdzeniowego (CSF) ma kluczowe znaczenie dla osiągnięcia dokładności obszaru GM. Istnieje wiele zautomatyzowanych narzędzi, które mogą być używane do przeprowadzania segmentacji GM, a każde z nich wymaga innych etapów przetwarzania i daje inny wynik. W wielu badaniach zastosowano te narzędzia do różnych zestawów danych, aby porównać je ze sobą, a niektóre zoptymalizowały konkretne narzędzia1,4,5,6,7,8,9,10,11. Wcześniejsze prace wykazały, że zmienność między narzędziami wolumetrycznymi może powodować niespójności w literaturze podczas badania objętości mózgu, a różnice te zostały zasugerowane jako czynniki napędzające wyciąganie fałszywych wniosków na temat schorzeń neurologicznych1.

Niedawno przeprowadzono porównanie różnych narzędzi do segmentacji w kohorcie, która obejmowała zarówno zdrowych uczestników kontrolnych, jak i uczestników z chorobą Huntingtona. Choroba Huntingtona jest genetyczną chorobą neurodegeneracyjną, której początek jest typowy w wieku dorosłym. Stopniowy zanik tkanki podkorowej i CGM jest wyraźną i dobrze zbadaną cechą neuropatologiczną choroby. Wyniki wykazały zmienną wydajność siedmiu narzędzi do segmentacji, które zastosowano do kohorty, wspierając wcześniejsze prace, które wykazały zmienność wyników w zależności od oprogramowania użytego do obliczenia objętości mózgu na podstawie skanów MRI. Protokół ten dostarcza informacji na temat przetwarzania zastosowanego w Johnson et al. (2017)2, co zachęca do starannego wyboru metodologicznego najbardziej odpowiednich narzędzi do stosowania w neuroobrazowaniu. Niniejszy podręcznik obejmuje segmentację objętości GMO, ale nie obejmuje segmentacji zmian, takich jak te obserwowane w stwardnieniu rozsianym.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Uwaga: Upewnij się, że wszystkie obrazy są w formacie NifTI. Konwersja do NifTI nie jest tutaj omówiona.

1. Segmentacja za pomocą SPM 8: Ujednolicony segment

UWAGA: Ta procedura jest wykonywana za pomocą graficznego interfejsu użytkownika SPM8, który działa w Matlabie. Przewodnik SPM8 zawiera dalsze szczegóły i można go znaleźć pod adresem: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Upewnij się, że SPM8 jest zainstalowany i ustawiony w ścieżce oprogramowania.
  2. Segmentacja SPM odbywa się za pomocą graficznego interfejsu użytkownika. Aby otworzyć SPM, otwórz okno poleceń i wpisz "spm" w wierszu poleceń.
  3. Naciśnij przycisk "PET & VBM", aby otworzyć zestaw narzędzi do strukturalnego rezonansu magnetycznego.
  4. Naciśnij "Batch", aby otworzyć Edytor wsadowy. Pozwala to na przeprowadzanie segmentacji na wielu skanach jednocześnie.
  5. Wybierz "SPM | Przestrzenny | Segment".
  6. Kliknij "Dane | Wybierz opcję Pliki". Wybierz skany ważone T1 jako dane wejściowe.
    UWAGA: Pliki muszą być rozpakowanymi plikami NifTi, z rozszerzeniem ".nii".
  7. Kliknij "pliki wyjściowe | Istota szara" i upewnij się, że wybrano opcję "Przestrzeń natywna", zrób to samo dla istoty białej. Jeśli segmentacja płynu mózgowo-rdzeniowego nie jest wymagana, pozostaw to jako "Brak".
  8. Jeśli skany zostały już skorygowane o odchylenia, zmień opcję "Skorygowane odchylenia" na "Nie zapisuj poprawionych". W przypadku opcji "Oczyść dowolne partycje" przetestuj trzy różne opcje i użyj wizualnej kontroli jakości (QC, sekcja 8), aby określić, która z nich najlepiej sprawdza się w przypadku danych.
  9. Pozostaw inne ustawienia jako domyślne. Następnie kliknij zieloną flagę, aby uruchomić segmentację.
    UWAGA: Zajmuje to około 5 minut na uczestnika, a w wierszu poleceń pojawi się komunikat "Uruchomiony segment". Po zakończeniu w oknie poleceń zostanie wyświetlony komunikat "Gotowe".
  10. Wykonaj wizualną kontrolę jakości na GM (plik C1*.nii) zgodnie z opisem w sekcji 8.

2. Segmentacja za pomocą SPM 8: Nowy segment

UWAGA: Ta procedura jest wykonywana za pomocą graficznego interfejsu użytkownika SPM8. Przewodnik SPM8 zawiera dalsze szczegóły i można go znaleźć pod adresem: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Upewnij się, że SPM8 jest zainstalowany i ustawiony w ścieżce oprogramowania. Otwórz oprogramowanie SPM, zwykle wykonywane przez wpisanie "spm" w wierszu poleceń. Spowoduje to otwarcie okna graficznego interfejsu użytkownika (GUI) z szeregiem opcji, które można wybrać w celu przeprowadzenia analizy.

  1. Naciśnij przycisk "PET i VBM".
  2. Naciśnij "Batch", aby otworzyć Edytor wsadowy.
  3. Wybierz "SPM | Narzędzia | Nowy segment" w oknie Partia. Wybierz pliki obrazów T1 (z rozszerzeniem ".nii").
  4. Ustaw "Natywny typ tkanki" na "Przestrzeń natywna". W razie potrzeby wyłącz różne klasy tkanek (takie jak płyn mózgowo-rdzeniowy) - jeśli nie jest to wymagane - ustawiając je na "Brak". Ustaw wartość "Wypaczona tkanka" na "Brak".
    UWAGA: Wszystkie inne opcje można pozostawić jako ustawienie domyślne.
  5. Kliknij zieloną flagę, aby uruchomić segmentację.
    UWAGA: W wierszu poleceń pojawi się komunikat "Uruchamianie nowego segmentu". Po zakończeniu działania wiersz poleceń MATLAB powie "Gotowe nowy segment".
  6. Wykonaj wizualną kontrolę jakości na GM (plik C1*.nii) zgodnie z opisem w sekcji 8.

3. Segmentacja za pomocą SPM 12: Segment

UWAGA: Ta procedura jest wykonywana za pomocą graficznego interfejsu użytkownika SPM12. Przewodnik SPM12 zawiera więcej szczegółów i można go znaleźć pod adresem: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Otwórz oprogramowanie SPM, wpisując "spm" w oknie poleceń. Spowoduje to otwarcie okna graficznego interfejsu użytkownika (GUI) z szeregiem opcji, które można wybrać w celu przeprowadzenia analizy.
  2. Naciśnij przycisk "PET i VBM". Naciśnij "Batch", aby otworzyć Edytor wsadowy.
  3. Kliknij na "SPM | Przestrzenny | Segment". Następnie kliknij "Dane | Woluminy".
  4. Ustaw "Natywny typ tkanki" na "Przestrzeń natywna". Wyłącz klasy tkanek, które nie są wymagane (takie jak płyn mózgowo-rdzeniowy), ustawiając je na wartość "Brak". Ustaw wartość "Wypaczona tkanka" na "Brak".
    UWAGA: Wszystkie inne opcje można pozostawić jako ustawienie domyślne.
  5. Kliknij zieloną flagę, aby uruchomić segmentację.
    UWAGA: W oknie poleceń zostanie wyświetlony: "Uruchomiony segment". Po zakończeniu przebiegu zostanie wyświetlony: "Gotowy segment".
  6. Wykonaj wizualną kontrolę jakości na GM (plik C1*.nii) zgodnie z opisem w sekcji 8.

4. Segmentacja za pomocą FSL FAST

UWAGA: Ta procedura jest wykonywana w wierszu poleceń. Przewodnik FSL zawiera więcej szczegółów i można go znaleźć pod adresem: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Uruchom ekstrakcję mózgu BET. Może to wymagać optymalizacji dla różnych zestawów danych, ale podstawowe polecenie to:
    zakład T1_ID.nii bet_T1_ID.nii
  2. Uruchom segmentację FSL FAST:
    szybki bet_T1_ID.nii
    UWAGA: Spowoduje to wyświetlenie map częściowych woluminów i regionów binarnych dla GM, CSF i WM.
  3. Wykonaj wizualną kontrolę jakości w regionie GM (plik kończący się *_pve_1.nii.gz) zgodnie z opisem w sekcji 8.

5. Segmentacja za pomocą FreeSurfer

UWAGA: Ta procedura jest wykonywana w wierszu poleceń. Przewodnik FreeSurfer zawiera więcej szczegółów i można go znaleźć pod adresem: https://surfer.nmr.mgh.harvard.edu/.

  1. Ustaw katalog, w którym znajdują się dane, wpisując:
    export SUBJECTS_DIR=/ścieżka/do/plików/nii/
  2. Uruchom segmentację, uruchamiając polecenia:
    recon-all -i T1_ID.nii -subjid T1_ID -autorecon1 -cw256
    recon-all -subjid T1_ID -autorecon2 -autorecon3
    UWAGA: Polecenia trwają > 10 godzin na uczestnika. Flaga -cw256 jest potrzebna do przycinania skanów z polami widzenia większymi niż 256 do tego rozmiaru w celu przetworzenia.
  3. Sprawdź, czy przetwarzanie zostało zakończone poprawnie, patrząc na skrypt znajdujący się w 'folderze wyjściowym | skrypty | recon-all.log'. Sprawdź, czy w ostatnim wierszu jest napisane "recon-all -s T1_ID zakończone bez błędu".
  4. Przeprowadzić wizualną kontrolę jakości w regionie GM zgodnie z opisem w sekcji 8.

6. Segmentacja za pomocą ANTs

UWAGA: Ta procedura jest wykonywana w wierszu poleceń. ANTs jest bardziej złożonym oprogramowaniem niż inne narzędzia i należy zauważyć, że opisana tutaj procedura może być jeszcze bardziej zoptymalizowana dla każdej kohorty w celu poprawy wyników. Dokumentację ANTs można znaleźć pod adresem: http://stnava.github.io/ANTsDoc/. Istnieją dwa sposoby segmentacji obrazów na klasy tkanek, jak opisano poniżej.

  1. Aby skorzystać z pierwszej metody, uruchom polecenie "antsAtropos.sh" z ustawieniami domyślnymi i bez uwzględniania tissue priors.
    UWAGA: Często sprawdza się to dobrze, zwłaszcza gdy wymagane są tylko 3 klasy tkanek: GM, WM, inne.
    1. Ustaw ścieżkę do oprogramowania ANTs, wpisując polecenie:
      export ANTSPATH=/ścieżka/do/ANTs/bin/
    2. Uruchom potok segmentacji, wpisując polecenie:
      antsAtroposN4.sh -d -a -c -o
      1. Opcjonalnymi argumentami tego polecenia są:
        Maska mózgu: -x ;
        A priori tkanek: -p .
    3. Spowoduje to utworzenie folderu z danymi wyjściowymi, w tym częściowymi mapami woluminów i wyodrębnionym mózgiem. Przeprowadzić wizualną kontrolę jakości w regionie GM zgodnie z opisem w sekcji 8.
  2. Aby wygenerować więcej klas tkanek (GM, podkorowy GM, WM, CSF, inne itp.) lub przeprowadzić segmentację na kohorcie wykazującej patologię neuronalną, użyj określonych tkanek a priori. Pobierz przeliczniki tkanek z różnych stron internetowych. Alternatywnie, użyj szablonu specyficznego dla badania, aby dokonać uprzednich - jest to znacznie bardziej złożone, ale może być korzystne, szczególnie w kohortach z patologicznymi zmianami w mózgu.
    1. Aby utworzyć szablon/a dla danego badania, najpierw utwórz szablon specyficzny dla danego badania:
      antsMultivariateTemplateConstruction.sh -d -o template
      1. Opcjonalnymi argumentami tego polecenia są:
        -c: sterowanie obliczeniami równoległymi.
        Jeśli działa w trybie szeregowym, użyj 0; -j: liczba rdzeni; -r: wykonaj rejestrację danych wejściowych w sztywnym ciele przed utworzeniem szablonu (domyślnie 0) -- 0 == wyłącz 1 == włącz. Jest to przydatne tylko wtedy, gdy początkowy szablon nie jest dostępny.
    2. Pobierz maskę mózgu i priorów ze strony internetowej ANTs.
      UWAGA: Ta maska może wymagać edycji, aby upewnić się, że jest dobrym przybliżeniem mózgu szablonu. Maska mózgowa jest jedną z najważniejszych części rurociągu; jeśli jest słaby, to ekstrakcja mózgu/Atropos będzie działać słabo. Niektóre opcje pobierania to:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Pobrany szablon należy następnie zarejestrować w szablonie badania.
    3. Oblicz rejestrację, która wygeneruje serię wypaczeń, które można następnie zastosować do pobranego szablonu, aby przekształcić go w przestrzeń szablonu specyficzną dla badania. Aby obliczyć rejestrację, użyj polecenia:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template -n 6
      1. Opcje w tym poleceniu to:
        -d: wymiar (tj. skany 3D będą miały wartość "3"); -f: stały obraz (tj. przestrzeń, w której obrazy muszą się skończyć); -m: ruchomy obraz (tj. obraz, który należy przenieść); -o: nazwa wyjścia (rozszerzenie nie jest potrzebne); -n: liczba wątków.
    4. Zastosuj rejestrację do danych:
      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. Opcje w tym poleceniu to:
        -d: wymiar (tj. skany 3D będą miały wartość "3"); -i: obraz wejściowy (tj. obraz, który należy przenieść); -r: obraz referencyjny (tj. obraz referencyjny definiuje odstępy, początek, rozmiar i kierunek wyjściowego wypaczonego obrazu); -o nazwa wyjściowa, jest to pobrany szablon w przestrzeni szablonów specyficznych dla badania (w tym przypadku potrzebne rozszerzenie); -t transform nazwa pliku, plik wyjściowy z obliczenia rejestracji.
    5. Sprawdź wzrokowo rejestrację pod kątem zgodności między szablonem specyficznym dla badania a pobranym szablonem (w tym celu otwórz szablon specyficzny dla badania na pobranym szablonie).
    6. Jeśli rejestracja zadziałała, zastosuj transformację do pobranych a priori i wyodrębnionego mózgu szablonu, powtarzając krok 6.2.5.
      UWAGA: Po wykonaniu tych kroków pojawi się szablon specyficzny dla badania, pobrany szablon wyrównany do szablonu specyficznego dla badania, wraz z pobraną maską do ekstrakcji mózgu i wcześniejszymi tkankami również dostosowanymi do szablonu specyficznego dla badania.
    7. Uruchom szablon specyficzny dla badania za pomocą antsCorticalThickness.sh; zapewnia to regiony GM, WM i CSF, które mogą być używane do wstępnych danych specyficznych dla badania:
      antsCorticalThickness.sh -d 3 -a 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. Opcje w tym poleceniu to:
        -d: wymiar (tj. skany 3D będą miały wartość "3"); -a: obraz do segmentacji (w tym przypadku szablon specyficzny dla badania); -e: szablon mózgu (nie pozbawiony czaszki; w tym przypadku pobrany szablon, który został zarejestrowany w szablonie specyficznym dla badania); -m: pobrana maska ekstrakcji mózgu (w tym przypadku pobrany mózg z pobranego szablonu, który został zarejestrowany w szablonie specyficznym dla badania); -p: a priori określone przy użyciu formatowania w stylu C (np. -p labelsPriors%02d.nii.gz).
        UWAGA: Polecenie zakłada, że pierwsze cztery priori są uporządkowane w następujący sposób: 1: CSF, 2: korowy GM, 3: WM i 4: podkorowy GM (w tym przypadku a priori z pobranego szablonu, który został zarejestrowany w szablonie specyficznym dla badania).
    8. Uruchomienie tego polecenia spowoduje wygenerowanie a priori dla szablonu, ale wymagają one wygładzenia przed użyciem w segmentacji Atropos. Polecenie wygładzania jest częścią oprogramowania ANTs. Wygładź wszystkie priori za pomocą polecenia:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Przed uruchomieniem Atropos uruchom ekstrakcję mózgu na wszystkich natywnych skanach przestrzeni. Można użyć szablonu specyficznego dla badania i wyodrębnić mózg wygenerowany z antsCorticalThickness.sh biegowej na szablonie (krok 6.2.1):
      antsBrainExtraction.sh -d 3 -a T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Opcje w tym poleceniu to:
        -d: wymiary; -a: obraz anatomiczny; -e: szablon do ekstrakcji mózgu (tj. szablon utworzony, bez odzierania czaszki); -M: Maska mózgowa specyficzna dla badania używana do ekstrakcji mózgu; -o: prefiks wyjściowy.
    10. Następnie uruchom Atropos:
      antsAtroposN4.sh -d 3 -a T1.nii.gz -x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. Opcje w tym poleceniu to:
        -d = wymiary; -a: obraz anatomiczny; -x: maska do ekstrakcji mózgu wygenerowana z ekstrakcji mózgu; -c: liczba klas tkanek do segmentacji; -o: prefiks wyjściowy; -p: Segmentacja specyficzna dla badania a priori
    11. Przeprowadzić wizualną kontrolę jakości w regionie GM zgodnie z opisem w sekcji 8.

7. Segmentacja za pomocą MALP-EM

  1. Aby uruchomić MALP-EM, otwórz okno terminala, zmień katalog na katalog instalacyjny MALP-EM i wpisz:
    ./malpem-proot -i T1_scan.nii -o ./ -m optional_brain_mask_final.nii.gz -f 3T -t 6 -c
  2. Po wykonaniu polecenia sprawdź, czy istnieje folder wyjściowy z klasami tkanek i segmentacjami regionalnymi.
  3. Wykonaj wizualną kontrolę jakości na GM zgodnie z opisem w sekcji 8.

8. Wizualna kontrola jakości

UWAGA: Wizualna kontrola jakości powinna być przeprowadzona na wszystkich segmentowanych obszarach, które mają być użyte w analizie. Kontrola jakości zapewnia, że segmentacje są na wysokim poziomie i reprezentują wiarygodną segmentację CGM. Aby przeprowadzić kontrolę jakości, każdy skan jest otwierany i nakładany na oryginalny T1 w celu porównania wygenerowanego regionu z CGM widocznym na skanie.

  1. Segmentacja SPM, FSL, ANT i MALP-EM
    1. Wykonaj wizualną kontrolę jakości za pomocą FSLeyes:
      https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
      Uwaga: FSLview (starsza przeglądarka) może być również używany w ten sam sposób.
    2. Otwórz okno terminala i otwórz T1 i regiony GM nałożone na T1. Aby to zrobić, wpisz:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Po otwarciu FSLeyes użyj przełącznika krycia w górnym okienku, aby dostosować/zmniejszyć krycie i umożliwić wizualizację obrazu T1 pod regionem GM. Zmień kolor nakładki segmentacji za pomocą "karty rozwijanej kolorów" w górnym okienku.
    4. Przewiń każdy wycinek w mózgu.
      UWAGA: Tutaj odbywa się to przy użyciu widoku koronalnego, ale użytkownicy powinni używać widoku, z którym mają największe doświadczenie.
    5. Sprawdź, czy w każdym wycinku nie ma obszarów niedoszacowania lub przeszacowania kontrolowanego regionu.
      UWAGA: Przykłady dobrych i złych segmentacji można znaleźć w sekcji reprezentatywnych wyników.
  2. FreeSurfer Kontrola jakości
    1. Wykonaj wizualną kontrolę jakości przy użyciu FreeView.
      UWAGA: Zapoznaj się z dokumentacją tutaj:
      https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Otwórz okno terminala. Aby wyświetlić wolumetryczny region GM nałożony na T1, zmień katalog na folder tematu i wpisz:
      freeview ./mri/T1.mgz ./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Przewiń każdy wycinek w mózgu.
      UWAGA: Tutaj odbywa się to przy użyciu widoku koronalnego, ale użytkownicy powinni używać widoku, z którym mają największe doświadczenie.
    4. Sprawdź, czy w każdym wycinku nie ma obszarów niedoszacowania lub przeszacowania kontrolowanego regionu.
      UWAGA: Przykłady segmentacji można znaleźć w sekcji dotyczącej wyników reprezentatywnych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Średnie objętości mózgu dla 20 uczestników kontrolnych, wraz z informacjami demograficznymi, przedstawiono w Tabeli 1. Służy ona jako wytyczna dla wartości oczekiwanych podczas korzystania z tych narzędzi. Wyniki należy rozpatrywać w kontekście oryginalnego obrazu T1.nii. Wszystkie obszary GM powinny zostać sprawdzone zgodnie z krokami opisanymi w sekcji 8. Podczas wykonywania wizualnej kontroli jakości (QC) ważne jest bezpośrednie porównanie obszarów GM ze skanem T1 popr...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Niedawne badania wykazały, że stosowanie różnych metod wolumetrycznych może mieć ważne implikacje dla badań neuroobrazowych 1,2. Publikując protokoły, które pomagają początkującym użytkownikom w stosowaniu różnych narzędzi do neuroobrazowania, a także w wykonywaniu kontroli jakości na wynikach uzyskiwanych przez te narzędzia, naukowcy mogą wybrać najlepszą metodę do zastosowania w swoim zbiorze danych.

Podczas gdy większość kroków w te...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Pragniemy podziękować wszystkim osobom z Fundacji CHDI/High Q odpowiedzialnym za badanie TRACK-HD; w szczególności Beth Borowsky, Allanowi Tobinowi, Danielowi van Kammenowi, Ethanowi Signerowi i Sherry Lifer. Autorzy pragną również wyrazić swoją wdzięczność uczestnikom badania TRACK-HD i ich rodzinom. Prace te zostały podjęte na UCLH/UCL, które otrzymało część finansowania z programu finansowania Narodowego Instytutu Badań nad Zdrowiem (National Institute for Health Research Centres) Centrów Badań Biomedycznych. S.J.T. dziękuje za wsparcie Narodowego Instytutu Badań nad Zdrowiem za pośrednictwem Sieci Badań nad Demencją i Neurodegeneracją, DeNDRoN.

TRACK-HD Śledczy:
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, Uniwersytet Kolumbii Brytyjskiej, Vancouver, BC, Kanada; A. Dürr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paryż, Francja; N. Bechtel, S. Bohlen, R. Reilmann, Uniwersytet w Münster, Münster, Niemcy; B. Landwehrmeyer, Uniwersytet w Ulm, Ulm, Niemcy; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. 't Hart, R. A. Roos, Centrum Medyczne Uniwersytetu w Lejdzie, Lejda, Niderlandy; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Uniwersytet w Manchesterze, Manchester, Wielka Brytania; D. M. Cash, IXICO, Londyn, Wielka Brytania; H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. Say, D. Whitehead, E. Wild, University College London, Londyn, Wielka Brytania; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londyn, Wielka Brytania; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, Stany Zjednoczone; oraz S. Queller, C. Campbell, Indiana University, IN, Stany Zjednoczone.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Oprogramowanie SPMwizualna kontrola jako ciprzegl darka FSLeyesanaliza FreeSurferpomiar obj to ci m zguprotok neuroobrazowanianarz dzia do segmentacji
Automatyczna segmentacja istoty szarej kory mózgowej na podstawie obrazów MRI T1-zależnych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.