Artykuł metodologiczny

Ręczna segmentacja ludzkiego splotu naczyniówkowego za pomocą rezonansu magnetycznego mózgu

4.3K wyświetleń

⸱

DOI:

10.3791/65341

⸱

15 grudnia 2023

 ,  ,  ,  , 
1Department of Psychiatry, Beth Israel Deaconess Medical Center, 2Division of Translational Neuroscience, Beth Israel Deaconess Medical Center, 3Huaxi MR Research Center (HMRRC), Department of Radiology, West China Hospital of Sichuan University, 4Department of Psychiatry and Psychotherapy, Jena University Hospital, 5AI in Medical Imaging, German Center for Neurodegenerative Diseases (DZNE), 6A. A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, 7Department of Radiology, Harvard Medical School, 8Department of Psychiatry, Harvard Medical School

* These authors contributed equally

W tym artykule

Podsumowanie

Pomimo kluczowej roli splotu naczyniówkowego w mózgu, badania neuroobrazowe tej struktury są rzadkie z powodu braku niezawodnych narzędzi do automatycznej segmentacji. Obecny protokół ma na celu zapewnienie złotego standardu ręcznej segmentacji splotu naczyniówkowego, która może stanowić podstawę przyszłych badań neuroobrazowych.

Streszczenie

Splot naczyniówkowy jest zamieszany w rozwój neurologiczny i szereg zaburzeń mózgu. Dowody wskazują, że splot naczyniówkowy ma kluczowe znaczenie dla dojrzewania mózgu, regulacji immunologicznej/zapalnej oraz funkcjonowania behawioralnego/poznawczego. Jednak obecne zautomatyzowane narzędzia do segmentacji neuroobrazowania są słabe w dokładnej i niezawodnej segmentacji splotu naczyniówkowego komory bocznej. Co więcej, nie ma istniejącego narzędzia, które dzieliłoby splot naczyniówkowy znajdujący się w trzeciej i czwartej komorze mózgu. W związku z tym potrzebny jest protokół określający sposób segmentacji splotu naczyniówkowego w bocznej, trzeciej i czwartej komorze, aby zwiększyć wiarygodność i powtarzalność badań dotyczących splotu naczyniówkowego w zaburzeniach neurorozwojowych i mózgu. Ten protokół zawiera szczegółowe instrukcje tworzenia oddzielnie oznaczonych plików w narzędziu 3D Slicer dla splotu naczyniówkowego na podstawie obrazów DICOM lub NIFTI. Splot naczyniówkowy zostanie ręcznie podzielony na segmenty przy użyciu płaszczyzn osiowych, strzałkowych i czołowych obrazów T1w, upewniając się, że wykluczysz woksele ze struktur istoty szarej lub białej graniczących z komorami. Okienka zostaną dostosowane, aby pomóc w lokalizacji splotu naczyniówkowego i jego granic anatomicznych. Metody oceny dokładności i wiarygodności zostaną zademonstrowane w ramach niniejszego protokołu. Złoty standard segmentacji splotu naczyniówkowego za pomocą ręcznych rozgraniczeń może być wykorzystany do opracowania lepszych i bardziej niezawodnych narzędzi do automatycznej segmentacji, które mogą być otwarcie udostępniane w celu wyjaśnienia zmian w splocie naczyniówkowym w ciągu życia i w różnych zaburzeniach mózgu.

Wprowadzenie

Funkcja splotu naczyniówkowego
Splot naczyniówkowy jest wysoce unaczynioną strukturą w mózgu, składającą się z okiennych naczyń włosowatych i monowarstwy komórek nabłonka splotu naczyniówkowego1. Splot naczyniówkowy rzutuje do bocznej, trzeciej i czwartej komory mózgowej i wytwarza płyn mózgowo-rdzeniowy (CSF), który odgrywa ważną rolę we wzorcach neuronalnych2 i fizjologii mózgu3,4. Splot naczyniówkowy wydziela substancje nerwowo-naczyniowe, obejmuje repozytorium podobne do komórek macierzystych i działa jako fizyczna bariera utrudniająca wnikanie toksycznych metabolitów, bariera enzymatyczna do usuwania ugrupowań, które omijają barierę fizyczną, oraz bariera immunologiczna do ochrony przed obcymi najeźdźcami5. Splot naczyniówkowy moduluje neurogenezę6, plastyczność synaptyczna7, zapalenie8, rytm okołodobowy9,10, gut brain-axis11, and cognition12. Co więcej, cytokiny obwodowe, stres i infekcje (w tym SARS-CoV-2) mogą zakłócić barierę krew-płyn mózgowo-rdzeniowy class13,14,15,16. Tak więc układ splotu naczyniówkowego-płynu mózgowo-rdzeniowego jest integralną częścią rozwoju neurologicznego, dojrzewania obwodów nerwowych, homeostazy mózgu i naprawy17. Ponieważ zmiany immunologiczne, zapalne, metaboliczne i enzymatyczne wpływają na mózg, naukowcy używają narzędzi neuroobrazowania do oceny roli splotu naczyniówkowego w ciągu życia i w zaburzeniach mózgu18,19,20. Istnieją jednak ograniczenia w powszechnie stosowanych zautomatyzowanych narzędziach do segmentacji splotu naczyniówkowego, takich jak FreeSurfer, które powodują, że splot naczyniówkowy jest słabo podzielony na segmenty. W związku z tym istnieje krytyczna potrzeba ręcznej segmentacji splotu naczyniówkowego, która może być wykorzystana do opracowania dokładnego zautomatyzowanego narzędzia do segmentacji splotu naczyniówkowego.

Splot naczyniówkowy w rozwoju neurologicznym i zaburzeniach mózgu
Rola splotu naczyniówkowego w zaburzeniach mózgu przez długi czas była zaniedbywana, głównie dlatego, że uważano go za gracza wspomagającego, którego rolą była amortyzacja mózgu i utrzymanie prawidłowej równowagi soli2,21. Jednak splot naczyniówkowy zyskał uwagę jako struktura związana z zaburzeniami mózgu, takimi jak zespoły bólowe22, SARS-CoV-216,23,24, neurodevelopmental2 i zaburzenia mózgu19, co sugeruje efekt transdiagnostyczny w rozwoju zaburzeń zachowania. W zaburzeniach neurorozwojowych torbiele splotu naczyniówkowego wiązały się ze zwiększonym ryzykiem opóźnienia rozwoju, zespołu nadpobudliwości psychoruchowej z deficytem uwagi (ADHD) lub zaburzenia ze spektrum autyzmu (ASD)25,26. Ponadto stwierdzono, że objętość splotu naczyniówkowego komory bocznej jest zwiększona u pacjentów z ASD27. W zaburzeniach mózgu nieprawidłowości splotu naczyniówkowego są opisywane od 1921 roku w zaburzeniach psychotycznych28,29. Poprzednie badania zidentyfikowały powiększenie splotu naczyniówkowego za pomocą segmentacji FreeSurfer w dużej próbie pacjentów z zaburzeniami psychotycznymi w porównaniu zarówno z ich krewnymi pierwszego stopnia, jak i grupą kontrolną19. Wyniki te zostały powtórzone przy użyciu ręcznie podzielonej objętości splotu naczyniówkowego w dużej próbie klinicznej populacji wysokiego ryzyka psychozy i stwierdzono, że ci pacjenci mieli większą objętość splotu naczyniówkowego w porównaniu ze zdrowymi grupą kontrolną30. Istnieje coraz więcej badań wykazujących powiększenie splotu naczyniówkowego w złożonym zespole bólu regionalnego22, stroke31, stwardnienie rozsiane20,32, Alzheimer's33,34 i depresja35, przy czym niektóre wykazują związek między obwodową a mózgową aktywnością immunologiczną/zapalną. Te badania neuroobrazowe są obiecujące; jednak słaba segmentacja splotu naczyniówkowego komory bocznej przez FreeSurfer21 ogranicza wiarygodność automatycznego szacowania objętości splotu naczyniówkowego. W rezultacie, badania nad stwardnieniem rozsianym 20,32, depression35, Alzheimer's34 i early psychosis36 rozpoczęły ręczną segmentację splotu naczyniówkowego komory bocznej, ale nie ma aktualnych wytycznych, jak to zrobić, ani nie ma ich wytycznych dotyczących segmentacji splotu naczyniówkowego trzeciej i czwartej komory.

Popularne narzędzia do segmentacji wykluczają splot naczyniówkowy
Potoki segmentacji mózgu, takie jak FreeSurfer37,38,39, FMRIB Software Library (FSL)40, SLANT41 i FastSurfer (opracowany przez współautora Martina Reutera)42,43, dokładnie i niezawodnie segmentować struktury korowe i podkorowe przy użyciu paradygmatów segmentacji opartych na atlasie (FSL), atlasie i powierzchni (FreeSurfer) oraz segmentacji głębokiego uczenia (SLANT i FastSurfer). Słabe strony niektórych z tych podejść to szybkość przetwarzania, ograniczone uogólnienie do różnych skanerów, natężenie pola i rozmiary wokseli37,44 oraz wymuszone wyrównanie mapy etykiet w standardowej przestrzeni atlasu. Jednak możliwość segmentacji splotu naczyniówkowego i kompatybilność z rezonansem magnetycznym o wysokiej rozdzielczości jest rozwiązywana tylko przez FreeSurfer i FastSurfer. Sieci neuronowe stojące za FastSurfer są trenowane na etykietach splotu naczyniówkowego FreeSurfer, więc dziedziczą wcześniej omówione ograniczenia niezawodności i zasięgu FreeSurfer, przy czym trzecia i czwarta komora są ignorowane21. Istnieją również obecne ograniczenia dotyczące rezonansu magnetycznego w wysokiej rozdzielczości, ale do rozwiązania tego problemu można użyć strumienia o wysokiej rozdzielczości45 i FastSurferVINN43.

Obecne narzędzia do segmentacji splotu naczyniówkowego
Istnieje tylko jedno swobodnie dostępne narzędzie do segmentacji splotu naczyniówkowego, ale dokładność segmentacji jest ograniczona. Na dokładną segmentację splotu naczyniówkowego może mieć wpływ wiele czynników, w tym (1) zmienność lokalizacji splotu naczyniówkowego (przestrzennie niestacjonarna) ze względu na jego położenie w komorach, (2) różnice w intensywności wokseli, kontraście, rozdzielczości (niejednorodność wewnątrz struktury) spowodowane niejednorodnością komórkową, dynamiczną funkcją splotu naczyniówkowego, zmianami patologicznymi lub częściowymi efektami objętości, (3) związane z wiekiem lub patologią różnice w wielkości komór wpływające na rozmiar splotu naczyniówkowego, oraz (4) bliskość sąsiednich struktur podkorowych (hipokamp, ciało migdałowate, jądro ogoniaste i móżdżek), które również są trudne do segmentacji. Biorąc pod uwagę te wyzwania, segmentacje FreeSurfer często zaniżają lub przeszacowują, błędnie oznaczają lub ignorują splot naczyniówkowy.

Trzy ostatnie publikacje dotyczyły luki w niezawodnej segmentacji splotu naczyniówkowego za pomocą modelu mieszaniny gaussowskiej (GMM)46, klasy Axial-MLP47, oraz podejść do głębokiego uczenia opartego na U-Net48. Każdy model został przeszkolony i oceniony przy użyciu prywatnych, ręcznie oznaczonych zestawów danych dotyczących co najwyżej 150 osób z ograniczoną różnorodnością skanerów, miejsc, danych demograficznych i zaburzeń. Chociaż te publikacje46,48,49 osiągnęły znaczącą poprawę w stosunku do segmentacji splotu naczyniówkowego FreeSurfera - czasami podwajając przecięcie przewidywań i prawdy podstawowej, żadna z metod nie jest (1) zwalidowana w rezonansie magnetycznym o wysokiej rozdzielczości, (2) ma dedykowane analizy uogólnień i wiarygodności, (3) zawiera duże reprezentatywne zestawy danych treningowych i testowych, (4) konkretnie odnosi się do lub analizuje wyzwania związane z segmentacją splotu naczyniówkowego, takie jak częściowe efekty objętościowe, lub (5) jest publicznie dostępny jako gotowe do użycia narzędzie. Tak więc obecnym "złotym standardem" segmentacji splotu naczyniówkowego jest ręczne śledzenie, np. za pomocą 3D Slicer50 lub ITK-SNAP51, co nie zostało wcześniej opisane i stanowiło duże wyzwanie dla badaczy chcących zbadać rolę splotu naczyniówkowego w swoich badaniach. 3D Slicer został wybrany do ręcznej segmentacji ze względu na znajomość oprogramowania przez autora oraz dlatego, że zapewnia użytkownikowi różne narzędzia oparte na różnych podejściach, które można łączyć w celu uzyskania pożądanego rezultatu. Można zastosować inne narzędzia, takie jak ITK-SNAP, który jest przede wszystkim zorientowany na segmentację obrazu, a po opanowaniu narzędzia użytkownik może uzyskać dobre wyniki. Ponadto autorzy przeprowadzili badanie kliniczno-kontrolne, wykazując wysoką dokładność i niezawodność techniki ręcznej segmentacji przy użyciu 3D Slicer30, a ta konkretna metodologia jest opisana w niniejszym dokumencie.

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

Protokół

Obecny protokół został zatwierdzony przez Institutional Review Board w Beth Israel Deaconess Medical Center. Zdrowy uczestnik ze skanem MRI mózgu, który był wolny od artefaktów lub ruchu, został wykorzystany do tej demonstracji protokołu i uzyskano pisemną świadomą zgodę. Skaner MRI 3,0 T z 32-kanałową cewką głowicy (patrz tabela materiałów) został wykorzystany do uzyskania obrazów 3D-T1 o rozdzielczości 1 mm x 1 mm x 1,2 mm. Zastosowano sekwencję MP-RAGE ASSET o polu widzenia 256 x 256, TR/TE/TI=7,38/3,06/400 ms i kącie obrotu 11 stopni.

1. Importowanie MRI mózgu do 3D Slicer

UWAGA: 3D Slicer dostarcza dokumentację związaną z jego interfejsem użytkownika.

  1. Przygotuj pliki MRI mózgu DICOM (Digital Imaging and Communications in Medicine) lub NIFTI (Neuroimaging Informatics Technology Initiative) do zaimportowania do 3D Slicer.
  2. Zaimportuj dane DICOM, klikając przycisk DCM w lewym górnym rogu paska narzędzi. Następnie kliknij przycisk Importuj pliki DICOM, aby zaimportować dane w formacie DICOM.
  3. Jeśli dane MRI są w formacie NIFTI, zaimportuj je, klikając przycisk DANE w lewym górnym rogu paska narzędzi. W wyskakującym oknie dialogowym wybierz opcję Wybierz katalog do dodania, aby zaimportować dane NIFTI w folderze, lub wybierz opcję Wybierz pliki do dodania, aby zaimportować określone pliki NIFTI. Następnie kliknij przycisk OK, aby kontynuować przesyłanie danych do 3D Slicer.
  4. Po zaimportowaniu dane MRI pojawią się w oknie po prawej stronie, wyświetlając płaszczyznę osiową, strzałkową i koronalną.
  5. Zmień układ okien, przechodząc do sekcji Układy i wybierając określony układ. Można to znaleźć, klikając obraz modułu Układy na pasku narzędzi 3D Slicer lub za pomocą opcji Wyświetl układy > menu aplikacji.

2. Pobieranie DICOM z przykładowych danych w 3D Slicer

  1. Kliknij przycisk Pobierz przykładowe dane na ekranie otwierającym sekcję Witamy we fragmentatorze. Następnie wybierz przycisk MRHead, a rozpocznie się proces pobierania, który może potrwać kilka minut.
  2. Upewnij się, że dane MRI mózgu z płaszczyznami osiowymi, strzałkowymi i czołowymi są wyświetlane w prawym oknie.

3. Kontrola jakości i regulacja obrazu MRI

  1. Określ jakościowo jakość obrazu i obecność artefaktów spowodowanych ruchem głowy lub problemami ze skanowaniem, krytycznie przeglądając każdy wycinek MRI.
  2. Powiększ wycinek obrazu, klikając prawym przyciskiem myszy i przesuwając mysz w górę lub w dół, aby odpowiednio pomniejszyć lub pomniejszyć.
  3. Aby przesunąć plasterek obrazu, kliknij go lewym przyciskiem myszy, naciśnij i przytrzymaj Shift, a następnie przeciągnij myszą.
  4. Regulacja jasności obrazu może pomóc w oglądaniu splotu naczyniówkowego. Aby to zrobić, kliknij Dostosuj okno/poziom głośności na pasku narzędzi lub kliknij obraz lewym przyciskiem myszy i przesuń mysz w górę lub w dół, aby odpowiednio zwiększyć lub zmniejszyć jasność.
  5. Regulacja kontrastu może dodatkowo pomóc w znalezieniu splotu naczyniówkowego. Kliknij lewym przyciskiem myszy wycinek obrazu i przesuń mysz w lewo lub w prawo, aby odpowiednio zwiększyć lub zmniejszyć kontrast. Aby określić odpowiedni kontrast dla splotu naczyniówkowego, należy użyć jąder głębokiej istoty szarej (centralne masy istoty szarej rozmieszczone wokół bocznej i trzeciej komory) lub intensywności sygnału pokazanej na pasku skali kontrastu.
  6. Po wybraniu preferowanego kontrastu utrzymuj ten sam kontrast przez cały okres segmentacji i nie koryguj potencjalnych zmian w obszarach nad- i podnamiotowych.

4. Tworzenie manualnych segmentów splotu naczyniówkowego

  1. Aby rozpocząć segmentację splotu naczyniówkowego bocznej, trzeciej i czwartej komory, utwórz pliki segmentacji w module Edytor segmentów. Aby przejść do tego miejsca, kliknij Edytor segmentów na pasku narzędzi lub przejdź do menu rozwijanego Moduły: i wybierz Edytor segmentów.
  2. Kliknij menu rozwijane segmentacji, aby wybrać różne segmentacje (jeśli utworzono wiele segmentacji) i zmienić nazwę aktualnie wybranej segmentacji.
  3. Użyj listy rozwijanej Wolumin główny, aby wybrać, które zestawy NIFTI lub DICOM wymagają edycji. Tylko wtedy, gdy plik woluminu jest wybrany, użytkownik może rozpocząć segmentację/edycję.
  4. Kliknij dwukrotnie przycisk Dodaj, aby dodać dwa segmenty splotu naczyniówkowego komory bocznej. Aby zmienić ich nazwę, kliknij dwukrotnie nazwę i zmień je na Splot naczyniówkowy prawej bocznej komory i Splot naczyniówkowy lewej bocznej komory.
  5. Kliknij ponownie przycisk Dodaj, aby dodać segmenty dla trzeciej i czwartej komory splotu naczyniówkowego i zmień ich nazwy na "splot naczyniówkowy trzeciej komory" i "splot naczyniówkowy czwartej komory".

5. Wyświetlanie różnych wycinków i segmentacji

  1. Przed edycją należy przeprowadzić badanie w tle, aby dowiedzieć się, jak poruszać się między układami w oknie podglądu oraz jak zmienić widok lub przezroczystość segmentacji.
  2. W górnej części okna podglądu i po lewej stronie suwaka plasterka kliknij ikonę pinezki. Spowoduje to otwarcie menu rozwijanego, które może się różnić w zależności od konkretnego układu, w którym znajduje się okno.
    UWAGA: Wykorzystanie różnych układów może być pomocne podczas segmentacji splotu naczyniówkowego, ponieważ jego struktura może się różnić u poszczególnych osób. Na przykład układ "Konwencjonalny" umożliwia użytkownikowi jednoczesne wyświetlanie wszystkich trzech przekrojów i widoku 3D sceny. Wybranie opcji "Tylko czerwony/żółty/zielony plasterek" daje użytkownikowi zbliżenie przekroju 2D, aby umożliwić bardziej precyzyjną segmentację splotu naczyniówkowego.

6. Wyznaczanie ROI splotu naczyniówkowego komory bocznej

UWAGA: Rejestracja obrazu do szablonu nie jest konieczna do ręcznej segmentacji.

  1. W przypadku splotu naczyniówkowego komory bocznej rozpocznij w płaszczyźnie osiowej, upewniając się, że obrazy są ustawione w oparciu o linię spoidła. Następnie użyj trigonum collaterale jako punktu odniesienia do zlokalizowania splotu naczyniówkowego komory bocznej.
    1. Po dokonaniu zmian w płaszczyźnie osiowej przejdź do pozostałych widoków (strzałkowego i czołowego), aby upewnić się, że ręczna segmentacja splotu naczyniówkowego komory bocznej nie obejmuje otaczającego miąższu mózgu lub płynu mózgowo-rdzeniowego.
  2. Aby rozpocząć edycję, kliknij segment, nad którym chcesz pracować, a nazwa segmentu zostanie podświetlona.
  3. Kliknij narzędzie Paint (Malowanie) lub Draw (Rysuj) w sekcji Effects (Efekty) w Edytorze segmentów, aby rozpocząć ręczną segmentację.
    UWAGA: Najlepiej jest rozpocząć segmentację w jednej płaszczyźnie (czołowej, osiowej lub strzałkowej), a po zakończeniu segmentacji we wszystkich przekrojach przejść do innych płaszczyzn, aby sprawdzić i doprecyzować segmentację ręczną. Sugeruje się, aby użytkownik zaczął od płaszczyzny osiowej lub czołowej, ponieważ splot naczyniówkowy komory bocznej jest łatwiej widoczny w tych widokach.
  4. Podczas korzystania z narzędzia Rysuj kliknij lewym przyciskiem myszy i przytrzymaj przycisk, aby narysować kontur na granicy splotu naczyniówkowego komory bocznej. Po prześledzeniu kliknij prawym przyciskiem myszy, aby wypełnić narysowany obszar.
  5. Korzystając z narzędzia Malowanie, najpierw wybierz średnicę pędzla, który ma być używany do malowania. Sugeruje się pędzel 3% lub 5% w celu dokładniejszego nakreślenia splotu naczyniówkowego, podczas gdy 10% może być przydatny w przypadku większych zaznaczeń.
  6. W przypadku dowolnego narzędzia użyj programu Paint lub Erase, aby skorygować wszelkie błędne rozgraniczenia, dodając lub usuwając zaznaczenia.
    UWAGA: Odniesienie do innych płaszczyzn widzenia może pomóc w identyfikacji struktury splotu naczyniówkowego komory bocznej w porównaniu z innymi strukturami mózgu, takimi jak otaczająca istota szara, sklepienie, ciało modzelowate lub hipokamp. Użytkownik jest zachęcany do wykluczenia skanów mózgu, które mają zidentyfikowane torbiele splotu naczyniówkowego.
  7. Użyj poziomu czerwonego jądra jako punktu orientacyjnego do zatrzymania segmentacji splotu naczyniówkowego w komorach bocznych.

7. Wyznaczanie ROI splotu naczyniówkowego trzeciej i czwartej komory

UWAGA: Obrazy o wyższej rozdzielczości T1w (takie jak 0,7 lub 0,8 mm) oraz te uzyskane na rezonansie magnetycznym 7T zapewniłyby dokładniejszą i bardziej wiarygodną manualną segmentację splotu naczyniówkowego trzeciej i czwartej komory. Segmentacja splotu naczyniówkowego trzeciej i czwartej komory jest trudniejsza niż splotu naczyniówkowego komory bocznej, ponieważ obszary te mogą być znacznie mniejsze i mieć mniej wokseli do wyznaczenia.

  1. W przypadku splotu naczyniówkowego trzeciej komory zacznij w płaszczyźnie strzałkowej i użyj otworu Monro, sklepienia, ciała modzelowatego, wzgórza i żyły wewnętrznej mózgu jako punktów odniesienia, aby wskazać splot naczyniówkowy w 3. komorze. Poruszanie się między plasterkami w tej samej płaszczyźnie może pomóc w ustaleniu, czy obszar jest sklepieniem, wzgórzem, żyłą czy splotem naczyniówkowym trzeciej komory.
    1. Po dokonaniu zmian w płaszczyźnie strzałkowej przejdź do pozostałych widoków (osiowego i koronalnego), aby upewnić się, że ręczna segmentacja splotu naczyniówkowego trzeciej komory nie wybiera otaczającego miąższu mózgu lub płynu mózgowo-rdzeniowego.
  2. Podobnie w przypadku splotu naczyniówkowego czwartej komory zacznij w płaszczyźnie strzałkowej i użyj szypułki móżdżku górnego, mostu i rdzenia jako punktów odniesienia, aby wskazać splot naczyniówkowy w czwartej komorze. Poruszanie się między plasterkami w tej samej płaszczyźnie może pomóc w ustaleniu, czy obszar jest móżdżkiem, migdałkiem móżdżku, dolnym szpikowym velum czy splotem naczyniówkowym 4. komory.
    1. Po zakończeniu edycji w płaszczyźnie strzałkowej przejdź do pozostałych widoków (osiowego i koronalnego), aby upewnić się, że ręczna segmentacja splotu naczyniówkowego czwartej komory nie wybiera otaczającego miąższu mózgu lub płynu mózgowo-rdzeniowego.

8. Obliczanie objętości splotu naczyniówkowego

  1. Z menu rozwijanego Moduły przejdź do sekcji Kwantyfikacja i wybierz opcję Statystyka segmentu.
  2. W obszarze Dane wejściowe wybierz nową mapę segmentacji do oceny ilościowej w narzędziu Segmentacja i wybierz wolumin MRI z woluminu skalarnego. W polu Tabela wyjściowa (w obszarze Wyjście) wybierz opcję Tabela. Po zakończeniu naciśnij Zastosuj, a pojawi się tabela zawierająca objętość splotu naczyniówkowego w różnych jednostkach.

9. Zapisywanie wyników segmentów i objętości

  1. Kliknij przycisk Zapisz w lewym górnym rogu paska narzędzi, aby zapisać wygenerowane pliki.
  2. Zapisz pliki segmentacji jako .nrrd (plik fragmentatora 3D), .nii.gz (plik NIFTI) lub .tsv (plik tabeli).

10. Określanie dokładności, wydajności i zgodności segmentacji

UWAGA: Zaleca się korzystanie z pakietu MONAI (zobacz Tabelę Materiałów), który opisuje współczynnik kości (DC) i średnią odległość powierzchniową DeepMind (avgSD). Szczegółowe informacje na temat DC i avgSD opisano poniżej. Aby obliczyć te metryki, czytelnicy będą musieli wiedzieć, jak programować (np. python, odczytywać obrazy z dysku, ponownie formatować dane do odpowiednich tablic wejściowych dla tych funkcji). Nie ma przyjaznego dla użytkownika pakietu, który zawierałby wszystkie te wskaźniki.

  1. Wynik DC jest standardowym podejściem do ilościowego określania nakładania się dwóch domen geometrycznych. Aby obliczyć średni wynik DC między dwiema segmentacjami, podaj dwa tensory y_pred i y, tj. obrazy wieloramkowe z jedną ramką dla każdego binaryzowanego obrazu etykiety. Tensory y_pred i y mogą zawierać segmentacje dwóch różnych oceniających ręcznie, powtarzające się segmentacje tego samego oceniającego lub automatyczne przewidywanie i ręczną prawdę podstawową.
    1. Użyj funkcji monai.metrics.compute_meandice, aby obliczyć średni wynik DC.
    2. Wygeneruj odpowiednie tensory etykiet binarnych za pomocą monai.transforms.post.
      UWAGA: Parametr include_background można ustawić na wartość False, aby wykluczyć pierwszą kategorię (indeks kanału 0) z obliczeń kontrolera domeny, która zgodnie z konwencją jest uznawana za tło.
  2. Weź pod uwagę, że wynik avgSD jest mniej powszechny i zwróć uwagę, że podejście może się różnić, ponieważ istnieje wiele definicji odległości powierzchniowej. Na przykład użyj maksymalnej odległości (znanej również jako odległość Hausdorffa, wysoce wrażliwej na wartości odstające), średniej odległości (zgodnie z opisem tutaj) i 95. percentyla (wysoce niezawodnego) jako często używanych miar.
    1. Użyj funkcji compute_average_surface_distance, aby obliczyć średni wynik SD.
    2. Upewnij się, że ta funkcja oblicza średnią odległość powierzchni od y_pred do y przy ustawieniu domyślnym.
    3. Ponadto, jeśli symetryczne = Prawda, upewnij się, że zwracana jest średnia symetryczna odległość powierzchni między tymi dwoma danymi wejściowymi.
  3. Przeprowadzenie analizy statystycznej wyniku DC i średniego SD w wielu przypadkach można przeprowadzić przy użyciu solidnego testu rangi ze znakiem Wilcoxona do analizy sparowanej.
  4. Rozważ użycie współczynnika korelacji wewnątrzklasowej (ICC) jako innej powszechnie stosowanej metody w celu określenia, czy wielu uczestników może być wiarygodnie ocenionych przez różnych oceniających. Pamiętaj, że ICC operuje na zestawie sparowanych pomiarów (np. objętości) segmentacji, a nie bezpośrednio na obrazach segmentacji. Aby obliczyć ICC, użyj oprogramowania R i R Studio (patrz tabela materiałów), co sprawia, że proces jest prosty.
    1. Pobierz pakiet za pomocą install.packages("psych") i załaduj bibliotekę(psych).
    2. Wprowadź ramkę danych, która zawiera uczestników (wiersze) i oceniającego w każdej kolumnie, używając Data <- data.frame(df). Następnie zwizualizuj pomiary za pomocą wykresu (Dane).
    3. Aby uruchomić ICC, użyj ICC(Data), który generuje tabelę różnych typów ICC, np. w celu uzyskania wyników między lub wewnątrz oceniających.

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

Wyniki

Proponowana metoda została wielokrotnie udoskonalona dla splotu naczyniówkowego komory bocznej, obejmując obszerne testy na kohorcie 169 zdrowych osób z grupy kontrolnej i 340 pacjentów z klinicznie wysokim ryzykiem psychozy30. Korzystając z opisanej powyżej techniki, autorzy uzyskali wysoką dokładność i wiarygodność wewnątrz oceniającego przy DC = 0,89, avgHD = 3,27 mm3 i ICC dla pojedynczego oceniającego = 0,9730, co świadczy o sile opisanego w niniejszym dokumencie protokołu.

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

Dyskusja

Krytyczne etapy protokołu
Podczas wdrażania tego protokołu należy zwrócić szczególną uwagę na trzy kluczowe kroki. Po pierwsze, sprawdzenie jakości i kontrastu obrazów MR jest kluczem do zapewnienia dokładnej segmentacji. Jeśli jakość obrazu jest zbyt niska lub kontrast jest zbyt niski lub zbyt wysoki, może to prowadzić do niedokładnego nakreślenia splotu naczyniówkowego. Kontrast obrazu można regulować, wyświetlając wartość skali szarości obrazu lub kalibrując wartości w celu zwiększenia kontrastu ...

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

Oświadczenia

Autorzy nie mają konkurencyjnych interesów finansowych.

Podziękowania

Ta praca została wsparta przez National Institute of Mental Health Award R01 MH131586 (dla P.L i M.R), R01 MH078113 (dla M.K) oraz Sydney R Baer Jr Foundation Grant (dla P.L).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
3D Slicer 3DSlicerhttps://www.slicer.org/Darmowe oprogramowanie typu open source do wizualizacji, przetwarzania, segmentacji, rejestracji i analizy medycznych, biomedycznych i innych obrazów i siatek 3D; oraz planowania i nawigowania po procedurach sterowanych obrazem.
FreeSurferFreeSurferhttps://surfer.nmr.mgh.harvard.edu/Zestaw narzędzi neuroobrazowania typu open source do przetwarzania, analizy i wizualizacji obrazów MR ludzkiego mózgu
ITK-SNAPITK-SNAPBezpłatna, wieloplatformowa aplikacja typu open source służąca do segmentacji struktur w obrazach biomedycznych 3D i 4D. 
PakietMonai Konsorcjum Monaihttps://docs.monai.io/en/stable/metrics.htmlwykorzystania do współczynnika kości i średniej odległości powierzchniowej DeepMind. 
Skaner MRIGEDiscovery MR750 
Pakiet psychologicznyR-Projecthttps://cran.r-project.org/web/packages/psych/index.htmlZestaw narzędzi ogólnego przeznaczenia opracowany pierwotnie dla osobowości, teorii psychometrycznej i psychologii eksperymentalnej.
R SoftwareR-Projecthttps://www.r-project.org/R to darmowe środowisko oprogramowania do obliczeń statystycznych i grafiki. 
RStudioPosithttps://posit.co/Zintegrowane środowisko programistyczne (IDE) programu RStudio to zestaw narzędzi utworzonych w celu zwiększenia produktywności w językach R i Python. 
Windows lub Apple OS Komputer stacjonarny lub laptopDowolna firmanie dotyczyPotrzebne do uruchomienia oprogramowania używanego w tym protokole. 
http://www.itksnap.org/pmwiki/pmwiki.php

Bibliografia

  1. Lun, M. P., Monuki, E. S., Lehtinen, M. K. Development and functions of the choroid plexus-cerebrospinal fluid system. Nature Reviews Neuroscience. 16 (8), 445-457 (2015).
  2. Dani, N., Herbst, R. H., McCabe, C. A cellular and spatial map of the choroid plexus across brain ventricles and ages. Cell. 184 (11), 3056-3074 (2021).
  3. Kaiser, K., Bryj, aV. Choroid plexus: the orchestrator of long-range signalling within the CNS. IJMS. 21 (13), 4760(2020).
  4. Damkier, H. H., Brown, P. D., Praetorius, J. Cerebrospinal fluid secretion by the choroid plexus. Physiological Reviews. 93, 46(2013).
  5. Liddelow, S. A. Development of the choroid plexus and blood-CSF barrier. Frontiers in Neuroscience. 9, 00032(2015).
  6. Gato, A., Alonso, M. I., Lamus, F., Miyan, J. Neurogenesis: A process ontogenically linked to brain cavities and their content, CSF. Seminars in Cell & Developmental Biology. 102, 21-27 (2020).
  7. Spatazza, J., Lee, H. H. C., Di Nardo, A. A. Choroid-plexus-derived Otx2 homeoprotein constrains adult cortical plasticity. Cell Reports. 3 (6), 1815-1823 (2013).
  8. Kim, S., Hwang, Y., Lee, D., Webster, M. J. Transcriptome sequencing of the choroid plexus in schizophrenia. Translational Psychiatry. 6 (11), e964-964 (2016).
  9. Myung, J., Schmal, C., Hong, S. The choroid plexus is an important circadian clock component. Nature Communications. 9 (1), 1062(2018).
  10. Quintela, T., Furtado, A., Duarte, A. C., Gonçalves, I., Myung, J., Santos, C. R. A. The role of circadian rhythm in choroid plexus functions. Progress in Neurobiology. 205, 102129(2021).
  11. Gorlé, N., Blaecher, C., Bauwens, E., et al. The choroid plexus epithelium as a novel player in the stomach-brain axis during Helicobacter infection. Brain, Behavior, and Immunity. 69, 35-47 (2018).
  12. Zappaterra, M. W., Lehtinen, M. K. The cerebrospinal fluid: regulator of neurogenesis, behavior, and beyond. Cellular and Molecular Life Sciences. 69 (17), 2863-2878 (2012).
  13. Cardia, E., Molina, D., Abbate, F. Morphological modifications of the choroid plexus in a rodent model of acute ventriculitis induced by gram-negative liquoral sepsis: Possible implications in the pathophysiology of hypersecretory hydrocephalus. Child's Nervous System. 11 (9), 511-516 (1995).
  14. Coisne, C., Engelhardt, B. Tight junctions in brain barriers during central nervous system inflammation. Antioxidants & Redox Signaling. 15 (5), 1285-1303 (2011).
  15. Szmydynger-Chodobska, J., Strazielle, N., Gandy, J. R. Posttraumatic Invasion of monocytes across the blood-cerebrospinal fluid barrier. Journal of Cerebral Blood Flow & Metabolism. 32 (1), 93-104 (2012).
  16. Pellegrini, L., Albecka, A., Mallery, D. L. SARS-CoV-2 infects the brain choroid plexus and disrupts the blood-csf barrier in human brain organoids. Cell Stem Cell. 27 (6), 951-961 (2020).
  17. Bitanihirwe, B., Lizano, P., Woo, T. Deconstructing the functional neuroanatomy of the choroid plexus: an ontogenetic perspective for studying neurodevelopmental and neuropsychiatric disorders. Review at Molecular Psychiatry. , (2022).
  18. Ramaekers, V., Sequeira, J. M., Quadros, E. V. Clinical recognition and aspects of the cerebral folate deficiency syndromes. Clinical Chemistry and Laboratory Medicine. 51 (3), 0543(2012).
  19. Lizano, P., Lutz, O., Ling, G. Association of choroid plexus enlargement with cognitive, inflammatory, and structural phenotypes across the psychosis spectrum. AJP. 176 (7), 564-572 (2019).
  20. Kim, H., Lim, Y. M., Kim, G. Choroid plexus changes on magnetic resonance imaging in multiple sclerosis and neuromyelitis optica spectrum disorder. Journal of the Neurological Sciences. 415, 116904(2020).
  21. Bannai, D., Lutz, O., Lizano, P. Neuroimaging considerations when investigating choroid plexus morphology in idiopathic psychosis. Schizophrenia Research. 224, 19-21 (2020).
  22. Zhou, G., Hotta, J., Lehtinen, M. K., Forss, N., Hari, R. Enlargement of choroid plexus in complex regional pain syndrome. Scientific Reports. 5 (1), 14329(2015).
  23. Jacob, F., Pather, S. R., Huang, W. K. Human pluripotent stem cell-derived neural cells and brain organoids reveal SARS-CoV-2 neurotropism predominates in choroid plexus epithelium. Cell Stem Cell. 27 (6), 937-950 (2020).
  24. Yang, A. C., Kern, F., Losada, P. M. Dysregulation of brain and choroid plexus cell types in severe COVID-19. Nature. 595 (7868), 565-571 (2021).
  25. Lin, Y. J., Chiu, N. C., Chen, H. J., Huang, J. Y., Ho, C. S. Cranial ultrasonographic screening findings among healthy neonates and their association with neurodevelopmental outcomes. Pediatrics & Neonatology. 62 (2), 158-164 (2021).
  26. Chang, H., Tsai, C. M., Hou, C. Y., Tseng, S. H., Lee, J. C., Tsai, M. L. Multiple subependymal pseudocysts in neonates play a role in later attention deficit hyperactivity and autistic spectrum disorder. Journal of the Formosan Medical Association. 118 (3), 692-699 (2019).
  27. Levman, J., Vasung, L., MacDonald, P. Regional volumetric abnormalities in pediatric autism revealed by structural magnetic resonance imaging. International Journal of Developmental Neuroscience. 71 (1), 34-45 (2018).
  28. Taft, A. E. A note on the pathology of the choroid plexus in general paralysis. Archives of Neurology & Psychiatry. 7 (2), 177(1922).
  29. D, S. R. The choroid plexus in organic diseases of the brain and of schizophreina. The Journal of Nervous and Mental Disease. 56, 21-26 (1921).
  30. Bannai, D., Reuter, M., Hegde, R. Linking choroid plexus enlargement with plasma analyte and structural phenotypes in clinical high risk for psychosis: a multisite neuroimaging study. BioRxiv. , (2022).
  31. Egorova, N., Gottlieb, E., Khlif, M. S., Spratt, N. J., Brodtmann, A. Choroid plexus volume after stroke. International Journal of Stroke. 14 (9), 923-930 (2019).
  32. Ricigliano, V. A., Morena, E., Colombi, A. Choroid plexus enlargement in inflammatory multiple sclerosis: 3.0-T MRI and translocator protein PET evaluation. Radiology. 301 (1), 166-177 (2021).
  33. Tadayon, E., Pascual-Leone, A., Press, D., Santarnecchi, E. Choroid plexus volume is associated with levels of CSF proteins: relevance for Alzheimer's and Parkinson's disease. Neurobiology of Aging. 89, 108-117 (2020).
  34. Choi, J. D., Moon, Y., Kim, H. J., Yim, Y., Lee, S., Moon, W. J. Choroid plexus volume and permeability at brain MRI within the Alzheimer Disease clinical spectrum. Radiology. 304 (3), 635-645 (2022).
  35. Althubaity, N., Schubert, J., Martins, D. Choroid plexus enlargement is associated with neuroinflammation and reduction of blood-brain barrier permeability in depression. NeuroImage: Clinical. 33, 102926(2022).
  36. Senay, O., et al. Choroid plexus volume in individuals with early course and chronic psychosis - a magnetic resonance imaging study. Schizophrenia Bulletin. , (2022).
  37. Fischi, B. FreeSurfer. NeuroImage. 62 (2), 774-781 (2012).
  38. Fischl, B., et al. Cortical folding patterns and predicting cytoarchitecture. Cerebral Cortex. 18 (8), 1973-1980 (2008).
  39. Fischl, B., vander Kouwe, A., Destrieux, C. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14 (1), 11-22 (2004).
  40. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. NeuroImage. 56 (3), 907-922 (2011).
  41. Huo, Y., Xu, Z., Xiong, Y. 3D whole brain segmentation using spatially localized atlas network tiles. NeuroImage. 194, 105-119 (2019).
  42. Henschel, L., Conjeti, S., Estrada, S., Diers, K., Fischl, B., Reuter, M. FastSurfer - A fast and accurate deep learning based neuroimaging pipeline. NeuroImage. 219, 117012(2020).
  43. Henschel, L., Kügler, D., Reuter, M. FastSurferVINN: Building resolution-independence into deep learning segmentation methods-A solution for HighRes brain MRI. NeuroImage. 251, 118933(2022).
  44. Jovicich, J., Czanner, S., Han, X. MRI-derived measurements of human subcortical, ventricular and intracranial brain volumes: Reliability effects of scan sessions, acquisition sequences, data analyses, scanner upgrade, scanner vendors and field strengths. NeuroImage. 46 (1), 177-192 (2009).
  45. Zaretskaya, N., Fischl, B., Reuter, M., Renvall, V., Polimeni, J. R. Advantages of cortical surface reconstruction using submillimeter 7 T MEMPRAGE. NeuroImage. 165, 11-26 (2018).
  46. Tadayon, E., Moret, B., Sprugnoli, G., Monti, L., Pascual-Leone, A., Santarnecchi, E. Improving choroid plexus segmentation in the healthy and diseased brain: Relevance for Tau-PET imaging in dementia. Journal of Alzheimer's Disease. 74 (4), 1057-1068 (2020).
  47. Schmidt-Mengin, M., Ricigliano, V. A. G., Bodini, B. Axial multi-layer perceptron architecture for automatic segmentation of choroid plexus in multiple sclerosis. Medical Imaging 2022: Image Processing. SPIE. Išgum, I., Colliot, O. , (2022).
  48. Zhao, L., Feng, X., Meyer, C. H., Alsop, D. C. Choroid plexus segmentation using optimized 3D U-Net. 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI). IEEE. , 381-384 (2020).
  49. Schmidt-Mengin, M., et al. Axial multi-layer perceptron architecture for automatic segmentation of choroid plexus in multiple sclerosis. arXiv. , (2021).
  50. Egger, J., Kapur, T., Nimsky, C., Kikinis, R. Pituitary adenoma volumetry with 3D Slicer. PLoS ONE. Muñoz-Barrutia, A. 7 (12), 51788(2012).
  51. Yushkevich, P. A., Piven, J., Hazlett, H. C., et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. NeuroImage. 31 (3), 1116-1128 (2006).
  52. Dice, L. R. Measures of the amount of ecologic association between species. Ecology. 26 (3), 297-302 (1945).
  53. Aydin, O. U., Taha, A. A., Hilbert, A. On the usage of average Hausdorff distance for segmentation performance assessment: hidden error when used for ranking. European Radiology Experimental. 5 (1), (2021).
  54. Shrout, P. E., Fleiss, J. L. Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420-428 (1979).
  55. Pawlik, D., Leuzy, A., Strandberg, O., Smith, R. Compensating for choroid plexus based off-target signal in the hippocampus using 18F-flortaucipir PET. NeuroImage. 221, 117193(2020).
  56. Yazdan-Panah, A., Schmidt-Mengin, M., Ricigliano, V. A. G., Soulier, T., Stankoff, B., Colliot, O. Automatic segmentation of the choroid plexuses: Method and validation in controls and patients with multiple sclerosis. NeuroImage: Clinical. 38, 103368(2023).

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Segmentacja splot w naczyniowychkomora bocznatrzecia komoraczwarta komora3D Slicerobrazy DICOMobrazy NIFTIstatystyki segmentacji

Powiązane artykuły