A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
Este protocolo descreve o processo de aplicação de sete ferramentas diferentes segmentação automatizada de varreduras de T1-weighted MRI estruturais para delinear as regiões de substância cinzenta que podem ser usadas para a quantificação do volume de matéria cinzenta.
Dentro da pesquisa de neuroimagem, uma série de estudos recentes têm discutido o impacto das diferenças between-estudo volumétrico conclusões que são pensados para resultar do uso de ferramentas de segmentação diferentes para gerar volumes de cérebro. Aqui, o processamento de gasodutos para sete ferramentas automatizadas que podem ser usadas para segmentar a massa cinzenta dentro do cérebro são apresentados. O protocolo prevê uma etapa inicial a pesquisadores com o objetivo de encontrar o método mais preciso para gerar volumes de matéria cinzenta de T1-weighted MRI scans. Passos para realizar o controle de qualidade visual detalhado também estão incluídos no manuscrito. Este protocolo abrange uma gama de potenciais ferramentas de segmentação e incentiva os usuários a comparar o desempenho dessas ferramentas dentro de um subconjunto de seus dados antes de selecionar um para aplicar a uma coorte completa. Além disso, o protocolo pode ser mais generalizado para a segmentação de outras regiões do cérebro.
Neuroimagem é amplamente utilizado em ambos os casos clínicos e configurações de pesquisa. Há um movimento atual para melhorar a reprodutibilidade dos estudos que quantificam o volume cerebral de exames de ressonância magnética (RM); assim, é importante que os investigadores compartilham experiências do uso de ferramentas disponíveis de MRI para segmentar ressonâncias em volumes regionais, para melhorar a padronização e otimização de métodos1. Este protocolo fornece um guia passo a passo para usar sete ferramentas diferentes para segmentar a matéria cinzenta cortical (CGM; matéria cinzenta que exclui as regiões subcorticais) de T1-weighted MRI scans. Estas ferramentas foram usadas anteriormente em uma comparação metodológica da segmentação métodos2, que demonstrou desempenho variável entre as ferramentas em uma coorte de doença de Huntington. Desde que o desempenho dessas ferramentas é pensado para variar entre diferentes conjuntos de dados, é importante para os investigadores testar um número de ferramentas antes de selecionar apenas um para aplicar ao seu dataset.
Volume de matéria cinzenta (GM) é usado regularmente como uma medida da morfologia do cérebro. Medidas volumétricas são geralmente confiável e capaz de discriminar entre controles sadios e grupos clínicos3. O volume de tipos de tecido diferentes de regiões cerebrais mais frequentemente é calculado usando ferramentas de software automatizado que identificam esses tipos de tecido. Assim, para criar delimitações. das húmidas da alta qualidade (segmentações) da GM, delimitação exata da matéria branca (WM) e líquido cerebrospinal (CSF) é fundamental para alcançar a precisão da região de GM. Há uma série de ferramentas automatizadas que podem ser utilizados para realizar a segmentação do GM, e cada um necessita de etapas de processamento diferentes e resulta em uma saída diferente. Vários estudos têm aplicado as ferramentas para diferentes conjuntos de dados para compará-los com os outros, e alguns têm otimizado ferramentas específicas1,4,5,6,7,8 ,9,10,11. Trabalhos anteriores têm demonstrado que a variabilidade entre ferramentas volumétricas pode resultar em inconsistências dentro da literatura quando estudando o volume cerebral, e estas diferenças têm sido sugeridas como fatores para conclusões falsas sobre a conduzir condições neurológicas1.
Recentemente, realizou-se uma comparação de ferramentas de segmentação diferente em uma coorte que incluía tanto os participantes saudáveis de controle e os participantes com a doença de Huntington. A doença de Huntington é uma doença neurodegenerativa genética com um típico início na idade adulta. Atrofia gradual de subcortical e CGM é uma característica proeminente e bem estudada de neuropatológica da doença. Os resultados demonstraram desempenho variável de sete ferramentas de segmentação que foram aplicados para a coorte, apoiando o trabalho anterior que demonstrou variabilidade nos resultados dependendo do software utilizado para calcular volumes de cérebro de ressonâncias. Este protocolo fornece informações sobre o processamento usado em Johnson et al . (2017) 2 que incentiva o cuidado metodológica seleção das ferramentas mais adequadas para uso em neuroimagem. Este manual abrange a segmentação do volume de GM, mas não cobre a segmentação das lesões, tais como aqueles vistos na esclerose múltipla.
Nota: Certifique-se que todas as imagens são em formato NifTI. Conversão para NifTI não é coberto aqui.
1. segmentação através do SPM 8: Unificação de segmento
Nota: Este procedimento é realizado através do GUI SPM8 que opera dentro de Matlab. O guia de SPM8 fornece mais detalhes e pode ser encontrada em: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.
2. segmentação através do SPM 8: novo segmento
Nota: Este procedimento é realizado através do GUI SPM8. O guia de SPM8 fornece mais detalhes e pode ser encontrada em: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Certifique-se que SPM8 é instalado e definido no caminho do software. Abra o software SPM, geralmente executado digitando "spm" em uma linha de comando. Isso abre uma janela de interface (GUI) gráfica do usuário com uma gama de opções que podem ser selecionados para realizar a análise.
3. segmentação através do SPM 12: segmento
Nota: Este procedimento é realizado através do SPM12 GUI. O guia de SPM12 fornece mais detalhes e pode ser encontrada em: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.
4. segmentação através de FSL rápido
Nota: Este procedimento é feito na linha de comando. O guia FSL fornece mais detalhes e pode ser encontrada em: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.
5. segmentação através de FreeSurfer
Nota: Este procedimento é feito na linha de comando. O FreeSurfer guia fornece mais detalhes e pode ser encontrada em: https://surfer.nmr.mgh.harvard.edu/.
6. segmentação através de formigas
Nota: Este procedimento é feito na linha de comando. Formigas é um software mais complexo do que as outras ferramentas e isso devem-se notar que o procedimento explicado aqui pode ser ainda mais otimizado para cada coorte melhorar os resultados. Documentação de formigas pode ser encontrada em: http://stnava.github.io/ANTsDoc/. Há duas maneiras para segmentar as imagens em aulas de tecido, conforme descrito abaixo.
7. segmentação através de Salm-EM
8. visual controle de qualidade
Nota: O controle Visual da qualidade deve ser executada em todas as regiões segmentadas para ser usado na análise. Controle de qualidade garante que as segmentações são de alto padrão e representam a segmentação confiável do CGM. Para executar o controle de qualidade, cada scan for aberto e sobreposto do T1 original para comparar a região gerada para o CGM visível na tomografia.
Cérebro médio volumes de 20 participantes de controle, juntamente com informações demográficas, é mostrado na tabela 1. Isto age como um guia para valores esperados ao usar estas ferramentas. Os resultados devem ser analisados no contexto da imagem original T1.nii. Todas as regiões da GM devem ser inspecionadas conforme os passos descritos na seção 8. Ao executar o QC visual, é importante comparar diretamente as regiões da GM para a verificação de T1 por visualizá-las sobreposto do T1.
Regiões devem ser rejeitadas por erros grosseiros, como mostrado na Figura 1. Às vezes esses erros resultam se processamento foi executado incorretamente, ou se o cérebro foi mal posicionado dentro do campo de visão. Para corrigir esses erros, os exames de T1 nativos podem ser rigidamente re-alinhados ao padrão espacial e segmentação pode ser re-tentativa. A taxa de falhas irá variar dependendo da qualidade dos dados e ferramentas utilizadas, bem como a classificação de falha. No estudo atual, taxas de falha de falhas totais, resultando em rejeição foram < 5% para todas as ferramentas, mas erros menos significativos foram consistentemente vistos através de um número de ferramentas. FSL rápido, SPM 8 novo segmento e FreeSurfer tinham erros (mas não de falhas) em > 50% dos exames para esta coorte. Esta taxa de erro foi quantificada, examinando as notas tomadas durante o processo QC visual, com erros incluídos se eles eram vistos como um ponto de partida razoável de regiões esperados, como mostrado nas figuras 2-6. É importante observar que essas ferramentas foram validadas em outros conjuntos de dados e resultado em muito menor erro taxas 3,8. Enquanto esses erros possivelmente poderiam ser melhorados através da intervenção manual ou a inclusão de uma máscara na extração do cérebro, desde que o novo segmento SPM e Salm-EM resultaram em uma menor taxa de erro para esse conjunto de dados, essas ferramentas seria usadas em vez disso. Máscaras podem ser aplicadas antes de processamento dentro de formigas e Salm-EM e após o processamento para o SPM (todas as versões) e FSL primeiro.
Mais pequenos erros são mostrados nas figuras 2-6. Ao testar ferramentas de segmentação diferente em um conjunto de dados antes da aplicação para a coorte de toda, a ferramenta que executa melhor sobre esse conjunto de dados pode ser selecionada para análise. Ao executar o QC, um procedimento deve ser desenvolvido para a escolha de rejeitar, editar ou aceitar segmentações. Erros comuns de visto para as sete ferramentas são descritos aqui, com exemplos mostrados nas figuras 2-6. Erros na segmentação como estas muitas vezes podem ser corrigidos com a adição de uma máscara no fluxo de processamento ou edição de regiões. No entanto, regiões com extensa over - ou under - estimation do córtex podem precisar de ser rejeitado em análise. Rigorosos critérios devem ser desenvolvidos e seguidos ao tomar esta decisão. Essas etapas não são abrangidas no presente protocolo e variarão de conjunto de dados para o dataset.
Geralmente, ao executar QC visual, é importante prestar atenção especial às regiões temporais e occipitais, como estas são áreas que mostram os erros mais consistentes. A Figura 2 mostra exemplos de boas e más segmentações temporais, e a Figura 3 mostra exemplos de boas e más segmentações occipitais. A Figura 4 mostra um outro problema comum que ocorre em todas as ferramentas, em que o tecido cerebral não é classificado como CGM em fatias superiores do cérebro. A Figura 5 exibe uma outra questão que vi em uma série de segmentações onde regiões do CGM excluem a segmentação. Isso geralmente ocorre em fatias superiores do cérebro, como visto na Figura 5.
SPM8 unificação segmento comumente resultou em pobre delimitação temporal, com a região de GM segmentada derramando em tecidos não-cerebrais circundantes lobos temporais. Derramamento para o lobo occipital é comum, enquanto Under estimativa dos lobos frontais também visto em algumas regiões. Para SPM8 novo segmento, pobre delimitação temporal e occipital derrames também eram comuns. Usar esta versão do SPM também resulta em voxels dentro do crânio e dura-máter sendo classificados como GM em quase todas as segmentações. SPM12 foi melhorado em comparação com versões anteriores do SPM, com o derrame no lobo temporal de segmentações melhorado e menos em outras regiões. As formigas mostraram desempenho altamente variável nesta coorte, com a extração do cérebro inicial determina a qualidade de segmentação. É importante prestar atenção especial para as fronteiras externas, e se cérebro extração é pobre usando as formigas, então a máscara de cérebro incluída no comando Atropos pode ser melhorada. Problemas com sobreavaliação da GM nos lobos temporais e occipitais novamente eram comuns. Salm-EM mostrou menos problemas com sobreavaliação dos lobos temporais e occipitais; embora, houve menor estimativa do córtex em um número de casos. Isso pode ser melhorado pela inclusão de uma máscara de cérebro no pipeline. FSL rápido segmentações foram altamente variáveis, devido ao desempenho variável de aposta cérebro extraído dos dados nesta coorte. Mais uma vez, questões dentro dos lobos temporal e occipital eram comuns; no entanto, estas podem ser melhoradas com otimização de extração do cérebro. Finalmente, FreeSurfer volumétricas regiões costumam ser apertadas ao longo da fronteira de GM/QCA, normalmente excluindo algumas regiões da GM no limite exterior (Figura 6). Como com outras ferramentas, derrame fora da GM é prevalente dentro dos lobos temporais e occipitais. Finalmente, a Figura 7 mostra um exemplo de uma boa segmentação exibido no FSLview que tinha sem erros em segmentação. Edição manual das regiões pode frequentemente ser realizada para melhorar as regiões, embora este não é coberto aqui.
Figura 1 : Exemplo de uma falha segmentação exibido em uma varredura T1. Esta segmentação deve ser re-processada e excluída da análise, se ele não pode ser melhorado. Clique aqui para ver uma versão maior desta figura.
Figura 2 : Exemplos do desempenho de diferentes ferramentas no lobo temporal em uma varredura T1. (A), o T1 de varredura sem uma segmentação. (B), o T1 de varredura com um exemplo de uma boa delimitação regional (Salm-EM). (C), o T1 de varredura com um exemplo de uma boa delimitação regional (FreeSurfer). (D) o T1 digitalizar com um exemplo de um pobre delimitação regional, mostrando o derramamento dos lóbulos temporal esquerda e direita (SPM 8 novo segmento). (E) o T1 digitalizar com um exemplo de um pobre delimitação regional, mostrando derrame nos lobos temporais esquerdos e direito (FSL rápido). Os exames são vistos em FSLeyes com a varredura de T1 como uma imagem de base e a região de GM como uma sobreposição. Nesta figura, as regiões de GM são vistas como vermelho-amarelo com uma opacidade de 0,4. O gradiente de cor representa o volume parcial de voxels, com voxels que são mais amarelo, tendo uma estimativa mais elevada de PVE (mais provável ser GM) e aqueles que são vermelho, tendo uma baixa estimativa PVE (menos provável de ser GM). Clique aqui para ver uma versão maior desta figura.
Figura 3 : Exemplos do desempenho de diferentes ferramentas no lobo occipital em uma varredura T1. (A), o T1 de varredura sem uma segmentação. (B), o T1 de varredura com um exemplo de uma boa delimitação regional (Salm-EM). (C) o T1 digitalizar com um exemplo de um pobre lobo occipital delineação de derrames acidentais para a dura-máter na seção medial da região (SPM 8 unificação segmento). (D) o T1 digitalizar com um exemplo de um pobre lobo occipital delineação de derrames acidentais para a dura-máter nas seções medial e superiores da região (SPM 8 novo segmento). (E) o T1 digitalizar com um exemplo de um pobre lobo occipital delineação de derrames acidentais para a dura-máter nas seções medial e superiores da região (FSL rápido). Os exames são vistos em FSLeyes com a varredura de T1 como uma imagem base e a região de GM como uma sobreposição. Nesta figura, as regiões de GM são vistas como vermelho-amarelo com uma opacidade de 0,4. O gradiente de cor representa o volume parcial de voxels, com voxels que são mais amarelo, tendo uma estimativa mais elevada de PVE (mais provável ser GM) e aqueles que são vermelho, tendo uma baixa estimativa PVE (menos provável de ser GM). Clique aqui para ver uma versão maior desta figura.
Figura 4 : Exemplo de uma região de GM derramado sobre a dura-máter, exibida em uma janela o FSLview (na vista axial, coronal e sagital). A região azul destaca derramamento para a dura-máter. Clique aqui para ver uma versão maior desta figura.
Figura 5 : Exemplo de uma região de GM que tem regiões do CGM excluídos segmentação. Esta região é exibida em uma janela o FSLview, na vista sagital, coronal e axial. A melhor de vista axial mostra as regiões que foram excluídas da segmentação. Clique aqui para ver uma versão maior desta figura.
Figura 6 : Exemplo de uma região de FreeSurfer GM que é muito apertado ao longo da fronteira de GM/QCA, exibida em FreeView. Coronal janela no topo esquerdo melhor exibe a estimativa sob o CGM nesta região. Clique aqui para ver uma versão maior desta figura.
Figura 7 : Exemplo de uma região EM Salm-bem delineado em uma tomografia T1. A região mostra sem problemas com over - ou under - estimation do CGM em qualquer região. Clique aqui para ver uma versão maior desta figura.
Tabela 1: Informações demográficas e média GM volumes (mL) para 20 participantes de controle do estudo faixa-HD, segmentados usando as sete ferramentas descritas aqui.
Os autores não têm nada para divulgar.
Este protocolo descreve o processo de aplicação de sete ferramentas diferentes segmentação automatizada de varreduras de T1-weighted MRI estruturais para delinear as regiões de substância cinzenta que podem ser usadas para a quantificação do volume de matéria cinzenta.
Gostaríamos de agradecer a todos aqueles na Fundação Q CHDI/alto responsável para o estudo de faixa-HD; em particular, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer e Sherry Lifer. Os autores também desejam estender sua gratidão aos participantes do estudo faixa-HD e suas famílias. Este trabalho foi realizado na UCLH/UCL, que recebeu uma percentagem do financiamento do Instituto de nacional do departamento de saúde para investigação biomédica pesquisa centros de saúde regime de financiamento. S.J.T. reconhece o apoio do Instituto Nacional de investigação em saúde através da demências e neurodegenerativas Research Network, DeNDRoN.
Investigadores da trilha-HD:
C. Campbell, M. Campbell, I. Lana, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Austrália; R. Coleman, r. Dar Santos, J. Decolongon, B. R. Leavitt, r. Sturrock, Universidade de British Columbia, Vancouver, BC, Canadá; R. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, França; Bechtel de N. S. Bohlen, R. Reilmann, Universidade de Münster, Münster, Alemanha; B. Landwehrmeyer, Universidade de Ulm, Ulm, Alemanha; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ' t Hart, R. A. Roos, Leiden University Medical Center, Leiden, Países Baixos; S. Arran, J. Callaghan, d. Craufurd, C. Stopford, Universidade de Manchester, Manchester, Reino Unido; M. M. dinheiro, IXICO, Londres, Reino Unido; H. Crawford, s. C. Fox, Gregory S., G. Owen, N. z. Hobbs, s. leal, I. Malone, J. Read, M. J. Say, d. Whitehead, Wild E., University College London, Londres, Reino Unido; C. Frost, R. Jones, escola de Londres da higiene e Medicina Tropical, Londres, Reino Unido; E. Axelson, H. J. Johnson, d. Langbehn, Universidade de Iowa, IA, Estados Unidos; e S. Queller, c. Campbell, Indiana University, em, Estados Unidos.
