Automatiseret segmentering af kortikale grå materie fra T1-vægtet Mr billeder

Summary

Denne protokol beskriver processen med at ansøge syv forskellige automatiseret segmentering værktøjer til strukturelle T1-vægtet Mr-scanninger til at afgrænse grå materie regioner, der kan bruges til kvantificering af grå materie volumen.

Abstract

Inden for neuroradiologisk forskning, har en række nylige undersøgelser drøftet virkningen af mellem undersøgelse forskelle i volumetriske undersøgelsesresultater, der menes at skyldes anvendelsen af forskellige segmentering værktøjer til at generere hjernen diskenheder. Her præsenteres forarbejdning rørledninger til syv automatiske værktøjer, der kan bruges til at segmentere grå materie i hjernen. Protokollen indeholder et indledende skridt til forskere med henblik på at finde den mest nøjagtige metode til generering af grå materie diskenheder fra T1-vægtet Mr-scanninger. Skridt til at gennemføre detaljerede visuel kvalitetskontrol er også inkluderet i håndskriftet. Denne protokol dækker en række potentielle segmentering værktøjer og opmuntrer brugernes hen til sammenligne arbejdsindsats i disse værktøjer inden for et undersæt af deres data, før du vælger en gælde for en fuld kohorte. Derudover kan protokollen yderligere generaliseret til segmentering af andre områder af hjernen.

Introduction

Neuroimaging er udbredt i både klinisk og forskning indstillinger. Der er en nuværende skridt til at forbedre reproducerbarhed af undersøgelser, at kvantificere hjernen volumen fra magnetisk resonans imaging (MR) scanninger; Det er således vigtigt, at efterforskere dele erfaringer med hjælp af tilgængelige Mr værktøjer for segmentering af Mr-scanninger i regionale bind, for at forbedre standardiseringen og optimering af metoder¹. Denne protokol indeholder en trinvis vejledning til brug af syv forskellige værktøjer til at opdele det kortikale grå materie (CGM, grå materie, der udelukker subkortikale områder) fra T1-vægtet Mr-scanninger. Disse værktøjer blev tidligere brugt i en metodologisk sammenligning af segmentering metoder², som viste variabel ydelse mellem værktøjer på en Huntington's chorea kohorte. Da udførelsen af disse værktøjer er troede at variere mellem forskellige DataSet, er det vigtigt for forskerne at teste en række værktøjer, før du vælger kun én til at anvende deres DataSet.

Grå materie (GM) volumen bruges regelmæssigt som en foranstaltning af hjernens morfologi. Volumetriske foranstaltninger er generelt pålidelige og i stand til at skelne mellem raske kontrolpersoner og kliniske grupper³. Mængden af forskellige vævstyper af hjerneregioner beregnes oftest ved hjælp af automatiserede software-værktøjer, der identificerer disse vævstyper. Således, for at skabe høj kvalitet afgrænsninger (segmenter) af GM, præcis afgrænsning af den hvide substans (WM) og cerebrospinalvæske (CSF) er kritiske for opnåelsen af nøjagtigheden af GM-regionen. Der er en række automatiserede værktøjer, der kan bruges til at udføre GM segmentering, og hver kræver forskellige behandlingstrin og resulterer i en anden output. En række studier har anvendt værktøjerne til forskellige datasæt til at sammenligne dem med hinanden, og nogle har optimeret specifikke værktøjer^{1,4,5,6,7,8 ,9,10,11}. Tidligere arbejde har vist, at variabiliteten mellem volumetriske værktøjer kan resultere i uoverensstemmelser inden for litteratur, når man studerer hjernen volumen, og disse forskelle er blevet foreslået som kørsel faktorer for falsk konklusioner om neurologiske tilstande¹.

For nylig, en sammenligning af forskellige segmentering værktøjer i en kohorte, der omfattede både sund kontrol deltagere og deltagere med Huntingtons sygdom blev udført. Huntingtons sygdom er en genetisk neurodegenerativ sygdom med en typisk symptomdebut i voksenalderen. Gradvis atrofi af subkortikale og CGM er et fremtrædende og velundersøgte neuropatologiske kendetegn ved sygdommen. Resultaterne viste variabel ydelse af syv segmentering værktøjer, der blev anvendt til kohorte, støtte til tidligere arbejde, der demonstrerede variation i resultaterne afhængigt af den software, der bruges til at beregne hjernen diskenheder fra Mr-scanninger. Denne protokol indeholder oplysninger om behandling anvendes i Johnson et al. (2017) ² der tilskynder omhyggelig metodologiske udvælgelse af de mest hensigtsmæssige værktøjer til brug i neuroimaging. Denne håndbog dækker segmenteringen af GM volumen men dækker ikke segmenteringen af læsioner, som dem, set i dissemineret sklerose.

Protocol

Bemærk: Sikre, at alle billederne i NifTI format. Konvertering til NifTI er ikke dækket her.

1. segmentering via SPM 8: Unified Segment

Bemærk: Denne procedure er udført via SPM8 GUI, der opererer inden for Matlab. SPM8 guide giver yderligere detaljer og kan findes på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

1. Kontroller, at SPM8 er installeret og indstillet i stien software.
2. SPM segmentering udføres ved hjælp af et GUI. For at åbne SPM, åbne et kommandovindue og skriv 'spm' i den befale kø.
3. Tryk på 'PET & VBM' åbne strukturelle Mr værktøjskassen.
4. Tryk på 'Batch' åbne Batch Editor. Dette giver mulighed for segmentering skal udføres på flere scanninger ad gangen.
5. Vælg ' SPM | Rumlige | Segment'.
6. Klik på ' Data | Vælg filer. Vælg den T1-vægtet skanner som input.
   Bemærk: Filer skal være unzipped NifTi filer med filtypenavnet er '.nii'.
7. Klik på ' output-filer | Grå sagen ', og kontroller, at 'Native rum' er markeret, gør det samme for hvide substans. Hvis CSF segmentering ikke kræves forlade dette som 'None'.
8. Hvis scanninger har allerede været bias-korrigeret, ændre indstillingen 'Bias korrigeret' til 'Ikke gemme korrigeret'. Indstillingen 'Rydde op nogen partitioner' teste de tre forskellige indstillinger og bruge visuel kvalitetskontrol (QC, afsnit 8) til at bestemme, der fungerer bedst for dataene.
9. Forlade de andre indstillinger som standard. Klik på det grønne flag til at køre segmenteringen.
   Bemærk: Det tager omkring 5 minutter pr. deltager, og kommandolinjen vil sige, 'Kører Segment'. Når du er færdig, vises kommandovinduet 'Udført'.
10. Udføre visuelle QC på GM (C1*.nii fil), som beskrevet i afsnit 8.

2. segmentering via SPM 8: ny målgruppe

Bemærk: Denne procedure er udført via SPM8 GUI. SPM8 guide giver yderligere detaljer og kan findes på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Kontroller, at SPM8 er installeret og indstillet i stien software. Åbn SPM software, typisk udført ved at skrive "spm" i en kommandolinje. Dette åbner en anskuelighed brugergrænseflade (GUI) vindue med en vifte af muligheder, der kan vælges til at udføre analysen.

1. Tryk på 'PET & VBM'.
2. Tryk på 'Batch' åbne Batch Editor.
3. Vælg ' SPM | Værktøjer | Nye Segment' i kladdevinduet. Vælg T1-billedfiler (med filtypenavnet '.nii').
4. Angiv 'Native vævstype' til 'Native rum'. Efter behov, slukke for de forskellige væv klasser (f.eks CSF) - hvis ikke kræves - ved at indstille dem til 'Ingen'. Sæt 'Skæv væv' til 'Ingen'.
   Bemærk: Alle andre indstillinger kan stå som standardindstillingen.
5. Klik på det grønne flag for at køre segmenteringen.
   Bemærk: Kommandolinjen vil sige, 'Kører nye Segment'. Når den er færdig, kører MATLAB kommandolinje vil sige, 'gjort nye Segment'.
6. Udføre visuelle QC på GM (C1*.nii fil), som beskrevet i afsnit 8.

3. segmentering via SPM 12: Segment

Bemærk: Denne procedure er udført via SPM12 GUI. Guiden SPM12 giver yderligere detaljer og kan findes på: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

1. Åbn SPM-softwaren ved at skrive 'spm' i den befale rude. Dette åbner en anskuelighed brugergrænseflade (GUI) vindue med en vifte af muligheder, der kan vælges til at udføre analysen.
2. Tryk på 'PET & VBM'. Tryk på 'Batch' åbne Batch Editor.
3. Klik på ' SPM | Rumlige | Segment'. Klik på ' Data | Bind.
4. Angiv 'Native vævstype' til 'Native rum'. Slukke væv-klasser, der ikke kræves (såsom CSF) ved at indstille dem til 'Ingen'. Sæt 'Skæv væv' til 'Ingen'.
   Bemærk: Alle andre indstillinger kan stå som standardindstilling.
5. Klik på det grønne flag for at køre segmenteringen.
   Bemærk: Den befale rude vil display: 'Running Segment'. Når kørslen er afsluttet, vises: 'Gjort Segment'.
6. Udføre visuelle QC på GM (C1*.nii fil), som beskrevet i afsnit 8.

4. segmentering via FSL hurtigt

Bemærk: Denne procedure er gjort i kommandolinjen. FSL guide giver yderligere detaljer og kan findes på: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

1. Køre BET hjernen udvinding. Dette kan være nødvendigt at være optimeret til forskellige DataSet, men den grundlæggende kommando er:
   bet T1_ID.nii bet_T1_ID.nii
2. Køre FSL hurtigt segmentering:
   hurtig bet_T1_ID.nii
   Bemærk: Dette vil output delvis volumen kort og binære regioner for GM, CSF og WM.
3. Udføre visuelle QC på GM-regionen (fil slutningen * _pve_1.nii.gz) som beskrevet i afsnit 8.

5. segmentering via FreeSurfer

Bemærk: Denne procedure er gjort i kommandolinjen. FreeSurfer guide giver yderligere detaljer og kan findes på: https://surfer.nmr.mgh.harvard.edu/.

1. Sætte mappen, hvor dataene er ved at skrive:
   SUBJECTS_DIR = / sti/til/nii/eksportfiler
2. Kør segmenteringen ved at køre kommandoer:
   Recon-alle - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
   Recon-alle - subjid T1_ID-autorecon2-autorecon3
   Bemærk: Kommandoerne tage > 10 h pr. deltager. -Cw256 flag er nødvendig for at beskære scanninger med felter se større end 256 til denne størrelse til forarbejdning.
3. Tjek, at forarbejdningen har afsluttet korrekt ved at kigge på scriptet placeret i den ' outputmappe | scripts | Recon-all.log'. Kontroller, at den sidste linje siger 'recon-all - s T1_ID færdig uden fejl'.
4. Udføre visuelle QC på GM-regionen som beskrevet i afsnit 8.

6. segmentering via myrer

Bemærk: Denne procedure er gjort i kommandolinjen. Myrer er en mere kompleks software end de andre værktøjer, og det skal bemærkes, at proceduren forklares her kunne optimeres yderligere for hver studerende til at forbedre resultaterne. Myrer dokumentation kan findes på: http://stnava.github.io/ANTsDoc/. Der er to måder at opdele billederne i væv klasser som beskrevet nedenfor.

1. Hvis du vil bruge den første metode, køre kommandoen 'antsAtropos.sh' med standardindstillingerne og uden herunder væv priors.
   Bemærk: Dette ofte udfører godt især når kun 3 væv klasser er påkrævet: GM, WM, andre.
   1. Angiv stien til myrer software ved at skrive kommandoen:
      eksportere ANTSPATH = / sti/til/myrer/bin /
   2. Køre segmentering rørledningen ved at skrive kommandoen:
      antsAtroposN4.sh -d < image_dimension > - en < t1.nii.gz > -c < antal væv klasser > -o < output >
      1. Valgfrie argumenter for denne kommando er:
         Hjernen maske: - x < mask.nii.gz >;
         Væv priors: -p < segmentationPriors%d.nii.gz >.
   3. Dette vil oprette en mappe med output herunder delvis volumen maps og en udpakkede hjernen. Udføre visuelle QC på GM-regionen som beskrevet i afsnit 8.
2. Til at generere mere væv klasser (GM, subkortikale GM, WM, CSF, andre, etc.) eller udføre segmenteringen på en kohorte viser neurale patologi, bruge specifikke væv priors. Download væv priors fra forskellige hjemmesider. Alternativt kan du bruge en undersøgelse-specifik skabelon til at gøre priors - dette er langt mere kompliceret, men kan være fordelagtig, især i kohorter med patologisk hjernen ændringer.
   1. Hvis du vil oprette en undersøgelse-specifik skabelon/priors, først oprette en undersøgelse-specifik skabelon:
      antsMultivariateTemplateConstruction.sh -d < image_dimension > -o skabelon < andre muligheder >< images.nii.gz >
      1. Valgfrie argumenter for denne kommando er:
         -c: kontrol for parallel computation.
         Hvis kører i serie, bruge en 0; -j: antallet af kerner; -r: gør kroppen stiv registrering af indgange før du opretter skabelonen (standard 0)--0 == off 1 == på. Dette er kun nyttigt, når en indledende skabelon ikke er tilgængelig.
   2. Hent en brainmask og priors fra webstedet myrer.
      Bemærk: Denne maske kan skal redigeres for at sikre, det er en god tilnærmelse af skabelon hjernen. Brainmask er en af de vigtigste dele af rørledningen; Hvis det er dårlig, vil så hjernen udvinding/Atropos køre dårligt. Nogle af download indstillingerne er:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      De hentede skabelonen bør derefter registreres til skabelonen undersøgelse.
   3. Beregne den registrering, som vil udsende en række mellemlinerne, der kan derefter anvendes på den hentede skabelon til at omdanne det til studie-specifik skabelon plads. For at beregne registreringen, skal du bruge kommandoen:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Indstillingerne i denne kommando er:
         -d: dimension (dvs., 3D scanninger ville være '3'); -f: fast billede (dvs. den plads, hvor billederne skal ende op); -m: bevægelige billede (dvs. det billede, der skal flyttes); -o: output navn (ikke forlængelse nødvendigt); -n: antallet af tråde.
   4. Gælde registrering af data:
      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. Indstillingerne i denne kommando er:
         -d: dimension (dvs., 3D scanninger ville være '3'); -i: input billede (dvs. det billede, der skal flyttes); -r: reference billede (dvs. referenceafbildningen definerer afstanden, oprindelse, størrelse og retning af skæv udskriftsbillede); -o output navn, dette er den hentede skabelon i undersøgelsen-specifik skabelon plads (udvidelse nødvendigt i dette tilfælde); -t transformering filnavn, output-fil fra beregningen af registrering.
   5. Visuelt kontrollere registrering af korrespondance mellem undersøgelsesspecifikke skabelon og hentede skabelonen (for at gøre dette, åbne skabelonen undersøgelsesspecifikke oven på den hentede skabelonen).
   6. Hvis registreringen har fungeret, gælder transformationen til de downloadede priors og udvundet skabelon hjernen, gentage trin 6.2.5.
      Bemærk: Følger disse trin, vil der være en undersøgelse-specifik skabelon, en hentede skabelonen på linje med undersøgelse-specifik skabelon, sammen med en downloadet hjernen udvinding maske og væv priors også justeret med skabelonen undersøgelsesspecifikke.
   7. Køre undersøgelse bestemt skabelon gennem antsCorticalThickness.sh; Dette giver GM, WM og CSF regioner, der kan bruges til undersøgelsesspecifikke priors:
      antsCorticalThickness.sh -d 3 - en 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. Indstillingerne i denne kommando er:
         -d: dimension (dvs., 3D scanninger ville være '3'); -a: billede til segmenteres (i dette tilfælde skabelonen undersøgelsesspecifikke); -e: hjernen skabelon (ikke kraniet strippet; i dette tilfælde, den hentede skabelonen, der er blevet registreret til skabelonen undersøgelsesspecifikke); -m: downloadede hjernen udvinding maske (i dette tilfælde, den udpakkede hjernen fra den hentede skabelonen, der er blevet registreret til skabelonen undersøgelsesspecifikke); -p: priors angivet ved hjælp af c-stil formatering (f.eks. -p labelsPriors%02d.nii.gz).
         Bemærk: Kommandoen antager at de første fire priors er bestilt som følger: 1: CSF, 2: kortikale GM, 3: WM, og 4: subkortikale GM (i dette tilfælde, priors fra den hentede skabelonen, der er blevet registreret til den undersøgelse-specifik skabelon).
   8. Løb indeværende befale vil resultere i genererede priors for skabelonen, men de har brug for gulvafslibning før brug i Atropos segmentering. Kommandoen udglatning er en del af myrer software. Glat alle priors ved hjælp af kommandoen:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
   9. Inden du kører Atropos, Kør hjernen udtræk på alle indfødte plads scanninger. Undersøgelse-specifik skabelon kan bruges, og udvundet hjernen genereret fra kører antsCorticalThickness.sh på skabelonen (trin 6.2.1):
      antsBrainExtraction.sh -d 3 - en T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Indstillingerne i denne kommando er:
         -d: dimensioner; -a: anatomiske billede; -e: hjernen udvinding skabelon (dvs. skabelon lavet uden kranium stripping); -m: studere specifikke brainmask anvendes til hjernen udvinding; -o: output præfiks.
   10. Derefter køre Atropos:
       antsAtroposN4.sh -d 3 - en T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
       1. Indstillingerne i denne kommando er:
          -d = dimensioner; -a: anatomiske billede; -x: hjernen udvinding maske genereret fra hjernen udvinding; -c: antallet af væv klasser til segment; -o: output præfiks; -p: undersøgelsesspecifikke segmentering priors < segmentationPriors%d.nii.gz >
   11. Udføre visuelle QC på GM-regionen som beskrevet i afsnit 8.

7. segmentering via MALP-EM

1. At køre MALP-EM, lukke op en terminal rude, ændre mappen ind i MALP-EM installationsmappen og type:
   . / malpem-proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
2. Når kommandoen er blevet fuldført, kontrollere, at der er en outputmappe med væv klasser og regionale segmenter.
3. Udføre visuelle QC på GM som beskrevet i afsnit 8.

8. visuel kvalitetskontrol

Bemærk: Visuel kvalitetskontrol skal udføres på alle segmenterede regioner skal anvendes i analysen. Kvalitetskontrol sikrer, at segmenter er af høj standard og repræsenterer pålidelige segmentering af CGM. For at udføre kvalitetskontrol, hver scanning åbnes og overlejret på de oprindelige T1 til at sammenligne den genererede region at CGM synlige på scanningen.

1. SPM, FSL, myrer og MALP-EM segmenter
   1. Udfør visuel QC ved hjælp af FSLeyes:
      https://Users.fmrib.ox.ac.uk/~PaulMc/fsleyes_userdoc/
      Bemærk: FSLview (en ældre viewer) kan også bruges på samme måde.
   2. Åbn et terminalvindue og åbne T1 og regionerne GM overlejret på T1. For at gøre dette, skal du skrive:
      fsleyes T1.nii Region1.nii Region2.nii.
   3. Når FSLeyes åbnes, skal du bruge opacitet toggle på den øverste rude til at justere/reducere opaciteten og tillade visualisering af T1 billedet nedenunder regionen GM. Ændre farven på segmentering overlay via 'farve dropdown tab' i den øverste rude.
   4. Rul gennem hver skive i hjernen.
      Bemærk: Her er det gjort ved hjælp af den koronale udsigt, men brugerne skal bruge den opfattelse, at de har mest erfaring med.
   5. Kontroller hver skive for regioner med under - eller slut - estimation af regionen bliver inspiceret.
      Bemærk: Se afsnittet repræsentative resultater for eksempler på gode og dårlige segmenter.
2. FreeSurfer QC
   1. Peform visuelle QC med FreeView.
      Bemærk: Se dokumentationen her:
      https://surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
   2. Åbn et terminalvindue. For at se den volumetriske GM region overlejret på T1, lave om på bibliotek til emnet mappe og type:
      DVB-t./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
   3. Rul gennem hver skive i hjernen.
      Bemærk: Her er det gjort ved hjælp af den koronale udsigt, men brugerne skal bruge den opfattelse, at de har mest erfaring med.
   4. Kontroller hver skive for regioner med under - eller slut - estimation af regionen bliver inspiceret.
      Bemærk: Se afsnittet repræsentative resultater for eksempler på segmenter.

Representative Results

Gennemsnitlige hjernen diskenheder for 20 deltagere, kontrol, sammen med demografiske oplysninger, er vist i tabel 1. Dette fungerer som en guide for forventede værdier, når du bruger disse værktøjer. Resultaterne skal ses i sammenhæng med det oprindelige T1.nii billede. Alle GM regioner skal inspiceres efter de trin, der beskrives i afsnit 8. Når du udfører visuel QC, er det vigtigt at direkte sammenligne GM regioner til T1 scanningen ved at vise dem overlejret på T1.

Regioner bør forkastes af grove fejl, som vist i figur 1. Disse fejl medføre hvis behandlingen var kørt forkert, eller hvis hjernen var dårligt placeret inden for synsfeltet. For at rette disse fejl, de indfødte T1 scanninger kan blive stift igen justeret til standard plads og segmentering kan være igen forsøgt. Frekvens for fejl varierer afhængigt af kvaliteten af de data og værktøjer, der anvendes, samt klassificering af fiasko. I den aktuelle undersøgelse, fejlrater af samlede fejl resulterer i afvisning var < 5% for alle værktøjer, men mindre betydelig fejl var konsekvent set på tværs af en række værktøjer. FSL hurtigt SPM 8 nye Segment og FreeSurfer havde fejl (men ikke fejl) i > 50% af scanninger for denne kohorte. Denne fejlprocent var kvantificeres ved at undersøge notaterne fra den visuelle QC proces, med fejl medtages, hvis de blev set som en rimelig afvigelse fra de forventede regioner, som vist i tallene 2-6. Det er vigtigt at bemærke, at disse værktøjer er blevet valideret på andre datasæt og resultere i meget lavere fejl priser ^3,8. Mens disse fejl kunne eventuelt forbedres via manuel indgriben eller inddragelse af en maske på hjernen udvinding, da SPM nye Segment og MALP-EM resulterede i en lavere fejlprocent for dette datasæt, vil disse værktøjer blive brugt i stedet. Masker kan anvendes før behandling inden for myrer og MALP-EM, og efter behandling for SPM (alle versioner) og FSL første.

Flere småfejl er vist i tallene 2-6. Ved at teste forskellige segmentering værktøjer på et datasæt før ansøgningen til hele kohorten, kan det værktøj, der fungerer bedst på dette dataset vælges til analyse. Når du udfører QC, bør der udvikles en procedure til at vælge at afvise, redigere eller acceptere segmenter. Almindelige fejl set for de syv værktøjer er beskrevet her, med eksemplerne i tal 2-6. Fejl i segmentering som disse kan ofte rettes med tilføjelsen af en maske i forarbejdning stream eller redigere regioner. Regioner med omfattende over - eller under - estimation af cortex kan dog være nødvendigt at blive afvist fra analyse. Strenge kriterier bør udvikles og fulgt denne afgørelse. Disse trin er omfattet ikke af denne protokol og vil variere fra datasættet til datasættet.

Generelt, når du udfører visuel QC, det er vigtigt at lægge særlig vægt på tidsmæssige og occipital regioner, som er områder, der viser de mest konsekvent fejl. Figur 2 viser eksempler på gode og dårlige tidsmæssige segmenter, og figur 3 viser eksempler på gode og dårlige occipital segmenter. Figur 4 viser et andet fælles problem, der opstår i alle værktøjer, hvor ikke-hjernevæv er klassificeret som CGM i superior skiver af hjernen. Figur 5 viser et andet spørgsmål set i en række segmenter, hvor regioner af CGM er udelukket fra segmenteringen. Dette sker ofte i superior skiver af hjernen, som det ses i figur 5.

SPM8 Unified Segment resulterede almindeligt i dårlig tidsmæssige afgrænsning, med regionen segmenterede GM breder til ikke-hjernen væv omkring temporal fligerne. Spild i det occipital lobe er fælles, mens lav ansættelse af frontallapperne også ses i en række regioner. For SPM8 nyt segment var dårlig tidsmæssige afgrænsning og occipital spild også fælles. Ved hjælp af denne version af SPM resulterer også i voxels inden for kraniet og dura klassificeres som GM i næsten alle segmenter. SPM12 blev forbedret i forhold til tidligere versioner af SPM, med tindingelappen segmenter bedre og mindre spild i andre regioner. Myrer viste meget varierende ydeevne på denne kohorte, med den oprindelige hjernen udvinding bestemmelse af kvaliteten af segmentering. Det er vigtigt at lægge særlig vægt på de ydre grænser, og hvis hjernen udvinding er dårlig ved hjælp af myrer, så hjernen masken inkluderet i kommandoen Atropos kan blive forbedret. Problemer med overvurdering af GM i de tidsmæssige og occipital lapper blev igen fælles. MALP-EM viste færre problemer med overvurdering af de tidsmæssige og occipital lapper; selv om der var lav ansættelse af cortex i en række tilfælde. Dette kan forbedres ved inddragelse af en hjerne maske i rørledningen. FSL hurtigt segmenter var meget varierende, på grund af den variable ydeevne af BET hjernen udvinding på dataene fra denne kohorte. Igen, spørgsmål inden for occipital og tidsmæssige lapper var almindelige; disse kan imidlertid forbedres med optimering af hjernen udvinding. Endelig er FreeSurfer volumetriske regioner ofte stram langs GM/CSF grænse, typisk undtagen nogle regioner af GM i den ydre grænse (figur 6). Som med andre værktøjer, er spild uden for GM udbredt inden for de tidsmæssige og occipital lapper. Endelig, figur 7 viser et eksempel på en god segmentering, der vises i FSLview, der havde ingen fejl i segmentering. Manuel redigering af regionerne kan ofte udføres for at forbedre regioner, selv om dette ikke er dækket her.

Figur 1 : Eksempel på en mislykket segmentering vises på en T1 scanning. Denne segmentering bør re forarbejdet og udelukket fra analyse, hvis det ikke kan forbedres. Venligst klik her for at se en større version af dette tal.

Figur 2 : Eksempler på udførelsen af forskellige værktøjer på tindingelappen på en T1 scanning. (A) T1 scanning uden en segmentering. (B) T1 scanning med et eksempel på en god regional afgrænsning (MALP-EM). (C) T1 scanning med et eksempel på en god regional afgrænsning (FreeSurfer). (D) den T1 scanne med et eksempel på en dårlig regional afgrænsning, viser spild i venstre og højre frontal lapper (SPM 8 nye segmentet). (E) den T1 scanne med et eksempel på en dårlig regional afgrænsning, viser spild i venstre og højre frontal lapper (FSL hurtigt). Scanninger er set i FSLeyes med T1-scanning som et basisafbildningen og GM-regionen som en overlejring. I denne figur ses GM regioner som rød-gul med en opacitet af 0,4. Farveovergangen repræsenterer delvis volumen af voxels, med voxels, der er mere gule, at have en højere PVE skøn (mere tilbøjelige til at være GM) og dem, der er rød, har en lavere PVE skøn (mindre tilbøjelige til at være GM). Venligst klik her for at se en større version af dette tal.

Figur 3 : Eksempler på udførelsen af forskellige værktøjer på det occipital lobe på en T1 scanning. (A) T1 scanning uden en segmentering. (B) T1 scanning med et eksempel på en god regional afgrænsning (MALP-EM). (C) den T1 scanne med et eksempel på en dårlig occipital lobe afgrænsning med spild i dura i den mediale del af regionen (SPM 8 Unified Segment). (D) den T1 scanne med et eksempel på en dårlig occipital lobe afgrænsning med spild i dura i afsnittene mediale og overlegen i regionen (SPM 8 nye segmentet). (E) den T1 scanne med et eksempel på en dårlig occipital lobe afgrænsning med spild i dura i afsnittene mediale og overlegen i regionen (FSL hurtigt). Scanninger er set i FSLeyes med T1-scanning som en grundlæggende afbildning, og GM-regionen som en overlejring. I denne figur ses GM regioner som rød-gul med en opacitet af 0,4. Farveovergangen repræsenterer delvis volumen af voxels, med voxels, der er mere gule, at have en højere PVE skøn (mere tilbøjelige til at være GM) og dem, der er rød, har en lavere PVE skøn (mindre tilbøjelige til at være GM). Venligst klik her for at se en større version af dette tal.

Figur 4 : Eksempel på en GM region spildt i dura, vises i en FSLview vindue (i sagittal- og aksial, koronale udsigt). Regionen blå fremhæver spild i dura. Venligst klik her for at se en større version af dette tal.

Figur 5 : Eksempel på en GM-regionen, der har udelukket regioner af CGM fra segmentering. Denne region er vises i en FSLview vindue, sagittal- og aksial, koronale udsigt. Visningen aksial bedste viser de regioner, der er blevet udelukket fra segmentering. Venligst klik her for at se en større version af dette tal.

Figur 6 : Eksempel på en FreeSurfer GM-regionen, der er meget stramme langs GM/CSF grænse, vises i FreeView. Den koronale vindue i den øverste venstre bedste viser lav ansættelse i CGM i denne region. Venligst klik her for at se en større version af dette tal.

Figur 7 : Eksempel på et godt afgrænsede MALP-EM region på en T1 hjernescanning. Regionen viser ingen problemer med over - eller under - estimation af CGM i nogen region. Venligst klik her for at se en større version af dette tal.

Tabel 1: Demografiske oplysninger og gennemsnitlige GM diskenheder (mL) til 20 kontrol deltagere fra TRACK-HD-studiet, segmenteres ved hjælp af de syv værktøjer, der beskrives her.

Discussion

For nylig, forskning har vist, at brugen af forskellige volumetriske metoder kan have vigtige konsekvenser for neuroimaging undersøgelser^1,2. Publishing protokoller, der hjælpe med at guide nybegyndere i hvordan man kan anvende forskellige neuroimaging værktøjer, samt hvordan du kan udføre QC på resultater output af disse værktøjer, kan forskere vælge den bedste metode til at anvende deres DataSet.

Mens de fleste trin i denne SOP kan justeres så de passer til kravene til data og forsker, en af de mest kritiske processer præsenteres her er de trin, der beskriver detaljeret visuel kvalitetskontrol. Visuelle QC bør udføres på alle segmenter output af disse værktøjer og er afgørende for nøjagtig måling af CGM. QC skridt til at sikre høj kvalitet segmenter er blevet udviklet efter en gennemgang af tusindvis af CGM regioner. Ved at sammenligne forskellige værktøjer via visuel undersøgelse, findes den mest nøjagtige metode for hvert datasæt.

For hvert værktøj er der forskellige muligheder, der kan bruges til at optimere segmentering på hvert datasæt. Det er ofte at foretrække at justere alle scanninger til native plads før segmentering, da dette kan reducere fejl i segmentering; Dette er dog ikke nødvendigt. Desuden afviger regionerne output af hvert værktøj med nogle herunder kun kortikale GM og nogle herunder også subkortikale områder. Desuden, nogle regioner output delvis volumen skøn (PVE) og nogle output diskrete væv kort. Mens volumen ekstraktion ikke er omfattet her, og diskussion af forskellen mellem PVE og diskrete væv maps er uden for rammerne af denne standard operating procedure (SOP), er PVE maps generelt accepteret som en mere pålidelig foranstaltning¹². Denne SOP indeholder oplysninger om behandling anvendes i Johnson et al. (2017) ² at segment og QC scanninger; dog kan der være mere passende valg for andre brugere afhængigt af kvaliteten af deres billeder, og yderligere forarbejdning såsom anvendelse af masker til at begrænse regioner til kortikale GM kan være påkrævet. Alle segmenter kan udføres i native plads.

Denne protokol giver eksempel rørledninger for syv forskellige metoder, der kan bruges til at segmentere CGM fra T1 Mr-scanninger. Disse eksempler følger i vid udstrækning standard rørledningerne, der anbefales for hver software, og det er vigtigt at bemærke, at yderligere optimering af disse rørledninger kan være nødvendige for den vellykkede segmentering af en region på forskellige scanninger. Nogle værktøjer, såsom MALP-EM, har begrænsede muligheder og er sandsynligvis bedre for brugere som er nye til neuroimaging. Andre værktøjer, herunder myrer, kan gennemgå detaljerede optimering, og protokollen præsenteres her repræsenterer en eventuel anvendelse af denne software. Ekstra muligheder, såsom brugen af masker til at begrænse beregning af rumfang er også muligt for de fleste værktøjer.

Det er vigtigt at bemærke, at ikke alle værktøjer kan bruges på ethvert operativsystem. SPM og myrer er kompatibel med Windows, Mac og Linux-systemer, FSL er kompatibel med Mac og Linux-systemer, og MALP-EM og FreeSurfer er kompatibel med Linux-systemer (eller en Linux virtuel maskine, der kører på en Windows/Mac PC).

Denne protokol dækker de trin, der kan bruges til at udføre segmentering og kvalitetskontrol (QC) på 3D T1-vægtet Mr-scanninger til at generere CGM regioner. Dog forudsætter protokollens, at billeder er 3D T1 billederne i NifTI format (.nii extension). I analysen udføres af Johnson et al. ², billederne var allerede bias-korrigeret ved hjælp af N3 procedure¹³. Denne protokol forudsætter også, at softwaren er downloadet og installeret på en linux maskine som pr vejledningen fra hvert værktøj. Softwaren i forhold her omfatter SPM8¹⁴, SPM12, FSL¹⁵, FreeSurfer^16,17, myrer¹⁸og MALP-EM¹⁹.

Denne SOP dækker en række segmentering teknikker; men der er andre muligheder for segmentering strukturelle T1 scanninger. Disse metoder var udvalgt til tidligere sammenligning af Johnson et al. ² baseret på deres hyppighed af brug inden for Huntingtons chorea-forskning. Men hvert værktøj udfører forskelligt i hvert datasæt og segmentering værktøjer ikke dækket her kan være relevant for andre grupper, datasæt og forskning.

Disse værktøjer er meget udbredt inden for neuroradiologisk forskning. Softwareopdateringer er lavet til disse værktøjer, er det sandsynligt, at produktionen af hver segmentering metode vil undergå betydelige ændringer over tid. Imidlertid bør vægt forblive på processen med visuelle QC til at sikre, at høj kvalitet segmenter anvendes i neuroimaging undersøgelser.