Neuroscience

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Published: January 7, 2019 doi: 10.3791/58198

Eileanoir B. Johnson¹, Rachael I. Scahill¹, Sarah J. Tabrizi¹

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

Summary

Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.

Abstract

Innerhalb von Neuroimaging Forschung haben eine Reihe von Studien die Auswirkungen unterschiedlicher zwischen Studie volumetrische Befunde diskutiert, die gedacht werden, um die aus der Nutzung der verschiedenen Segmentierungstools Gehirn Volumen erzeugen ergeben. Hier präsentieren wir Verarbeitung Pipelines für sieben automatisierte Tools, die zur Segmentierung der grauen Substanz im Gehirn verwendet werden können. Das Protokoll sieht einen ersten Schritt für die Forscher mit dem Ziel, die genaueste Methode zur Erzeugung von Volumen der grauen Substanz aus T1-gewichteten MRT-Aufnahmen zu finden. Auch das Manuskript gehören Schritte, detaillierte visuelle Qualitätskontrolle durchzuführen. Dieses Protokoll umfasst eine Reihe von potenziellen Segmentierungstools und regt Benutzer um die Leistung dieser Werkzeuge in einer Teilmenge der Daten vor der Auswahl einer für eine volle Kohorte gelten. Darüber hinaus kann das Protokoll weiter auf die Segmentierung von anderen Hirnregionen verallgemeinert werden.

Introduction

Neuroimaging ist weit verbreitet in den beiden klinischen und Forschung Einstellungen. Es gibt eine aktuelle Bewegung um die Reproduzierbarkeit der Studien zu verbessern, das Hirnvolumen von Magnetresonanz-Bildgebung (MRI) Scans zu quantifizieren; Daher ist es wichtig, dass Ermittler Erfahrungen mit MRI Werkzeuge teilen für MRI-Scans in regionalen Bände, Segmentierung, um die Standardisierung und Optimierung der Methoden¹zu verbessern. Dieses Protokoll enthält eine schrittweise Anleitung zur Verwendung von sieben verschiedene Werkzeuge zur Segmentierung der kortikalen grauen Substanz (CGM, graue Substanz die subkortikale Regionen ausschließt) von T1-gewichteten MRT-Untersuchungen. Diese Werkzeuge wurden früher in einem methodischen Vergleich der Segmentierung Methoden², die Variable Leistung zwischen Tools auf eine Chorea Huntington-Kohorte unter Beweis gestellt. Da diese Werkzeuge variieren zwischen den verschiedenen Datensätzen gedacht wird, ist es wichtig für die Forscher eine Reihe von Tools zu testen, bevor die Auswahl nur einer ihrer Dataset zuweisen.

Volumen der grauen Substanz (GM) dient regelmäßig als ein gewisses Maß an Gehirn Morphologie. Volumetrische Maßnahmen sind in der Regel zuverlässig und in der Lage, zwischen gesunden Kontrollpersonen und klinischen Gruppen³unterscheiden. Das Volumen der verschiedenen Gewebetypen von Hirnregionen wird in den meisten Fällen anhand automatisierte Software-Tools, die diese Gewebetypen zu identifizieren. Deshalb erstellen Sie qualitativ hochwertige Darstellungen (Segmentierungen) von der GM, genaue Abgrenzung der weißen Substanz (WM) und Liquor cerebrospinalis (CSF) kritische Genauigkeit der GM-Region zu erreichen. Es gibt eine Reihe von automatisierten Tools, die für die Durchführung von GM Segmentierung verwendet werden kann, und jeder erfordert verschiedene Verarbeitungsschritte und führt zu einen anderen Ausgang. Eine Reihe von Studien angewendet haben die Werkzeuge auf verschiedene Datasets, sie miteinander zu vergleichen und einige haben spezielle Werkzeuge¹^,⁴^,⁵^,⁶^,⁷^,^{8 optimiert} ^,⁹^,¹⁰^,¹¹. Bisherigen Arbeit hat gezeigt, dass die Variabilität zwischen volumetrische Tools kann Inkonsistenzen innerhalb der Literatur führen, wenn Hirnvolumen studieren, und diese Unterschiede als treibende Faktoren für falsche Schlussfolgerungen über vorgeschlagen worden neurologischen Erkrankungen¹.

Vor kurzem erfolgte ein Vergleich der verschiedenen Segmentierungstools in einer Kohorte, die gesunden Teilnehmerinnen und Teilnehmer mit Chorea Huntington enthalten. Huntington-Krankheit ist eine genetische Neurodegenerative Erkrankung mit einem typischen Ausbruch im Erwachsenenalter. Allmähliche Atrophie der subkortikalen und CGM ist eine prominente und gut untersuchte neuropathologische Merkmal der Erkrankung. Die Ergebnisse zeigten Variable Leistung von sieben Segmentierungstools, die angewendet wurden, der Kohorte, Unterstützung von Vorarbeiten, die Variabilität der Ergebnisse abhängig von der Software zur Berechnung der Gehirn-Bände von MRT-Untersuchungen nachgewiesen. Dieses Protokoll enthält Informationen über die Verarbeitung in Johnson Et al. (2017) ² , die sorgfältige methodische Auswahl der am besten geeignete Werkzeuge für den Einsatz in Neuroimaging fördert. Dieses Handbuch umfasst die Segmentierung von GM Volumen, nicht aber die Segmentierung der Läsionen, wie bei Multipler Sklerose.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Hinweis: Sicherstellen Sie, dass alle Bilder im NifTI-Format. Umstellung auf NifTI wird hier nicht behandelt.

1. Segmentierung über SPM 8: Unified Segment

Hinweis: Dieser Vorgang erfolgt über die SPM8-GUI betreibt in Matlab. Das SPM8-Handbuch enthält weitere Details und finden Sie unter: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

Stellen Sie sicher, dass SPM8 in der Software-Pfad installiert ist.
SPM Segmentierung erfolgt über eine grafische Benutzeroberfläche. Um SPM zu öffnen, öffnen Sie ein Befehlsfenster, und geben Sie ein "Spm" in der Befehlszeile.
Drücken Sie "PET & VBM", die strukturellen MRT-Toolbox zu öffnen.
Drücken Sie "Batch" zu den Batch-Editor zu öffnen. Dies ermöglicht Aufteilung auf mehrere Scans zu einem Zeitpunkt durchgeführt werden.
Wählen Sie "SPM | Räumliche | Segment ".
Klicken Sie auf "Daten | Wählen Sie Dateien. Wählen Sie die T1-gewichteten Scans als Eingabe.
Hinweis: Die Dateien müssen entpackt NifTi-Dateien mit der Endung ".nii" wird.
Klicken Sie auf "Ausgabe-Dateien | Grey Matter "und sorgen dafür, dass"Native Space"ausgewählt ist, machen Sie dasselbe für die weiße Substanz. Wenn die CSF-Segmentierung nicht erforderlich ist, lassen dieses als 'None'.
Wenn die Scans bereits Verzerrungen korrigiert wurden, ändern Sie die "Bias korrigiert" Option "Don't speichern korrigiert". Testen Sie für die "Clean up keine Partitionen" Option die drei verschiedenen Optionen zu und verwenden Sie visuelle Qualitätskontrolle (QC, Abschnitt 8), um festzustellen, welche am besten für die Daten.
Lassen Sie die anderen Einstellungen als Standardwerte. Klicken Sie auf die grüne Fahne der Segmentierung ausführen.
Hinweis: Dieser Vorgang dauert ca. 5 Minuten pro Teilnehmer und die Befehlszeile wird sagen: "Running-Segment". Wenn Sie fertig sind, wird das Befehlsfenster "Done" angezeigt.
Führen Sie visuelle QC auf die GM (C1*.nii Datei), wie in Kapitel 8 beschrieben.

2. Segmentierung über SPM 8: neues Segment

Hinweis: Dieser Vorgang wird über die SPM8-GUI durchgeführt. Das SPM8-Handbuch enthält weitere Details und finden Sie unter: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Stellen Sie sicher, dass SPM8 in der Software-Pfad installiert ist. Öffnen Sie die SPM-Software, normalerweise durchgeführt, indem Sie "Spm" in einer Befehlszeile eingeben. Daraufhin wird eine grafische Benutzeroberfläche (GUI) Fenster mit einer Reihe von Optionen, die ausgewählt werden können, um Analysen durchzuführen.

Drücken Sie "PET & VBM".
Drücken Sie "Batch" zu den Batch-Editor zu öffnen.
Wählen Sie "SPM | Werkzeuge | Neues Segment "im Fenster" Stapel ". Wählen Sie die T1-Image-Dateien (Endung ".nii").
Legen Sie "Nativen Gewebe Typ" auf "Native Raum". Bei Bedarf schalten Sie die verschiedenen Gewebe Klassen (z. B. CSF) - wenn nicht benötigt wird-indem sie auf 'None'. "Verzerrte Gewebe' auf 'None' gesetzt.
Hinweis: Alle anderen Optionen können als die Standardeinstellung belassen werden.
Klicken Sie auf die grüne Fahne, um die Segmentierung zu laufen.
Hinweis: Die Befehlszeile wird sagen: "Neues Segment läuft". Einmal hat es fertig, läuft der MATLAB Befehlszeile wird sagen, "getan neues Segment".
Führen Sie visuelle QC auf die GM (C1*.nii Datei), wie in Kapitel 8 beschrieben.

3. Segmentierung über SPM 12: Segment

Hinweis: Dieses Verfahren ist erfolgt über die SPM12 GUI. Das SPM12-Handbuch enthält weitere Details und finden Sie unter: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

Öffnen Sie die SPM-Software "Spm" in das Befehlsfenster eingeben. Daraufhin wird eine grafische Benutzeroberfläche (GUI) Fenster mit einer Reihe von Optionen, die ausgewählt werden können, um Analysen durchzuführen.
Drücken Sie "PET & VBM". Drücken Sie "Batch" zu den Batch-Editor zu öffnen.
Klicken Sie auf "SPM | Räumliche | Segment ". Klicken Sie auf "Daten | Bände.
Legen Sie "Nativen Gewebe Typ" auf "Native Raum". Schalten Sie die Gewebe-Klassen, die nicht (z. B. CSF) erforderlich sind, indem sie auf 'None'. "Verzerrte Gewebe' auf 'None' gesetzt.
Hinweis: Alle anderen Optionen können als Standardeinstellung belassen werden.
Klicken Sie auf die grüne Fahne, um die Segmentierung zu laufen.
Hinweis: Das Befehlsfenster wird angezeigt: "Running-Segment". Sobald das abgeschlossen ist, wird angezeigt: "Segment getan".
Führen Sie visuelle QC auf die GM (C1*.nii Datei), wie in Kapitel 8 beschrieben.

(4) Segmentierung über FSL schnell

Hinweis: Dieses Verfahren kann in der Befehlszeile ausgeführt. Das FSL-Handbuch enthält weitere Details und finden Sie unter: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

Führen Sie Wette Gehirn Extraktion. Dies kann für verschiedene Datasets optimiert werden müssen, aber der basic-Befehl ist:
T1_ID.nii bet_T1_ID.nii Wette
FSL schnell Segmentierung ausführen:
schnelle bet_T1_ID.nii
Hinweis: Dies wird Teilvolumen Karten und binäre Regionen für GM-CSF und WM. Ausgabe
Führen Sie visual QC auf der GM-Region (die Dateiendung * _pve_1.nii.gz) wie in Abschnitt 8 beschrieben.

(5) Segmentierung über FreeSurfer

Hinweis: Dieses Verfahren kann in der Befehlszeile ausgeführt. Das FreeSurfer-Handbuch enthält weitere Details und finden Sie unter: https://surfer.nmr.mgh.harvard.edu/.

Legen Sie das Verzeichnis, wo sind die Daten durch Eingabe:
SUBJECTS_DIR = / Pfad/zu/Nii/Exportdateien
Führen Sie die Segmentierung durch Ausführen der Befehle aus:
Recon-All - i T1_ID.nii - Subjid T1_ID-autorecon1-cw256
Recon-All - Subjid T1_ID-autorecon2-autorecon3
Hinweis: Die Befehle nehmen > 10 h pro Teilnehmer. Die - cw256 Flagge notwendig ist, um Scans mit Gesichtsfelder größer als 256 bis zu dieser Größe für die Verarbeitung zu beschneiden.
Überprüfen Sie, dass Verarbeitung korrekt abgeschlossen wurde, indem man das Skript befindet sich in der "Ausgabe-Ordner | Scripte | Recon-All.log ". Überprüfen Sie, dass die letzte Zeile sagt "Recon-All - s T1_ID fehlerfrei fertig".
Führen Sie visuelle QC auf der GM-Region wie in Kapitel 8 beschrieben.

6. Segmentierung über Ameisen

Hinweis: Dieses Verfahren kann in der Befehlszeile ausgeführt. ANTs ist, dass eine komplexere Software als die anderen Tools und es sollte angemerkt werden, dass das Verfahren hier erklärt weiter für jede Altersgruppe zur Verbesserung der Ergebnisse optimiert werden könnte. Ameisen-Dokumentation finden Sie unter: http://stnava.github.io/ANTsDoc/. Es gibt zwei Möglichkeiten, die Bilder in Gewebe-Klassen wie unten beschrieben zu segmentieren.

Um die erste Methode zu verwenden, führen Sie den Befehl "antsAtropos.sh" mit den Standardeinstellungen und ohne einschließlich Gewebe Prioren.
Hinweis: Dies tritt oft gut vor allem wenn nur 3 Gewebe Klassen erforderlich sind: GM, WM, andere.
1. Legen Sie den Pfad zu Ameisen Software, indem Sie den Befehl eingeben:
  Export ANTSPATH = / Pfad/zu/Ameisen/bin /
2. Führen Sie die Segmentierung Pipeline durch Eingabe des Befehls:
  antsAtroposN4.sh -d < Image_dimension > - < t1.nii.gz > -c < Anzahl der Gewebe Klassen > -o < Ausgabe >
  1. Optionale Argumente für diesen Befehl sind:
    Gehirn-Maske: - X < mask.nii.gz >;
    Gewebe-Prioren: -p < segmentationPriors%d.nii.gz >.
3. Dies erstellt einen Ordner mit der Ausgabe einschließlich Teilvolumen Karten und einem extrahierten Gehirn. Führen Sie visuelle QC auf der GM-Region wie in Kapitel 8 beschrieben.
Um mehr Gewebe-Klassen zu generieren (subkortikale GM, GM, WM, CSF, Sonstiges, etc.) oder die Segmentierung auf einer Kohorte zeigen neuronale Pathologie durchführen, verwenden Sie bestimmte Gewebe Prioren. Gewebe Prioren von verschiedenen Webseiten herunterladen. Alternativ können Sie eine studienspezifischen Vorlage Prioren machen - das ist sehr viel komplexer ist nützlich, vor allem in Kohorten mit pathologischen Gehirnveränderungen.
1. Zum Erstellen einer studienspezifischen Vorlage/Prioren zuerst erstellen Sie eine studienspezifischen Vorlage:
  antsMultivariateTemplateConstruction.sh -d < Image_dimension > -o Vorlage < andere Optionen >< images.nii.gz >
  1. Optionale Argumente für diesen Befehl sind:
    -c: Control für paralleles rechnen.
    Wenn im Serieneinsatz, eine 0 ausgeführt; -j: Anzahl der Kerne; -r: registrieren Starrkörper Eingänge vor dem Erstellen der Vorlage (Default 0)--0 aus 1 == == auf. Dies ist nur sinnvoll, wenn eine erste Vorlage nicht verfügbar ist.
2. Ein Brainmask und Prioren von der Ameisen-Website herunterladen.
  Hinweis: Diese Maske müssen bearbeitet werden, um sicherzustellen, dass es eine gute Annäherung an die Vorlage Gehirn ist. Die Brainmask ist eines der wichtigsten Teile der Pipeline; Wenn es schlecht ist, wird Gehirn Extraktion/Atropos schlecht ausgeführt. Die Download-Optionen gehören:
  https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
  Die heruntergeladene Vorlage sollte dann an der Studie Vorlage registriert werden.
3. Berechnen Sie die Registrierung, die eine Reihe von Verwerfungen ausgegeben werden, die dann auf die heruntergeladene Vorlage zu studienspezifischen Vorlage Raum transformieren angewendet werden können. Um die Registrierung zu berechnen, verwenden Sie den Befehl:
  antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o Downloaded_to_template - n 6
  1. Die Optionen in diesem Befehl sind:
    -d: dimension (d. h. 3D-Scans wäre '3'); -f: Standbild (d. h. der Raum wo die Bilder brauchen, um am Ende); -m: Bewegtbild (d. h., das Bild, das verschoben werden muss); -o: Ausgabenamen (keine Verlängerung erforderlich); -n: Anzahl der Threads.
4. Die Registrierung auf die Daten anwenden:
  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. Die Optionen in diesem Befehl sind:
    -d: dimension (d. h. 3D-Scans wäre '3'); -i: Eingangsbild (d. h., das Bild, das verschoben werden muss); -r: Referenzbild (d. h. das Referenzbild definiert Abstand, Herkunft, Größe und Richtung des verzerrten Ausgabebildes); -o output Name, dies ist die heruntergeladene Vorlage im Bereich studienspezifischen Vorlage (Erweiterung benötigt in diesem Fall); -t Transform Dateiname der Ausgabe-Datei aus der Registrierung-Berechnung.
5. Visuell überprüfen Sie die Registrierung für die Korrespondenz zwischen der studienspezifischen Vorlage und heruntergeladene Vorlage (dies zu tun, öffnen Sie die studienspezifischen Vorlage auf die heruntergeladene Vorlage).
6. Wenn die Registrierung funktioniert hat, gelten die Transformation für die heruntergeladenen Prioren und Vorlage Gehirn, Wiederholung von Schritt 6.2.5 extrahiert.
  Hinweis: Nach diesen Schritten werden studienspezifische Vorlage, eine heruntergeladene Vorlage ausgerichtet mit der studienspezifischen Vorlage, zusammen mit einer heruntergeladenen Gehirn-Extraktion-Maske und Gewebe Prioren auch mit der studienspezifischen Vorlage ausgerichtet.
7. Führen Sie die Studie bestimmte Vorlage durch antsCorticalThickness.sh; Dies bietet GM, WM und CSF Regionen, die für studienspezifische Prioren verwendet werden können:
  antsCorticalThickness.sh -d 3-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. Die Optionen in diesem Befehl sind:
    -d: dimension (d. h. 3D-Scans wäre '3'); -a: Bild (in diesem Fall die studienspezifischen Vorlage) segmentiert werden; -e: Gehirn Vorlage (nicht Schädel abgestreift; in diesem Fall die heruntergeladene Vorlage, die an der studienspezifischen Vorlage registriert wurde); -m: heruntergeladene Gehirn Extraktion Maske (in diesem Fall, die extrahierten Gehirn aus der heruntergeladenen Vorlage, die an der studienspezifischen Vorlage registriert wurde); -p: Prioren mit c-Format Formatierung (z. B. -p labelsPriors%02d.nii.gz) angegeben.
    Hinweis: Der Befehl wird davon ausgegangen, dass die ersten vier Prioren wie folgt bestellt werden: 1: CSF, 2: kortikale GM, 3: WM, und 4: subkortikale GM (in diesem Fall die Prioren aus der heruntergeladenen Vorlage, die an der studienspezifischen Vorlage registriert wurden).
8. Das Ausführen dieses Befehls führt zu generierten Prioren für die Vorlage, aber sie brauchen vor der Verwendung in Atropos Segmentierung Glättung. Die Glättung Befehl ist Teil der Ameisen-Software. Glätten Sie alle Prioren mit dem Befehl:
  SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
9. Vor dem Ausführen von Atropos, laufen Sie Gehirn Extraktion auf alle heimischen Raum Scans. Die studienspezifischen Vorlage kann verwendet werden, und extrahiert Gehirn erzeugt aus antsCorticalThickness.sh, die auf der Vorlage (Schritt 6.2.1):
  antsBrainExtraction.sh -d 3-T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
  1. Die Optionen in diesem Befehl sind:
    -d: Dimensionen; -a: anatomische Bild; -e: Gehirn Extraktionsvorlage (d. h. ohne Schädel Abisolieren erstellt); -m: studieren spezifische Brainmask zur Entnahme des Gehirns; -o: Output Präfix.
10. Führen Sie Atropos:
  antsAtroposN4.sh -d 3 - ein T1.nii.gz - X T1_brain.nii.gz -c 3 -o Atropos_specific_template
  1. Die Optionen in diesem Befehl sind:
    -d = Dimensionen; -a: anatomische Bild; -x: Gehirn Extraktion Maske generiert aus der Gehirn-Extraktion; -c: Anzahl der Gewebe-Klassen zur Segmentierung; -o: Output Präfix; -p: studienspezifischen Segmentierung Prioren < segmentationPriors%d.nii.gz >
11. Führen Sie visuelle QC auf der GM-Region wie in Kapitel 8 beschrieben.

(7) Segmentierung über MALP-EM

MALP-EM laufen, ein terminal-Fenster öffnen, ändern Sie das Verzeichnis in das Installationsverzeichnis MALP-EM und tippe:
. / Malpem-Proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3 t -t 6 - c
Nachdem der Befehl abgeschlossen ist, überprüfen Sie, ob ein Ausgabeordner mit Gewebe-Klassen und regionalen Segmentierungen.
Führen Sie visuelle QC auf der GM wie in Kapitel 8 beschrieben.

8. optische Qualitätskontrolle

Hinweis: Visuelle Qualitätskontrolle sollte auf alle segmentierten Regionen für die Analyse durchgeführt werden. Qualitätskontrolle sorgt dafür, dass die Segmentierungen von hohem Standard sind und zuverlässige Segmentierung der CGM stellen. Um Qualitätskontrolle durchzuführen, wird jeder Scan geöffnet und überlagert, die ursprünglichen T1, die generierten Region der CGM sichtbar auf dem Scan zu vergleichen.

SPM, FSL, Ameisen und MALP-EM Segmentierungen
1. Führen Sie visual QC mit FSLeyes:
  https://Users.fmrib.Ox.AC.UK/~paulmc/fsleyes_userdoc/
  Hinweis: FSLview (eine ältere Zuschauer) kann auch auf die gleiche Weise verwendet werden.
2. Öffnen Sie ein terminal-Fenster und öffnen Sie die T1 und die GM-Regionen überlagert, die T1. Um dies zu tun, geben Sie Folgendes ein:
  Fsleyes T1.nii Region1.nii Region2.nii.
3. Sobald FSLeyes geöffnet wird, verwenden Sie die Deckkraft Schalter im oberen Bereich anpassen/verringern Sie die Deckkraft und Visualisierung von T1-Bild unter der GM-Region. Ändern Sie die Farbe der Segmentierung Überlagerung über "Farbe Dropdown-Tab" im oberen Bereich.
4. Blättern Sie durch jedes Slice im Gehirn.
  Hinweis: Hier erfolgt dies mit der koronale Ansicht, aber Benutzer die Ansicht, dass sie die meisten Erfahrungen mit verwenden sollte.
5. Überprüfen Sie jedes Slice für Regionen der unter - oder over - estimation der untersuchten Region.
  Hinweis: Die repräsentative Ergebnisse im Abschnitt Beispiele für gute und schlechte Segmentierungen.
FreeSurfer QC
1. Peform visuelle QC mit DVB-t.
  Hinweis: Lesen Sie die Dokumentation hier:
  https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
2. Öffnen Sie ein terminal-Fenster. Um die volumetrische GM Region überlagert, die T1 anzuzeigen, ändern Sie Verzeichnis zum Thema Ordner und Typ:
  DVB-t./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
3. Blättern Sie durch jedes Slice im Gehirn.
  Hinweis: Hier erfolgt dies mit der koronale Ansicht, aber Benutzer die Ansicht, dass sie die meisten Erfahrungen mit verwenden sollte.
4. Überprüfen Sie jedes Slice für Regionen der unter - oder over - estimation der untersuchten Region.
  Hinweis: Siehe Abschnitt repräsentative Ergebnisse für Beispiele für die Segmentierungen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Durchschnittliches Gehirn Volumen für 20 Kontrolle Teilnehmer zusammen mit demografischen Daten, ist in Tabelle 1dargestellt. Dies dient als Leitfaden für die erwarteten Werte bei der Verwendung dieser Tools. Ergebnisse sollten im Zusammenhang mit dem Originalbild T1.nii betrachtet werden. Alle GM-Regionen sollte gemäß den in Abschnitt 8 beschriebenen Schritten überprüft werden. Wenn Sie visuelle QC durchführen, ist es wichtig, GM-Regionen zu den T1-Scan direkt zu vergleichen, indem Sie anzeigen sie überlagert, die T1.

Regionen sollten für grobe Fehler abgelehnt werden, wie in Abbildung 1dargestellt. Manchmal führen diese Fehler Verarbeitung nicht ordnungsgemäß ausgeführt wurde, ob das Gehirn in das Sichtfeld schlecht positioniert war. Um diesen Fehler zu korrigieren, können die native T1-Scans starr neu ausgerichtet, Standardraum und Segmentierung kann wieder versucht werden. Die Rate der Ausfälle variieren je nach Qualität der Daten und Werkzeuge, sowie die Klassifizierung des Scheiterns. In der aktuellen Studie Ausfallraten von Totalausfälle Ablehnung wiederum waren < 5 % für alle Werkzeuge, aber weniger bedeutenden Fehler waren durchweg über eine Reihe von Tools gesehen. FSL schnell, SPM 8 neues Segment und FreeSurfer hatte Fehler (aber keine Ausfälle) in > 50 % der Scans für diese Kohorte. Diese Fehlerquote wurde anhand der Notizen während den Sehprozess QC mit Fehler enthalten, wenn sie als eine vernünftige Abkehr von den erwarteten Regionen galten, wie in Abbildung 2-6quantifiziert. Es ist wichtig zu beachten, dass diese Tools auf andere Datasets und führen zu viel niedrigeren Fehler Raten ³^,⁸validiert worden sind. Während diese Fehler eventuell könnte durch manuelle Eingriffe oder die Aufnahme einer Maske im Gehirn-Extraktion, verbessert werden da SPM neues Segment und MALP-EM führte zu einer geringeren Fehlerquote für dieses Dataset, würde diese Werkzeuge stattdessen verwendet werden. Masken können vor der Verarbeitung innerhalb von Ameisen und MALP-EM, und nach der Verarbeitung für SPM (alle Versionen) und FSL erste angewendet werden.

Weitere kleinere Fehler sind in den Figuren 2-6gezeigt. Durch verschiedene Segmentierung Testtools für ein Dataset vor Anwendung auf die ganze Kohorte, kann das Tool, das beste für dieses Dataset führt zur Analyse ausgewählt werden. Bei QC, sollte ein Verfahren entwickelt werden, für die Wahl abzulehnen, zu bearbeiten oder zu akzeptieren Segmentierungen. Häufige Fehler gesehen für die sieben Tools werden hier mit Beispielen dargestellt in Abbildung 2-6beschrieben. Fehler bei der Segmentierung wie diese können oft mit dem Zusatz einer Maske in der Verarbeitung-Stream oder Bearbeitung der Regionen korrigiert werden. Regionen mit umfangreichen über - oder unter - estimation des Kortex müssen jedoch von der Analyse abgelehnt werden. Strenge Kriterien sollten entwickelt und verfolgt bei dieser Entscheidung. Diese Schritte werden in diesem Protokoll nicht abgedeckt und variiert von Dataset-Dataset.

Im Allgemeinen ist bei der visuellen QC es wichtig, besonderes Augenmerk auf zeitliche und okzipitalen Regionen, da diese Bereiche sind, die die konsequenteste Fehler zeigen. Abbildung 2 zeigt Beispiele für gute und schlechte zeitliche Segmentierungen und Abbildung 3 zeigt Beispiele für gute und schlechte okzipitalen Segmentierungen. Abbildung 4 zeigt ein weiteres häufiges Problem, das auftritt, in allen Tools, in denen nicht Hirngewebe als CGM in überlegene Scheiben des Gehirns eingestuft wird. Abbildung 5 zeigt ein weiteres Problem gesehen in einer Reihe von Segmentierungen, wo Regionen der CGM die Segmentierung ausgeschlossen sind. Dies geschieht häufig in überlegene Scheiben des Gehirns, wie in Abbildung 5zu sehen.

SPM8 Unified Segment führte häufig schlechte zeitliche Abgrenzung mit der segmentierten GM Region Verschütten in nicht-Hirngewebe Umgebung den Temporallappen. Auslaufen in der Occipital Vorsprung ist weit verbreitet, während Unterschätzung der Frontallappen in einigen Regionen auch gesehen. Für SPM8 neues Segment waren schlechte zeitliche Abgrenzung und okzipitalen verschütten auch üblich. Mit dieser Version von SPM führt auch Voxel innerhalb des Schädels und Dura als GM in fast allen Segmentierungen eingestuft. SPM12 war im Vergleich zu früheren Versionen von SPM, mit der Temporallappen Segmentierungen verbesserte und weniger Verschütten in anderen Regionen verbessert. Ameisen zeigte sehr variabel Leistung auf dieser Kohorte mit der ursprünglichen Gehirn Extraktion bestimmt die Qualität der Segmentierung. Es ist wichtig, besonderes Augenmerk auf die äußeren Grenzen, und wenn Gehirn Extraktion mit Ameisen schlecht ist, dann die Gehirn-Maske enthalten im Atropos Befehl verbessert werden kann. Probleme mit der Überbewertung des GM in der zeitlichen und occipital Vorsprung waren wieder üblich. MALP-EM zeigte weniger Probleme mit der Überbewertung der zeitlichen und occipital Lappen; Zwar gab es Unterschätzung des Kortex in einer Reihe von Fällen. Dies kann durch Aufnahme einer Gehirn-Maske in der Pipeline verbessert werden. FSL schnell Segmentierungen waren sehr variabel, durch die Variable Leistung von BET Gehirn Extraktion der Daten aus dieser Kohorte. Wiederum waren Themen im okzipitalen und Schläfenlappen üblich; Diese können jedoch mit Optimierung des Gehirns Extraktion verbessert werden. Zu guter Letzt sind FreeSurfer volumetrische Regionen oft dicht entlang der GM/CSF-Grenze, in der Regel mit Ausnahme einiger Regionen von GM in die äußere Begrenzung (Abbildung 6). Wie bei anderen Tools herrscht verschütten außerhalb der GM innerhalb der zeitlichen und occipital Vorsprung. Zu guter Letzt zeigt Abbildung 7 ein Beispiel für eine gute Segmentierung in FSLview, die keine Fehler bei der Segmentierung angezeigt. Manuelle Bearbeitung der Regionen kann oft zur Verbesserung der Regionen durchgeführt werden, obwohl dies hier nicht abgedeckt ist.

Abbildung 1 : Beispiel für eine fehlgeschlagene Segmentierung auf einen T1-Scan angezeigt. Diese Segmentierung sollte neu verarbeitet und aus der Analyse ausgeschlossen, wenn es nicht verbessert werden kann. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 2 : Beispiele für die Leistungsfähigkeit der verschiedenen Tools im Temporallappen auf einem T1 Scan. (A) die T1-Scan ohne eine Segmentierung. (B) T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung (MALP-EM). (C) die T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung (FreeSurfer). (D) die T1 Scannen mit ein Beispiel für eine schlechte regionale Abgrenzung Verschütten in der linken und rechten Temporallappen (SPM 8 neues Segment) zeigen. (E) die T1 Scannen mit ein Beispiel für eine schlechte regionale Abgrenzung Verschütten in der linken und rechten Temporallappen (FSL schnell) zeigen. Die Scans werden in FSLeyes mit der T1-Scan als ein Basis-Image und der GM-Region als Overlay angezeigt. In dieser Abbildung sind die GM-Regionen wie rot-gelb mit einer Deckkraft von 0,4 angesehen. Der Farbverlauf stellt Teilvolumen der Voxel mit Voxeln, die sind mehr gelb mit einer höheren PVE-Schätzung (eher zu GM) und diejenigen, die roten haben eine niedrigere PVE-Schätzung (seltener GM) sind. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 3 : Beispiele für die Leistungsfähigkeit der verschiedenen Tools auf der Occipital Vorsprung auf einem T1-Scan. (A) die T1-Scan ohne eine Segmentierung. (B) T1-Scan mit einem Beispiel für eine gute regionale Abgrenzung (MALP-EM). (C) die T1 Scannen mit ein Beispiel für eine schlechte Occipital Vorsprung Abgrenzung mit Verschütten in der Dura im medialen Bereich der Region (SPM 8 Unified Segment). (D) die T1 Scannen mit ein Beispiel für eine schlechte Occipital Vorsprung Abgrenzung mit Auslaufen in die Dura in den medialen und überlegenen Abschnitten der Region (SPM 8 neues Segment). (E) die T1 Scannen mit ein Beispiel für eine schlechte Occipital Vorsprung Abgrenzung mit Auslaufen in die Dura in den medialen und überlegenen Abschnitten der Region (FSL schnell). Die Scans werden in FSLeyes mit der T1-Scan als ein Basis-Image und der GM-Region als Overlay angezeigt. In dieser Abbildung sind die GM-Regionen wie rot-gelb mit einer Deckkraft von 0,4 angesehen. Der Farbverlauf stellt Teilvolumen der Voxel mit Voxeln, die sind mehr gelb mit einer höheren PVE-Schätzung (eher zu GM) und diejenigen, die roten haben eine niedrigere PVE-Schätzung (seltener GM) sind. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 4 : Beispiel für eine GM-Region ergossen sich in die Dura, dargestellt in einem FSLview Fenster (in sagittaler, koronale und axiale Ansichten). Blauen Bereich unterstreicht Verschütten in der Dura. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 5 : Beispiel für eine GM-Region, die Regionen der CGM von Segmentierung ausgeschlossen hat. Diese Region wird in einem FSLview Fenster in sagittaler, koronale und axiale Ansicht angezeigt. Die axiale Ansicht am besten zeigt die Regionen, die aus der Segmentierung ausgeschlossen wurden. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 6 : Beispiel für eine FreeSurfer GM-Region, die sehr eng entlang der GM/CSF-Begrenzung, angezeigt in DVB-t. Das koronale Fenster in der oberen linken besten zeigt die Unterschätzung in der CGM in dieser Region. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 7 : Beispiel für eine gut abgegrenzte MALP-EM-Region über ein Gehirn-Scan T1. Die Region zeigt keine Probleme mit über oder unter - estimation der CGM in jeder Region. Bitte klicken Sie hier für eine größere Version dieser Figur.

Table 1
Tabelle 1: Demographische Daten und durchschnittlich GM Volumen (mL) für 20 Teilnehmer der Kontrolle der TRACK-HD-Studie, segmentiert, mit den sieben beschriebenen Tools hier.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vor kurzem hat die Forschung gezeigt, dass die unterschiedlichen volumetrischen Methoden wichtige Implikationen für Neuroimaging Studien¹^,²nutzen können. Von publishing-Protokolle, mit denen Reiseführer unerfahrene Anwender in verschiedenen Neuroimaging Werkzeuge anwenden sowie QC auf die Ergebnisausgabe durch diese Tools ausführen, können Forscher die beste Methode, um ihre Dataset zuweisen auswählen.

Während die meisten Schritte in dieser SOP angepasst werden können die Anforderungen an Daten und Forscher, einer der kritischsten Prozesse hier vorgestellten sind die Schritte beschreiben, detaillierte visuelle Qualitätskontrolle. Visuelle QC auf alle Segmentierungen Ausgabe von diesen Instrumenten durchgeführt werden sollte und ist wichtig für die genaue Messung der CGM. Die QC-Schritte unternommen, um sicherzustellen, dass qualitativ hochwertige Segmentierungen nach der Untersuchung von Tausenden von CGM Regionen entwickelt wurden. Vergleicht man verschiedene Werkzeuge per Sichtprüfung, finden Sie die genaueste Methode für jedes Dataset.

Für jedes Werkzeug gibt es verschiedene Optionen, die zur Segmentierung auf jedes Dataset Optimierung verwendet werden können. Oft ist es vorzuziehen, alle Scans auf heimischen Platz vor der Segmentierung, neu ausrichten, da diese Fehler bei der Segmentierung verringern kann; Dies ist jedoch nicht notwendig. Darüber hinaus unterscheiden die Regionen ausgeben, indem jedes Werkzeug mit einigen einschließlich nur kortikalen GM und einige auch mit subkortikale Regionen. Darüber hinaus Ausgabe einige Regionen Teilvolumen schätzt (PVE) und einige diskrete Gewebe Karten ausgegeben. Während Volumen Extraktion wird hier nicht behandelt, und Diskussion über den Unterschied zwischen PVE und diskrete Gewebe Karten, würde den Rahmen sprengen diese Standardarbeitsanweisung (SOP ist), PVE Karten werden allgemein akzeptiert als ein zuverlässiger Maßnahme¹². Diese SOP gibt Auskunft über die Verarbeitung in Johnson Et al. (2017) ² Segment und QC Scans; jedoch gibt es möglicherweise mehr entsprechende Auswahl für andere Benutzer abhängig von der Qualität ihrer Bilder und Weiterverarbeitung wie z. B. die Anwendung von Masken, Regionen, kortikale GM zu begrenzen, kann verlangt werden. Alle Segmentierungen können im heimischen Raum durchgeführt werden.

Dieses Protokoll bietet Beispiel Rohrleitungen für sieben verschiedene Methoden, die verwendet werden, um die CGM von T1 MRI-Scans zu segmentieren. Diese Beispiele folgen weitgehend den Standardpipelines, die für jede Software empfohlen werden, und es ist wichtig zu beachten, dass weitere Optimierung dieser Rohrleitungen können für die erfolgreiche Segmentierung einer Region auf verschiedene Scans notwendig sein. Einige Tools wie MALP-EM, haben nur begrenzte Möglichkeiten und sind wahrscheinlich besser für Benutzer, die neu in Neuroimaging. Andere Tools, darunter Ameisen, können detaillierte Optimierung unterzogen, und die hier vorgestellten Protokoll stellt eine mögliche Anwendung dieser Software. Zusätzliche Optionen, wie z. B. die Verwendung von Masken, Berechnung der Volumina zu begrenzen sind auch für die meisten Werkzeuge möglich.

Es ist wichtig zu beachten, dass nicht alle Tools auf jedem Betriebssystem verwendet werden können. SPM und Ameisen sind kompatibel mit Windows, Mac und Linux Systeme, FSL ist kompatibel mit Mac und Linux-Systeme, und MALP-EM und FreeSurfer kompatibel mit Linux-Systemen (oder einer Linux-VM läuft auf einem Windows/Mac-PC).

Dieses Protokoll umfasst die Schritte, die zur Segmentierung und Qualitätskontrolle (QC) Durchführung auf 3D T1-gewichteten MRT-Aufnahmen, CGM Regionen zu generieren. Das Protokoll geht jedoch davon aus, dass Bilder T1 3D-Bilder in NifTI Format (.nii-Erweiterung). Bei der Analyse von Johnson Et Al. durchgeführt ², wurden Bilder bereits mit N3 Verfahren¹³Vorurteile korrigieren. Dieses Protokoll wird auch davon ausgegangen, dass die Software heruntergeladen und auf einer Linuxmaschine gemäß den Anweisungen von jedem Werkzeug zur Verfügung gestellt installiert wurde. Die Software im Vergleich hier enthalten FreeSurfer¹⁶^,¹⁷, SPM8¹⁴, SPM12, FSL¹⁵, Ameisen¹⁸und MALP-EM¹⁹.

Diese SOP umfasst eine Reihe von Techniken der Segmentierung; Allerdings gibt es andere Optionen für die Segmentierung strukturelle T1-Scans. Diese Methoden wurden von Johnson Et Al. zum vorherigen Vergleich ausgewählt. ² basierend auf der Häufigkeit ihrer Verwendung in der Huntington-Krankheit-Forschung. Jedoch jedes Werkzeug führt anders in jedem Dataset und Segmentierungstools, die hier nicht beantwortet möglicherweise für andere Datensätze und Arbeitsgruppen geeignet.

Diese Tools sind in der neurologischen Forschung verbreitet. Wie Software-Updates für diese Tools erstellt werden, ist es wahrscheinlich, dass die Ausgabe jedes Segmentierung Methode signifikante Veränderungen im Laufe der Zeit unterzogen werden. Schwerpunkt sollte jedoch bleiben auf den Prozess der visuellen QC um sicherzustellen, dass qualitativ hochwertige Segmentierungen in Neuroimaging Studien verwendet werden.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts preisgeben.

Acknowledgments

Wir danken all jenen in der CHDI/High Q Foundation verantwortlich für die TRACK-HD-Studie; vor allem Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer und Sherry Lifer. Auch möchten die Autoren ihre Dankbarkeit für die TRACK-HD-Studien-Teilnehmer und ihre Familien. Diese Arbeit war am UCLH/UCL, durchgeführt, die einen Teil der Finanzierung aus dem Department of Health National Institute für Forschung biomedizinische Forschung Gesundheitszentren Förderform erhielt. S.J.T. räumt Unterstützung des National Institute for Health Research durch die Demenz und neurodegenerativen Research Network, DeNDRoN.

TRACK-HD-Ermittler:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australien; A. Coleman, R. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Kanada; A. Dürr, C. Jaufer, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM-Institut, Paris, Frankreich; N. Bechtel, S. Bohlen, R. Reilmann, Universität Münster, Münster, Deutschland; B. Landwehrmeyer, Universität Ulm, Ulm, Deutschland; 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, Niederlande; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universität von Manchester, Manchester, Vereinigtes Königreich; D. M. Bar, IXICO, London, Vereinigtes Königreich; H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. sagen, D. Whitehead, E. Wild, University College London, London, Vereinigtes Königreich; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, London, Vereinigtes Königreich; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; und S. Queller, C. Campbell, Indiana University IN USA.

References

Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
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).
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).
Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
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).
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).
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).
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).
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).
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).
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).
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).
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).
Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
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).
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).
Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).

Neuroscience

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.