Waiting
Processando Login

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

T1-भारित एमआरआई छवियों से Cortical ग्रे मैटर के स्वचालित विभाजन

Published: January 7, 2019 doi: 10.3791/58198
Automatic Translation
1, 1, 1
1Huntington's Disease Research Centre, UCL Institute of Neurology

Summary

इस प्रोटोकॉल चित्रित ग्रे बात क्षेत्रों है कि ग्रे बात की मात्रा के ठहराव के लिए इस्तेमाल किया जा सकता करने के लिए संरचनात्मक T1-भारित एमआरआई स्कैन करने के लिए सात अलग स्वचालित विभाजन उपकरण लागू करने की प्रक्रिया का वर्णन ।

Abstract

neuroimaging अनुसंधान के भीतर, हाल के अध्ययनों के एक नंबर के बीच के प्रभाव पर चर्चा की है volumetric निष्कर्षों में अध्ययन मतभेद है कि विभिंन विभाजन उपकरण के उपयोग से परिणाम के लिए मस्तिष्क की मात्रा उत्पंन करने के लिए लगा रहे हैं । यहां, सात स्वचालित उपकरण है कि मस्तिष्क के भीतर खंड ग्रे बात इस्तेमाल किया जा सकता है के लिए प्रसंस्करण पाइपलाइन प्रस्तुत कर रहे हैं । प्रोटोकॉल T1-भारित एमआरआई स्कैन से ग्रे बात की मात्रा पैदा करने के लिए सबसे सटीक तरीका खोजने के लिए लक्ष्य शोधकर्ताओं के लिए एक प्रारंभिक कदम प्रदान करता है. विस्तृत दृश्य गुणवत्ता नियंत्रण शुरू करने के लिए कदम भी पांडुलिपि में शामिल किए गए हैं । यह प्रोटोकॉल संभावित सेगमेंटिंग टूल की एक श्रेणी को कवर करता है और उपयोगकर्ताओं को पूर्ण पलटने पर लागू करने के लिए एक का चयन करने से पहले अपने डेटा के सबसेट में इन टूल की कार्यक्षमता की तुलना करने के लिए प्रोत्साहित करता है. इसके अलावा, प्रोटोकॉल और अंय मस्तिष्क क्षेत्रों के विभाजन को सामान्यीकृत किया जा सकता है ।

Introduction

Neuroimaging व्यापक रूप से दोनों नैदानिक और अनुसंधान सेटिंग्स में प्रयोग किया जाता है । वहाँ एक मौजूदा कदम है कि अध्ययन के reproducibility में सुधार करने के लिए चुंबकीय अनुनाद इमेजिंग (एमआरआई) से मस्तिष्क की मात्रा यों तो स्कैन करता है; इस प्रकार, यह महत्वपूर्ण है कि जांचकर्ताओं के लिए उपलब्ध एमआरआई उपकरण का उपयोग करने का अनुभव साझा एमआरआई खंड में क्षेत्रीय स्कैन, मानकीकरण और तरीकों के अनुकूलन में सुधार करने के लिए1। यह प्रोटोकॉल cortical ग्रे मैटर (CGM; ग्रे मैटर जो subcortical क्षेत्रों को शामिल करता है) T1-भारित एमआरआई स्कैन से खंड करने के लिए सात विभिन्न उपकरणों का उपयोग करने के लिए एक कदम-दर-कदम गाइड उपलब्ध कराता है । इन उपकरणों पहले विभाजन विधियों2, जो एक Huntington की बीमारी पलटने पर उपकरणों के बीच चर प्रदर्शन का प्रदर्शन के एक methodological तुलना में इस्तेमाल किया गया । चूंकि इन उपकरणों का प्रदर्शन भिन्न डेटासेट के बीच भिन्न होने के लिए सोचा जाता है, इसलिए शोधकर्ताओं के लिए उनके डेटासेट पर लागू करने के लिए केवल एक का चयन करने से पहले कई उपकरणों का परीक्षण करना महत्वपूर्ण है.

ग्रे मैटर (जीएम) की मात्रा नियमित रूप से मस्तिष्क आकृति विज्ञान के एक उपाय के रूप में प्रयोग किया जाता है । Volumetric उपाय आम तौर पर विश्वसनीय और स्वस्थ नियंत्रण और नैदानिक समूहों3के बीच भेदभाव करने में सक्षम हैं । मस्तिष्क क्षेत्रों के विभिंन ऊतक प्रकार की मात्रा सबसे अधिक बार स्वचालित सॉफ्टवेयर उपकरण है कि इन ऊतक प्रकार की पहचान का उपयोग कर की गणना की है । इस प्रकार, जीएम, सफेद बात (डब्ल्यू एम) और मस्तिष्कमेरु द्रव (सीएसएफ) के सटीक विशुद्धीकरण के उच्च गुणवत्ता वाले (विभाजन) का निर्माण करने के लिए जीएम क्षेत्र की सटीकता को प्राप्त करने में महत्वपूर्ण है । जीएम फॉल्ट करने के लिए उपयोग किया जा सकता है जो स्वचालित उपकरण की एक संख्या है, और प्रत्येक भिन्न आउटपुट में विभिन्न संसाधन चरणों और परिणामों की आवश्यकता है । अध्ययनों की एक संख्या विभिन्न डेटासेट के लिए उपकरणों के लिए उन्हें एक दूसरे के साथ तुलना करने के लिए आवेदन किया है, और कुछ विशिष्ट उपकरण अनुकूलित किया है1,4,5,6,7,8 ,9,10,11. पिछले काम volumetric उपकरण के बीच परिवर्तनशीलता में प्रदर्शित किया गया है कि साहित्य के भीतर विसंगतियों में परिणाम जब मस्तिष्क की मात्रा का अध्ययन कर सकते हैं, और इन मतभेदों को गलत निष्कर्ष के लिए ड्राइविंग कारकों के रूप में सुझाव दिया गया है के बारे में तैयार न्यूरोलॉजिकल शर्तें1.

हाल ही में, एक पलटन है कि दोनों स्वस्थ नियंत्रण प्रतिभागियों और Huntington के रोग के साथ प्रतिभागियों को शामिल किया गया था में विभिंन विभाजन उपकरण की तुलना । Huntington की बीमारी वयस्कता में एक ठेठ शुरुआत के साथ एक आनुवंशिक neurodegenerative रोग है । subcortical और CGM के क्रमिक शोष रोग की एक प्रमुख और अच्छी तरह से अध्ययन neuropathological सुविधा है । परिणाम सात विभाजन उपकरण है कि पलटने के लिए लागू किए गए के चर प्रदर्शन का प्रदर्शन किया, पिछले काम है कि निष्कर्षों में परिवर्तनशीलता का प्रदर्शन करने एमआरआई स्कैन से मस्तिष्क की मात्रा की गणना करने के लिए इस्तेमाल सॉफ्टवेयर के आधार पर समर्थन । यह प्रोटोकॉल जॉनसन एट अल में इस्तेमाल प्रसंस्करण के बारे में जानकारी प्रदान करता है । (२०१७) 2 कि neuroimaging में उपयोग के लिए सबसे उपयुक्त उपकरणों के सावधान methodological चयन को प्रोत्साहित करती है । यह मैन्युअल जीएम वॉल्यूम के सेगमेंट को कवर करता है लेकिन घावों के सेगमेंट को कवर नहीं करती है, जैसे कि मल्टीपल स्केलेरोसिस में देखा गया है ।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

नोट: सुनिश्चित करें कि सभी छवियां NifTI स्वरूप में हैं । NifTI के लिए रूपांतरण यहां शामिल नहीं है ।

1. एसपीएम के माध्यम से फॉल्ट 8: एकीकृत सेगमेंट

नोट: इस प्रक्रिया SPM8 जीयूआई जो Matlab के भीतर संचालित के माध्यम से किया जाता है । SPM8 गाइड आगे विस्तार प्रदान करता है और में पाया जा सकता है: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf ।

  1. सुनिश्चित करें कि SPM8 स्थापित है और सॉफ़्टवेयर पथ में सेट है ।
  2. एसपीएम विभाजन एक जीयूआई का उपयोग किया जाता है । एसपीएम खोलने के लिए कमांड लाइन में एक कमांड विंडो और टाइप ' एसपीएम ' खोलें ।
  3. ' प्रेस पीईटी & VBM ' संरचनात्मक एमआरआई toolbox खोलने के लिए ।
  4. बैच संपादक को खोलने के लिए ' बैच ' दबाएँ. यह एक समय में एकाधिक स्कैन पर प्रदर्शन किया जा करने के लिए फॉल्ट की अनुमति देता है.
  5. ' चुनें एसपीएम । स्थानिक | सेगमेंट '.
  6. क्लिक करें ' डेटा । फ़ाइलों का चयन करें ' । T1-भारित स्कैन इनपुट के रूप में चुनें ।
    नोट: फ़ाइलें ज़िप्ड NifTi फ़ाइलें, एक्सटेंशन '. निी ' के साथ होना चाहिए ।
  7. ' पर क्लिक करें आउटपुट फ़ाइलें । ग्रे मैटर ' और सुनिश्चित करें कि ' देशी अंतरिक्ष ' चुना गया है, सफेद पदार्थ के लिए भी ऐसा ही करते हैं. यदि सीएसएफ विभाजन की आवश्यकता नहीं है यह ' नहीं ' के रूप में छोड़ दें ।
  8. यदि स्कैन पहले से ही किया गया है पूर्वाग्रह-सही, ' सही ' ठीक से सहेजें नहीं करने के लिए ' पूर्वाग्रह सुधार ' विकल्प बदलें । ' किसी भी विभाजन को साफ ' विकल्प के लिए, तीन विभिंन विकल्पों का परीक्षण और दृश्य गुणवत्ता नियंत्रण (QC, खंड 8) का उपयोग करने के लिए निर्धारित जो डेटा के लिए सबसे अच्छा काम करता है ।
  9. अंय सेटिंग्स को उनके डिफ़ॉल्ट के रूप में छोड़ें । उसके बाद, विभाजन को चलाने के लिए हरी ध्वज पर क्लिक करें ।
    नोट: यह प्रति भागीदार के आसपास 5 मिनट लगते हैं, और कमांड लाइन कहेंगे, ' चल रहे खंड ' । समाप्त होने पर, आदेश विंडो ' किया ' प्रदर्शित करेगा ।
  10. खंड 8 में वर्णित के रूप में जीएम (C1*. निी फ़ाइल) पर दृश्य QC निष्पादित करें ।

2. एसपीएम के जरिए फॉल्ट 8: नया सेगमेंट

नोट: इस प्रक्रिया SPM8 जीयूआई के माध्यम से किया जाता है । SPM8 गाइड आगे विस्तार प्रदान करता है और में पाया जा सकता है: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf । सुनिश्चित करें कि SPM8 स्थापित है और सॉफ़्टवेयर पथ में सेट है । एसपीएम सॉफ्टवेयर खोलें, आमतौर पर एक कमांड लाइन में "एसपीएम" टाइपिंग द्वारा प्रदर्शन किया । यह विश्लेषण करने के लिए चयनित किए जा सकने वाले विकल्पों की एक श्रेणी के साथ ग्राफ़िकल यूज़र इंटरफ़ेस (GUI) विंडो खोलता है.

  1. ' पीईटी & VBM ' दबाएँ.
  2. बैच संपादक को खोलने के लिए ' बैच ' दबाएँ.
  3. ' चुनें एसपीएम । उपकरण । नया खंड ' बैच विंडो में । T1 छवि फ़ाइलें (एक्सटेंशन '. निी के साथ ') का चयन करें ।
  4. ' देशी अंतरिक्ष ' के लिए ' मूल ऊतक प्रकार ' सेट करें । जरूरत के रूप में, अलग ऊतक वर्गों (जैसे सीएसएफ) बंद कर देते हैं-यदि आवश्यक नहीं है-उन्हें ' कोई नहीं ' को स्थापित करने से. ' कोई नहीं ' के लिए ' विकृत ऊतक ' सेट ।
    नोट: सभी अंय विकल्प डिफ़ॉल्ट सेटिंग के रूप में छोड़ा जा सकता है ।
  5. सेगमेंट को चलाने के लिए हरा ध्वज पर क्लिक करें.
    नोट: कमांड लाइन कहेंगे, ' रनिंग न्यू सेगमेंट '. एक बार यह MATLAB कमांड लाइन चल समाप्त हो गया है कहेंगे, ' नया खंड किया ।
  6. खंड 8 में वर्णित के रूप में जीएम (C1*. निी फ़ाइल) पर दृश्य QC निष्पादित करें ।

3. एसपीएम के माध्यम से फॉल्ट 12: सेगमेंट

नोट: इस प्रक्रिया SPM12 जीयूआई के माध्यम से किया जाता है । SPM12 गाइड आगे विस्तार प्रदान करता है और में पाया जा सकता है: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. कमांड विंडो में ' एसपीएम ' लिखकर एसपीएम सॉफ्टवेयर खोलें । यह विश्लेषण करने के लिए चयनित किए जा सकने वाले विकल्पों की एक श्रेणी के साथ ग्राफ़िकल यूज़र इंटरफ़ेस (GUI) विंडो खोलता है.
  2. ' पीईटी & VBM ' दबाएँ. बैच संपादक को खोलने के लिए ' बैच ' दबाएँ.
  3. पर क्लिक करें ' एसपीएम । स्थानिक | सेगमेंट '. फिर, पर क्लिक करें ' डेटा । खंड ' ।
  4. ' देशी अंतरिक्ष ' के लिए ' मूल ऊतक प्रकार ' सेट करें । टिशू क्लासेस की आवश्यकता नहीं है कि (जैसे सीएसएफ) उन्हें ' कोई नहीं ' को स्थापित करने से बंद करें । ' कोई नहीं ' के लिए ' विकृत ऊतक ' सेट ।
    नोट: सभी अंय विकल्प डिफ़ॉल्ट सेटिंग के रूप में छोड़ा जा सकता है ।
  5. सेगमेंट को चलाने के लिए हरा ध्वज पर क्लिक करें.
    नोट: आदेश विंडो प्रदर्शित करेगा: ' चल रहा खंड ' । एक बार चलाने के पूरा हो गया है, यह प्रदर्शन: ' किया खंड ' होगा ।
  6. खंड 8 में वर्णित के रूप में जीएम (C1*. निी फ़ाइल) पर दृश्य QC निष्पादित करें ।

4. फॉल्ट के जरिए FSL तेज

नोट: यह कार्यविधि आदेश पंक्ति में किया जाता है । FSL गाइड आगे विस्तार प्रदान करता है और में पाया जा सकता है: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki ।

  1. भागो बेट मस्तिष्क निष्कर्षण । यह भिंन datasets के लिए ऑप्टिमाइज़ करने की आवश्यकता हो सकती है, लेकिन मूल आदेश है:
    बेट T1_ID निी bet_T1_ID निी ।
  2. भागो FSL तेजी से विभाजन:
    तेज bet_T1_ID निी
    नोट: यह आंशिक मात्रा नक्शे और जीएम, सीएसएफ, और डब्ल्यू एम के लिए द्विआधारी क्षेत्रों उत्पादन होगा ।
  3. खंड 8 में वर्णित के रूप में जीएम क्षेत्र पर दृश्य QC (फ़ाइल समाप्त * _pve_1. निी. gz) करते हैं ।

5. FreeSurfer के जरिए फॉल्ट

नोट: यह कार्यविधि आदेश पंक्ति में किया जाता है । FreeSurfer गाइड आगे विस्तार प्रदान करता है और में पाया जा सकता है: https://surfer.nmr.mgh.harvard.edu/।

  1. वह निर्देशिका सेट करें जहां डेटा लिखना है:
    निर्यात SUBJECTS_DIR =/path/to/nii/files
  2. आदेश चलाकर फॉल्ट चलाएं:
    टोह-सब-मै T1_ID निी-subjid T1_ID-autorecon1-cw256
    टोह-सब-subjid T1_ID-autorecon2-autorecon3
    नोट: आदेश भागीदार प्रति 10 h > ले । -cw256 झंडा प्रसंस्करण के लिए इस आकार के लिए नीचे २५६ से बड़ा दृश्य के खेतों के साथ फसल स्कैन करने के लिए आवश्यक है ।
  3. जांच करें कि प्रक्रिया सही तरीके से ' आउटपुट फ़ोल्डर में स्थित स्क्रिप्ट को देख कर पूरा कर लिया है । लिपियों । recon-all. log '. जांच करें कि अंतिम पंक्ति ' कहते है टोह-सभी एस T1_ID त्रुटि के बिना समाप्त हो गया ।
  4. अनुभाग 8 में वर्णित के रूप में जीएम क्षेत्र पर दृश्य QC निष्पादित करें ।

6. चींटियों के माध्यम से विभाजन

नोट: यह कार्यविधि आदेश पंक्ति में किया जाता है । चींटियों अंय उपकरणों की तुलना में एक अधिक जटिल सॉफ्टवेयर है और यह ध्यान दिया जाना चाहिए कि यहां समझाया प्रक्रिया आगे प्रत्येक पलटना के लिए परिणाम में सुधार के लिए अनुकूलित किया जा सकता है । चींटियों प्रलेखन में पाया जा सकता है: http://stnava.github.io/ANTsDoc/। वहां दो तरीके ऊतक वर्गों में चित्र खंड के रूप में नीचे वर्णित हैं ।

  1. पहली विधि का उपयोग करने के लिए, कमांड ' antsAtropos.sh ' डिफ़ॉल्ट सेटिंग्स के साथ और ऊतक से पहले सहित बिना चलाने ।
    नोट: यह अक्सर अच्छी तरह से करता है, खासकर जब केवल 3 ऊतक वर्गों की आवश्यकता है: जीएम, डब्ल्यू एम, अंय ।
    1. आदेश टाइप करके चींटियों सॉफ्टवेयर के लिए पथ सेट करें:
      निर्यात ANTSPATH =/path/to/ANTs/bin/
    2. आदेश लिखकर फॉल्ट पाइपलाइन को चलाएं:
      antsAtroposN4.sh-d < image_dimension >-a < t1. निी. gz >-सी < ऊतक वर्गों की संख्या >-o < आउटपुट >
      1. इस आदेश के लिए वैकल्पिक तर्क हैं:
        ब्रेन मास्क:-x < mask. निी. gz >;
        ऊतक study:-p < segmentationPriors% d. निी. gz >.
    3. यह आंशिक मात्रा नक्शे और एक निकाले गए मस्तिष्क सहित उत्पादन के साथ एक फ़ोल्डर बना देगा । अनुभाग 8 में वर्णित के रूप में जीएम क्षेत्र पर दृश्य QC निष्पादित करें ।
  2. अधिक ऊतक वर्ग (जीएम, subcortical जीएम, डब्ल्यू एम, सीएसएफ, अंय, आदि) उत्पंन करने के लिए या एक समानता दिखा तंत्रिका विकृति विज्ञान, विशिष्ट ऊतक का उपयोग करने से पहले पर विभाजन प्रदर्शन । डाउनलोड ऊतक विभिंन वेबसाइटों से पहले । वैकल्पिक रूप से, एक अध्ययन विशिष्ट टेम्पलेट का उपयोग करने के लिए पहले-यह बहुत अधिक जटिल है, लेकिन विशेष रूप से रोग मस्तिष्क परिवर्तन के साथ साथियों में फायदेमंद हो सकता है ।
    1. एक अध्ययन-विशिष्ट टेम्पलेट बनाने के लिए/पहले, एक अध्ययन विशेष टेम्पलेट बनाएँ:
      antsMultivariateTemplateConstruction.sh-डी < image_dimension >-ओ टेम्पलेट < अन्य विकल्प > < images. निी. gz >
      1. इस आदेश के लिए वैकल्पिक तर्क हैं:
        -c: समानांतर गणना के लिए नियंत्रण ।
        सीरियल में चल रहा है, तो एक 0 का उपयोग; -j: कोर की संख्या; -r: (डिफ़ॉल्ट 0) टेम्पलेट बनाने से पहले आदानों का कठोर शरीर पंजीकरण करें-0 = = बंद 1 = = पर. यह केवल तभी उपयोगी है जब कोई प्रारंभिक टेंपलेट उपलब्ध न हो ।
    2. डाउनलोड एक brainmask और चींटियों वेबसाइट से पहले ।
      नोट: यह मुखौटा यह सुनिश्चित करने के लिए संपादित करने की आवश्यकता हो सकती है टेंपलेट मस्तिष्क का एक अच्छा सन्निकटन है । brainmask पाइपलाइन का सबसे महत्वपूर्ण भागों में से एक है; यदि यह गरीब है, तो मस्तिष्क निष्कर्षण/Atropos खराब चला जाएगा । डाउनलोड विकल्पों में से कुछ हैं:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436 ।
      डाउनलोड किए गए टेम्पलेट को फिर अध्ययन टेम्पलेट में पंजीकृत किया जाना चाहिए.
    3. पंजीकरण की गणना, जो उत्पादन होगा ताना की एक श्रृंखला है कि तब डाउनलोड करने के लिए लागू किया जा सकता है टेंपलेट के लिए यह अध्ययन करने के लिए रूपांतरण विशिष्ट अंतरिक्ष टेंपलेट । पंजीकरण की गणना करने के लिए, आदेश का उपयोग करें:
      antsRegistrationSyNQuick.sh-d 3-f टें. निी. gz-m downloaded_template निी  gz-ओ downloaded_to_template-n 6
      1. इस आदेश में विकल्प हैं:
        -d: आयाम (यानी, 3 डी स्कैन ' 3 ' होगा); -f: निश्चित छवि (यानी, अंतरिक्ष जहां छवियों को खत्म करने की जरूरत है); -एम: चलती छवि (यानी, छवि है कि स्थानांतरित करने की जरूरत है); -o: आउटपुट नाम (कोई विस्तार की जरूरत है); -n: थ्रेड्स की संख्या ।
    4. डेटा पर पंजीकरण लागू करें:
      antsApplyTransforms-d 3-i downloaded_template निी ֩ gz-r टें निी ֩ gz-o downloaded_to_template निी  gz-t downloaded_to_template1Warp निी  gz-टी downloaded_to_template0GenericAffine ।
      1. इस आदेश में विकल्प हैं:
        -d: आयाम (यानी, 3 डी स्कैन ' 3 ' होगा); -मैं: इनपुट छवि (यानी, छवि है कि स्थानांतरित करने की जरूरत है); -r: संदर्भ छवि (यानी, संदर्भ छवि रिक्ति, मूल, आकार, और उत्पादन विकृत छवि की दिशा को परिभाषित करता है); -o आउटपुट नाम, इस अध्ययन में डाउनलोड टेम्पलेट है विशिष्ट टेम्पलेट अंतरिक्ष (इस मामले में आवश्यक विस्तार); -t रूपांतरण फ़ाइल नाम, पंजीकरण गणना से आउटपुट फ़ाइल ।
    5. नेत्रहीन अध्ययन-विशिष्ट टेम्पलेट और डाउनलोड किए गए टेम्पलेट के बीच पत्राचार के लिए पंजीकरण की जाँच करें (ऐसा करने के लिए, डाउनलोड टेम्पलेट के शीर्ष पर अध्ययन-विशिष्ट टेम्पलेट खोलें).
    6. यदि पंजीकरण काम किया है, डाउनलोड करने से पहले और निकाले टेंपलेट मस्तिष्क, कदम 6.2.5 दोहरा परिवर्तन लागू होते हैं ।
      नोट: इन चरणों के बाद, वहां एक अध्ययन विशिष्ट टेंपलेट, एक डाउनलोड की अध्ययन विशेष टेंपलेट के साथ गठबंधन टेंपलेट, एक डाउनलोड मस्तिष्क निष्कर्षण मुखौटा और ऊतक भी अध्ययन विशेष टेंपलेट के साथ गठबंधन से पहले के साथ होगा ।
    7. antsCorticalThickness.sh के माध्यम से अध्ययन विशिष्ट टेम्पलेट चलाएँ; यह जीएम, एम एम, और सीएसएफ क्षेत्रों है कि अध्ययन विशेष से पहले के लिए इस्तेमाल किया जा सकता प्रदान करता है:
      antsCorticalThickness.sh-d 3-a टें  ा निी  gz-इ downloaded_to_template निी  gz-म downloaded_binarised_template_extracted_brain_in_studyspace निी  gz-प downloaded_labelsPriors% घ  निी  gz-ओ CT_template
      1. इस आदेश में विकल्प हैं:
        -d: आयाम (यानी, 3 डी स्कैन ' 3 ' होगा); -a: छवि (इस मामले में, अध्ययन विशेष टेम्पलेट) विभाजित किया जा करने के लिए; -e: ब्रेन टेम्पलेट (खोपड़ी छीन नहीं; इस स्थिति में, डाउनलोड किए गए टेम्पलेट जो अध्ययन-विशिष्ट टेम्पलेट के लिए पंजीकृत किया गया है); -एम: डाउनलोड मस्तिष्क निष्कर्षण मास्क (इस मामले में, डाउनलोड टेंपलेट है कि अध्ययन विशेष टेंपलेट के लिए पंजीकृत किया गया है से निकाले मस्तिष्क); -p: c-शैली स्वरूपण का उपयोग कर निर्दिष्ट करने से पहले (उदा., -p labelsPriors% 0 2 d. निी. gz) ।
        नोट: आदेश मानता है कि पहले चार पूर्व के रूप में निम्नानुसार आदेश दिए जाते हैं: 1: सीएसएफ, 2: cortical जीएम, 3: डब्ल्यू एम, और 4: subcortical जीएम (इस मामले में, अध्ययन-विशिष्ट टेंपलेट के लिए पंजीकृत किया गया है जो डाउनलोड किए गए टेंपलेट से पहले) ।
    8. इस आदेश को चलाने से टेंपलेट के लिए जनरेट किए गए पहले परिणाम होंगे, लेकिन उंहें Atropos सेगमेंट में उपयोग करने से पहले स्मूथिंग की आवश्यकता होती है । चिकनी कमान चींटियों सॉफ्टवेयर का हिस्सा है । चिकनी सभी आदेश का उपयोग करने से पहले:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2 निी  gz CT_template_BrainSegmentationPosteriors_smoothed निी  gz ।
    9. Atropos चलाने से पहले, सभी देशी अंतरिक्ष स्कैन पर मस्तिष्क निष्कर्षण चलाने के लिए । अध्ययन-विशिष्ट टेम्पलेट का उपयोग किया जा सकता है, और निकाले गए मस्तिष्क टेम्पलेट पर antsCorticalThickness.sh चलाने से उत्पन्न (step 6.2.1):
      antsBrainExtraction.sh-d 3-a T1. निी. gz-ई खाके  निी  gz-m template_BrainExtractionBrain निी  gz-ओ T1_brain निी  gz ।
      1. इस आदेश में विकल्प हैं:
        -d: आयाम; -एक: संरचनात्मक छवि; -e: मस्तिष्क निष्कर्षण टेम्पलेट (यानी, टेम्पलेट बनाया, खोपड़ी अलग करना के बिना); -एम: मस्तिष्क निष्कर्षण के लिए इस्तेमाल किया विशिष्ट brainmask का अध्ययन; -o: आउटपुट उपसर्ग ।
    10. फिर Atropos चलाएं:
      antsAtroposN4.sh-d 3-a T1. निी. gz-x T1_brain. निी. gz-सी 3-ओ Atropos_specific_template
      1. इस आदेश में विकल्प हैं:
        -d = आयाम; -एक: संरचनात्मक छवि; -एक्स: मस्तिष्क निष्कर्षण मस्तिष्क से उत्पन्न मास्क; -c: ऊतक वर्गों की संख्या के लिए खंड; -ओ: आउटपुट उपसर्ग; -p: अध्ययन-विशिष्ट फॉल्ट से पहले < segmentationPriors% d. निी. gz >
    11. अनुभाग 8 में वर्णित के रूप में जीएम क्षेत्र पर दृश्य QC निष्पादित करें ।

7. MALP-EM के माध्यम से फॉल्ट

  1. MALP-em चलाने के लिए, एक टर्मिनल विंडो खोलें, निर्देशिका में परिवर्तित MALP-em निर्देशिका और प्रकार स्थापित करें:
    ./malpem-proot-i T1_scan निी-ओ./-म optional_brain_mask_final निी  gz-च 3T-t 6-ग
  2. एक बार आदेश पूरा हो गया है, जांच करें कि वहां ऊतक वर्गों और क्षेत्रीय विभाजन के साथ एक आउटपुट फ़ोल्डर है ।
  3. खंड 8 में वर्णित के रूप में जीएम पर दृश्य QC निष्पादित करें ।

8. दृश्य गुणवत्ता नियंत्रण

नोट: विश्लेषण में उपयोग किए जाने वाले सभी सेगमेंट किए गए क्षेत्रों पर विज़ुअल गुणवत्ता नियंत्रण किया जाना चाहिए. गुणवत्ता नियंत्रण यह सुनिश्चित करता है कि सेगमेंट एक उच्च मानक के हैं और CGM के विश्वसनीय सेगमेंट का प्रतिनिधित्व करते हैं. गुणवत्ता नियंत्रण करने के लिए, प्रत्येक स्कैन खोला और मूल T1 पर स्कैन पर दृश्यमान CGM करने के लिए उत्पन्न क्षेत्र की तुलना करने के लिए मढ़ा हुआ है ।

  1. एसपीएम, FSL, चींटियों, और MALP-EM सेगमेंट
    1. FSLeyes का उपयोग कर दृश्य QC प्रदर्शन:
      https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
      नोट: FSLview (एक पुराने दर्शक) भी उसी तरह इस्तेमाल किया जा सकता है ।
    2. एक टर्मिनल विंडो खोलें और t1, t1 पर मढ़ा और जीएम क्षेत्रों खोलें. ऐसा करने के लिए, टाइप करें:
      fsleyes T1  निी Region1 निी Region2 ।
    3. एक बार FSLeyes खोलता है, शीर्ष फलक पर अस्पष्टता टॉगल का उपयोग करने के लिए समायोजित/अस्पष्टता को कम करने और जीएम क्षेत्र के नीचे T1 छवि के दृश्य की अनुमति । शीर्ष फलक में ' रंग ड्रॉपडाउन टैब ' के माध्यम से सेगमेंटेशन ओवरले का रंग बदलें.
    4. मस्तिष्क में हर स्लाइस के माध्यम से स्क्रॉल ।
      नोट: यहाँ यह राज्याभिषेक दृश्य का उपयोग किया जाता है, लेकिन उपयोगकर्ताओं को देखने का उपयोग करना चाहिए कि वे के साथ सबसे अधिक अनुभव है.
    5. क्षेत्र के अंतर्गत या अधिक अनुमान के क्षेत्रों के लिए हर स्लाइस का निरीक्षण किया जा रहा है ।
      नोट: अच्छे और बुरे सेगमेंट के उदाहरणों के लिए प्रतिनिधि परिणाम अनुभाग देखें.
  2. FreeSurfer QC
    1. Peform दृश्य QC FreeView का उपयोग कर ।
      नोट: यहां दस्तावेज़ीकरण देखें:
      https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart ।
    2. कोई टर्मिनल विंडो खोलें । volumetric जीएम T1 पर मढ़ा क्षेत्र देखने के लिए, परिवर्तन निर्देशिका विषय फ़ोल्डर और प्रकार के लिए:
      freeview./mri/T1.mgz./mri/aparc + aseg. mgz: colormap = lut: अपारदर्शिता: .3
    3. मस्तिष्क में हर स्लाइस के माध्यम से स्क्रॉल ।
      नोट: यहाँ यह राज्याभिषेक दृश्य का उपयोग किया जाता है, लेकिन उपयोगकर्ताओं को देखने का उपयोग करना चाहिए कि वे के साथ सबसे अधिक अनुभव है.
    4. क्षेत्र के अंतर्गत या अधिक अनुमान के क्षेत्रों के लिए हर स्लाइस का निरीक्षण किया जा रहा है ।
      नोट: सेगमेंट के उदाहरणों के लिए प्रतिनिधि परिणाम अनुभाग देखें.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

20 नियंत्रण प्रतिभागियों के लिए औसत मस्तिष्क की मात्रा, जनसांख्यिकीय जानकारी के साथ, 1 तालिकामें दिखाया गया है । यह इन उपकरणों का उपयोग करते समय अपेक्षित मानों के लिए एक मार्गदर्शिका के रूप में कार्य करता है । परिणाम मूल T1. निी छवि के संदर्भ में देखा जाना चाहिए । सेक्शन 8 में बताए गए कदमों के अनुसार सभी जीएम क्षेत्रों का निरीक्षण किया जाना चाहिए । दृश्य QC प्रदर्शन करते हैं, यह सीधे के लिए जीएम क्षेत्रों की तुलना करने के लिए महत्वपूर्ण है t1 को देखने के द्वारा स्कैन उन्हें t1 पर मढ़ा.

क्षेत्रों को सकल त्रुटियों के लिए अस्वीकार किया जाना चाहिए जैसा आरेख 1में दिखाया गया है । अगर प्रसंस्करण गलत तरीके से चला गया था, या मस्तिष्क खराब देखने के क्षेत्र में तैनात किया गया था, तो कई बार इन त्रुटियों परिणाम. इन त्रुटियों को ठीक करने के लिए, मूल T1 स्कैन कर सकते हैं हो सख्ती से पुन: संरेखित करने के लिए मानक स्थान और विभाजन पुन: प्रयास किया जा कर सकते हैं । विफलताओं की दर डेटा और उपकरणों का इस्तेमाल किया, साथ ही साथ विफलता के वर्गीकरण की गुणवत्ता के आधार पर भिंन होगा । वर्तमान अध्ययन में, कुल विफलताओं अस्वीकृति में जिसके परिणामस्वरूप की विफलता दर सभी उपकरणों के लिए 5% < थे, लेकिन कम महत्वपूर्ण त्रुटियों लगातार उपकरणों की एक संख्या में देखा गया । FSL फास्ट, एसपीएम 8 नए खंड और FreeSurfer इस पलटन के लिए स्कैन के > ५०% में त्रुटियों (लेकिन नहीं विफलताओं) था । यह त्रुटि दर दृश्य QC प्रक्रिया के दौरान किए गए नोट्स का परीक्षण करके quantified गई थी, इसमें शामिल त्रुटियों के साथ, यदि उंहें अपेक्षित क्षेत्रों से एक उचित प्रस्थान के रूप में देखा गया था, जैसा आंकड़े 2-6में दिखाया गया है । यह नोट करने के लिए महत्वपूर्ण है कि इन उपकरणों अन्य डेटासेट पर मान्य किया गया है और बहुत कम त्रुटि दर 3,8में परिणाम. हालांकि इन त्रुटियों संभवतः मैनुअल हस्तक्षेप या मस्तिष्क निष्कर्षण में एक मुखौटा के शामिल किए जाने के माध्यम से सुधार किया जा सकता है, एसपीएम के बाद से नए खंड और MALP-EM इस डेटासेट के लिए एक कम त्रुटि दर के परिणामस्वरूप, इन उपकरणों के बजाय इस्तेमाल किया जाएगा । मास्क चींटियों और MALP के भीतर प्रसंस्करण से पहले लागू किया जा सकता है, और एसपीएम (सभी संस्करणों) और FSL पहले के लिए प्रसंस्करण के बाद ।

आंकड़े 2-6में अधिक लघु त्रुटियां दिखाई जाती हैं । पूरे पलटने के लिए अनुप्रयोग से पहले एक dataset पर विभिन्न विभाजन उपकरण का परीक्षण करके, उस dataset पर श्रेष्ठ निष्पादित करता है जो उपकरण विश्लेषण के लिए चुना जा सकता है । QC प्रदर्शन करते समय, एक प्रक्रिया को अस्वीकार करने के लिए चुनने के लिए विकसित किया जाना चाहिए, संपादित करें, या विभाजन स्वीकार करते हैं । सात उपकरणों के लिए देखा सामांय त्रुटियों को यहां वर्णित हैं, 2-6 आंकड़ोंमें दिखाया उदाहरणों के साथ । इन के रूप में फॉल्ट में त्रुटियाँ अक्सर प्रसंस्करण धारा में एक मुखौटा के अलावा के साथ ठीक किया जा सकता है या क्षेत्रों का संपादन. हालांकि, व्यापक या प्रांतस्था के तहत अनुमान के साथ क्षेत्रों विश्लेषण से खारिज कर दिया जा करने की आवश्यकता हो सकती है । सख्त मानदंड विकसित किया जाना चाहिए और जब यह निर्णय लेने के बाद । इन चरणों को इस प्रोटोकॉल में शामिल नहीं किया गया है और dataset से dataset करने के लिए भिन्न होगा ।

आम तौर पर, जब दृश्य QC प्रदर्शन, यह अस्थाई और पश्चकपाल क्षेत्रों के लिए विशेष रूप से ध्यान देना महत्वपूर्ण है, के रूप में इन क्षेत्रों है कि सबसे सुसंगत त्रुटियों को दिखाते हैं । चित्रा 2 अच्छा और बुरा लौकिक विभाजन के उदाहरण से पता चलता है, और चित्रा 3 अच्छे और बुरे पश्चकपाल विभाजन के उदाहरण से पता चलता है । चित्रा 4 सभी उपकरण है, जिसमें गैर मस्तिष्क ऊतक मस्तिष्क के बेहतर स्लाइस में CGM के रूप में वर्गीकृत है में होता है एक और आम समस्या से पता चलता है । चित्र 5 कई सेगमेंट में देखा गया एक अन्य मुद्दा प्रदर्शित करता है, जहां CGM के क्षेत्रों को सेगमेंट से बाहर रखा गया है. यह अक्सर मस्तिष्क के बेहतर स्लाइस में होता है, के रूप में चित्रा 5में देखा ।

SPM8 एकीकृत खंड आमतौर पर गरीब लौकिक विज्ञानी के परिणामस्वरूप, खंड जीएम गैर मस्तिष्क में फैल क्षेत्र लौकिक पालियों आसपास के ऊतकों के साथ । पश्चकपाल पालि में छलकने का समय आम है, जबकि ललाट पालियों का अनुमान भी अनेक क्षेत्रों में देखा गया है । SPM8 नए खंड के लिए, गरीब लौकिक विरेखा और पश्चकपाल छलकने भी आम थे । एसपीएम के इस संस्करण का उपयोग भी खोपड़ी और बाडी लगभग सभी खंडों में जीएम के रूप में वर्गीकृत किया जा रहा भीतर voxels में परिणाम है । SPM12 एसपीएम के पिछले संस्करणों की तुलना में सुधार हुआ था, लौकिक पालि में सुधार और अंय क्षेत्रों में कम छलकने के साथ । चींटियों इस पलटन पर अत्यधिक परिवर्तनशील प्रदर्शन दिखाया, प्रारंभिक मस्तिष्क निष्कर्षण के साथ विभाजन की गुणवत्ता का निर्धारण । यह बाहरी सीमाओं पर विशेष ध्यान देने के लिए महत्वपूर्ण है, और अगर मस्तिष्क निष्कर्षण चींटियों का उपयोग कर गरीब है, तो Atropos कमान में शामिल मस्तिष्क मुखौटा सुधार किया जा सकता है । लौकिक और पश्चकपाल पालियों में जीएम के अधिक अनुमान के साथ मुद्दे फिर से आम थे । MALP-EM लौकिक और पश्चकपाल पालियों के अधिक अनुमान के साथ कम मुद्दों दिखाया; हालांकि, वहां मामलों की एक संख्या में प्रांतस्था के तहत अनुमान था । इस पाइपलाइन में एक मस्तिष्क मुखौटा को शामिल करके सुधार किया जा सकता है । FSL तेजी से विभाजन उच्च चर रहे थे, इस पलटन से डेटा पर शर्त मस्तिष्क निष्कर्षण के चर प्रदर्शन के कारण । फिर, पश्चकपाल और लौकिक पालियों के भीतर मुद्दों आम थे; हालांकि, इन मस्तिष्क निष्कर्षण के अनुकूलन के साथ सुधार किया जा सकता है । अंत में, FreeSurfer volumetric क्षेत्रों अक्सर जीएम/सीएसएफ सीमा के साथ तंग कर रहे हैं, आम तौर पर बाहरी सीमा (चित्रा 6) में जीएम के कुछ क्षेत्रों को छोड़कर । अन्य उपकरणों के साथ के रूप में, जीएम के बाहर छलकने लौकिक और पश्चकपाल पालियों के भीतर प्रचलित है । अंत में, चित्रा 7 FSLview में प्रदर्शित एक अच्छा विभाजन का एक उदाहरण है कि विभाजन में कोई त्रुटि नहीं थी दिखाता है । क्षेत्रों के मैनुअल संपादन अक्सर क्षेत्रों में सुधार करने के लिए प्रदर्शन किया जा सकता है, हालांकि यह यहाँ शामिल नहीं है.

Figure 1
चित्रा 1 : एक T1 स्कैन पर प्रदर्शित एक विफल विभाजन का उदाहरण. इस फॉल्ट को फिर से प्रोसेस किया जाना चाहिए और अगर इसे सुधारा नहीं जा सकता तो विश्लेषण से बाहर रखा जाना चाहिए । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 2
चित्रा 2 : एक T1 स्कैन पर लौकिक पालि पर विभिन्न उपकरणों के प्रदर्शन के उदाहरण. (क) T1 एक विभाजन के बिना स्कैन । (ख) T1 एक अच्छा क्षेत्रीय विरेखांकन का एक उदाहरण के साथ स्कैन (MALP-EM) । (C) T1 स्कैन एक अच्छा क्षेत्रीय विरेखांकन (FreeSurfer) का एक उदाहरण के साथ । (घ) T1 एक गरीब क्षेत्रीय विरेखांकन का एक उदाहरण के साथ स्कैन, छोड़ दिया और सही लौकिक पालियों (एसपीएम 8 नए खंड) में छलकने दिखा । (ङ) T1 एक गरीब क्षेत्रीय विरेखांकन का एक उदाहरण के साथ स्कैन, बाएँ और दाएँ लौकिक पालियों में छलकने दिखा (FSL तेजी से). स्कैन FSLeyes में T1 एक आधार छवि और एक ओवरले के रूप में जीएम क्षेत्र के रूप में स्कैन के साथ देखा जाता है । इस आंकड़े में, जीएम क्षेत्रों ०.४ की अस्पष्टता के साथ लाल-पीले रंग के रूप में देखा जाता है । रंग ग्रैडिएंट voxels की आंशिक मात्रा का प्रतिनिधित्व करता है, voxels के साथ कि अधिक पीले होने एक उच्च PVE अनुमान (जीएम होने की संभावना अधिक) और उन है कि लाल कर रहे हैं एक कम PVE अनुमान (जीएम होने की संभावना कम). कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 3
चित्रा 3 : एक T1 स्कैन पर पश्चकपाल पालि पर विभिन्न उपकरणों के प्रदर्शन के उदाहरण. (क) T1 एक विभाजन के बिना स्कैन । (ख) T1 एक अच्छा क्षेत्रीय विरेखांकन का एक उदाहरण के साथ स्कैन (MALP-EM) । (ग) T1 क्षेत्र (एसपीएम 8 एकीकृत खंड) के औसत दर्जे के खंड में बाडी में छलकने के साथ एक गरीब पश्चकपाल पालि के एक उदाहरण के साथ स्कैन । (घ) T1 इस क्षेत्र के औसत दर्जे का और बेहतर वर्गों में छलकने के साथ एक गरीब पश्चकपाल पालि विज्ञानी का एक उदाहरण के साथ स्कैन (एसपीएम 8 नए खंड) । (ङ) T1 इस क्षेत्र के औसत दर्जे का और बेहतर वर्गों में छलकने के साथ एक गरीब पश्चकपाल पालि विज्ञानी का एक उदाहरण के साथ स्कैन (FSL तेजी से) । स्कैन FSLeyes में T1 एक आधार छवि के रूप में स्कैन, और एक ओवरले के रूप में जीएम क्षेत्र के साथ देखा जाता है । इस आंकड़े में, जीएम क्षेत्रों ०.४ की अस्पष्टता के साथ लाल-पीले रंग के रूप में देखा जाता है । रंग ग्रैडिएंट voxels की आंशिक मात्रा का प्रतिनिधित्व करता है, voxels के साथ कि अधिक पीले होने एक उच्च PVE अनुमान (जीएम होने की संभावना अधिक) और उन है कि लाल कर रहे हैं एक कम PVE अनुमान (जीएम होने की संभावना कम). कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 4
चित्र 4 : एक जीएम क्षेत्र का उदाहरण बाडी में गिरा, एक FSLview विंडो में प्रदर्शित (sagittal में, राज्याभिषेक, और अक्षीय विचारों) । नीले क्षेत्र बाडी में छलकने पर प्रकाश डाला गया । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 5
चित्रा 5 : एक जीएम क्षेत्र है कि विभाजन से CGM के क्षेत्रों को छोड़ दिया है का उदाहरण । इस क्षेत्र में एक FSLview विंडो में प्रदर्शित किया जाता है, sagittal, राज्याभिषेक, और अक्षीय विचारों में. अक्षीय दृश्य सबसे अच्छा क्षेत्रों है कि विभाजन से बाहर रखा गया है दिखाता है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 6
चित्रा 6 : FreeView में प्रदर्शित जीएम/सीएसएफ सीमा के साथ बहुत तंग है कि एक FreeSurfer जीएम क्षेत्र का उदाहरण । शीर्ष में राज्याभिषेक खिड़की सबसे अच्छा इस क्षेत्र में CGM में अनुमान के तहत प्रदर्शित करता है छोड़ दिया है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 7
चित्र 7 : एक T1 ब्रेन स्कैन पर एक well-delineated MALP-EM क्षेत्र का उदाहरण । यह क्षेत्र किसी भी क्षेत्र में CGM के ओवर-या-अनुमान के साथ कोई समस्या नहीं दिखाता है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Table 1
तालिका 1: जनसांख्यिकीय जानकारी और औसत जीएम खंड (एमएल) 20 नियंत्रण प्रतिभागियों के लिए ट्रैक से-HD अध्ययन, यहां वर्णित सात उपकरणों का उपयोग कर विभाजित ।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

हाल ही में, अनुसंधान प्रदर्शन किया है कि विभिंन volumetric तरीकों के उपयोग neuroimaging अध्ययन1,2के लिए महत्वपूर्ण निहितार्थ हो सकता है । प्रोटोकॉल प्रकाशित करके कि कैसे विभिंन neuroimaging उपकरण लागू करने के लिए, साथ ही कैसे इन उपकरणों के परिणाम उत्पादन पर QC करने के लिए, शोधकर्ताओं ने सबसे अच्छा तरीका है अपने डेटासेट के लिए लागू करने के लिए चयन कर सकते है में नौसिखिया उपयोगकर्ताओं गाइड मदद करते हैं ।

जबकि इस शराबी में सबसे कदम डेटा और शोधकर्ता आवश्यकताओं के अनुरूप समायोजित किया जा सकता है, सबसे महत्वपूर्ण प्रक्रियाओं में से एक यहां प्रस्तुत की विस्तृत दृश्य गुणवत्ता नियंत्रण का वर्णन कदम हैं । दृश्य QC इन उपकरणों द्वारा सभी फॉल्ट उत्पादन पर किया जाना चाहिए और CGM की सटीक माप के लिए आवश्यक है । उच्च गुणवत्ता वाले सेगमेंट को सुनिश्चित करने के लिए उठाए गए QC कदम CGM क्षेत्रों के हजारों की परीक्षा के बाद विकसित किए गए हैं । दृश्य परीक्षा के माध्यम से विभिन्न उपकरणों की तुलना करके, सबसे सटीक तरीका प्रत्येक डेटासेट के लिए पाया जा सकता है.

प्रत्येक उपकरण के लिए, विभिंन विकल्प है जिनका उपयोग प्रत्येक डेटासेट पर विभाजन ऑप्टिमाइज़ करने के लिए किया जा सकता है । यह अक्सर विभाजन से पहले मूल स्थान के लिए सभी स्कैन realign करने के लिए बेहतर है, यह विभाजन में त्रुटियों को कम कर सकते हैं के रूप में; हालांकि, यह आवश्यक नहीं है । इसके अलावा, प्रत्येक उपकरण द्वारा क्षेत्रों उत्पादन अलग, केवल cortical जीएम और कुछ भी सहित subcortical क्षेत्रों सहित कुछ के साथ । इसके अलावा, कुछ क्षेत्रों उत्पादन आंशिक मात्रा का अनुमान (PVE) और कुछ उत्पादन असतत ऊतक नक्शे । जबकि मात्रा निष्कर्षण यहां शामिल नहीं है, और PVE और असतत ऊतक नक्शे के बीच अंतर की चर्चा इस मानक संचालन प्रक्रिया (शराबी) के दायरे से परे है, PVE नक्शे आम तौर पर एक और अधिक विश्वसनीय उपाय के रूप में स्वीकार किए जाते है12। यह शराबी जॉनसन एट अल में इस्तेमाल प्रसंस्करण के बारे में जानकारी प्रदान करता है । (२०१७) 2 खंड और QC स्कैन करने के लिए; हालांकि, उनके चित्रों की गुणवत्ता के आधार पर अन्य उपयोगकर्ताओं के लिए अधिक उपयुक्त चयन हो सकता है, और cortical जीएम के लिए क्षेत्रों को सीमित करने के लिए मास्क के अनुप्रयोग जैसे आगे संसाधन की आवश्यकता हो सकती है । सभी फॉल्ट देशी अंतरिक्ष में किया जा सकता है ।

इस प्रोटोकॉल उदाहरण पाइपलाइनों CGM T1 एमआरआई स्कैन से खंड करने के लिए उपयोग किया जा सकता सात अलग विधियों के लिए प्रदान करता है । ये उदाहरण मोटे तौर पर प्रत्येक सॉफ़्टवेयर के लिए अनुशंसित डिफ़ॉल्ट पाइपलाइन का पालन करें, और यह इन पाइपलाइनों का ऑप्टिमाइज़ेशन अलग स्कैन पर एक क्षेत्र के सफल विभाजन के लिए आवश्यक हो सकता है कि नोट करने के लिए महत्वपूर्ण है । कुछ उपकरण, जैसे MALP-EM, सीमित विकल्प होते है और neuroimaging के लिए नए उपयोगकर्ताओं के लिए संभावित रूप से बेहतर होते हैं । चींटियों सहित अंय उपकरण, विस्तृत अनुकूलन से गुजरना कर सकते हैं, और यहां प्रस्तुत प्रोटोकॉल इस सॉफ्टवेयर के एक संभव आवेदन का प्रतिनिधित्व करता है । अतिरिक्त विकल्प, जैसे कि मास्क का उपयोग करने के लिए खंड की गणना की सीमा, अधिकांश उपकरणों के लिए भी संभव है ।

यह ध्यान दें कि नहीं सभी उपकरणों हर ऑपरेटिंग सिस्टम पर इस्तेमाल किया जा सकता है महत्वपूर्ण है । एसपीएम और चींटियों विंडोज, मैक के साथ संगत कर रहे हैं, और लिनक्स सिस्टम, FSL मैक और लिनक्स सिस्टम के साथ संगत है, और MALP-EM और FreeSurfer लिनक्स सिस्टम के साथ संगत कर रहे हैं (या एक linux आभासी एक Windows पर चल रहे मशीन/

इस प्रोटोकॉल CGM क्षेत्रों उत्पन्न करने के लिए 3 डी T1-भारित एमआरआई स्कैन पर विभाजन और गुणवत्ता नियंत्रण (QC) करने के लिए इस्तेमाल किया जा सकता है कि कदम शामिल हैं. हालांकि, प्रोटोकॉल मानता है कि छवियाँ 3d T1 छवियाँ NifTI स्वरूप (. निी एक्सटेंशन) में हैं । जॉनसन एट अल द्वारा प्रदर्शन विश्लेषण में । 2, छवियां पहले से ही पूर्वाग्रह थे-N3 प्रक्रिया13का उपयोग कर सही । इस प्रोटोकॉल भी मानता है कि सॉफ्टवेयर डाउनलोड किया गया है और एक linux मशीन पर स्थापित प्रत्येक उपकरण द्वारा दिए गए निर्देशों के अनुसार । यहां की तुलना में सॉफ्टवेयर SPM814, SPM12, FSL15, FreeSurfer16,17, चींटियों18, और MALP-EM19शामिल हैं ।

यह शराबी विभाजन तकनीकों की एक श्रृंखला शामिल है; हालांकि, संरचनात्मक T1 स्कैन को सेगमेंट करने के लिए अन्य विकल्प उपलब्ध हैं । इन तरीकों जॉनसन एट अल द्वारा पिछले तुलना के लिए चुना गया था । 2 Huntington के रोग अनुसंधान के भीतर उपयोग की उनकी आवृत्ति के आधार पर । हालांकि, प्रत्येक उपकरण प्रत्येक dataset में अलग प्रदर्शन करता है, और यहां शामिल नहीं किए गए फॉल्ट उपकरण अंय डेटासेट और शोध समूहों के लिए उपयुक्त हो सकते हैं ।

इन उपकरणों व्यापक रूप से neuroimaging अनुसंधान के भीतर प्रयोग किया जाता है । सॉफ़्टवेयर अद्यतन इन उपकरणों के लिए बनाए जाते हैं, के रूप में यह संभव है कि प्रत्येक विभाजन विधि के आउटपुट समय के साथ महत्वपूर्ण परिवर्तन से गुजरना होगा । हालांकि, यह सुनिश्चित करने के लिए कि उच्च-गुणवत्ता वाले सेगमेंट neuroimaging अध्ययनों में उपयोग किए जाते हैं, दृश्य QC की प्रक्रिया पर जोर देना चाहिए.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों का खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

हम CHDI/उच्च क्यू फाउंडेशन ट्रैक के लिए जिंमेदार-HD अध्ययन में उन सभी को धंयवाद देना चाहते हैं; विशेष रूप से, Beth Borowsky, एलन Tobin, डैनियल वान Kammen, एतान हस्ताक्षरकर्ता, और शेरी Lifer । लेखक भी ट्रैक-एचडी अध्ययन करने वाले प्रतिभागियों और उनके परिवारों के प्रति अपनी कृतज्ञता बढाने की कामना करते हैं । यह काम UCLH/UCL में शुरू किया गया, जो स्वास्थ्य विभाग के स्वास्थ्य अनुसंधान जैव चिकित्सा अनुसंधान केंद्रों के लिए अनुदान योजना के माध्यम से धन का अनुपात प्राप्त हुआ । S.J.T. परिवारजन और Neurodegenerative अनुसंधान नेटवर्क, DeNDRoN के माध्यम से स्वास्थ्य अनुसंधान के लिए राष्ट्रीय संस्थान का समर्थन स्वीकार करता है ।

ट्रैक-एचडी जांचकर्ता:
सी. कैंपबेल, एम. कैंपबेल, Labuschagne, सी. Milchman, जे मोटा, मोनाश विश्वविद्यालय, मेलबोर्न, विक, ऑस्ट्रेलिया; ए. कोलमैन, आर. डार सैंटोस, जे. Decolongon, बी. आर. Leavitt, ए. Sturrock, यूनिवर्सिटी ऑफ ब्रिटिश कोलंबिया, वैंकूवर, बीसी, कनाडा; A. Durr, c. Jauffret, D. Justo, S. Lehericy, c. Marelli, K. Nigaud, R. Valabrègue, आईसीएम संस्थान, Paris, फ़्रांस; एन. के. Bechtel, एस. Bohlen, आर. Reilmann, यूनिवर्सिटी ऑफ Münster, Münster, जर्मनी; बी. के. Landwehrmeyer, यूनिवर्सिटी ऑफ उल्म, उल्म, जर्मनी; एस. जे. ए. वान मांद Bogaard, ई. एम. Dumas, जे वान डेर Grond, ई. पी. टी हार्ट, आर. ए. Roos, Leiden यूनिवर्सिटी मेडिकल सेंटर, Leiden, नीदरलैंड; एन Arran, जे Callaghan, डी. Craufurd, सी. Stopford, मैनचेस्टर, मैनचेस्टर, यूनाइटेड किंगडम के विश्वविद्यालय; डी. एम. कैश, IXICO, लंडन, युनाइटेड किंग्डम; एच. क्रॉफर्ड, एन. सी. फॉक्स, एस. ग्रेगरी, जी. ओवेन, एन. जेड. हॉब्स, एन. लाहिड़ी, आई. मेलोन, जे. पढ़ें, एम. जे. कहते हैं, डी. व्हाइटहेड, ई. वाइल्ड, यूनिवर्सिटी कॉलेज लंदन, लंदन, युनाइटेड किंग्डम; सी. फ्रॉस्ट, आर जोंस, स्वच्छता और उष्णकटिबंधीय चिकित्सा, लंदन, यूनाइटेड किंगडम के लंदन स्कूल; ई. Axelson, एच जे जॉनसन, डी Langbehn, आयोवा विश्वविद्यालय, IA, संयुक्त राज्य अमेरिका; और एस Queller, सी कैंपबेल, इंडियाना विश्वविद्यालय, में, संयुक्त राज्य अमेरिका ।

References

  1. Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
  2. Johnson, E. B., et al. Recommendations for the Use of Automated Gray Matter Segmentation Tools: Evidence from Huntington's disease. Frontiers in Neurology. 8, 519 (2017).
  3. Schwarz, C. G., et al. A large-scale comparison of cortical thickness and volume methods for measuring Alzheimer's disease severity. NeuroImage: Clinical. 11, 802-812 (2016).
  4. Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
  5. Eggert, L. D., Sommer, J., Jansen, A., Kircher, T., Konrad, C. Accuracy and reliability of automated gray matter segmentation pathways on real and simulated structural magnetic resonance images of the human brain. Public Library of Science One. 7 (9), 45081 (2012).
  6. Fellhauer, I., et al. Comparison of automated brain segmentation using a brain phantom and patients with early Alzheimer's dementia or mild cognitive impairment. Psychiatry Research. 233 (3), 299-305 (2015).
  7. Gronenschild, E. H. B. M., et al. The effects of FreeSurfer version, workstation type, and Macintosh operating system version on anatomical volume and cortical thickness measurements. Public Library of Science One. 7 (6), 38234 (2012).
  8. Iscan, Z., et al. Test-retest reliability of freesurfer measurements within and between sites: Effects of visual approval process. Human Brain Mapping. 36 (9), 3472-3485 (2015).
  9. Kazemi, K., Noorizadeh, N. Quantitative Comparison of SPM, FSL, and Brainsuite for Brain MR Image Segmentation. Journal of Biomedical Physics & Engineering. 4 (1), 13-26 (2014).
  10. Klauschen, F., Goldman, A., Barra, V., Meyer-Lindenberg, A., Lundervold, A. Evaluation of automated brain MR image segmentation and volumetry methods. Human Brain Mapping. 30 (4), 1310-1327 (2009).
  11. McCarthy, C. S., Ramprashad, A., Thompson, C., Botti, J. A., Coman, I. L., Kates, W. R. A comparison of FreeSurfer-generated data with and without manual intervention. Frontiers in Neuroscience. 9, (2015).
  12. Tohka, J. Partial volume effect modeling for segmentation and tissue classification of brain magnetic resonance images: A review. World Journal of Radiology. 6 (11), 855-864 (2014).
  13. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17, 87-97 (1998).
  14. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  15. Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  16. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
  17. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
  18. Avants, B. B., Tustison, N. J., Wu, J., Cook, P. A., Gee, J. C. An open source multivariate framework for n-tissue segmentation with evaluation on public data. Neuroinformatics. 9 (4), 381-400 (2011).
  19. Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).

Tags

तंत्रिका विज्ञान १४३ अंक एमआरआई संरचनात्मक एसपीएम FSL FreeSurfer चींटियों MALP गुणवत्ता नियंत्रण ग्रे मैटर
T1-भारित एमआरआई छवियों से Cortical ग्रे मैटर के स्वचालित विभाजन
Play Video
PDF DOI

Cite this Article

Johnson, E. B., Scahill, R. I.,… More

Johnson, E. B., Scahill, R. I., Tabrizi, S. J. Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images. J. Vis. Exp. (143), e58198, doi:10.3791/58198 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter