Waiting
Processando Login

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

Neuroscience

Segmentação automática de matéria cinzenta Cortical de imagens de T1-Weighted MRI

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

Summary

Este protocolo descreve o processo de aplicação de sete ferramentas diferentes segmentação automatizada de varreduras de T1-weighted MRI estruturais para delinear as regiões de substância cinzenta que podem ser usadas para a quantificação do volume de matéria cinzenta.

Abstract

Dentro da pesquisa de neuroimagem, uma série de estudos recentes têm discutido o impacto das diferenças between-estudo volumétrico conclusões que são pensados para resultar do uso de ferramentas de segmentação diferentes para gerar volumes de cérebro. Aqui, o processamento de gasodutos para sete ferramentas automatizadas que podem ser usadas para segmentar a massa cinzenta dentro do cérebro são apresentados. O protocolo prevê uma etapa inicial a pesquisadores com o objetivo de encontrar o método mais preciso para gerar volumes de matéria cinzenta de T1-weighted MRI scans. Passos para realizar o controle de qualidade visual detalhado também estão incluídos no manuscrito. Este protocolo abrange uma gama de potenciais ferramentas de segmentação e incentiva os usuários a comparar o desempenho dessas ferramentas dentro de um subconjunto de seus dados antes de selecionar um para aplicar a uma coorte completa. Além disso, o protocolo pode ser mais generalizado para a segmentação de outras regiões do cérebro.

Introduction

Neuroimagem é amplamente utilizado em ambos os casos clínicos e configurações de pesquisa. Há um movimento atual para melhorar a reprodutibilidade dos estudos que quantificam o volume cerebral de exames de ressonância magnética (RM); assim, é importante que os investigadores compartilham experiências do uso de ferramentas disponíveis de MRI para segmentar ressonâncias em volumes regionais, para melhorar a padronização e otimização de métodos1. Este protocolo fornece um guia passo a passo para usar sete ferramentas diferentes para segmentar a matéria cinzenta cortical (CGM; matéria cinzenta que exclui as regiões subcorticais) de T1-weighted MRI scans. Estas ferramentas foram usadas anteriormente em uma comparação metodológica da segmentação métodos2, que demonstrou desempenho variável entre as ferramentas em uma coorte de doença de Huntington. Desde que o desempenho dessas ferramentas é pensado para variar entre diferentes conjuntos de dados, é importante para os investigadores testar um número de ferramentas antes de selecionar apenas um para aplicar ao seu dataset.

Volume de matéria cinzenta (GM) é usado regularmente como uma medida da morfologia do cérebro. Medidas volumétricas são geralmente confiável e capaz de discriminar entre controles sadios e grupos clínicos3. O volume de tipos de tecido diferentes de regiões cerebrais mais frequentemente é calculado usando ferramentas de software automatizado que identificam esses tipos de tecido. Assim, para criar delimitações. das húmidas da alta qualidade (segmentações) da GM, delimitação exata da matéria branca (WM) e líquido cerebrospinal (CSF) é fundamental para alcançar a precisão da região de GM. Há uma série de ferramentas automatizadas que podem ser utilizados para realizar a segmentação do GM, e cada um necessita de etapas de processamento diferentes e resulta em uma saída diferente. Vários estudos têm aplicado as ferramentas para diferentes conjuntos de dados para compará-los com os outros, e alguns têm otimizado ferramentas específicas1,4,5,6,7,8 ,9,10,11. Trabalhos anteriores têm demonstrado que a variabilidade entre ferramentas volumétricas pode resultar em inconsistências dentro da literatura quando estudando o volume cerebral, e estas diferenças têm sido sugeridas como fatores para conclusões falsas sobre a conduzir condições neurológicas1.

Recentemente, realizou-se uma comparação de ferramentas de segmentação diferente em uma coorte que incluía tanto os participantes saudáveis de controle e os participantes com a doença de Huntington. A doença de Huntington é uma doença neurodegenerativa genética com um típico início na idade adulta. Atrofia gradual de subcortical e CGM é uma característica proeminente e bem estudada de neuropatológica da doença. Os resultados demonstraram desempenho variável de sete ferramentas de segmentação que foram aplicados para a coorte, apoiando o trabalho anterior que demonstrou variabilidade nos resultados dependendo do software utilizado para calcular volumes de cérebro de ressonâncias. Este protocolo fornece informações sobre o processamento usado em Johnson et al . (2017) 2 que incentiva o cuidado metodológica seleção das ferramentas mais adequadas para uso em neuroimagem. Este manual abrange a segmentação do volume de GM, mas não cobre a segmentação das lesões, tais como aqueles vistos na esclerose múltipla.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nota: Certifique-se que todas as imagens são em formato NifTI. Conversão para NifTI não é coberto aqui.

1. segmentação através do SPM 8: Unificação de segmento

Nota: Este procedimento é realizado através do GUI SPM8 que opera dentro de Matlab. O guia de SPM8 fornece mais detalhes e pode ser encontrada em: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Certifique-se que SPM8 é instalado e definido no caminho do software.
  2. Segmentação de SPM é executada usando uma GUI. Para abrir o SPM, abra uma janela de comando e digite 'spm' na linha de comando.
  3. Pressione 'PET & VBM' para abrir a caixa de ferramentas MRI estrutural.
  4. Pressione a 'Lote' para abrir o Editor do lote. Isto permite a segmentação ser executada em várias digitalizações de cada vez.
  5. Selecione ' SPM | Espaciais | Segmento '.
  6. Clique em ' dados | Selecione os arquivos. Escolha os scans de T1-weighted como entrada.
    Nota: Os arquivos devem ser descompactados arquivos NifTi, com a extensão sendo '.nii'.
  7. Clique em ' arquivos de saída | Matéria de Grey' e certifique-se de que o 'Espaço nativo' está seleccionado, faça o mesmo para a substância branca. Se a segmentação do CSF não é necessária deixe isto como 'None'.
  8. Se os exames já foram corrigidos de viés, altere a opção 'Bias corrigido' a 'Não salvar corrigido'. Para a opção 'Limpar qualquer partições', as três opções diferentes de teste e usar visual controle de qualidade (QC, seção 8) para determinar o que funciona melhor para os dados.
  9. Deixe as outras configurações como seus padrões. Em seguida, clique na bandeira verde para executar a segmentação.
    Nota: Isto leva cerca de 5 minutos por participante, e a linha de comando dirá, 'Executando o segmento'. Quando terminar, a janela de comando exibirá 'Done'.
  10. Execute QC visual sobre o GM (arquivo C1*.nii), conforme descrito na seção 8.

2. segmentação através do SPM 8: novo segmento

Nota: Este procedimento é realizado através do GUI SPM8. O guia de SPM8 fornece mais detalhes e pode ser encontrada em: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Certifique-se que SPM8 é instalado e definido no caminho do software. Abra o software SPM, geralmente executado digitando "spm" em uma linha de comando. Isso abre uma janela de interface (GUI) gráfica do usuário com uma gama de opções que podem ser selecionados para realizar a análise.

  1. Pressione 'PET & VBM'.
  2. Pressione a 'Lote' para abrir o Editor do lote.
  3. Selecione ' SPM | Ferramentas | Novo segmento ' na janela Batch. Selecione os arquivos de imagem de T1 (com extensão '.nii').
  4. Defina 'Tecido nativo tipo' para 'Espaço nativo'. Conforme necessário, desativar o tecido diferente classes (por exemplo a CSF) - se não obrigatório - definindo-os como 'None'. Defina 'Tecido entortado' como 'None'.
    Nota: Todas as outras opções podem ser deixadas como a configuração padrão.
  5. Clique a bandeira verde para executar a segmentação.
    Nota: A linha de comando dirá, 'Executando o novo segmento'. Uma vez que terminou executando a vontade de linha de comando do MATLAB, 'feito novo segmento'.
  6. Execute QC visual sobre o GM (arquivo C1*.nii), conforme descrito na seção 8.

3. segmentação através do SPM 12: segmento

Nota: Este procedimento é realizado através do SPM12 GUI. O guia de SPM12 fornece mais detalhes e pode ser encontrada em: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Abra o software SPM digitando 'spm' na janela de comando. Isso abre uma janela de interface (GUI) gráfica do usuário com uma gama de opções que podem ser selecionados para realizar a análise.
  2. Pressione 'PET & VBM'. Pressione a 'Lote' para abrir o Editor do lote.
  3. Clique em ' SPM | Espaciais | Segmento '. Em seguida, clique em ' dados | Dos volumes.
  4. Defina 'Tecido nativo tipo' para 'Espaço nativo'. Desligue as classes de tecido que não são necessárias (por exemplo a CSF) definindo-os como 'None'. Defina 'Tecido entortado' como 'None'.
    Nota: Todas as outras opções podem ser deixadas como configuração padrão.
  5. Clique a bandeira verde para executar a segmentação.
    Nota: A janela de comando exibirá: 'Segmento de execução'. Uma vez concluída a execução, ele irá mostrar: 'Feito segmento'.
  6. Execute QC visual sobre o GM (arquivo C1*.nii), conforme descrito na seção 8.

4. segmentação através de FSL rápido

Nota: Este procedimento é feito na linha de comando. O guia FSL fornece mais detalhes e pode ser encontrada em: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Execute a extração do cérebro de aposta. Isto pode precisar de ser otimizado para diferentes conjuntos de dados, mas o comando básico é:
    Aposto que T1_ID.nii bet_T1_ID.nii
  2. Execute FSL rápido de segmentação:
    bet_T1_ID.nii rápido
    Nota: Isto produzirá volume parcial mapas e regiões binárias para GM, CSF e WM.
  3. Executar QC visual na região da GM (o final do arquivo * _pve_1.nii.gz) conforme descrito na seção 8.

5. segmentação através de FreeSurfer

Nota: Este procedimento é feito na linha de comando. O FreeSurfer guia fornece mais detalhes e pode ser encontrada em: https://surfer.nmr.mgh.harvard.edu/.

  1. Defina o diretório onde os dados são digitando:
    Export SUBJECTS_DIR = / caminho/para/Nextel/arquivos
  2. Execute a segmentação, executando os comandos:
    Recon-todos - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Recon-todos - subjid T1_ID-autorecon2-autorecon3
    Nota: Os comandos levar > 10 h por participante. A - cw256 bandeira é necessária para cortar varreduras com campos de visão maior que 256 até este tamanho para processamento.
  3. Verifique que o processamento concluído corretamente ao olhar para o script localizado na ' pasta de saída | roteiros | Recon-all.log'. Verifica que a última linha diz 'recon-todos - s T1_ID acabado sem erro'.
  4. Execute QC visual na região da GM, conforme descrito na seção 8.

6. segmentação através de formigas

Nota: Este procedimento é feito na linha de comando. Formigas é um software mais complexo do que as outras ferramentas e isso devem-se notar que o procedimento explicado aqui pode ser ainda mais otimizado para cada coorte melhorar os resultados. Documentação de formigas pode ser encontrada em: http://stnava.github.io/ANTsDoc/. Há duas maneiras para segmentar as imagens em aulas de tecido, conforme descrito abaixo.

  1. Para usar o primeiro método, execute o comando 'antsAtropos.sh' com as configurações padrão e sem incluir antecedentes de tecido.
    Nota: Isto frequentemente executa bem, especialmente quando apenas 3 classes de tecido são necessários: GM, WM, outros.
    1. Defina o caminho para software de formigas, digitando o comando:
      Export ANTSPATH = / caminho/para/formigas/bin /
    2. Execute o pipeline de segmentação digitando o comando:
      antsAtroposN4.sh -d < image_dimension > - um < t1.nii.gz > -c < número de classes de tecido > -o < saída >
      1. Argumentos opcionais para este comando são:
        Máscara de cérebro: - x < mask.nii.gz >;
        Antecedentes de tecido: -p < segmentationPriors%d.nii.gz >.
    3. Isto irá criar uma pasta com a saída incluindo mapas volume parcial e um cérebro extraído. Execute QC visual na região da GM, conforme descrito na seção 8.
  2. Para gerar classes de tecido mais (GM, GM subcortical, WM, CSF, outros, etc.) ou executar a segmentação em uma coorte mostrando patologia neural, use antecedentes de tecido específico. Baixe antecedentes de tecido de diferentes sites. Como alternativa, usar um modelo específico do estudo tornar antecedentes - isto é muito mais complexa, mas pode ser benéfico, especialmente em coortes com mudanças patológicas do cérebro.
    1. Para criar um modelo de estudo específico/antecedentes, primeiro crie um modelo específico do estudo:
      modelo de -o -d < image_dimension > antsMultivariateTemplateConstruction.sh < outras opções >< images.nii.gz >
      1. Argumentos opcionais para este comando são:
        -c: controle para computação paralela.
        Se executando no serial, use um 0; -j: número de núcleos; -r: fazer corpo rígido registo de entradas antes de criar o modelo (padrão 0)... 0 = = 1 = = no. Isto só é útil quando um modelo inicial não está disponível.
    2. Baixe um brainmask e antecedentes do site formigas.
      Nota: Esta máscara pode precisar de ser editado para certificar-se de que é uma boa aproximação do cérebro modelo. A brainmask é uma das partes mais importantes do pipeline; Se é pobre, então, extração do cérebro/Atropos irá executar mal. Algumas das opções de download são:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      O modelo baixado então deve ser registado para o modelo de estudo.
    3. Calcule o registo, que produzirá uma série de "distorções" que pode então ser aplicado para o modelo baixado para transformá-lo para o espaço do modelo de estudo específico. Para calcular o registro, use o comando:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. As opções neste comando são:
        -d: da dimensão (ou seja, exames 3D seria '3'); -f: fixa a imagem (ou seja, o espaço onde as imagens precisam acabar); -imagem em movimento m: (ou seja, a imagem que precisa ser movida); -nome de saída de o: (sem extensão necessária); -n: número de threads.
    4. Aplica o registo de dados:
      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. As opções neste comando são:
        -d: da dimensão (ou seja, exames 3D seria '3'); -i: entrada de imagem (ou seja, a imagem que precisa ser movida); -imagem de r: referência (ou seja, a imagem de referência define o espaçamento, origem, tamanho e direção da imagem distorcida saída); -o nome de saída, este é o modelo baixado no espaço do modelo de estudo específico (extensão necessária neste caso); nome do arquivo -t transform, o arquivo de saída do cálculo de registro.
    5. Verifique visualmente o registo de correspondência entre o modelo específico do estudo e modelo baixado (para fazer isso, abra o modelo específico do estudo em cima do modelo baixado).
    6. Se o registro já trabalhou, aplicar a transformação para os prelados baixados e extraído o cérebro modelo, repetindo o passo 6.2.5.
      Nota: Depois destas etapas, haverá um modelo específico do estudo, um modelo baixado alinhado com o modelo específico do estudo, junto com uma máscara de extração do cérebro baixado e antecedentes de tecido também alinhados com o modelo específico do estudo.
    7. Atravessam o modelo específico de estudo antsCorticalThickness.sh; Isto fornece GM, WM e CSF regiões que podem ser usadas para estudo específico antecedentes:
      antsCorticalThickness.sh -d 3 - um 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. As opções neste comando são:
        -d: da dimensão (ou seja, exames 3D seria '3'); -r: imagem para ser segmentados (no caso, o modelo específico do estudo); -modelo e: cérebro (não crânio despojado; neste caso, o modelo baixado que foi registrado para o modelo específico do estudo); -máscara de extração baixado m: cérebro (no caso, o cérebro extraído do modelo baixado que foi registrado para o modelo específico do estudo); -antecedentes de p: especificados usando c-estilo de formatação (por exemplo, labelsPriors%02d.nii.gz -p).
        Nota: O comando assume que os quatro primeiros antecedentes são ordenados da seguinte forma: 1: CSF, 2: GM cortical, 3: WM e 4: GM subcortical (no caso, os antecedentes do modelo baixado que foi registrado para o modelo específico do estudo).
    8. Executar esse comando irá resultar em antecedentes gerados para o modelo, mas precisam de alisamento antes da sua utilização na segmentação de Atropos. O comando de suavização é parte do software de formigas. Alisa todos os Priores usando o comando:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Antes da execução de Atropos, execute extração do cérebro em todas as varreduras de espaço nativo. O modelo específico do estudo pode ser usado e extraiu o cérebro gerado a partir de antsCorticalThickness.sh em execução no modelo (passo 6.2.1):
      antsBrainExtraction.sh -d 3 - um T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. As opções neste comando são:
        -dimensões d:; -imagem r: anatômica; -modelo de extração e: cérebro (ou seja, modelo criado, sem crânio de descascamento); -m: estudo brainmask específico utilizado para a extração do cérebro; -prefixo de saída o:.
    10. Em seguida, execute Atropos:
      antsAtroposN4.sh -d 3 - um T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. As opções neste comando são:
        -d = dimensões; -imagem r: anatômica; -máscara de extração do cérebro x: gerada a partir da extração do cérebro; -c: número de classes de tecido para segmentar; -prefixo de saída o:; -antecedentes de segmentação específica estudo p: < segmentationPriors%d.nii.gz >
    11. Execute QC visual na região da GM, conforme descrito na seção 8.

7. segmentação através de Salm-EM

  1. Para executar EM Salm-, abra uma janela de terminal, altere o diretório para o diretório de instalação do MALP-EM e digite:
    . / malpem-proot - i T1_scan.nii -o. / optional_brain_mask_final.nii.gz -m -f 3T -t - 6C
  2. Uma vez que o comando foi concluído, verifique se existe uma pasta de saída, com aulas de tecido e segmentações regionais.
  3. Execute QC visual sobre a GM, conforme descrito na seção 8.

8. visual controle de qualidade

Nota: O controle Visual da qualidade deve ser executada em todas as regiões segmentadas para ser usado na análise. Controle de qualidade garante que as segmentações são de alto padrão e representam a segmentação confiável do CGM. Para executar o controle de qualidade, cada scan for aberto e sobreposto do T1 original para comparar a região gerada para o CGM visível na tomografia.

  1. SPM, FSL, formigas e Segmentações de Salm-EM
    1. Execute QC visual usando FSLeyes:
      https://Users.fmrib.Ox.AC.uk/~PaulMc/fsleyes_userdoc/
      Nota: O FSLview (um visualizador mais velho) também pode ser usado da mesma forma.
    2. Abra uma janela de terminal e abra o T1 e as regiões de GM sobrepostas do T1. Para fazer isso, digite:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Uma vez que FSLeyes abre, use a alternância de opacidade no painel superior para ajustar/reduzir a opacidade e permitir a visualização da imagem T1 debaixo da região da GM. Altere a cor da sobreposição segmentação através de 'cor dropdown guia' no painel superior.
    4. Percorra cada fatia no cérebro.
      Nota: Aqui, isso é feito usar o vista coronal, mas os usuários deve usar a visão que eles têm mais experiência com.
    5. Verifique cada fatia para regiões de sob - ou over - estimation da região sendo inspeccionada.
      Nota: Consulte a seção de resultados representativos para exemplos de boas e más segmentações.
  2. FreeSurfer QC
    1. Efetuar QC visual usando TDT.
      Nota: Consulte a documentação aqui:
      https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Abra uma janela de terminal. Para exibir a região de GM volumétrica sobreposta sobre o T1, altere o diretório para a pasta do tema e tipo:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Percorra cada fatia no cérebro.
      Nota: Aqui, isso é feito usar o vista coronal, mas os usuários deve usar a visão que eles têm mais experiência com.
    4. Verifique cada fatia para regiões de sob - ou over - estimation da região sendo inspeccionada.
      Nota: Consulte a seção de resultados representativos para exemplos das Segmentações.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Cérebro médio volumes de 20 participantes de controle, juntamente com informações demográficas, é mostrado na tabela 1. Isto age como um guia para valores esperados ao usar estas ferramentas. Os resultados devem ser analisados no contexto da imagem original T1.nii. Todas as regiões da GM devem ser inspecionadas conforme os passos descritos na seção 8. Ao executar o QC visual, é importante comparar diretamente as regiões da GM para a verificação de T1 por visualizá-las sobreposto do T1.

Regiões devem ser rejeitadas por erros grosseiros, como mostrado na Figura 1. Às vezes esses erros resultam se processamento foi executado incorretamente, ou se o cérebro foi mal posicionado dentro do campo de visão. Para corrigir esses erros, os exames de T1 nativos podem ser rigidamente re-alinhados ao padrão espacial e segmentação pode ser re-tentativa. A taxa de falhas irá variar dependendo da qualidade dos dados e ferramentas utilizadas, bem como a classificação de falha. No estudo atual, taxas de falha de falhas totais, resultando em rejeição foram < 5% para todas as ferramentas, mas erros menos significativos foram consistentemente vistos através de um número de ferramentas. FSL rápido, SPM 8 novo segmento e FreeSurfer tinham erros (mas não de falhas) em > 50% dos exames para esta coorte. Esta taxa de erro foi quantificada, examinando as notas tomadas durante o processo QC visual, com erros incluídos se eles eram vistos como um ponto de partida razoável de regiões esperados, como mostrado nas figuras 2-6. É importante observar que essas ferramentas foram validadas em outros conjuntos de dados e resultado em muito menor erro taxas 3,8. Enquanto esses erros possivelmente poderiam ser melhorados através da intervenção manual ou a inclusão de uma máscara na extração do cérebro, desde que o novo segmento SPM e Salm-EM resultaram em uma menor taxa de erro para esse conjunto de dados, essas ferramentas seria usadas em vez disso. Máscaras podem ser aplicadas antes de processamento dentro de formigas e Salm-EM e após o processamento para o SPM (todas as versões) e FSL primeiro.

Mais pequenos erros são mostrados nas figuras 2-6. Ao testar ferramentas de segmentação diferente em um conjunto de dados antes da aplicação para a coorte de toda, a ferramenta que executa melhor sobre esse conjunto de dados pode ser selecionada para análise. Ao executar o QC, um procedimento deve ser desenvolvido para a escolha de rejeitar, editar ou aceitar segmentações. Erros comuns de visto para as sete ferramentas são descritos aqui, com exemplos mostrados nas figuras 2-6. Erros na segmentação como estas muitas vezes podem ser corrigidos com a adição de uma máscara no fluxo de processamento ou edição de regiões. No entanto, regiões com extensa over - ou under - estimation do córtex podem precisar de ser rejeitado em análise. Rigorosos critérios devem ser desenvolvidos e seguidos ao tomar esta decisão. Essas etapas não são abrangidas no presente protocolo e variarão de conjunto de dados para o dataset.

Geralmente, ao executar QC visual, é importante prestar atenção especial às regiões temporais e occipitais, como estas são áreas que mostram os erros mais consistentes. A Figura 2 mostra exemplos de boas e más segmentações temporais, e a Figura 3 mostra exemplos de boas e más segmentações occipitais. A Figura 4 mostra um outro problema comum que ocorre em todas as ferramentas, em que o tecido cerebral não é classificado como CGM em fatias superiores do cérebro. A Figura 5 exibe uma outra questão que vi em uma série de segmentações onde regiões do CGM excluem a segmentação. Isso geralmente ocorre em fatias superiores do cérebro, como visto na Figura 5.

SPM8 unificação segmento comumente resultou em pobre delimitação temporal, com a região de GM segmentada derramando em tecidos não-cerebrais circundantes lobos temporais. Derramamento para o lobo occipital é comum, enquanto Under estimativa dos lobos frontais também visto em algumas regiões. Para SPM8 novo segmento, pobre delimitação temporal e occipital derrames também eram comuns. Usar esta versão do SPM também resulta em voxels dentro do crânio e dura-máter sendo classificados como GM em quase todas as segmentações. SPM12 foi melhorado em comparação com versões anteriores do SPM, com o derrame no lobo temporal de segmentações melhorado e menos em outras regiões. As formigas mostraram desempenho altamente variável nesta coorte, com a extração do cérebro inicial determina a qualidade de segmentação. É importante prestar atenção especial para as fronteiras externas, e se cérebro extração é pobre usando as formigas, então a máscara de cérebro incluída no comando Atropos pode ser melhorada. Problemas com sobreavaliação da GM nos lobos temporais e occipitais novamente eram comuns. Salm-EM mostrou menos problemas com sobreavaliação dos lobos temporais e occipitais; embora, houve menor estimativa do córtex em um número de casos. Isso pode ser melhorado pela inclusão de uma máscara de cérebro no pipeline. FSL rápido segmentações foram altamente variáveis, devido ao desempenho variável de aposta cérebro extraído dos dados nesta coorte. Mais uma vez, questões dentro dos lobos temporal e occipital eram comuns; no entanto, estas podem ser melhoradas com otimização de extração do cérebro. Finalmente, FreeSurfer volumétricas regiões costumam ser apertadas ao longo da fronteira de GM/QCA, normalmente excluindo algumas regiões da GM no limite exterior (Figura 6). Como com outras ferramentas, derrame fora da GM é prevalente dentro dos lobos temporais e occipitais. Finalmente, a Figura 7 mostra um exemplo de uma boa segmentação exibido no FSLview que tinha sem erros em segmentação. Edição manual das regiões pode frequentemente ser realizada para melhorar as regiões, embora este não é coberto aqui.

Figure 1
Figura 1 : Exemplo de uma falha segmentação exibido em uma varredura T1. Esta segmentação deve ser re-processada e excluída da análise, se ele não pode ser melhorado. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2 : Exemplos do desempenho de diferentes ferramentas no lobo temporal em uma varredura T1. (A), o T1 de varredura sem uma segmentação. (B), o T1 de varredura com um exemplo de uma boa delimitação regional (Salm-EM). (C), o T1 de varredura com um exemplo de uma boa delimitação regional (FreeSurfer). (D) o T1 digitalizar com um exemplo de um pobre delimitação regional, mostrando o derramamento dos lóbulos temporal esquerda e direita (SPM 8 novo segmento). (E) o T1 digitalizar com um exemplo de um pobre delimitação regional, mostrando derrame nos lobos temporais esquerdos e direito (FSL rápido). Os exames são vistos em FSLeyes com a varredura de T1 como uma imagem de base e a região de GM como uma sobreposição. Nesta figura, as regiões de GM são vistas como vermelho-amarelo com uma opacidade de 0,4. O gradiente de cor representa o volume parcial de voxels, com voxels que são mais amarelo, tendo uma estimativa mais elevada de PVE (mais provável ser GM) e aqueles que são vermelho, tendo uma baixa estimativa PVE (menos provável de ser GM). Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3 : Exemplos do desempenho de diferentes ferramentas no lobo occipital em uma varredura T1. (A), o T1 de varredura sem uma segmentação. (B), o T1 de varredura com um exemplo de uma boa delimitação regional (Salm-EM). (C) o T1 digitalizar com um exemplo de um pobre lobo occipital delineação de derrames acidentais para a dura-máter na seção medial da região (SPM 8 unificação segmento). (D) o T1 digitalizar com um exemplo de um pobre lobo occipital delineação de derrames acidentais para a dura-máter nas seções medial e superiores da região (SPM 8 novo segmento). (E) o T1 digitalizar com um exemplo de um pobre lobo occipital delineação de derrames acidentais para a dura-máter nas seções medial e superiores da região (FSL rápido). Os exames são vistos em FSLeyes com a varredura de T1 como uma imagem base e a região de GM como uma sobreposição. Nesta figura, as regiões de GM são vistas como vermelho-amarelo com uma opacidade de 0,4. O gradiente de cor representa o volume parcial de voxels, com voxels que são mais amarelo, tendo uma estimativa mais elevada de PVE (mais provável ser GM) e aqueles que são vermelho, tendo uma baixa estimativa PVE (menos provável de ser GM). Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4 : Exemplo de uma região de GM derramado sobre a dura-máter, exibida em uma janela o FSLview (na vista axial, coronal e sagital). A região azul destaca derramamento para a dura-máter. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5 : Exemplo de uma região de GM que tem regiões do CGM excluídos segmentação. Esta região é exibida em uma janela o FSLview, na vista sagital, coronal e axial. A melhor de vista axial mostra as regiões que foram excluídas da segmentação. Clique aqui para ver uma versão maior desta figura.

Figure 6
Figura 6 : Exemplo de uma região de FreeSurfer GM que é muito apertado ao longo da fronteira de GM/QCA, exibida em FreeView. Coronal janela no topo esquerdo melhor exibe a estimativa sob o CGM nesta região. Clique aqui para ver uma versão maior desta figura.

Figure 7
Figura 7 : Exemplo de uma região EM Salm-bem delineado em uma tomografia T1. A região mostra sem problemas com over - ou under - estimation do CGM em qualquer região. Clique aqui para ver uma versão maior desta figura.

Table 1
Tabela 1: Informações demográficas e média GM volumes (mL) para 20 participantes de controle do estudo faixa-HD, segmentados usando as sete ferramentas descritas aqui.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Recentemente, pesquisas têm demonstrado que a utilização de diferentes métodos volumétricos pode ter implicações importantes para estudos de neuroimagem1,2. Por protocolos de publicação que ajudam os usuários novatos guia em como aplicar ferramentas diferentes de neuroimagem, bem como como executar QC sobre a saída de resultados por essas ferramentas, pesquisadores podem selecionar o melhor método para aplicar ao seu dataset.

Enquanto a maioria dos passos nesta SOP pode ser ajustado para atender as exigências de dados e o pesquisador, um dos processos mais críticos apresentados aqui estão os passos descrevendo o controle detalhado de qualidade visual. QC visual deve ser realizada em todas as saídas de segmentações por essas ferramentas e é essencial para a medição precisa do CGM. As etapas QC tomadas para assegurar a alta qualidade segmentações foram desenvolvidas após análise de milhares de regiões CGM. Comparando-se diferentes ferramentas através de exame visual, encontram-se o método mais preciso para cada conjunto de dados.

Para cada ferramenta, existem opções diferentes que podem ser usadas para otimizar a segmentação em cada conjunto de dados. Muitas vezes é preferível realinhar todos os scans para espaço nativo antes da segmentação, como isto pode reduzir os erros de segmentação; no entanto, isto não é essencial. Além disso, as regiões de saída por cada ferramenta diferem, com alguns incluindo apenas alguns também incluindo regiões subcorticais e cortical GM. Além disso, algumas regiões saída volume parcial estima (PVE) e alguns mapas de tecido discretos de saída. Enquanto a extração de volume não é abordada aqui, e a discussão da diferença entre PVE e tecido discreto mapas está além do escopo deste procedimento operacional padrão (SOP), PVE mapas são geralmente aceitos como um mais confiável de medida12. Esta SOP fornece informações sobre o processamento usado em Johnson et al . (2017) 2 para o segmento e QC os exames; no entanto, pode haver seleções mais apropriadas para outros usuários, dependendo da qualidade de suas imagens e processamento adicional, como a aplicação de máscaras para limitar as regiões a GM cortical pode ser necessária. Todas as segmentações podem ser executadas no espaço nativo.

Este protocolo prevê sete diferentes métodos que podem ser usados para segmentar o CGM de T1 ressonâncias pipelines de exemplo. Estes exemplos a seguir em grande parte os pipelines de padrão que são recomendados para cada software, e é importante notar que a otimização mais destes dutos podem ser necessários para a segmentação bem sucedida de uma região sobre exames diferentes. Algumas ferramentas, como o Salm-EM, tem opções limitadas e provavelmente melhor para os usuários que são novos para neuroimagem. Outras ferramentas, incluindo formigas, podem sofrer otimização detalhada, e o protocolo aqui apresentado representa uma possível aplicação deste software. Opções adicionais, tais como o uso de máscaras para limitar o cálculo dos volumes, são também possíveis para a maioria das ferramentas.

É importante notar que nem todas as ferramentas podem ser usadas em cada sistema operacional. SPM e formigas são compatíveis com sistemas Windows, Mac e Linux, FSL é compatível com sistemas Mac e Linux, e EM Salm- e FreeSurfer são compatíveis com sistemas Linux (ou uma máquina virtual de Linux rodando em um PC Windows/Mac).

Este protocolo abrange as etapas que podem ser usadas para executar a segmentação e controle de qualidade (QC) em 3D ponderada T1 ressonâncias para gerar regiões CGM. No entanto, o protocolo assume que as imagens são imagens 3D de T1 no formato NifTI (extensão. .nii). Na análise realizada por Johnson et al . 2, imagens já estavam usando o procedimento de N313viés-corrigido. Este protocolo também assume que o software tem sido baixado e instalado em uma máquina linux conforme as instruções fornecidas por cada ferramenta. O software comparado aqui incluem SPM814, SPM12, FSL15, FreeSurfer16,17, formigas18e EM Salm-19.

Esta SOP abrange uma gama de técnicas de segmentação; no entanto, há outras opções disponíveis para segmentação estruturais varreduras de T1. Esses métodos foram selecionados para comparação anterior por Johnson et al . 2 com base na sua frequência de uso na investigação da doença de Huntington. No entanto, cada ferramenta executa de forma diferente em cada conjunto de dados, e ferramentas de segmentação não cobertas aqui podem ser apropriadas para outros grupos de conjuntos de dados e pesquisa.

Essas ferramentas são amplamente utilizadas na pesquisa de neuroimagem. Como as atualizações de software são criadas para essas ferramentas, é provável que a saída de cada método de segmentação passará por alterações significativas ao longo do tempo. No entanto, a ênfase deve permanecer sobre o processo do QC visual para garantir que segmentações de alta qualidade são utilizadas em estudos de neuroimagem.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada para divulgar.

Acknowledgments

Gostaríamos de agradecer a todos aqueles na Fundação Q CHDI/alto responsável para o estudo de faixa-HD; em particular, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer e Sherry Lifer. Os autores também desejam estender sua gratidão aos participantes do estudo faixa-HD e suas famílias. Este trabalho foi realizado na UCLH/UCL, que recebeu uma percentagem do financiamento do Instituto de nacional do departamento de saúde para investigação biomédica pesquisa centros de saúde regime de financiamento. S.J.T. reconhece o apoio do Instituto Nacional de investigação em saúde através da demências e neurodegenerativas Research Network, DeNDRoN.

Investigadores da trilha-HD:
C. Campbell, M. Campbell, I. Lana, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Austrália; R. Coleman, r. Dar Santos, J. Decolongon, B. R. Leavitt, r. Sturrock, Universidade de British Columbia, Vancouver, BC, Canadá; R. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, França; Bechtel de N. S. Bohlen, R. Reilmann, Universidade de Münster, Münster, Alemanha; B. Landwehrmeyer, Universidade de Ulm, Ulm, Alemanha; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ' t Hart, R. A. Roos, Leiden University Medical Center, Leiden, Países Baixos; S. Arran, J. Callaghan, d. Craufurd, C. Stopford, Universidade de Manchester, Manchester, Reino Unido; M. M. dinheiro, IXICO, Londres, Reino Unido; H. Crawford, s. C. Fox, Gregory S., G. Owen, N. z. Hobbs, s. leal, I. Malone, J. Read, M. J. Say, d. Whitehead, Wild E., University College London, Londres, Reino Unido; C. Frost, R. Jones, escola de Londres da higiene e Medicina Tropical, Londres, Reino Unido; E. Axelson, H. J. Johnson, d. Langbehn, Universidade de Iowa, IA, Estados Unidos; e S. Queller, c. Campbell, Indiana University, em, Estados Unidos.

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

Neurociência edição 143 MRI estrutural SPM FSL FreeSurfer formigas Salm-EM controle de qualidade a matéria cinzenta
Segmentação automática de matéria cinzenta Cortical de imagens de T1-Weighted MRI
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