Waiting
Processando Login

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

Neuroscience

Automatiserad segmentering av hjärnbarkens grå substans från T1-vägd MRI-bilder

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

Summary

Det här protokollet beskriver processen att tillämpa sju olika automatiserad segmentering verktyg till strukturella T1-vägd Magnettomografi att avgränsa grå regioner som kan användas för kvantifiering av grå hjärnsubstans volym.

Abstract

Inom neuroradiologisk forskning, har ett antal nyare studier diskuteras effekterna av mellan-studera skillnader i volymetriska fynd som är tänkt att resultera från användning av olika segmentering verktyg för att generera hjärnan volymer. Här presenteras bearbetning rörledningar för sju automatiserade verktyg som kan användas för att segmentera grå substans i hjärnan. Protokollet ger ett första steg för forskare som syftar till att hitta den mest exakta metoden för att generera grå volymer från T1-vägd Magnettomografi. Åtgärder för att genomföra detaljerad visuell kvalitetskontroll ingår också i manuskriptet. Detta protokoll omfattar en rad potentiella segmentering verktyg och uppmuntrar användare att jämföra prestanda för dessa verktyg inom en delmängd av deras data innan du väljer en att gälla en full kohort. Dessutom kan protokollet generaliseras ytterligare till segmentering av andra regioner i hjärnan.

Introduction

Neuroimaging används flitigt i både kliniska och forskning inställningar. Det finns en aktuell flytta att förbättra reproducerbarheten av studier som kvantifiera hjärnans volym från magnetisk resonanstomografi (MRT) genomsökningar; Det är därför viktigt att utredarna dela erfarenheter av att använda tillgängliga MRI verktyg för segmentera Magnettomografi till regionala volymer, för att förbättra standardisering och optimering av metoder1. Detta protokoll ger en steg för steg guide till att använda sju olika verktyg för att segmentera i hjärnbarkens grå substans (CGM; grå substans som utesluter subkortikala regioner) från T1-vägd Magnettomografi. Dessa verktyg användes tidigare i en metodologisk jämförelse av segmentering metod2, som visade varierande prestanda mellan verktyg på en HS-kohorten. Eftersom prestanda av dessa verktyg är tänkt att variera mellan olika datamängder, är det viktigt för forskarna att testa ett antal verktyg innan du väljer endast en att gälla deras datamängd.

Grå substans (GM) volym används regelbundet som ett mått på hjärnans morfologi. Volymetrisk åtgärder är i allmänhet pålitliga och kunna diskriminera mellan friska kontroller och kliniska grupper3. Volymen av olika vävnadstyper av hjärnregioner beräknas oftast med automatiserad programvaruverktyg som identifierar dessa vävnadstyper. Således, för att skapa högkvalitativa tolkningar (segmenteringar) av GM, korrekt avgränsning av vit substans (WM) och cerebrospinalvätska (CSF) är kritiska för att uppnå noggrannhet av regionen GM. Det finns ett antal automatiserade verktyg som kan användas för att utföra GM segmentering, och var och en kräver olika bearbetningssteg och resulterar i en annan utgång. Ett antal studier har använt verktyg för olika datamängder att jämföra dem med varandra, och vissa har optimerat specifika verktyg1,4,5,6,7,8 ,9,10,11. Tidigare arbete har visat att variationen mellan volymetriska verktyg kan leda till inkonsekvenser inom litteraturen när man studerar hjärnans volym, och dessa skillnader har föreslagits som drivande faktorer för falska avslutningar dras om neurologiska villkor1.

Nyligen genomfördes en jämförelse av olika segmentering verktyg i en kohort som inkluderade både friska kontrolldeltagare och deltagare med Huntingtons sjukdom. Huntingtons sjukdom är en genetisk neurodegenerativ sjukdom med en typisk debut i vuxen ålder. Gradvis atrofi av subkortikala och CGM är en framstående och väl studerat neuropatologiska funktion av sjukdomen. Resultaten visade varierande prestanda av sju segmentering-verktyg som användes till kohorten, stödja tidigare arbete som uppvisade fluktuationer i resultat beroende på vilken programvara som används för att beräkna hjärnan volymer från Magnettomografi. Detta protokoll ger information om den behandling som används i Johnson et al. (2017) 2 som uppmuntrar noggrann metodologiska val av de mest lämpliga verktygen för användning i neuroimaging. Denna handbok omfattar segmentering av GM volym men täcker inte segmentering av lesioner, såsom dem som ses vid multipel skleros.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Anmärkning: Se till att alla bilder är i NifTI-format. Konvertering till NifTI täcks inte in här.

1. segmentering via SPM 8: Unified Segment

Obs: Denna procedur utförs via SPM8 GUI som verkar inom Matlab. Guiden SPM8 ger ytterligare information och kan hittas på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Kontrollera att SPM8 är installerad och inställd i sökvägen programvara.
  2. SPM segmentering utförs med en GUI. För att öppna SPM, öppna ett kommandofönster och skriv 'spm' i kommandoraden.
  3. Tryck på 'PET & VBM' att öppna verktygslådan strukturella MRI.
  4. Tryck på 'Batch' Öppna redigeraren Batch. Detta tillåter segmentering som ska utföras på flera skanningar i taget.
  5. Välj ' SPM | Rumsliga | Segmentet '.
  6. Klicka på ' Data | Välj arkivera. Välj T1-vägd skanningar som indata.
    Obs: Filerna måste vara uppackade NifTi-filer, med tillägget att vara '.nii'.
  7. Klicka på ' utdatafiler | Grå materia ' och att 'Native Space' är markerat, göra detsamma för vit substans. Om CSF segmentering inte krävs lämna detta som 'Ingen'.
  8. Om skanningar redan har bias-korrigerade, ändra alternativet 'Bias korrigerade' till 'Inte spara korrigerade'. För alternativet 'Rensa upp alla partitioner' testa tre olika alternativ och Använd visuell kvalitetskontroll (QC, avsnitt 8) för att avgöra vilket som fungerar bäst för data.
  9. Lämna de andra inställningarna som standardvärden. Klicka på den gröna flaggan att köra segmentering.
    Anmärkning: Detta tar cirka 5 minuter per deltagare och kommandoraden kommer att säga, 'Kör segmentet'. När du är klar, visas kommandofönstret 'Klar'.
  10. Utföra en visuell kvalitetskontroll på GM (C1*.nii fil) som beskrivs i avsnitt 8.

2. segmentering via SPM 8: nytt Segment

Obs: Denna procedur utförs via SPM8 GUI. Guiden SPM8 ger ytterligare information och kan hittas på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Kontrollera att SPM8 är installerad och inställd i sökvägen programvara. Öppna programvaran SPM, vanligen utförs genom att skriva ”spm” i en kommandorad. Detta öppnar ett grafiskt användargränssnitt (GUI) fönster med en rad alternativ som kan väljas att utföra analys.

  1. Tryck på 'PET & VBM'.
  2. Tryck på 'Batch' Öppna redigeraren Batch.
  3. Välj ' SPM | Verktyg | Nytt Segment' i fönstret Batch. Markera de T1-bildfilerna (med tillägget '.nii').
  4. Ange 'Native vävnadstyp' till 'Native Space'. Som behövs, Stäng av olika vävnaden klasser (till exempel CSF) - om inte krävs - genom att ställa dem till 'Ingen'. Ange 'Warped vävnad' till 'Ingen'.
    Obs: Alla andra alternativ kan lämnas som standardinställning.
  5. Klicka på den gröna flaggan om du vill köra segmentering.
    Obs: Kommandoraden kommer att säga, 'Kör nya segmentet'. När det har körts MATLAB kommandoraden vilja säga, 'gjort nya segmentet'.
  6. Utföra en visuell kvalitetskontroll på GM (C1*.nii fil) som beskrivs i avsnitt 8.

3. segmentering via SPM 12: Segment

Obs: Detta förfarande är utförs via SPM12 GUI. Guiden SPM12 ger ytterligare information och kan hittas på: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Öppna programvaran SPM genom att skriva in 'spm' i kommandofönstret. Detta öppnar ett grafiskt användargränssnitt (GUI) fönster med en rad alternativ som kan väljas att utföra analys.
  2. Tryck på 'PET & VBM'. Tryck på 'Batch' Öppna redigeraren Batch.
  3. Klicka på ' SPM | Rumsliga | Segmentet '. Klicka sedan på ' Data | Volymer.
  4. Ange 'Native vävnadstyp' till 'Native Space'. Stäng av klasserna vävnad som inte krävs (till exempel CSF) genom att ställa dem till 'Ingen'. Ange 'Warped vävnad' till 'Ingen'.
    Obs: Alla andra alternativ kan lämnas som standardinställning.
  5. Klicka på den gröna flaggan om du vill köra segmentering.
    Obs: Kommandofönstret visas: 'Running segmentet'. När körningen är klar, kommer den att visa: 'Gjort segmentet'.
  6. Utföra en visuell kvalitetskontroll på GM (C1*.nii fil) som beskrivs i avsnitt 8.

4. segmentering via FSL snabb

Obs: Denna procedur görs i kommandoraden. Guiden FSL ger ytterligare information och kan hittas på: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Kör BET hjärnan extraktion. Detta kan behöva optimeras för olika DataSet, men grundläggande kommandot är:
    satsa T1_ID.nii bet_T1_ID.nii
  2. Kör FSL snabbt segmentering:
    snabb bet_T1_ID.nii
    Obs: Detta kommer ut partiell volym kartor och binära regioner för GM, CSF och WM.
  3. Utföra en visuell kvalitetskontroll på regionen GM (ändelsen fil * _pve_1.nii.gz) som beskrivs i avsnitt 8.

5. segmentering via FreeSurfer

Obs: Denna procedur görs i kommandoraden. Guiden FreeSurfer ger ytterligare information och kan hittas på: https://surfer.nmr.mgh.harvard.edu/.

  1. Ange katalogen där data är genom att skriva:
    export SUBJECTS_DIR = / sökväg/till/nii/filer
  2. Kör segmentering genom att köra kommandon:
    Recon-all - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Recon-all - subjid T1_ID-autorecon2-autorecon3
    Obs: Kommandona ta > 10 h per deltagare. -Cw256 flagga behövs att Beskär skanningar med synfält större än 256 ner till denna storlek för bearbetning.
  3. Kontrollera att bearbetning har slutförts korrekt genom att titta på skriptet ligger i den ' output mapp | skript | Recon-all.log'. Kontrollera att den sista raden står 'recon-all - s T1_ID slutfördes utan fel'.
  4. Utföra en visuell kvalitetskontroll på regionen GM som beskrivs i avsnitt 8.

6. segmentering via myror

Obs: Denna procedur görs i kommandoraden. Myror är en mer komplex programvara än andra verktyg och det bör noteras att förfarandet förklaras här kunde ytterligare optimeras för varje kohort att förbättra resultaten. Myror-dokumentationen kan hittas på: http://stnava.github.io/ANTsDoc/. Det finns två sätt att segmentera bilderna i vävnad klasser som beskrivs nedan.

  1. För att använda den första metoden, kör du kommandot 'antsAtropos.sh' med standardinställningarna och utan inklusive vävnad priors.
    Obs: Detta ofta presterar väl särskilt när endast 3 vävnad klasser krävs: GM, WM, andra.
    1. Ange sökvägen till myror programvara genom att skriva kommandot:
      Exportera ANTSPATH = / sökväg/till/myror/bin /
    2. Kör rörledningen segmentering genom att skriva kommandot:
      antsAtroposN4.sh -d < image_dimension > - en < t1.nii.gz > -c < antal vävnad klasser > -o < output >
      1. Valfria argument för kommandot är:
        Hjärnan mask: - x < mask.nii.gz >;
        Vävnaden priors: -p < segmentationPriors%d.nii.gz >.
    3. Detta skapar en mapp med utdata även partiell volym kartor och en extraherade hjärna. Utföra en visuell kvalitetskontroll på regionen GM som beskrivs i avsnitt 8.
  2. Att generera mer vävnad klasser (GM, subkortikala GM, WM, CSF, andra, etc.) eller utföra segmentering på en kohort visar neurala patologi, använda vävnad priors. Ladda ner vävnad priors från olika webbplatser. Alternativt använda en studie-specifika mall för att göra priors - detta är mycket mer komplex men kan vara fördelaktigt, särskilt i kohorter med patologiska förändringar.
    1. Skapa en studie-specifika mallen/priors, först skapa en studie-specifika mall:
      antsMultivariateTemplateConstruction.sh -d < image_dimension > -o mall < andra alternativ >< images.nii.gz >
      1. Valfria argument för kommandot är:
        -c: kontroll för parallell beräkning.
        I följetong använder en 0; -j: antal kärnor; -r: göra stel-kropp registrering av ingångar innan du skapar mallen (standard 0)--0 == 1 == på. Detta är bara användbart när en inledande mallen inte är tillgänglig.
    2. Hämta en brainmask och priors från webbplatsen myror.
      Obs: Denna mask kan behöva redigeras för att kontrollera att det är en god approximation av mallen hjärnan. Brainmask är en av de viktigaste delarna av rörledningen; om det är dålig, då körs hjärnan utvinning/Atropos dåligt. Är några av nedladdningsalternativ:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Nedladdade mallen ska sedan registreras i studien mallen.
    3. Beräkna registrering, som kommer ut en rad trålvarpet som sedan kan tillämpas till nedladdade mall för att omvandla det till studie-specifika mallen utrymme. För att beräkna registrering, Använd kommandot:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Alternativen i detta kommando är:
        -d: dimension (dvs 3D scannar skulle vara '3'); -f: fast bilden (dvs utrymmet där bilderna behöver hamna); -m: rörlig bild (dvs, den bild som behöver flyttas); -o: utdata namn (ingen förlängning behövs); -n: antal trådar.
    4. Gäller registrering av uppgifter:
      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. Alternativen i detta kommando är:
        -d: dimension (dvs 3D scannar skulle vara '3'); -i: indatabilden (dvs, den bild som behöver flyttas); -r: referensavbildningen (dvs referensbilden definierar avstånd, ursprung, storlek och riktning av skev bild); -o utgång namn, detta är den nedladdade mallen i studie-specifika mallen utrymmet (förlängning behövs i detta fall); -t transform filnamn, utdatafilen från beräkningen av registrering.
    5. Visuellt kontrollera registreringen för korrespondens mellan studie-specifika mall och nedladdade mallen (för att göra detta, öppna studie-specifika mallen ovanpå den nedladdade mallen).
    6. Om registreringen har fungerat, gälla de nedladdade priors omvandlingen och extraherade mall hjärnan, upprepa steg 6.2.5.
      Obs: Efter dessa steg finns det en studie-specifika mall, en nedladdad mall i linje med studien-specifika mallen, tillsammans med en hämtade hjärnan utvinning mask och vävnad priors också i linje med mallen studie-specifika.
    7. Kör mallen studie specifika genom antsCorticalThickness.sh; Detta ger GM, WM och CSF regioner som kan användas för studie-specifika priors:
      antsCorticalThickness.sh -d 3 - en template.nii.gz -e downloaded_to_template.nii.gz -m downloaded_binarised_template_extracted_brain_in_studyspace.nii.gz -p downloaded_labelsPriors%d.nii.gz -o CT_template
      1. Alternativen i detta kommando är:
        -d: dimension (dvs 3D scannar skulle vara '3'); -s: bild att segmenteras (i detta fall mallen studie-specifika); -e: hjärnan mall (inte skallen strippad; i detta fall, nedladdade mallen som har registrerats i studien-specifika mallen); -m: hämtade hjärnan utvinning mask (i detta fall, extraherade hjärnan från nedladdade mallen som har registrerats i studien-specifika mallen); -p: priors anges med c-stil formatering (t.ex. -p labelsPriors%02d.nii.gz).
        Obs: Kommandot förutsätter att de fyra första priors beställs enligt följande: 1: CSF, 2: kortikala GM, 3: WM, och 4: subkortikala GM (i detta fall, priors från nedladdade mallen som har registrerats i studien-specifika mallen).
    8. Kör det här kommandot kommer att resultera i genererade priors för mallen, men de behöver utjämning före användning i Atropos segmentering. Kommandot utslätande är en del av myror programvara. Smörj alla priors med kommandot:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Innan du kör Atropos, kör hjärnan utvinning på alla infödda utrymme skanningar. Studie-specifika mallen kan användas och extraherade hjärnan genereras från att köra antsCorticalThickness.sh på mallen (6.2.1 steg):
      antsBrainExtraction.sh -d 3 - en T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Alternativen i detta kommando är:
        -d: mått; -s: anatomisk bild; -e: hjärnan utvinning mall (dvs mall skapas, utan skalle strippar); -m: studera specifika brainmask används för hjärnan utvinning; -o: utdata prefix.
    10. Kör sedan Atropos:
      antsAtroposN4.sh -d 3 - en T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. Alternativen i detta kommando är:
        -d = dimensioner; -s: anatomisk bild; -x: hjärnan utvinning mask genereras från hjärnan utvinning; -c: antal vävnad klasser att segmentera; -o: utdata prefix; -p: studie-specifika segmentering priors < segmentationPriors%d.nii.gz >
    11. Utföra en visuell kvalitetskontroll på regionen GM som beskrivs i avsnitt 8.

7. segmentering via MALP-EM

  1. Att köra MALP-EM, öppna ett terminalfönster, ändra katalog till MALP-EM installationskatalogen och typ:
    . / malpem-proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
  2. När kommandot har slutförts, kontrollera att det finns en output mapp med vävnad klasser och regionala segmenteringar.
  3. Utföra en visuell kvalitetskontroll på GM som beskrivs i avsnitt 8.

8. visuell kvalitetskontroll

Obs: Visuell kvalitetskontroll bör utföras på alla segmenterade regioner som ska användas i analysen. Kvalitetskontroll säkerställer att segmenteringar håller en hög standard och representerar pålitlig segmentering av CGM. För att utföra kvalitetskontroll, varje skanning öppnas och överdrog den ursprungliga T1 att jämföra genererade regionen till den synliga på Skanna CGM.

  1. SPM, FSL, myror och MALP-EM segmenteringar
    1. Utföra en visuell kvalitetskontroll med hjälp av FSLeyes:
      https://Users.fmrib.ox.AC.uk/~PaulMc/fsleyes_userdoc/
      Obs: FSLview (en äldre viewer) kan också användas på samma sätt.
    2. Öppna ett terminalfönster och T1 och Regionkommittén GM överlagras på T1. För att göra detta, skriver du:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. När FSLeyes öppnas, Använd opacitet växlingsknappen på överst i fönstret för att justera/minska opaciteten och tillåta visualisering av T1 bilden under GM regionen. Ändra färg på överlägget segmentering via 'dropdown färgfliken ' i den översta fönsterrutan.
    4. Rulla genom varje bit i hjärnan.
      Obs: Här görs detta använda koronalt se, men användare bör använda anser att de har mest erfarenhet av.
    5. Kontrollera varje segment för regioner av under - eller över - estimation av regionen som inspekteras.
      Obs: Se avsnittet representativa resultat för exempel på bra och dåliga segmenteringar.
  2. FreeSurfer QC
    1. Peform visuella QC med FreeView.
      Obs: Se dokumentationen här:
      https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Öppna ett terminalfönster. Om du vill visa den volymetriska GM regionen överlagras på T1, ändra katalog till ämnet mappen och typ:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Rulla genom varje bit i hjärnan.
      Obs: Här görs detta använda koronalt se, men användare bör använda anser att de har mest erfarenhet av.
    4. Kontrollera varje segment för regioner av under - eller över - estimation av regionen som inspekteras.
      Obs: Se avsnittet representativa resultat för exempel på segmenteringar.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Genomsnittliga hjärnan volymer för 20 kontrolldeltagare, tillsammans med demografisk information, visas i tabell 1. Detta fungerar som en guide för förväntade värden när du använder dessa verktyg. Resultaten bör ses i samband med den ursprungliga T1.nii bilden. Alla GM regioner ska inspekteras enligt stegen som beskrivs i avsnitt 8. När du utför visuella QC, är det viktigt att direkt jämföra GM regionerna att T1 genomsökningen genom att visa dem överlagras på T1.

Regionerna bör avvisas för grova fel som visas i figur 1. Ibland resultera dessa fel om bearbetning kördes felaktigt, eller om hjärnan var dåligt placerad inom synfältet. För att rätta till dessa fel, de infödda T1-skanningar kan vara stelt åter arrangera i rak linje till standard utrymme och segmentering kan vara nytt försök. Kylningen av varierar beroende på kvaliteten på data och verktyg som används, samt klassificering av misslyckande. I den aktuella studien, felfrekvens totala misslyckanden leder till avslag var < 5% för alla verktyg, men mindre betydande fel sågs konsekvent över ett antal verktyg. FSL snabbt, SPM 8 nya Segment och FreeSurfer hade fel (men inte fel) i > 50% av skanningar för denna kohort. Denna felprocent kvantifierades genom att undersöka de anteckningar som görs under visuella QC processen med fel ingår om de sågs som en rimlig avvikelse från de förväntade regionerna, som visas i figurerna 2-6. Det är viktigt att notera att dessa verktyg har validerats på andra datamängder och resultatet i mycket lägre fel priser 3,8. Medan dessa fel kan möjligen förbättras via handpåläggning eller införandet av en mask på hjärnan utvinning, eftersom SPM nya Segment och MALP-EM resulterat i en lägre felprocent för denna datamängd, skulle dessa verktyg användas istället. Masker kan tillämpas före bearbetning inom myror och MALP-EM, och efter bearbetning till SPM (alla versioner) och FSL första.

Flera mindre fel visas i figurerna 2-6. Genom att testa olika segmentering verktyg på en datamängd innan ansökan till hela kohorten, kan det verktyg som fungerar bäst på datamängden väljas för analys. När du utför QC, bör ett förfarande utarbetas för att välja att avvisa, redigera eller acceptera segmenteringar. Vanliga fel sett för de sju verktyg beskrivs här, med exempel som visas i figurerna 2-6. Fel i segmentering som dessa kan ofta korrigeras med tillägg av en mask i bearbetning strömmen eller redigera regioner. Regioner med omfattande över - eller under - estimation av cortex kan dock behöva avvisas från analys. Stränga kriterier bör utvecklas och följas när du gör detta beslut. Dessa steg omfattas inte av detta protokoll och varierar från dataset DataSet.

Generellt, när du utför visuella QC, är det viktigt att särskilt uppmärksamma temporal och occipital regioner, eftersom dessa områden som visar de mest konsekventa fel. Figur 2 visar exempel på bra och dåliga temporal segmenteringar, och figur 3 visar exempel på bra och dåliga occipital segmenteringar. Figur 4 visar ett annat vanligt problem som uppstår i alla verktyg, där icke-hjärnvävnad klassificeras som CGM överlägsna skivad i hjärnan. Figur 5 visar en annan fråga som sett i ett antal segmenteringar där regioner av CGM är undantagna från segmentering. Detta sker ofta i överlägsen skivor av hjärnan, som kan ses i figur 5.

SPM8 Unified Segment resulterade ofta i fattiga temporal avgränsning, med segmenterade GM regionen spilla i icke-hjärna vävnaden som omger den temporala loberna. Spill i nackloben är vanligt, medan undervärdering av frontalloberna även sett i ett antal regioner. För SPM8 nya segmentet var dålig temporal avgränsning och occipital spill också vanliga. Använder samma version av SPM leder också voxlar inom skallen och dura klassificeras som GM i nästan alla segmenteringar. SPM12 förbättrades jämfört med tidigare versioner av SPM, med tinningloben segmenteringar förbättrade och mindre spill i andra regioner. Myror visade mycket varierande prestanda på denna kohort, med inledande hjärnan utvinning kvalitetsbestämning på segmentering. Det är viktigt att särskilt uppmärksamma de yttre gränserna och om hjärnan utvinning är dålig med hjälp av myror, då hjärnan masken ingår i kommandot Atropos kan förbättras. Problem med övervärdering av GM i de tidsmässiga och occipital loberna var igen gemensamma. MALP-EM visade färre problem med övervärdering av de tidsmässiga och occipital loberna; även om det var undervärdering av cortex i ett antal fall. Detta kan förbättras genom införande av en hjärna mask i rörledningen. FSL snabbt segmenteringar var mycket varierande, på grund av BET hjärnan utvinning på data från denna kohort variabel prestanda. Igen, problem i occipital och temporala loberna var vanliga; dessa kan dock förbättras med optimering av hjärnan extraktion. Slutligen är FreeSurfer volymetriska regioner ofta tätt längs GM/CSF gränsen, vanligtvis exklusive vissa regioner för GM i den yttre gränsen (figur 6). Som med andra verktyg, är spill utanför GM förhärskande inom de tidsmässiga och occipital loberna. Slutligen, figur 7 visar ett exempel på en bra segmentering som visas i FSLview som hade inga fel i segmentering. Manuell redigering av Regionkommittén kan ofta utföras för att förbättra regioner, även om detta inte omfattas här.

Figure 1
Figur 1 : Exempel på en misslyckad segmentering som visas på en T1-genomsökning. Denna segmentering bör bearbetas på nytt och uteslutas från analys om det inte kan förbättras. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2 : Exempel på utförandet av olika verktyg på tinningloben på en T1-genomsökning. (A), T1 scan utan en segmentering. (B), T1 scan med ett exempel på en bra regional avgränsning (MALP-EM). (C), T1 scan med ett exempel på en bra regional avgränsning (FreeSurfer). (D) The T1 skanna med ett exempel på en dålig regional avgränsning, visar spill i vänster och höger temporala loberna (SPM 8 nya Segment). (E) The T1 skanna med ett exempel på en dålig regional avgränsning, visar spill i vänster och höger temporala loberna (FSL snabb). Skanningar ses i FSLeyes med T1 genomsökningen som en bas-image och regionen GM som ett överlägg. I denna figur ses GM regionerna som röd-gul med en opacitet på 0,4. Färggradient representerar delvis volym av voxlar, med voxlar som är mer gul med en högre PVE uppskattning (mer sannolikt att vara GM) och de som är röda med en lägre PVE uppskattning (mindre troligt att vara GM). Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3 : Exempel på utförandet av olika verktyg på nackloben på en T1-genomsökning. (A), T1 scan utan en segmentering. (B), T1 scan med ett exempel på en bra regional avgränsning (MALP-EM). (C) The T1 skanna med ett exempel på en dålig nackloben avgränsning med spill i dura i den mediala delen av regionen (SPM 8 Unified Segment). (D) The T1 skanna med ett exempel på en dålig nackloben avgränsning med spill i dura i avsnitten mediala och överlägsen i regionen (SPM 8 nya Segment). (E) The T1 skanna med ett exempel på en dålig nackloben avgränsning med spill i dura i avsnitten mediala och överlägsen i regionen (FSL snabb). Skanningar ses i FSLeyes med T1 sökningen som en bas-image och regionen GM som ett överlägg. I denna figur ses GM regionerna som röd-gul med en opacitet på 0,4. Färggradient representerar delvis volym av voxlar, med voxlar som är mer gul med en högre PVE uppskattning (mer sannolikt att vara GM) och de som är röda med en lägre PVE uppskattning (mindre troligt att vara GM). Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4 : Exempel på en GM-region spillts i dura, visas en FSLview fönster (i sagittal, koronalt och axiell visningar). Regionen blå belyser spill i dura. Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5 : Exempel på en GM-region som har uteslutit regioner av CGM från segmentering. Denna region visas i sagittal, koronalt och axiell utsikt en FSLview i fönstret. Den axiella bästa visar de regioner som har undantagits från segmentering. Klicka här för att se en större version av denna siffra.

Figure 6
Figur 6 : Exempel på en FreeSurfer GM region som är mycket snäva längs GM/CSF gränsen, visas i FreeView. Koronalt fönstret i övre vänstra bästa visar underskattning i CGM i denna region. Klicka här för att se en större version av denna siffra.

Figure 7
Figur 7 : Exempel på en väl avgränsad MALP-EM-region på en T1 hjärnskanning. Regionen visar inga problem med över - eller under - estimation av CGM i någon region. Klicka här för att se en större version av denna siffra.

Table 1
Tabell 1: Demografisk information och genomsnittliga GM volymer (mL) för 20 kontrolldeltagare från TRACK-HD studien, segmenterad med de sju verktyg som beskrivs här.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Forskning har nyligen visat att användning av olika volymetriska metoder kan ha stor betydelse för neuroradiologiska studier1,2. Genom protokoll för webbpublicering som hjälper nybörjare guide i hur man tillämpar olika neuroimaging verktyg, samt hur du utför QC på resultat-utdata med dessa verktyg, kan forskare välja den bästa metoden att gälla deras datamängd.

Medan de flesta stegen i denna SOP kan justeras för att passa kraven på faktauppgifter och forskare, en av de mest kritiska processer som presenteras här är de steg som beskriver detaljerad visuell kvalitetskontroll. Visuella QC bör utföras på alla segmenteringar utdata av dessa verktyg och är avgörande för korrekt mätning av CGM. QC åtgärder för att säkerställa hög kvalitet segmenteringar har utvecklats efter prövningen av tusentals CGM regioner. Genom att jämföra olika verktyg via visuell undersökning, kan den mest exakta metoden hittas för varje datamängd.

För varje verktyg finns det olika alternativ som kan användas för att optimera segmentering på varje datamängd. Det är ofta att föredra att justera alla skanningar till infödda utrymme före segmentering, eftersom detta kan minska antalet fel i segmentering; Detta är dock inte nödvändigt. Dessutom variera Regionkommittén utgång av varje verktyg med några inklusive endast kortikala GM och några också inklusive subkortikala regioner. Dessutom utgång vissa regioner delvis volym uppskattar (PVE) och några utdata diskret vävnad kartor. Medan volym utvinning omfattas inte här, och diskussion om skillnaden mellan PVE och diskret vävnad kartor är utanför ramen för detta normalförfarande (SOP), är PVE kartor allmänt accepterat som en mer tillförlitlig åtgärd12. Denna SOP ger information om den behandling som används i Johnson et al. (2017) 2 till segmentet och QC skanningar; men det kan finnas lämpligare val för andra användare beroende på kvaliteten på deras bilder och ytterligare bearbetning såsom tillämpningen av masker att begränsa regioner till kortikala GM kan krävas. Alla segmenteringar kan utföras i native utrymme.

Detta protokoll ger exempel rörledningar för sju olika metoder som kan användas för att segmentera CGM från T1 Magnettomografi. Dessa exempel till stor del följer standard rörledningarna som rekommenderas för varje programvara, och det är viktigt att notera att ytterligare optimering av dessa rörledningar kan vara nödvändigt för framgångsrik segmentering av en region på olika skanningar. Vissa verktyg, såsom MALP-EM, har begränsade alternativ, och sannolikt bättre för användare som är nya till neuroradiologisk. Andra verktyg, inklusive myror, kan genomgå detaljerade optimering och protokollet presenteras här representerar en eventuell tillämpning av denna programvara. Ytterligare alternativ, såsom användning av masker att begränsa beräkning av volymer, är också möjligt för de flesta verktyg.

Det är viktigt att notera att inte alla verktyg kan användas på alla operativsystem. SPM och myror är kompatibla med Windows, Mac, och Linux-system, FSL är kompatibel med Mac och Linux-system, och MALP-EM och FreeSurfer är kompatibel med Linux-system (eller en virtuell Linux-dator som körs på en dator för Windows/Mac).

Detta protokoll täcker de steg som kan användas för att utföra segmentering och kvalitetskontroll (QC) på 3D T1-vägd Magnettomografi att generera CGM regioner. Protokollet förutsätter dock att bilder är 3D T1-bilder i NifTI-format (.nii förlängning). I analysen utförs av Johnson et al. 2, bilderna var redan bias-korrigerat med N3 förfarande13. Protokollet förutsätter också att programvaran har hämtat och installerat på en linux maskin enligt de instruktioner som tillhandahålls av varje verktyg. Programvaran jämfört här omfatta SPM814, SPM12, FSL15, FreeSurfer16,17, myror18och MALP-EM19.

Denna SOP omfattar en rad olika metoder för segmentering. dock finns det andra alternativ som är tillgängliga för segmentera strukturella T1 skanningar. Dessa metoder har valts för föregående jämförelse av Johnson et al. 2 baserat på deras frekvens för användning inom HS forskning. Men varje verktyg utför olikt i varje datamängd och segmentering verktyg inte omfattas här kan vara lämpligt för andra datamängder och forskning grupper.

Dessa verktyg används allmänt inom neuroradiologisk forskning. Som programuppdateringar skapas för dessa verktyg, är det troligt att resultatet av varje segmentering metod kommer att genomgå betydande förändringar över tid. Betoningen bör dock processen för visuell QC att se till att högkvalitativa segmenteringar används i neuroradiologiska studier.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Vi vill tacka alla dem på CHDI/High Q Foundation ansvarar för TRACK-HD studien; i synnerhet Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer och Sherry Lifer. Författarna vill även utöka sin tacksamhet till TRACK-HD studiedeltagarna och deras familjer. Detta arbete genomfördes vid UCLH/UCL, vilket fick en del av finansieringen från Department of Healths nationella institutet för forskning biomedicinsk forskning vårdcentraler finansieringsprogram. S.J.T. erkänner stöd av National Institute for Health Research genom demenssjukdomar och neurodegenerativ forskarnätverket, dendrologisk.

TRACK-HD utredare:
C. Campbell, M. Campbell, I. Lindahl, 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. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, Frankrike; N. Bechtel, S. Bohlen, R. Reilmann, universitetar av Münster, Münster, Tyskland; B. ** Landwehrmeyer **, universitet av Ulm, Ulm, Tyskland; 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, Nederländerna. N. Arran, J. Callaghan, D. Craufurd, C. Stopford, University of Manchester, Manchester, Förenade kungariket. D. M. Cash, IXICO, London, Storbritannien. H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lundqvist, I. Malone, J. Läs, M. J. säga, D. Whitehead, E. Wild, University College London, London, Storbritannien; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, London, Storbritannien. E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; och S. Queller, C. Campbell, Indiana University i USA.

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

Neurovetenskap fråga 143 MRI strukturella SPM FSL FreeSurfer myror MALP-EM kvalitetskontroll grå
Automatiserad segmentering av hjärnbarkens grå substans från T1-vägd MRI-bilder
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