Kortikal gri cevherde T1 ağırlıklı MRG görüntülerden otomatik bölümleme

Summary

Bu iletişim kuralı gri madde birim miktar için kullanılan gri cevherde bölgeleri betimlemek için yapısal T1 ağırlıklı MRG taramaları için yedi farklı otomatik bölümleme araçları başvuru süreci açıklar.

Abstract

Nörogörüntüleme araştırma içinde son yıllarda yapılan çalışmalarda bir dizi beyin birimler oluşturmak için farklı segmentasyon araçları kullanımı sonucu düşünülen hacimsel bulgular çalışma arasındaki farklılıkları etkisini tartıştık. Burada, beynin içinde gri cevherde segmentlere ayırmak için kullanılan yedi otomatik araçlar için işleme boru hatları sunulmuştur. İletişim kuralı gri madde birimleri T1 ağırlıklı MRG taramaları üretmek için en doğru yöntemi bulmak için amaçlayan araştırmacılar için bir ilk adım sağlar. Detaylı görsel kalite kontrol üstlenmek için adımları ayrıca el yazması dahil edilir. Bu iletişim kuralı potansiyel segmentasyon araçları bir dizi kapsar ve kullanıcılar için tam bir kohort uygulamak için bir seçmeden önce bu araçları içinde onların verilerin bir alt kümesini performansını karşılaştırmak için teşvik eder. Ayrıca, protokol daha da diğer beyin bölgeleri ayrılmasını jeneralize.

Introduction

Beyin görüntüleme ayarları araştırma ve klinik hem de yaygın olarak kullanılır. Beyin manyetik rezonans görüntüleme (MRG) inceden inceye gözden geçirmek birimden ölçmek çalışmalar tekrarlanabilirlik geliştirmek için geçerli bir hareket olduğunu; Böylece, müfettişler standardizasyon ve optimizasyon yöntemleri¹geliştirmek için bölgesel birime, MRI taramaları segmentlere için kullanılabilir MRI araçlarını kullanarak deneyimlerini paylaşmak önemlidir. Bu iletişim kuralı, T1 ağırlıklı MRG taramaları kortikal gri madde (CGM; gri cevherde subcortical bölgeleri hariç) segmentlere ayırmak için yedi farklı araçları kullanarak bir adım adım kılavuz sağlar. Bu araçları daha önce bir Huntington hastalığı kohort araçları arasında değişken performans gösterdi bölümleme yöntem², metodolojik karşılaştırılması kullanılmaya başlanmıştır. Performans bu araçların farklı veri kümeleri arasında farklılık olduğu düşünülen olduğundan, araştırmacılar onların veri kümesine uygulamak için sadece bir seçmeden önce bir dizi araç test etmek için önemlidir.

Gri madde (GM) hacmi düzenli olarak beyin morfoloji bir önlem olarak kullanılır. Hacimsel önlemleri genellikle güvenilir ve sağlıklı kontrol ve klinik gruplar³arasında ayrımcılık mümkün vardır. Beynin farklı doku türlerine hacmi en sık bu doku türlerini belirlemek otomatik yazılım araçları kullanılarak hesaplanır. Böylece, yüksek kaliteli çizilmesi (segmentations) GM, beyaz madde (WM) ve beyin-omurilik sıvısı (BOS) doğru tarif GM bölge doğruluğunu ulaşmada kritik oluşturmaktır. GM segmentasyon gerçekleştirmek için kullanılabilir otomatik araçları vardır ve her farklı işleme adımları gerektirir ve farklı bir çıkış içinde sonuçlanır. Çalışmalar bir dizi araçları onları bir diğer karşılaştırmak için farklı veri başvuran ve bazı özel araçlar^{1,4,5,6,7,8 optimize ,9,10,11}. Önceki çalışma değişkenlik hacimsel araçlar arasında tutarsızlıklar edebiyatı içinde beyin hacmi okurken neden olabilir ve bu farklar hakkında çizilmiş olması yanlış sonuçlar için faktörler sürüş olarak önerilmiştir göstermiştir nörolojik koşulları¹.

Son zamanlarda, farklı segmentasyon araçları sağlıklı kontrol katılımcılar ve Huntington hastalığı ile katılımcılar dahil bir kohort bir karşılaştırma gerçekleştirildi. Huntington hastalığı yetişkinlikte bir genetik nörodejeneratif hastalık ile tipik bir başlangıcı var. Subcortical, kademeli atrofi ve CGM hastalığın önemli ve iyi okudu neuropathological özelliği. Sonuçları destekleyen bulgular beyin MRI taramaları birimlerden hesaplamak için kullanılan yazılım bağlı olarak değişkenlik gösterdiği önceki çalışma kohort uygulanan yedi segmentasyon araçları değişken performans gösterdi. Bu iletişim kuralı Johnson ve ark. içinde kullanılan işleme hakkında bilgi sağlar (2017) nörogörüntüleme kullanmak için en uygun araçları dikkatli metodolojik seçim teşvik eden ² . Bu kılavuz GM birim ayrılmasını kapsayan daha fazla fakat bu multipl skleroz görmüş gibi lezyonlar ayrılmasını kapsamaz.

Protocol

Not: tüm görüntüleri NifTI biçiminde olduğundan emin olun. Dönüştürme NifTI için burada kapsamında değildir.

1. segmentasyon üzerinden SPM 8: Segment birleştirilmiş

Not: Bu yordam Matlab içinde faaliyet gösteren SPM8 GUI üzerinden gerçekleştirilir. SPM8 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

1. SPM8 yüklü ve yazılım yolunu ayarlamak emin olun.
2. SPM parçalama bir GUI kullanılarak gerçekleştirilir. SPM açmak için bir komut penceresi açın ve 'spm' komut satırına girilir.
3. 'Evde beslenen hayvan ve VBM' basın yapısal MRG toolbox açmak için.
4. 'Toplu toplu işlem Düzenleyicisi'ni açmak için' tuşuna basın. Bu bir defada birden fazla taramalar yapılması segment oluşturma sağlar.
5. Seçin ' SPM | Kayma | Segment'.
6. Tıklayın ' veri | Dosyaları seçin. T1 ağırlıklı taramaları giriş olarak seçin.
   Not: Dosyaları fermuarını açıp NifTi dosyaları, '.nii' varlık uzantısına sahip olmalıdır.
7. Tıklayın ' çıkış dosyaları | Gri madde ' ve 'Yerel alan' seçili olduğundan emin olun, beyaz madde için aynı şeyi. CSF ayrılmasını gerekli değilse bu 'Yok' bırakın.
8. İnceden inceye gözden geçirmek zaten önyargı düzeltilmiş olması, 'Değil kurtarmak düzeltildi' için 'Düzeltilebilir Bias' seçeneğini değiştirin. 'Tüm bölümlerini kadar temiz' seçeneği için üç farklı seçenek test ve görsel kalite kontrol (QC, Bölüm 8) hangi verileri için en iyi belirlemek için kullanın.
9. Diğer ayarları varsayılan olarak bırakın. O zaman, yeşil bayrak ayrılmasını çalıştırmak için tıklatın.
   Not: Bu katılımcı başına yaklaşık 5 dakika sürer ve komut satırında, 'Çalışan kesimi' diyecekler. Ne zaman tamamlanmak, command Window'u 'Bitti' görüntüler.
10. Görsel QC GM (C1*.nii dosyası) Bölüm 8'de açıklandığı gibi gerçekleştirin.

2. segmentasyon SPM 8 üzerinden: yeni Segment

Not: Bu yordam SPM8 GUI gerçekleştirilir. SPM8 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. SPM8 yüklü ve yazılım yolunu ayarlamak emin olun. Genellikle bir komut satırında "spm" yazarak gerçekleştirilen SPM yazılımını açın. Bu analizi yapmak için seçilen seçenekleri bir dizi grafik kullanıcı arabirimi (GUI) penceresini açar.

1. 'Evde beslenen hayvan ve VBM' tuşuna basın.
2. 'Toplu toplu işlem Düzenleyicisi'ni açmak için' tuşuna basın.
3. Seçin ' SPM | Araçlar | Yeni Segment' küme penceresinden. T1 görüntü dosyaları ('.nii' uzantılı) seçin.
4. 'Yerel doku türü' için 'yerel alan' ayarlayın. Gerektiği gibi farklı doku kapat (CSF gibi) sınıflar - Aksi takdirde gerekli - onları 'Yok' ayarlayarak. 'Çarpık doku' 'None' ayarlayın.
   Not: Diğer tüm seçenekler için varsayılan ayar olarak bırakılabilir.
5. Yeşil bayrak ayrılmasını çalıştırmak için tıklatın.
   Not: Komut satırında diyecek, 'Yeni Segment çalışan'. Bir kez MATLAB komut satırı olacak ki, 'yapılan yeni Segment' çalışması tamamlanmıştır.
6. Görsel QC GM (C1*.nii dosyası) Bölüm 8'de açıklandığı gibi gerçekleştirin.

3. segmentasyon SPM 12 üzerinden: Segment

Not: Bu yordam gerçekleştirilen üzerinden SPM12 GUI gerçekleştirilir. SPM12 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

1. Command window içine 'spm' yazarak SPM yazılımını açın. Bu analizi yapmak için seçilen seçenekleri bir dizi grafik kullanıcı arabirimi (GUI) penceresini açar.
2. 'Evde beslenen hayvan ve VBM' tuşuna basın. 'Toplu toplu işlem Düzenleyicisi'ni açmak için' tuşuna basın.
3. Tıklayın ' SPM | Kayma | Segment'. O zaman, tıkırtı üstünde ' veri | Birimleri.
4. 'Yerel doku türü' için 'yerel alan' ayarlayın. Devre dışı (CSF gibi) onları 'Yok' ayarlayarak gerekli değil doku sınıfları. 'Çarpık doku' 'None' ayarlayın.
   Not: Varsayılan ayar olarak tüm diğer seçenekler bırakılabilir.
5. Yeşil bayrak ayrılmasını çalıştırmak için tıklatın.
   Not: Komut penceresinde görüntülenecektir: 'Çalışan kesimi'. Çalışma tamamlandıktan sonra o-ecek göstermek: 'Kesimi yapılır'.
6. Görsel QC GM (C1*.nii dosyası) Bölüm 8'de açıklandığı gibi gerçekleştirin.

4. segmentasyon FSL hızlı yolu ile

Not: Bu yordam komut satırında yapılır. FSL kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

1. BAHİS beyin ayıklama çalıştırın. Bu farklı veri kümeleri için en iyi duruma getirilmiş gerekebilir, ancak temel komut:
   T1_ID.Nii bet_T1_ID.nii bahis
2. FSL hızlı segmentasyon çalıştırın:
   hızlı bet_T1_ID.nii
   Not: Bu kısmi cilt haritalar ve ikili bölgeler GM, CSF ve WM için çıktısı
3. Görsel QC GM bölgesine gerçekleştirmek (dosya sonu * _pve_1.nii.gz) Bölüm 8'de açıklandığı gibi.

5. segmentasyon FreeSurfer üzerinden

Not: Bu yordam komut satırında yapılır. FreeSurfer kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: https://surfer.nmr.mgh.harvard.edu/.

1. Dizin verileri yazarak nerede ayarlayın:
   SUBJECTS_DIR = / yolu / / nii/dosyaya verme
2. Ayrılmasını komutlarını çalıştırarak çalıştırın:
   Recon-all - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
   Recon-all - subjid T1_ID-autorecon2-autorecon3
   Not: Komutlar > 10 h katılımcı başına alın. - Cw256 bayrak taramaları alanları bakış ile 256 ölçüye bu işleme için daha büyük kırpmak için gereklidir.
3. Kontrol işlem doğru senaryoya bakarak tamamlandı yer alan ' çıktı klasörü | komut dosyaları | Recon-all.log'. Son satırı 'recon-all - s T1_ID hatasız tamamlandı' diyor kontrol edin.
4. Bölüm 8'de açıklandığı gibi GM bölgesindeki görsel QC gerçekleştirin.

6. karıncalar ile segment oluşturma

Not: Bu yordam komut satırında yapılır. Diğer araçlar ve bu yordamı burada açıklanmıştır unutulmamalıdır daha daha karmaşık bir yazılım daha fazla her kohort sonuçlarını iyileştirmek optimize karıncalar var. Karıncalar belgeler bulunabilir: http://stnava.github.io/ANTsDoc/. Görüntüleri aşağıda açıklandığı gibi doku sınıfları kesimi için iki yolu vardır.

1. İlk yöntemi kullanmak için varsayılan ayarlarla ve doku sabıkası dahil olmadan 'antsAtropos.sh' komutunu çalıştırın.
   Not: Bu kez de özellikle sadece 3 doku sınıfları gerekli olduğunda gerçekleştirir: GM, WM, diğer.
   1. Yolu karıncalar yazılım için komut yazarak ayarlayın:
      ihracat ANTSPATH = / yol/için/karınca/bin /
   2. Segmentasyon boru komutunu yazarak çalıştırmak:
      antsAtroposN4.sh -d < image_dimension > - bir < t1.nii.gz > -c doku sınıfların < Sayı > -o < çıkış >
      1. Bu komutla isteğe bağlı bağımsız değişkenler:
         Beyin maskesi: - x < mask.nii.gz >;
         Doku sabıkası: -p < segmentationPriors%d.nii.gz >.
   3. Bu kısmi cilt haritalar ve ayıklanan bir beyin gibi çıktı ile bir klasör oluşturur. Bölüm 8'de açıklandığı gibi GM bölgesindeki görsel QC gerçekleştirin.
2. Daha fazla doku sınıflar oluşturmak için (GM, subcortical GM, WM, CSF, diğer, vb) veya sinirsel patoloji gösterilen bir kohort ayrılmasını gerçekleştirmek, belirli doku sabıkası kullanın. Doku sabıkası download--dan farklı websites. Alternatif olarak, sabıkası yapmak için çalışma özel şablon kullanmak - bu çok daha karmaşık ama özellikle tabur patolojik beyin değişikliklerle de yararlı olabilir.
   1. Bir çalışma özel şablon/sabıkası oluşturmak için önce bir çalışma özel şablonu oluşturun:
      antsMultivariateTemplateConstruction.sh -d < image_dimension > -o şablonu < diğer seçenekleri >< images.nii.gz >
      1. Bu komutla isteğe bağlı bağımsız değişkenler:
         -c: kontrol paralel hesaplama için.
         Seri çalışan bir 0 kullanın; -j: sayı çekirdek için; -r: yapmak vücut katı kayıt girdilerin şablonu (default 0) oluşturmadan önce--0 kapalı 1 == == üzerinde. Bu sadece bir başlangıç şablonu kullanılabilir olmadığında yararlıdır.
   2. Bir brainmask ve rahipler karıncalar Web sitesinden indirin.
      Not: Bu maske şablon beyin iyi bir yaklaşım olduğundan emin olmak için düzenlenmiş gerekir. Brainmask boru hattının en önemli parçalarından biridir; fakir ise, beyin çıkarma/Atropos kötü çalışır. Karşıdan yükleme seçenekleri bazıları şunlardır:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Karşıdan yüklenen şablon sonra çalışma şablonu için kayıtlı olmalıdır.
   3. Sonra çalışma özel şablon alanı için dönüştürmek için karşıdan yüklenen şablon uygulanabilir çözgü bir dizi çıktısı kayıt hesaplayın. Kayıt hesaplamak için komutu kullanın:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Bu komutu seçenekleri şunlardır:
         -d: Boyut (Yani, 3D tarama '3' olurdu); -f: sabit görüntü (Yani, görüntüleri gerekir nerede sonunda boşluk); -m: hareketli görüntü (Yani, taşınacak ihtiyacı görüntü); -o: çıktı adı (uzantısı gerekli); -Konu n: sayısı.
   4. Kayıt veri için geçerlidir:
      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. Bu komutu seçenekleri şunlardır:
         -d: Boyut (Yani, 3D tarama '3' olurdu); -ı: girdi görüntüsü (Yani, taşınacak ihtiyacı görüntü); -r: başvuru yansıması (Yani, referans görüntü tanımlar aralığı, kaynak, boyut ve çıkış çarpık görüntü yönünü); -o adı çıktı, bu indirilen şablon çalışma özel şablon uzayda (uzantısı) Bu durumda gerekli; -t dönüştürme dosya adı, kayıt hesaplama çıkış dosyasından.
   5. Kayıt için çalışma özel şablonu (bunu yapmak için karşıdan yüklenen şablon üzerine çalışma özel şablonu açın) indirilen şablonu arasındaki ilişkiyi görsel olarak kontrol edin.
   6. Kayıt yaradıysa, indirilen rahipler için dönüşüm uygulayın ve şablon beyin, adım 6.2.5 yinelenen ayıklanır.
      Not: aşağıdaki adımları, çalışma özel şablon, indirilen beyin ayıklama maske birlikte çalışma özel şablon ile uyumlu indirilen şablon ve doku sabıkası da çalışma özel şablon ile uyumlu olacaktır.
   7. Çalışma belirli şablon antsCorticalThickness.sh çalıştırın; Bu çalışmada özgü rahipler için kullanılabilir GM, WM ve CSF bölgeler sağlar:
      antsCorticalThickness.sh -d 3 - bir 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. Bu komutu seçenekleri şunlardır:
         -d: Boyut (Yani, 3D tarama '3' olurdu); -a: görüntü (Bu durumda çalışma özel şablon) parçalara için; -e: beyin şablonu (değil kafatası elimden; bu durumda kaydedilmiş çalışma özel şablonu karşıdan yüklenen şablon); -m: indirilen beyin ayıklama maskesi (Bu durumda, kaydedilmiş çalışma özel şablonu karşıdan yüklenen şablon ayıklanan beyinden); -p: c biçimlendirme stili (Örneğin, -p labelsPriors%02d.nii.gz) kullanarak belirtilen sabıkası.
         Not: Komut varsayar ilk dört rahipler aşağıdaki gibi sıralanır: 1: CSF, 2: kortikal GM, 3: WM ve 4: subcortical GM (Bu durumda, rahipler kaydedilmiş çalışma özel şablonu karşıdan yüklenen şablon üzerinden).
   8. Bu komutu çalıştırmak için şablon oluşturulan sabıkası neden olur ama önce Atropos segmentasyon kullanımda yumuşatma ihtiyaçları var. Yumuşatma komutu karıncalar yazılım parçasıdır. Tüm rahipler komutunu kullanarak düzgün:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
   9. Atropos çalıştırmadan önce beyin ayıklama tüm yerel alan üzerinde taramalar. Çalışma özel şablonu kullanılabilir ve şablon (adım 6.2.1) antsCorticalThickness.sh çalışan oluşturulan beyin ayıklanır:
      antsBrainExtraction.sh -d 3 - bir T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Bu komutu seçenekleri şunlardır:
         -d: boyutları; -a: anatomik görüntüde; -e: beyin ayıklama şablonu (Yani, oluşturulan, kafatası sıyırma olmadan şablonu); -m: beyin çıkarma için; kullanılan belirli brainmask çalışma -o: çıkış öneki.
   10. Atropos çalıştırın:
       antsAtroposN4.sh -d 3 - bir T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
       1. Bu komutu seçenekleri şunlardır:
          -d = Boyutlar; -a: anatomik görüntüde; -x: beyin ayıklama maskesi oluşturulan beyin çıkarma; -numara c: doku sınıfların segmentlere ayırmak için; -o: çıkış öneki; -p: çalışma özgü segmentasyon sabıkası < segmentationPriors%d.nii.gz >
   11. Bölüm 8'de açıklandığı gibi GM bölgesindeki görsel QC gerçekleştirin.

7. segmentasyon aracılığıyla SONDAYI-EM

1. SONDA-EM çalıştırmak için açýk a ölümcül pencere, değişmek müdür içine belgili tanımlık sonda-EM yükleme dizini ve türü:
   . / malpem-proot - i T1_scan.nii -ey. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
2. Komut tamamlandığında, bir çıkış klasörü doku sınıflar ve bölgesel segmentations olup olmadığını denetleyin.
3. Görsel QC GM Bölüm 8'de açıklandığı gibi gerçekleştirin.

8. görsel kalite kontrol

Not: Görsel kalite kontrol analizinde kullanılan için tüm kesimlere ayrılmış bölge yapılmalıdır. Kalite kontrol segmentations yüksek standartta ve temsil CGM güvenilir ayrılmasını sağlar. Kalite kontrolü yapmak, her tarama açıldı ve CGM üzerinde tarama görünür oluşturulan bölgesine karşılaştırmak için özgün T1 üzerinde overlaid.

1. SPM, FSL, karıncalar ve sonda-EM Segmentations
   1. FSLeyes kullanarak görsel QC gerçekleştirin:
      https://Users.fmrib.ox.AC.uk/~paulmc/fsleyes_userdoc/
      Not: FSLview (bir büyük Görüntüleyicisi) de aynı şekilde kullanılabilir.
   2. Açık a ölümcül pencere ve T1 ve T1 üzerinde overlaid GM bölgeler açın. Bunu yapmak için şunu yazın:
      fsleyes T1.nii Region1.nii Region2.nii.
   3. Bir kez FSLeyes açık, opaklık geçiş üst panelde ayarlamak/opacity azaltır ve görüntüleme T1 görüntüsünün altında GM bölge izin vermek için kullanın. Sekmesinden ' Renk aşağı açılan' üst bölmede segmentasyon bindirme rengini değiştirin.
   4. Beyin her dilim arasında ilerler.
      Not: Burada bu yapılır koronal görünümü, ancak kullanıcılar kullanarak onlar en deneyimli görünüm kullanmanız gerekir.
   5. Her dilim bölgeleri için altında - veya aşırı - estimation kontrol bölgenin kontrol edin.
      Not: iyi ve kötü segmentations örnekleri için temsil edici sonuçlar bölümüne bakın.
2. FreeSurfer QC
   1. Peform görsel QC FreeView kullanarak.
      Not: burada belgelerine başvurun:
      https://Surfer.NMR.mgh.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
   2. Açık a ölümcül pencere. T1 üzerinde overlaid hacimsel GM bölge görüntülemek için türü ve konu klasör dizini değiştirin:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
   3. Beyin her dilim arasında ilerler.
      Not: Burada bu yapılır koronal görünümü, ancak kullanıcılar kullanarak onlar en deneyimli görünüm kullanmanız gerekir.
   4. Her dilim bölgeleri için altında - veya aşırı - estimation kontrol bölgenin kontrol edin.
      Not: segmentations örnekleri için temsil edici sonuçlar bölümüne bakın.

Representative Results

Ortalama beyin birimleri demografik bilgilerle birlikte 20 denetim katılımcılar için Tablo 1' de gösterilir. Bu araçları kullanırken beklenen değerler için bir rehber olarak davranır. Sonuçları Orijinal T1.nii görüntü bağlamda bakılmalıdır. Tüm GM bölgeler 8 bölümünde açıklanan adımları göre kontrol edilmelidir. Görsel QC işlemi gerçekleştirirken doğrudan onları T1 üzerinde overlaid görüntüleyerek T1 tarama GM bölgelerine karşılaştırmak önemlidir.

Bölgeler için brüt hataları Şekil 1' de gösterildiği gibi reddetti. Bazen bu hataları neden işleminin hatalı olarak çalıştırıldığı yoksa beyin kötü görüş alanı içinde yerleştirildi. Bu hataları düzeltmek için yerel T1 inceden inceye gözden geçirmek-ebilmek var olmak için standart alan katı biçimde yeniden hizalanmış ve segmentasyon yeniden teşebbüs olabilir. Hata oranı kalitesi veri ve kullanılan araçlar, hem de başarısızlık sınıflandırılması bağlı olarak değişir. Çalışmada, < %5 tüm araçları için başarısızlık oranları ret içinde kaynaklanan toplam başarısızlık vardı ama daha az önemli hataları sürekli araçlar bir dizi genelinde görüldü. FSL hızlı, SPM 8 yeni Segment ve FreeSurfer hatalar (ancak değil hataları) > % 50'si inceden inceye gözden geçirmek içinde bu kohort için vardı. Bu hata oranı beklenen bölgelerden, makul bir hareket olarak görülüyordu rakamlar 2-6' da gösterildiği gibi dahil hatalı görsel QC işlemi sırasında alınan notlar inceleyerek sayısal. Bu araçlar diğer veri kümeleri ve sonuç çok daha düşük hata oranları ^3,8doğrulandıktan unutmamak gerekir. Bu veri kümesi için daha düşük bir hata oranı SPM yeni Segment ve sonda-EM sonuçlandı bu yana bu hatalar muhtemelen el ile müdahale veya beyin çıkarma, bir maskesini eklenmesi ile gelişmiş olabilir iken, bu araçlar yerine kullanılacak. Maskeleri işleme karıncalar ve sonda-EM içinde ve sonrasında işleme SPM (tüm sürümler) ve FSL ilk önce uygulanır.

Daha fazla küçük hataları rakamlar 2-6' da gösterilmiştir. Bir veri kümesi uygulamadan önce tüm kohort için farklı segmentasyon araçları test ederek, en iyi o veri kümesinde sergiliyor aracı analiz için seçilebilir. QC işlemi sırasında bir yordam reddetmek, düzenlemek veya segmentations kabul etmek seçtiğiniz için geliştirilmelidir. Sık karşılaşılan hatalar için yedi araçları gördün burada, Şekil 2-6' da gösterilen örneklerle açıklanmaktadır. Segmentasyon bu tür hatalar genellikle işlem akışı veya bölgeler düzenleme maskeli ilavesi ile düzeltilebilir. Ancak, bölgeler ile geniş bitti - veya altında - estimation korteksin analizinden reddedilmesi gerekir. Sıkı kriterleri gelişmiş edilecek ve bu karar verirken takip. Bu adımlar bu protokol kapsamında değildir ve dataset nesnesinden veri kümesine göre değişir.

Bu en tutarlı hatalarını göster alanları olarak genellikle, görsel QC gerçekleştirirken, zamansal ve oksipital bölgeleri, özellikle dikkat ki. Şekil 2 iyi ve kötü zamansal segmentations örnekleri gösterir ve Şekil 3 iyi ve kötü oksipital segmentations örnekleri gösterir. Şekil 4 -beyin doku beyin üstün dilimler halinde CGM sınıflandırılır, tüm araçlarda oluşan başka bir ortak sorun gösterir. Şekil 5 başka bir sorunu segmentations CGM bölgelerinde ayrılmasını nerede tutulur bir dizi görüldüğü görüntüler. Bu kez Şekil 5' te görüldüğü gibi beyin, üstün dilimler halinde oluşur.

SPM8 birleştirilmiş Segment sık temporal loblar çevreleyen olmayan beyin dokusu içine dökülmesini kesimli GM bölgesi olan zavallı zamansal tarif içinde sonuçlandı. Oksipital lob içine dökülme, frontal lob da bölgeler sayısında görülen altında tahmini süre yaygındır. SPM8 yeni segment için zavallı zamansal tarif ve oksipital dökülme de yaygındı. SPM bu sürümünü kullanarak da voxels kafatası ve GM neredeyse tüm segmentations içinde gizli dura içinde sonuçlanır. SPM12 temporal lob segmentations geliştirilmiş ve daha az dökülme diğer bölgelerdeki SPM,'önceki sürümleriyle karşılaştırıldığında geliştirilmiş. Karıncalar bu kohort segmentasyon kalitesini belirleyen ilk beyin çıkarma ile son derece değişken performans gösterdi. Dış sınırları özellikle dikkat önemlidir ve beyin ayıklama karıncalar kullanarak zavallı ise, o zaman Atropos komutunu dahil beyin maskesi geliştirilebilir. Zamansal ve oksipital lob GM aşırı tahmini ile ilgili sorunlar daha yaygındı. SONDA-EM zamansal ve oksipital lob aşırı tahmini ile daha az sorunları gösterdi; olmasına rağmen bir dizi davayı korteksin altında tahmin. Bu boru hattı beyin maskeli eklenmesi tarafından geliştirilebilir. FSL hızlı segmentations bahis beyin çıkarma bu kohort veriler üzerinde değişken performansı nedeniyle son derece değişken. Yine, oksipital ve temporal loblar içindeki sorunları ortak vardı; Ancak, bunlar beyin ayıklama optimizasyonu ile geliştirilebilir. Son olarak, FreeSurfer hacimsel bölgeler genellikle GM dış sınırları (Şekil 6) içinde bazı bölümlerine hariç GM/CSF sınır boyunca sıkı çoğu kez. Diğer araçlarla gibi zamansal ve oksipital lob içinde dökülme GM dışında yaygındır. Son olarak, Şekil 7 segment içinde hiç hata vardı FSLview görüntülenen iyi bir bölümleme bir örneği gösterilir. Her ne kadar bu burada kapsamında olmayan bölgelerinde el ile düzenleme kez bölgeler, geliştirmek için gerçekleştirilebilir.

Resim 1 : Bir T1 tarama üzerinde görüntülenen bir başarısız bölümleme örneği. Bu bölümleme yeniden işlenen ve geliştirilmiş olamaz analizinden dışarıda. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Resim 2 : Temporal lobda bir T1 tarayarak üzerinde farklı araçlar performans örnekleri. (A) T1 taraması bir bölümleme olmadan. (B) T1 tarama iyi bölgesel tarif (sonda-EM) bir örneği ile. (C) T1 tarama iyi bölgesel tarif (FreeSurfer) bir örneği ile. (D) T1 dökülme sol ve sağ temporal loblar (SPM 8 yeni Segment) gösterilen bir zavallı bölgesel tarif, bir örnek ile tarama. (E) T1 dökülme sol ve sağ temporal loblar içinde (FSL hızlı) gösterilen bir zavallı bölgesel tarif, bir örnek ile tarayın. İnceden inceye gözden geçirmek FSLeyes içinde temel bir görüntü olarak T1 tarama ve bir kaplama olarak GM bölge ile görüntülenebilir. Bu şekilde, GM bölgeler olarak kırmızı-sarı bir opaklığını 0,4 ile görüntülenebilir. Renkli gradyan voxels, daha yüksek bir PVE Tahmini (GM olması muhtemel) ve bir alt PVE Tahmini (daha az GM olma olasılığı) sahip kırmızı olanları daha sarı voxels ile kısmi birim temsil eder. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Şekil 3 : T1 tarayarak oksipital lob üzerinde farklı araçlar performans örnekleri. (A) T1 taraması bir bölümleme olmadan. (B) T1 tarama iyi bölgesel tarif (sonda-EM) bir örneği ile. (C) T1 (SPM 8 Unified Segment) bölgesinin orta bölümünde dura içine dökülme ile bir zavallı oksipital lob tarif örneği ile tarayın. (D) T1 dura bölge (SPM 8 yeni Segment) medial ve üstün bölümlerini içine dökülme ile bir zavallı oksipital lob tarif örneği ile tarayın. (E) T1 dura bölge (FSL hızlı) medial ve üstün bölümlerini içine dökülme ile bir zavallı oksipital lob tarif örneği ile tarayın. İnceden inceye gözden geçirmek FSLeyes içinde temel bir görüntü olarak T1 tarama ve bir kaplama olarak GM bölge ile görüntülenebilir. Bu şekilde, GM bölgeler olarak kırmızı-sarı bir opaklığını 0,4 ile görüntülenebilir. Renkli gradyan voxels, daha yüksek bir PVE Tahmini (GM olması muhtemel) ve bir alt PVE Tahmini (daha az GM olma olasılığı) sahip kırmızı olanları daha sarı voxels ile kısmi birim temsil eder. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Şekil 4 : Bir GM bölgesi örneği dökülen içine (sagittal, koronal ve Aksiyel görünümlerinde) bir FSLview penceresinde görüntülenen dura. Mavi Bölge dura dökülme vurgulamaktadır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Şekil 5 : CGM bölgelerinde segmentasyon hariç bir GM bölgesi örneği. Bu bölge sagittal, koronal ve Aksiyel görünümlerinde bir FSLview penceresinde görüntülenir. Aksiyel görünüm en iyi segmentasyon hariç bölgeleri gösterir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Şekil 6 : Örnek FreeView içinde görüntülenen GM/CSF sınır boyunca çok sıkı bir FreeSurfer GM bölgesinin. Top sol en iyi koronal penceresinde bu bölgedeki CGM altında tahmini görüntüler. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Şekil 7 : Örnek bir iyi arasındadır sonda-EM bölgesinin T1 beyin taraması. Bölgede hiçbir sorunları ile over - veya altında - estimation CGM, herhangi bir bölgede gösterir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Tablo 1: Demografik bilgileri ve burada açıklanan yedi araçları kullanarak parçalara parça-HD çalışma 20 denetim katılımcı için Ortalama GM birimleri (mL).

Discussion

Son zamanlarda, araştırma farklı hacimsel yöntemlerin kullanımı için beyin görüntüleme çalışmaları^1,2önemli sonuçları olabilir göstermiştir. Kılavuzu acemi kullanıcılar farklı beyin görüntüleme araçları uygulamak nasıl yanı sıra sonuç çıktısı üzerinde bu araçlarla QC nasıl yardım yayımlama protokolleri tarafından araştırmacılar onların veri kümesine uygulamak için en iyi yöntemi seçebilirsiniz.

Çoğu bu SOP adımda veri ve araştırmacı gereksinimlerine uyacak şekilde ayarlanabilir, burada sunulan en önemli işlemlerden biri iken detaylı görsel kalite kontrol açıklayan adımlar. Görsel QC tüm segmentations çıktı bu araçlar tarafından gerçekleştirilmesi gereken ve CGM doğru ölçüm için esastır. Yüksek kaliteli segmentations CGM bölgelerde binlerce muayene sonrasında Gelişmiş sağlamak için gerçekleştirilen QC adımları. Farklı araçları yolu ile görsel muayene karşılaştırarak, en doğru yöntem her veri kümesi için bulunabilir.

Her aracı için segmentasyon her veri kümesi üzerinde optimize etmek için kullanılan farklı seçenekler var. Bu segment oluşturma hataları azaltabilir gibi kez segmentasyon önce yerel alan için tüm taramaları yeniden hizalamak için tercih edilir; Ancak, bu gerekli değildir. Ayrıca, her aracı tarafından çıkış bölgeler, bazı sadece kortikal GM ve bazı zamanda subcortical bölgeleri dahil olmak üzere dahil olmak üzere farklı. Ayrıca, bazı bölgelerde kısmi cilt (PVE) tahminleri ve bazı ayrık doku haritalar çıktı çıktı. Süre ses çıkarma burada kapsamında değildir ve tartışma PVE ve ayrık doku haritalar arasındaki farkı bu standart işletim prosedürü (SOP) kapsamı dışındadır, PVE haritalar genellikle bir daha güvenilir ölçü¹²olarak kabul edilir. Bu SOP Johnson ve ark. içinde kullanılan işleme hakkında bilgi sağlar (2017) ² segment ve QC inceden inceye gözden geçirmek; Ancak, kendi görüntü kalitesine bağlı olarak diğer kullanıcılar için daha uygun seçimler olabilir ve daha fazla kortikal GM bölgeleri sınırlamak için maskeler uygulanması gibi alay-ebilmek var olmak gerekli. Tüm segmentations yerel alanda gerçekleştirilir.

Bu protokol örnek boru hatları T1 MRI taramaları CGM segmentlere ayırmak için kullanılan yedi farklı yöntemler sağlar. Bu örnekler, büyük ölçüde her yazılım için önerilen varsayılan boru hatları izleyin ve o daha fazla en iyi duruma getirme bu unutmamak gerekir boru hatları farklı inceden inceye gözden geçirmek bir bölge başarılı ayrılmasını için gerekli olabilir. SONDA-EM gibi bazı araçlar, Seçenekler sınırlı ve daha iyi görüntüleme için yeni olan kullanıcılar için muhtemeldir. Karıncalar, dahil olmak üzere diğer araçları detaylı optimizasyonu uygulayabilir ve burada sunulan protokolü bu yazılımın bir olası uygulamasını temsil eder. Birimler, hesaplama sınırlamak için maskelerinin kullanımı gibi ek seçenekler için en araçları da mümkündür.

Tüm araçları her işletim sisteminde kullanılabilir unutmamak gerekir. SPM ve Windows, Mac ve Linux sistemleri ile uyumlu, FSL Mac ve Linux sistemleri ile uyumludur ve sonda-EM ve FreeSurfer Linux sistemleri (veya bir Windows/Mac PC üzerinde çalışan bir Linux sanal makine) ile uyumlu karıncalar.

Bu iletişim kuralı, CGM bölgeleri oluşturmak için 3D T1 ağırlıklı MRG taramaları için segmentasyon ve kalite kontrol (QC) gerçekleştirmek için kullanılan adımları kapsar. Ancak, protokol görüntüleri 3D T1 görüntü NifTI biçiminde (.nii uzantılı) olduğunu varsayar. Johnson ve ark. tarafından yapılan analizde ², önyargı düzeltildi-N3 yordamı¹³kullanarak görüntüleri zaten. Bu iletişim kuralı da yazılım indirilen ve her aracı tarafından sağlanan yönergelere göre bir linux makinede yüklü olduğunu varsayar. Bilgisayar yazılımı burada karşılaştırmak SPM8¹⁴, SPM12, FSL¹⁵, FreeSurfer^16,17, karıncalar¹⁸ve sonda-EM¹⁹içerir.

Bu SOP segmentasyon teknikleri bir dizi kapsar; Ancak, yapısal T1 taramaları segmentlere için kullanılabilen diğer seçenekler var. Bu yöntemler için önceki karşılaştırma Johnson ve ark. tarafından seçildi Onların içindeki Huntington hastalığı araştırma kullanım sıklığına göre ² . Ancak, her araç farklı her veri kümesi gerçekleştirir ve segmentasyon araçları burada yer almayan diğer veri kümeleri ve araştırma grupları için uygun olabilir.

Bu araçlar nörogörüntüleme araştırma içinde yaygın olarak kullanılır. Yazılım güncelleştirmeleri için bu araçları oluşturuldukça, her segmentasyon yöntemi çıkışını zaman içinde önemli değişiklikler geçirecek olasıdır. Ancak, vurgu yüksek kaliteli segmentations nörogörüntüleme çalışmalarda kullanıldığından emin olmak için görsel QC işlemi kalmalıdır.