Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Автоматизированный сегментация коркового серого вещества от T1-взвешенный МРТ изображения

8.7K просмотров

⸱

DOI:

10.3791/58198

⸱

7 января 2019 г.

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

В этой статье

Краткое содержание

Этот протокол описывает процесс применения семь различных автоматизированных сегментации инструменты для структурных T1-взвешенный МРТ для разграничения областей серого вещества, которые могут использоваться для количественного определения объема серого вещества.

Аннотация

В рамках нейровизуализационных исследований ряд недавних исследований обсуждали влияние различий между исследованиями в объемном выводы, которые считаются в результате использования различных сегментация инструментов для создания томов мозга. Здесь представлены конвейеров обработки для семи автоматизированных инструментов, которые могут быть использованы для сегмент серого вещества в мозге. Протокол обеспечивает начальный шаг для исследователей, стремясь найти наиболее точный метод для создания томов серого вещества из T1-взвешенный МРТ. Шаги для проведения подробных визуальный контроль качества также включены в манускрипте. Этот протокол охватывает широкий спектр потенциальных сегментация инструментов и поощряет пользователям сравнивать производительность этих инструментов в рамках подмножества данных, их перед выбором одного обратиться к полной когорты. Кроме того протокол может далее обобщенные к сегментации других регионов мозга.

Введение

Нейровизуализационных широко используется как в клинических, так и исследования параметров. Есть текущий шаг для улучшения воспроизводимость результатов исследований, которые количественно оценить объем мозга от сканирования магнитно-резонансная томография (МРТ); Таким образом важно, что следователи поделиться опытом использования доступных инструментов МРТ для сегментации МРТ в региональном томов, для улучшения стандартизации и оптимизации методов1. Этот протокол обеспечивает пошаговое руководство по использованию семь различных инструментов для сегментирования коркового серого вещества (CGM; серого вещества, которая исключает подкорковых областей) от T1-взвешенный МРТ. Ранее эти инструменты были использованы в методологических сравнение сегментации методы2, который продемонстрировал переменной производительности между инструментами на болезни Гентингтона когорты. Поскольку считается, что производительность этих инструментов различаются различные наборы данных, важно для исследователей, чтобы проверить ряд инструментов перед выбором только одного, чтобы применить к их набору данных.

Объем серого вещества (GM) регулярно используется как мера морфологии мозга. Объемные меры, как правило, надежные и способны различать здорового управления и клинических групп3. Объем видов различных тканей мозга, чаще всего рассчитывается с помощью автоматизированных программных инструментов, которые идентифицировать эти типы тканей. Таким образом для создания высокого качества разграничения (segmentations) ГМ, точное разграничение белого вещества (WM) и спинномозговой жидкости (CSF) имеет решающее значение в достижении точность ГМ региона. Существует ряд автоматизированных инструментов, которые могут быть использованы для выполнения сегментации ГМ, и каждый требует обработки шагов и приводит в различный вывод. Ряд исследований подали инструменты для различных наборов данных, чтобы сравнить их друг с другом, и некоторые оптимизированы конкретные инструменты1,4,5,6,7,8 ,9,10,11. Предыдущая работа показала, что изменчивость между объемные инструменты может привести к несогласованности в литературе при изучении объем мозга, и эти различия были предложены как вождение факторов для ложных выводов о неврологические заболевания1.

Недавно было выполнено сравнение различных сегментация инструментов в когорте, которая включала здорового управления участников и участников с болезни Гентингтона. Болезнь Хантингтона является генетических нейродегенеративные болезни с типичной начала в зрелом возрасте. Постепенная атрофия подкорковых и CGM является известный и хорошо изучена патологического особенностью болезни. Результаты продемонстрировали переменной производительности семь инструментов сегментации, которые были применены к когорте, поддерживая предыдущей работы, которая продемонстрировала изменчивости в результатах в зависимости от программного обеспечения, используемого для вычисления объемов мозга от МРТ. Этот протокол содержит информацию о обработки, используемых в Джонсон и др. (2017) 2 , которая поощряет методологических тщательный отбор наиболее подходящих инструментов для использования в нейровизуализации. Это руководство охватывает сегментации ГМ тома, но не охватывает сегментации поражений, таких, как те видели в рассеянный склероз.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Примечание: Убедитесь, что все изображения находятся в формате NifTI. Преобразование в NifTI здесь не рассматривается.

1. Сегментация через РП 8: единая сегмента

Примечание: Эта процедура выполняется через графический интерфейс SPM8, который работает в Matlab. SPM8 руководство содержит дальнейшие детали и можно найти на: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Убедитесь, что SPM8 установлен и задайте в пути программного обеспечения.
  2. УСВ сегментации осуществляется с помощью графического интерфейса пользователя. Чтобы открыть РП, откройте окно командной строки и введите «РП» в командной строке.
  3. Нажмите «PET & ВБМ» открыть структурной МРТ toolbox.
  4. Нажмите «Пакет» для открытия Пакетный редактор. Это позволяет сегментация проводится на несколько сканов в то время.
  5. Выберите ' СЗМ | Пространственные | Сегмент».
  6. Нажмите кнопку ' данных | Выберите файлы. Выберите сканирование Т1 взвешенных качестве входных данных.
    Примечание: Эти файлы должны быть распакованы файлы NifTi, с расширением в «.nii».
  7. Нажмите на ' выходные файлы | Серый вопрос» и убедитесь, что выбран параметр «Родной пространства», сделать то же самое для белого вещества. Если CSF сегментации не требуется оставьте это как «None».
  8. Если сканирование уже были исправлены предвзятости, измените параметр «Предвзятости исправить» «Не сохранить исправления». Для параметра «Очистить любые разделы» тест три различные варианты и использовать визуального контроля качества (QC, раздел 8), чтобы определить, которая лучше всего подходит для данных.
  9. Не изменяйте другие параметры по умолчанию. Затем нажмите на зеленый флаг для запуска сегментации.
    Примечание: Это занимает около 5 минут на каждого участника, и в командной строке будет сказать, «Работает сегмента». Когда закончите, окно команд будет отображаться «Сделал».
  10. Выполните визуального контроля качества на ГМ (файл C1*.nii), как описано в разделе 8.

2. Сегментация через РП 8: новый сегмент

Примечание: Эта процедура выполняется через графический интерфейс SPM8. SPM8 руководство содержит дальнейшие детали и можно найти на: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Убедитесь, что SPM8 установлен и задайте в пути программного обеспечения. Откройте программное обеспечение УСВ, обычно выполняются «РП», введя в командной строке. Это открывает окно графического пользовательского интерфейса (GUI) с целый ряд вариантов, которые могут быть выбраны для выполнения анализа.

  1. Нажмите «PET & ВБМ».
  2. Нажмите «Пакет» для открытия Пакетный редактор.
  3. Выберите ' СЗМ | Инструменты | Новый сегмент ' в окне пакет. Выберите файлы изображений T1 (с расширением «.nii»).
  4. Установите «Родной ткани типа» «Родной место». При необходимости, отключить различные ткани классах (например, СМЖ) -, если не требуется -, установив их в «None». Набор «Искривленных ткани» в «None».
    Примечание: Все остальные параметры можно оставить значение по умолчанию.
  5. Нажмите зеленый флаг для запуска сегментации.
    Примечание: В командной строке будет сказать, «Работает новый сегмент». Когда он закончил, запуск MATLAB командной строке будет сказать, «сделали новый сегмент».
  6. Выполните визуального контроля качества на ГМ (файл C1*.nii), как описано в разделе 8.

3. Сегментация через СЗМ 12: сегмент

Примечание: Эта процедура является осуществляется через графический интерфейс SPM12. SPM12 руководство содержит дальнейшие детали и можно найти на: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Откройте УСВ программного обеспечения, набрав «УСВ» в окне команд. Это открывает окно графического пользовательского интерфейса (GUI) с целый ряд вариантов, которые могут быть выбраны для выполнения анализа.
  2. Нажмите «PET & ВБМ». Нажмите «Пакет» для открытия Пакетный редактор.
  3. Нажмите на ' СЗМ | Пространственные | Сегмент». Затем нажмите на ' данных | Томов.
  4. Установите «Родной ткани типа» «Родной место». Выключите классы ткани, которые не требуется (например, CSF), установив их в «None». Набор «Искривленных ткани» в «None».
    Примечание: Все остальные параметры можно оставить по умолчанию.
  5. Нажмите зеленый флаг для запуска сегментации.
    Примечание: Окно командной строки будет отображаться: «Бежать сегмента». После запуска, он будет отображаться: «Сделали сегмента».
  6. Выполните визуального контроля качества на ГМ (файл C1*.nii), как описано в разделе 8.

4. Сегментация через FSL быстро

Примечание: Эта процедура делается в командной строке. FSL руководство обеспечивает Подробнее и можно найти на: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Запуск ставку мозга добычи. Это, возможно, потребуется быть оптимизированы для различных наборов данных, но основные команды:
    Бет T1_ID.nii bet_T1_ID.nii
  2. Запуск FSL быстро сегментация:
    Быстрый bet_T1_ID.nii
    Примечание: Это будет выход частичный объем карты и двоичные регионов для ГМ, CSF и WM.
  3. Выполните визуальный КК на регионе ГМ (окончание файла * _pve_1.nii.gz) как описано в разделе 8.

5. Сегментация через FreeSurfer

Примечание: Эта процедура делается в командной строке. FreeSurfer руководство содержит дальнейшие детали и можно найти на: https://surfer.nmr.mgh.harvard.edu/.

  1. Задайте каталог, в котором данные, введя:
    SUBJECTS_DIR = / путь/к/НИИ/файлов экспорта
  2. Запустите сегментации, выполнив команды:
    Рекон все - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Рекон все - subjid T1_ID-autorecon2-autorecon3
    Примечание: Команды принимают > 10 h каждого участника. Cw256, флаг необходимо обрезать сканирования с поля зрения больше 256 до этого размера для обработки.
  3. Проверьте что обработка завершена правильно, глядя на сценарий расположен в ' выходную папку | скрипты | Рекон-all.log'. Проверьте, что последняя строка говорит «Рекон все - s T1_ID завершена без ошибок».
  4. Выполните визуальный КК на регионе ГМ, как описано в разделе 8.

6. Сегментация через муравьи

Примечание: Эта процедура делается в командной строке. Муравьи — что более сложного программного обеспечения, чем другие инструменты и это следует отметить, что процедура объяснил здесь может быть далее оптимизирована для каждой группы для улучшения результатов. Муравьи документацию можно найти по адресу: http://stnava.github.io/ANTsDoc/. Существует два способа для разделения изображения на ткань классов, как описано ниже.

  1. Чтобы использовать первый метод, запустите команду «antsAtropos.sh» с параметрами по умолчанию и без включая ткани настоятелей.
    Примечание: Это часто выполняет особенно хорошо, когда необходимы только 3 классы ткани: GM, WM, другие.
    1. Задайте путь к муравьи программное обеспечение, введя команду:
      экспорт ANTSPATH = / путь/к/муравьев/bin /
    2. Запуск нефтепровода сегментации, введя команду:
      antsAtroposN4.sh -d < image_dimension > - < t1.nii.gz > -c < число классов ткани > -o < выход >
      1. Необязательные аргументы для этой команды являются:
        Мозг маска: - x < mask.nii.gz >;
        Настоятели ткани: -p < segmentationPriors%d.nii.gz >.
    3. Это создаст папку с результатами, включая частичный объем карты и извлеченные мозга. Выполните визуальный КК на регионе ГМ, как описано в разделе 8.
  2. Для создания более ткани классов (ГМ, подкорковых ГМ, WM, Ликвора, другие и т.д.) или выполнения сегментации на когорты показаны нервной патологии, использование конкретных тканей настоятелей. Скачайте настоятелей ткани из различных веб-сайтах. Можно также использовать шаблон исследование конкретных сделать настоятелей - это гораздо более сложный, но может быть полезным, особенно в когортах с мозга патологических изменений.
    1. Чтобы создать шаблон/настоятели исследование конкретных, сначала создайте шаблон исследование конкретных:
      antsMultivariateTemplateConstruction.sh -d < image_dimension > -o шаблон < другие варианты >< images.nii.gz >
      1. Необязательные аргументы для этой команды являются:
        -c: управления для параллельных вычислений.
        Если выполняется последовательный, используется значение 0; -j: количество ядер; -r: сделать твердого тела регистрации входных данных перед созданием шаблона (по умолчанию 0)--0 == 1 == на. Это только полезно, когда первоначальный шаблон не доступен.
    2. Скачайте brainmask и настоятелей с веб-сайта муравьи.
      Примечание: Эта маска может потребоваться быть отредактированы, чтобы убедиться, что это хорошее приближение шаблон мозга. Brainmask является одним из наиболее важных частей трубопровода; Если это бедных, то мозг извлечения/Atropos будет работать плохо. Некоторые из вариантов загрузки являются:
      HTTPS://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Загруженный шаблон затем должны быть зарегистрированы в исследовании шаблон.
    3. Вычислите регистрацию, которая будет выводить ряд перекосов, которые затем могут быть применены к загруженный шаблон, чтобы превратить его в пространстве изучения конкретного шаблона. Чтобы вычислить регистрации, используйте команду:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -м downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Параметры этой команды являются:
        -d: измерения (то есть, 3D сканирования будет '3'); -f: фикчированное изображение (т.е. пространство, где образы должны в конечном итоге); -m: движущегося изображения (то есть, образ, который нужно переместить); -o: выходное имя (расширение не нужны); -n: количество потоков.
    4. Примените к данным регистрации:
      antsApplyTransforms -d 3 -я 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. Параметры этой команды являются:
        -d: измерения (то есть, 3D сканирования будет '3'); -i: входного изображения (то есть, образ, который нужно переместить); -r: исходный образ (т.е., эталонный образ определяет интервал, происхождения, размер и направление вывода деформированные изображения); -o имя выхода, это загруженный шаблон в пространстве изучения конкретного шаблона (в этом случае необходимо расширение); -t имя файла преобразования, выходной файл из расчета регистрации.
    5. Визуально проверьте регистрацию для переписки между исследования конкретного шаблона и загруженный шаблон (чтобы сделать это, откройте шаблон исследование конкретных поверх загруженный шаблон).
    6. Если регистрация работал, применить преобразование загруженных настоятелей и извлечь шаблон мозга, повторив шаг 6.2.5.
      Примечание: После этих шагов будет исследование конкретных шаблон, загруженный шаблон в соответствие с шаблоном исследование конкретных, а также маска извлечения загруженного мозга и настоятелей ткани также согласованы с изучения конкретного шаблона.
    7. Запуск исследования конкретного шаблона через antsCorticalThickness.sh; Это обеспечивает GM, WM и CSF регионов, которые могут быть использованы для изучения конкретных настоятелей:
      antsCorticalThickness.sh -d 3 - template.nii.gz -e downloaded_to_template.nii.gz -м downloaded_binarised_template_extracted_brain_in_studyspace.nii.gz -p downloaded_labelsPriors%d.nii.gz -o CT_template
      1. Параметры этой команды являются:
        -d: измерения (то есть, 3D сканирования будет '3'); -a: изображение, чтобы сегментировать (в данном случае, исследования конкретных шаблонов); -e: мозга шаблон (не череп раздели; в данном случае, загруженный шаблон, который был зарегистрирован в исследование конкретных шаблон); -Маска извлечения загруженных m: мозга (в данном случае, извлеченные мозг от загруженного шаблона, который был зарегистрирован в исследование конкретных шаблон); -p: априорных вероятностей, указанный с помощью c стиля форматирования (например, labelsPriors%02d.nii.gz -p).
        Примечание: Команда предполагает, что первые четыре настоятелей упорядочиваются следующим: 1: CSF, 2: корковых ГМ, 3: WM и 4: подкорковых ГМ (в данном случае, настоятели из загруженного шаблона, который был зарегистрирован в исследование конкретных шаблон).
    8. Выполнение этой команды приведет к сгенерированный настоятелей для шаблона, но они нуждаются, сглаживание до использования в Atropos сегментации. Сглаживание команда является частью программного обеспечения муравьи. Гладкие все априорных вероятностей, используя команду:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Перед запуском Атропос, запустите мозга добычи на всех сканирования собственного пространства. Изучение конкретного шаблона могут быть использованы и извлекали мозга, полученные Управлением antsCorticalThickness.sh на шаблон (шаг 6.2.1):
      antsBrainExtraction.sh -d 3 - T1.nii.gz -e template.nii.gz -м template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Параметры этой команды являются:
        -d: размеры; -a: анатомическое изображение; -e: мозга извлечения шаблон (то есть шаблон, созданный без зачистки череп); -м: изучение конкретных brainmask, используемые для извлечения головного мозга; -o: вывода префикс.
    10. Затем запустите Atropos:
      antsAtroposN4.sh -d 3 - T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. Параметры этой команды являются:
        -d = размеры; -a: анатомическое изображение; -x: мозга извлечения маска из мозга добычи; -c: количество ткани классов для сегментирования; -o: вывода префикс; -p: исследование конкретных сегментации настоятелей < segmentationPriors%d.nii.gz >
    11. Выполните визуальный КК на регионе ГМ, как описано в разделе 8.

7. Сегментация через MALP-EM

  1. Для запуска MALP-EM, откройте окно терминала, измените каталог в каталоге установки MALP-EM и введите:
    . / malpem-proot - i T1_scan.nii -о. / optional_brain_mask_final.nii.gz -f -m 3T -t 6 - c
  2. После завершения выполнения команды, убедитесь, что выходная папка с классами ткани и региональных segmentations.
  3. Выполните визуального контроля качества на ГМ, как описано в разделе 8.

8. визуальный контроль качества

Примечание: Визуальный контроль качества должен выполняться на всех сегментирована регионов для использования в анализе. Контроль качества гарантирует, что segmentations находятся на высоком уровне и представляют собой надежные сегментации CGM. Для выполнения контроля качества, каждый сканирования открыт и накладывается на оригинальные T1 для сравнения сгенерированный региона CGM, видимых на сканирование.

  1. УСВ, ПСМ, муравьи и MALP-EM Segmentations
    1. Выполните визуального контроля качества, с использованием FSLeyes:
      HTTPS://Users.fmrib.Ox.AC.UK/~PaulMc/fsleyes_userdoc/
      Примечание: FSLview (старые просмотра) также может использоваться таким же образом.
    2. Откройте окно терминала и T1 и регионах ГМ, накладывается на T1. Для этого введите следующую команду:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Однажды FSLeyes открывает, используйте рычаг непрозрачность на верхней панели настройки/уменьшить непрозрачность и позволить визуализации изображения T1 под регионе ГМ. Измените цвет сегментации оверлея на закладке «Цвет dropdown» в верхней панели.
    4. Прокручивать каждый ломтик в головном мозге.
      Примечание: Здесь это делается с помощью корональных зрения, но пользователи должны использовать считает, что они имеют наибольший опыт с.
    5. Проверьте каждый фрагмент для регионов от под - или над - estimation региона проводятся инспекции.
      Примечание: В разделе представитель результаты примеры хороших и плохих segmentations.
  2. FreeSurfer QC
    1. Peform визуальные КК с помощью FreeView.
      Примечание: Обратитесь к документации здесь:
      HTTPS://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Откройте окно терминала. Для просмотра объемного GM региона накладывается на T1, измените каталог на тему папке и введите:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Прокручивать каждый ломтик в головном мозге.
      Примечание: Здесь это делается с помощью корональных зрения, но пользователи должны использовать считает, что они имеют наибольший опыт с.
    4. Проверьте каждый фрагмент для регионов от под - или над - estimation региона проводятся инспекции.
      Примечание: В разделе представитель результаты примеры segmentations.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Средний мозг томов для 20 участников контроля, а также демографическую информацию, показано в таблице 1. Это действует как руководство для ожидаемых значений при использовании этих инструментов. Результаты следует рассматривать в контексте исходного изображения T1.nii. Все регионы ГМ должен проверяться согласно процедуре, описанной в разделе 8. При выполнении визуального контроля качества, важно непосредственно сравнить ГМ регионов для сканирования T1, просмотрев их облож...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Недавно исследования показали, что использование различных объемных методов могут иметь важные последствия для нейровизуализационных исследований1,2. Путем публикации протоколов, помогающих Руководство начинающим пользователям как применять различные нейровизуализации инструменты, а также как выполнять КК на выходе результаты этих инструментов исследователи могут выбрать лучший метод для применения к их набору данных.

В то время как бо...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не имеют ничего сообщать.

Благодарности

Мы хотим поблагодарить всех тех, кто в фонде Q CHDI/высокая ответственность за исследование трек-HD; в частности, Бет Borowsky, Аллан Тобин, Даниэль ван Kammen, Ethan подписавшего и Шерри Lifer. Авторы также хотели бы выразить свою признательность участников исследования трек-HD и членов их семей. Эта работа была проведена в экономика/UCL, который получил долю финансирования от Департамента здравоохранения Национальный институт медицинских исследований биомедицинских исследовательских центров финансирования схемы. S.J.T. признает поддержку национального института исследований в области здравоохранения через видами деменции и нейродегенеративных научно-исследовательская сеть, DeNDRoN.

Следователи трек HD:
C. Кэмпбелл, м. Кэмпбелл, I. ЛАБУШАН, C. Milchman, J. Stout, Университет Монаш, Мельбурн, Виктория, Австралии; А. Колеман, р. Dar Сантос, J. Decolongon, б. р. Ливитт, A. Старрок, Университет Британской Колумбии, Ванкувер, Британская Колумбия, Канада; A. Дурр, C. Jauffret, D. Хусто, S. Lehericy, C. Marelli, K. Nigaud, р. Valabrègue, ICM институт, Париж, Франция; N. "Бектел", S. Bohlen, р. Reilmann, Университет Мюнстера, Мюнстер, Германия; Б. Landwehrmeyer, Университет г. Ульм, Ульм, Германия; J. S. J. A. ван ден Богард, е. м. Дюма, Ван дер Grond, E. P. 't Харт, R. A. Roos, медицинский центр Университета Лейдена, Лейден, Нидерланды; N. Arran, J. Callaghan, D. Craufurd, C. Стопфорд, Университет Манчестера, Манчестер, Соединенное Королевство; Д. м. наличные деньги, IXICO, Лондон, Соединенное Королевство; H. Кроуфорд, N. C. Fox, S. Грегори, G. Оуэн, н. з. Hobbs, N. Лахири, I. Мэлоун, J. Read, M. J. Say, D. Уайтхед, E. Wild, Университетский колледж Лондона, Лондон, Соединенное Королевство; C. Мороз, р. Джонс, Лондонская школа гигиены и тропической медицины, Лондон, Соединенное Королевство; E. Axelson, H. J. Джонсон, D. Langbehn, Университет штата Айова, IA, Соединенные Штаты; и S. Queller, C. Кэмпбелл, Университет Индианы, в Соединенных Штатах Америки.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

SPMFSLeyesFreeSurfer
Автоматизированный сегментация коркового серого вещества от T1-взвешенный МРТ изображения
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.