A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
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.
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.
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.
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.
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.
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.
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.
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/.
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.
7. Сегментация через MALP-EM
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.
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 обложил на T1.
Регионы должны быть отвергнуты для грубых ошибок, как показано на рисунке 1. Иногда эти ошибки приводят, если обработка была выполнена неправильно, или если мозг плохо позиционируется в поле зрения. Чтобы исправить эти ошибки, родной сканирует T1 может быть жестко повторно согласованы стандартные пространства и сегментация может быть повторная попытка. Частота сбоев будет варьироваться в зависимости от качества данных и инструменты, используемые, а также классификации сбоя. В текущем исследовании отказов всего сбоев, что приводит к отклонению были < 5% для всех инструментов, но менее значительные ошибки последовательно были замечены через ряд инструментов. FSL быстро, SPM 8 новый сегмент и FreeSurfer были ошибки (но не сбои) > 50% сканирования для этой когорты. Эта ошибка ставка была количественно оценена путем изучения заметки, сделанные в процессе визуального контроля качества, с ошибками, включены, если они были замечены как разумный отход от ожидаемого регионов, как показано на рисунках 2-6. Важно отметить, что эти инструменты были подтверждены на другие наборы данных и результат гораздо меньше ошибка ставки 3,8. Хотя эти ошибки возможно может быть улучшена посредством ручного вмешательства или включение маски в мозг добычу, поскольку УСВ новый сегмент и MALP-EM привели к более низкой ставке ошибок для этого набора данных, будут использоваться эти инструменты. Маски могут применяться перед обработкой муравьи и MALP-EM и после обработки СЗМ (все версии) и ПСМ первой.
Более мелкие ошибки отображаются цифры 2 -6. Тестируя различные сегментации инструменты для набора данных перед применением для всей когорты, можно выбрать инструмент, который лучше работает на набор данных для анализа. При выполнении КК, следует разработать процедуру для выбора отклонить, изменить, или принимать segmentations. Распространенные ошибки, видели для семи инструментов описаны здесь, с примерами, показано на рисунках 2-6. Ошибки в сегментации такие часто могут быть исправлены с добавлением маски в потоке обработки или редактирования в регионах. Однако регионы с обширной над - или под - estimation коры может потребоваться отклоняться от анализа. Строгие критерии должны разрабатываться и при принятии этого решения. Эти шаги не рассматриваются в настоящем Протоколе и будет отличаться от набора данных в dataset.
Как правило при выполнении визуального контроля качества, важно уделять особое внимание к височной и затылочной областей, как эти районы, которые показывают наиболее последовательных ошибок. На рисунке 2 показаны примеры хороших и плохих височной segmentations, и на рисунке 3 показаны примеры хороших и плохих затылочной segmentations. На рисунке 4 показана еще одна общая проблема, которая возникает во всех инструментах, в которых не мозговой ткани классифицируется как CGM в улучшенные срезы мозга. Рисунок 5 показывает еще один вопрос, видел в ряде segmentations где регионы CGM исключены из сегментации. Это часто происходит в улучшенные срезы мозга, как показано на рисунке 5.
SPM8 единой сегмента обычно приводило к бедных временной делимитации, с регионе сегментирована ГМ, разлив в не мозговой ткани, окружающие височные доли. Утечки в затылочной доле является общим, при недооценки лобных долей, также видели в ряде регионов. Для SPM8 новый сегмент бедных временная делимитация и затылочной утечки были также распространены. С помощью этой версии СЗМ также приводит к вокселей внутри черепа и дура, классифицируются как GM в почти всех segmentations. SPM12 был улучшен по сравнению с более ранними версиями СЗМ, с височной доли segmentations более и менее разлива в других регионах. Муравьи, показал весьма переменной производительности на этой когорты, с извлечением первоначального мозга, определяющим качество сегментации. Важно уделять особое внимание внешних границ, и если добыча мозга плохое использование муравьи, то маска мозга, были включены в команду Atropos могут быть улучшены. Проблемы с чрезмерной оценки ГМ в височной и затылочной долей снова были распространены. MALP-EM показали меньше проблем с переоценки височной и затылочной долей; Хотя, недооценки коры в ряде случаев. Это может быть улучшена путем включения мозга маски в конвейере. FSL быстро segmentations были сильно варьирует, из-за переменной производительности добычи мозга ставку на данных из этой когорты. Опять же вопросы в затылочной и височной долей были распространены; Однако они могут быть улучшены с оптимизации добычи мозга. Наконец FreeSurfer объемные регионах часто затянуты вдоль границы GM/ФГО, обычно за исключением некоторых регионов ГМ в внешняя граница (рис. 6). Как и в случае с другими инструментами, разливов вне ГМ преобладает в пределах височной и затылочной долей. Наконец рис. 7 показан пример хорошей сегментации, отображаемых в FSLview, что ошибки не в сегментации. Ручное редактирование регионов часто может выполняться в улучшить регионов, хотя это здесь не рассматривается.
Рисунок 1 : Пример сбой сегментации, отображаются на проверку T1. Это сегментации должны повторно обрабатываются и исключены из анализа, если он не может быть улучшена. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 2 : Примеры производительности различных инструментов на височной доли на проверку T1. (A) T1 сканирования без сегментации. (B) T1 сканирования с примером хорошей региональной разграничения (MALP-EM). (C) T1 сканирования с примером хорошей региональной разграничения (FreeSurfer). (D) T1 сканирования с пример плохой региональное разграничения, показаны разлива в левой и правой височной доле (СЗМ 8 новый сегмент). (E) T1 сканирования с пример плохой региональное разграничения, показывая разлива в левой и правой височной доли (FSL быстро). Сканирует рассматриваются в FSLeyes с T1 сканирования как базовый образ и регионе ГМ как оверлей. На этом рисунке ГМ регионов рассматриваются как красно желтый с прозрачностью 0,4. Цветовой градиент представляет собой частичный объем вокселей, с вокселей, более желтый с, выше оценку PVE (более вероятно быть GM) и те, которые являются красный, имея Нижняя оценка PVE (менее вероятно быть GM). Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 3 : Примеры производительности различных инструментов на затылочной доли на проверку T1. (A) T1 сканирования без сегментации. (B) T1 сканирования с примером хорошей региональной разграничения (MALP-EM). (C) T1 сканирования с пример плохой затылочная доля разграничения с разливом в Дура в медиальной части региона (СЗМ 8 единой сегмент). (D) T1 сканирования с пример плохой затылочная доля разграничения с разливом в Дура в разделах медиальной и Улучшенный региона (СЗМ 8 новый сегмент). (E) T1 сканирования с пример плохой затылочная доля разграничения с разливом в Дура в медиальной и начальника Секции региона (FSL быстро). Сканирует рассматриваются в FSLeyes с T1 сканирования как базовый образ и регионе ГМ как оверлей. На этом рисунке ГМ регионов рассматриваются как красно желтый с прозрачностью 0,4. Цветовой градиент представляет собой частичный объем вокселей, с вокселей, более желтый с, выше оценку PVE (более вероятно быть GM) и те, которые являются красный, имея Нижняя оценка PVE (менее вероятно быть GM). Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 4 : Пример области ГМ разлитой в Дуре, отображаются в окне FSLview (в сагиттальной, корональных и осевой просмотров). Синий регион подчеркивает разлива в Дура. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 5 : Пример ГМ региона, что исключает регионы CGM от сегментации. Эта область отображается в окне FSLview, в сагиттальной, корональных и осевой просмотров. Осевой лучший вид показывает регионов, которые были исключены из сегментации. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 6 : Пример FreeSurfer GM региона, что является очень жесткой вдоль границы GM/ФГО, отображаются в FreeView. Корональные окно в верхнем левом лучших отображает недооценки в CGM в этом регионе. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 7 : Пример четко разграничить области MALP-ет на сканирование мозга T1. Регионе показывает никаких проблем с над или под estimation от CGM в любом регионе. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Таблица 1: Демографическая информация и средних объемов GM (мл) для 20 представителей управления в трек-HD исследования, сегментированные, используя семь инструментов, описанных здесь.
Авторы не имеют ничего сообщать.
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.
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.
