Summary
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.
Abstract
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.
Introduction
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.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
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.
- Убедитесь, что SPM8 установлен и задайте в пути программного обеспечения.
- УСВ сегментации осуществляется с помощью графического интерфейса пользователя. Чтобы открыть РП, откройте окно командной строки и введите «РП» в командной строке.
- Нажмите «PET & ВБМ» открыть структурной МРТ toolbox.
- Нажмите «Пакет» для открытия Пакетный редактор. Это позволяет сегментация проводится на несколько сканов в то время.
- Выберите ' СЗМ | Пространственные | Сегмент».
- Нажмите кнопку ' данных | Выберите файлы. Выберите сканирование Т1 взвешенных качестве входных данных.
Примечание: Эти файлы должны быть распакованы файлы NifTi, с расширением в «.nii». - 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».
- 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.
- 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». - 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.
- Нажмите «PET & ВБМ».
- Нажмите «Пакет» для открытия Пакетный редактор.
- Выберите ' СЗМ | Инструменты | Новый сегмент ' в окне пакет. Выберите файлы изображений T1 (с расширением «.nii»).
- 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. - 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». - 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.
- 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.
- Нажмите «PET & ВБМ». Нажмите «Пакет» для открытия Пакетный редактор.
- Нажмите на ' СЗМ | Пространственные | Сегмент». Затем нажмите на ' данных | Томов.
- 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. - Нажмите зеленый флаг для запуска сегментации.
Примечание: Окно командной строки будет отображаться: «Бежать сегмента». После запуска, он будет отображаться: «Сделали сегмента». - 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.
- Запуск ставку мозга добычи. Это, возможно, потребуется быть оптимизированы для различных наборов данных, но основные команды:
Бет T1_ID.nii bet_T1_ID.nii - Запуск FSL быстро сегментация:
Быстрый bet_T1_ID.nii
Примечание: Это будет выход частичный объем карты и двоичные регионов для ГМ, CSF и WM. - 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/.
- Задайте каталог, в котором данные, введя:
SUBJECTS_DIR = / путь/к/НИИ/файлов экспорта - 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. - 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».
- 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.
- 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.- Задайте путь к муравьи программное обеспечение, введя команду:
экспорт ANTSPATH = / путь/к/муравьев/bin / - Запуск нефтепровода сегментации, введя команду:
antsAtroposN4.sh -d < image_dimension > - < t1.nii.gz > -c < число классов ткани > -o < выход >- Необязательные аргументы для этой команды являются:
Мозг маска: - x < mask.nii.gz >;
Настоятели ткани: -p < segmentationPriors%d.nii.gz >.
- Необязательные аргументы для этой команды являются:
- Это создаст папку с результатами, включая частичный объем карты и извлеченные мозга. Выполните визуальный КК на регионе ГМ, как описано в разделе 8.
- Задайте путь к муравьи программное обеспечение, введя команду:
- 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.
- Чтобы создать шаблон/настоятели исследование конкретных, сначала создайте шаблон исследование конкретных:
antsMultivariateTemplateConstruction.sh -d < image_dimension > -o шаблон < другие варианты >< images.nii.gz >- 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.
- Необязательные аргументы для этой команды являются:
- 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. - 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- 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.
- Параметры этой команды являются:
- 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.- 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.
- Параметры этой команды являются:
- Визуально проверьте регистрацию для переписки между исследования конкретного шаблона и загруженный шаблон (чтобы сделать это, откройте шаблон исследование конкретных поверх загруженный шаблон).
- 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. - 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- 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).
- Параметры этой команды являются:
- 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 - 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- 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.
- Параметры этой команды являются:
- Затем запустите Atropos:
antsAtroposN4.sh -d 3 - T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template- 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 >
- Параметры этой команды являются:
- Выполните визуальный КК на регионе ГМ, как описано в разделе 8.
- Чтобы создать шаблон/настоятели исследование конкретных, сначала создайте шаблон исследование конкретных:
7. Сегментация через MALP-EM
- 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 - После завершения выполнения команды, убедитесь, что выходная папка с классами ткани и региональных segmentations.
- 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.
-
УСВ, ПСМ, муравьи и MALP-EM Segmentations
- 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. - Откройте окно терминала и T1 и регионах ГМ, накладывается на T1. Для этого введите следующую команду:
fsleyes T1.nii Region1.nii Region2.nii. - 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.
- 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. - Проверьте каждый фрагмент для регионов от под - или над - estimation региона проводятся инспекции.
Примечание: В разделе представитель результаты примеры хороших и плохих segmentations.
- Выполните визуального контроля качества, с использованием FSLeyes:
-
FreeSurfer QC
- Peform визуальные КК с помощью FreeView.
Примечание: Обратитесь к документации здесь:
HTTPS://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart. - 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 - 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. - Проверьте каждый фрагмент для регионов от под - или над - estimation региона проводятся инспекции.
Примечание: В разделе представитель результаты примеры segmentations.
- Peform визуальные КК с помощью FreeView.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
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.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
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 большинство шагов этой СОП могут быть скорректированы с учетом потребностей в данных и исследователь, одним из наиболее важных процессов, представленные здесь являются шаги, описывающих подробно визуального контроля качества. Визуального контроля качества должны выполняться на всех segmentations вывода этих инструментов и имеет важное значение для точного измерения CGM. КК шаги, предпринятые для обеспечения высокого качества segmentations были разработаны после рассмотрения тысяч CGM регионов. Сравнивая различные инструменты через визуальный осмотр, можно найти наиболее точный метод для каждого набора данных.
Для каждого инструмента существуют различные варианты, которые могут использоваться для оптимизации сегментации на каждого набора данных. Это часто предпочтительнее перестроить все проверки собственного пространства до сегментации, поскольку это может уменьшить ошибки сегментации; Однако это не важно. Кроме того области вывода каждого инструмента отличаются, с некоторыми включая только корковых ГМ и некоторые также включая подкорковых областей. Кроме того некоторые регионы вывода частичный объем сметы (PVE) и некоторые вывода дискретных ткани карты. В то время как объем добычи не рассматривается здесь, и обсуждение разницы между PVE и дискретных ткани карты выходит за рамки этой стандартные оперативные процедуры (СОП), карты PVE обычно принимаются как более надежная мера12. Данная СОП предоставляет информацию о обработки, используемых в Джонсон и др. (2017) 2 сегмента и КК сканирование; Однако может быть более нужные для других пользователей в зависимости от качества их изображения, и дальнейшая обработка как применение масок для ограничения областей коры ГМ может потребоваться. Все segmentations может выполняться в собственном пространстве.
Этот протокол обеспечивает пример трубопроводов для семи различных методов, которые могут быть использованы для разделения CGM от T1 МРТ. Эти примеры во многом следуют по умолчанию трубопроводов, которые рекомендуются для каждого программного обеспечения, и это важно отметить, что дальнейшая оптимизация этих трубопроводов может быть необходимо для успешного сегментации региона на различных проверок. Некоторые инструменты, такие как MALP-EM, ограниченные возможности и, вероятно, лучше для пользователей, которые являются новыми для нейровизуализации. Другие инструменты, включая муравьи, могут пройти подробные оптимизации, и протокола, представленные здесь представляет одно возможное применение этого программного обеспечения. Возможны также дополнительные параметры, такие как использование масок ограничить расчет объемов, для большинства инструментов.
Важно отметить, что не все инструменты могут использоваться в каждой операционной системе. СЗМ и муравьи являются совместимость с системами Windows, Mac и Linux, ПСМ совместима с Mac и Linux системами, и MALP-EM и FreeSurfer совместимы с системами Linux (или Linux виртуальной машины, работающие на ПК Windows/Mac).
Этот протокол включает шаги, которые могут быть использованы для выполнения сегментации и контроля качества (КК) на 3D T1-взвешенный МРТ, чтобы генерировать CGM регионов. Однако протокол предполагает, что изображения являются 3D T1 изображений в формате NifTI (расширение .nii). В анализе, выполняемые Джонсон и др. 2, изображения были уже предвзятости исправлены с помощью процедуры N313. Этот протокол также предполагается, что программное обеспечение были загружены и установлены на linux машине в соответствии с указаниями каждого инструмента. Программное обеспечение по сравнению здесь включают SPM814, SPM12, FSL15, FreeSurfer16,17, муравьи18и19MALP-EM.
Данная СОП охватывает широкий спектр методов сегментации; Однако есть другие варианты доступны для сегментации структурных проверок T1. Эти методы были отобраны для предыдущих сравнения Джонсон и др. 2 на основании их частота использования в рамках исследования болезни Гентингтона. Однако каждый инструмент выполняет по-разному в каждом наборе данных, и инструменты сегментации, не описанные здесь может быть целесообразным для других наборов данных и исследовательских групп.
Эти инструменты широко используются в рамках нейровизуализационных исследований. Как обновлений программного обеспечения создаются для этих инструментов, вполне вероятно, что вывод каждого метода сегментации претерпит серьезные изменения с течением времени. Однако акцент должен оставаться на процесс визуального контроля качества для обеспечения высокого качества segmentations используются в нейровизуализационных исследований.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторы не имеют ничего сообщать.
Acknowledgments
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.
References
- Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
- 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).
- 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).
- Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
- Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
- Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
- 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).
- 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).
- Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).
