Segmentación automática de la materia gris Cortical de las imágenes de T1-Weighted MRI

Summary

Este protocolo describe el proceso de aplicación de siete herramientas de la segmentación automatizada diferentes análisis estructurales de T1-weighted MRI para delimitar las regiones de materia gris que pueden ser utilizadas para la cuantificación del volumen de materia gris.

Abstract

Dentro de la investigación neuroimaging, un número de estudios recientes ha discutido el impacto de las diferencias entre los estudios en hallazgos volumétricos que se piensan para resultar de la utilización de herramientas de segmentación diferente para generar volúmenes de cerebro. Aquí, se presentan tuberías de proceso para siete herramientas automatizadas que pueden utilizarse para segmentar materia gris dentro del cerebro. El protocolo proporciona un paso inicial para investigadores con el objetivo de encontrar el método más preciso para la generación de volúmenes de materia gris de T1-weighted MRI las exploraciones. Pasos para realizar control de calidad visual detallada también están incluidos en el manuscrito. Este protocolo cubre una gama de posibles herramientas de segmentación y anima a los usuarios a comparar el rendimiento de estas herramientas dentro de un subconjunto de sus datos antes de seleccionar uno para aplicar a una cohorte completa. Además, el protocolo puede ser más generalizado a la segmentación de otras regiones del cerebro.

Introduction

Neuroimaging es ampliamente utilizado en las dos clínicas y parámetros de investigación. Hay un movimiento actual para mejorar la reproducibilidad de los estudios que cuantifican el volumen del cerebro de la proyección de imagen de resonancia magnética (MRI) exploraciones; por lo tanto, es importante que los investigadores compartan experiencias del uso de herramientas disponibles de MRI para segmentación de las exploraciones de MRI en volúmenes regionales, mejorar la estandarización y optimización de métodos¹. Este protocolo proporciona a una guía paso a paso para usar siete herramientas diferentes a la materia gris cortical (CGM; materia gris que excluye regiones subcorticales) del segmento de T1-weighted MRI las exploraciones. Estas herramientas fueron utilizadas previamente en una comparación metodológica de segmentación métodos², que ha demostrado el rendimiento variable entre herramientas en una cohorte de la enfermedad de Huntington. Puesto que el rendimiento de estas herramientas se piensa que varían entre los diferentes conjuntos de datos, es importante para los investigadores para poner a prueba una serie de herramientas antes de seleccionar sólo uno para aplicar a su conjunto de datos.

Volumen de materia gris (GM) se utiliza regularmente como una medida de la morfología del cerebro. Medidas volumétricas son generalmente fiables y capaces de discriminar entre controles sanos y grupos clínicos³. El volumen de los tipos de tejido diferentes de regiones del cerebro más a menudo se calcula utilizando herramientas de software automatizado que identifican estos tipos de tejidos. Así, para crear delineaciones de alta calidad (segmentación) del mecanismo mundial, precisa delimitación de la materia blanca (WM) y líquido cefalorraquídeo (LCR) es fundamental para lograr la exactitud de la región de GM. Hay una serie de herramientas automatizadas que pueden utilizarse para realizar segmentación de GM, y cada uno requiere procesamiento diferentes pasos y resulta en una salida diferente. Un número de estudios ha aplicado los instrumentos a diferentes conjuntos de datos para comparar entre sí, y algunos han optimizado herramientas específicas^{1,4,5,6,7,8 ,9,10,11}. Trabajo previo ha demostrado que la variabilidad entre las herramientas volumétricas puede provocar inconsistencias dentro de la literatura al estudiar el volumen del cerebro, y estas diferencias se han sugerido como factores de falsas conclusiones acerca de conducir condiciones neurológicas¹.

Recientemente, se realizó una comparación de herramientas de segmentación diferente en una cohorte que incluyó participantes de control sano y participantes con enfermedad de Huntington. La enfermedad de Huntington es una enfermedad genética neurodegenerativa con un inicio típico en la edad adulta. Progresiva atrofia subcortical y CGM es una característica neuropathological prominente y bien estudiada de la enfermedad. Los resultados demostraron funcionamiento variable de siete herramientas de segmentación que se aplicaron a la cohorte, apoyando el trabajo anterior que demuestra la variabilidad en los resultados dependiendo del software utilizado para el cálculo de los volúmenes cerebrales de IRM. Este protocolo proporciona información sobre el proceso utilizado en Johnson et al. (2017) ² que anima a una cuidadosa selección metodológica de las herramientas más apropiadas para el uso en neuroimaging. Este manual cubre la segmentación de volumen de GM pero no se aplica la segmentación de lesiones, tales como los observados en la esclerosis múltiple.

Protocol

Nota: Asegúrese de que todas las imágenes están en formato de NifTI. Conversión a NifTI no está cubierto aquí.

1. segmentación por SPM 8: Unificado de segmento

Nota: Este procedimiento se realiza mediante la GUI de SPM8 que opera dentro de Matlab. La guía SPM8 proporciona más detalle y se puede encontrar en: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

1. Asegúrese de que SPM8 instalado y ubicado en la ruta de acceso de software.
2. Segmentación de SPM se realiza utilizando una interfaz gráfica. Para abrir el SPM, abra una ventana de comandos y escriba 'spm' en la línea de comandos.
3. Pulse 'PET & VBM' para abrir el cuadro de herramientas estructural de MRI.
4. Pulse 'Batch' para abrir el Editor por lotes. Esto permite la segmentación que se realizará en varias exploraciones a la vez.
5. Seleccione ' SPM | Espacial | Segmento '.
6. Haga clic en ' datos | Seleccione los archivos. Elegir las imágenes de T1-weighted como entrada.
   Nota: Los archivos deben estar los archivos descomprimidos de NifTi, con la extensión que '.nii'.
7. Haga clic en ' los archivos de salida | Materia gris ' y asegúrese de que está seleccionado 'Espacio nativa', hacer lo mismo con la materia blanca. Si la segmentación de la CSF no es necesaria dejar esto como 'None'.
8. Si las imágenes ya han sido corregidos por sesgo, cambie la opción 'Sesgo corregido' a 'No guardar corregido'. Para la opción 'Limpiar particiones', las tres diferentes opciones de prueba y uso visual de control de calidad (QC, sección 8) para determinar que funciona mejor para los datos.
9. Deje los otros ajustes como sus valores predeterminados. A continuación, haga clic en la bandera verde a correr la segmentación.
   Nota: Esto toma alrededor de 5 minutos por participante, y dice la línea de comandos, segmento de ejecución. Cuando haya terminado, la ventana de comandos mostrará 'Hecho'.
10. Realizar control de calidad visual en la GM (archivo C1*.nii) como se describe en la sección 8.

2. segmentación por SPM 8: nuevo segmento

Nota: Este procedimiento se realiza mediante la GUI de SPM8. La guía SPM8 proporciona más detalle y se puede encontrar en: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Asegúrese de que SPM8 instalado y ubicado en la ruta de acceso de software. Abra el software SPM realizado típicamente escribiendo "spm" en una línea de comandos. Esto abre una ventana de interfaz (GUI) de gráfica de usuario con una gama de opciones que pueden seleccionarse para realizar análisis.

1. Prensa 'PET & VBM'.
2. Pulse 'Batch' para abrir el Editor por lotes.
3. Seleccione ' SPM | Herramientas | Nuevo segmento ' en la ventana Lote. Seleccione los archivos de imagen de T1 (con extensión '.nii').
4. Establecer 'Tejido nativo tipo' a 'Espacio nativa'. Según sea necesario, apagar el tejido diferentes clases (por ejemplo, LCR) - si no requerido - por ajuste a 'None'. Establecer 'Tejido deformado' a 'None'.
   Nota: Todas las opciones se pueden dejar como la configuración predeterminada.
5. Haga clic en la bandera verde para ejecutar la segmentación.
   Nota: La línea de comandos dirá, correr nuevo segmento. Una vez ha terminado de ejecutar la voluntad de la línea de comandos MATLAB, 'hecho nuevo segmento'.
6. Realizar control de calidad visual en la GM (archivo C1*.nii) como se describe en la sección 8.

3. segmentación por SPM 12: segmento

Nota: Este procedimiento es realizado a través de la GUI SPM12. La guía de SPM12 proporciona más detalle y se puede encontrar en: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

1. Abra el software SPM escribiendo 'spm' en la ventana de comandos. Esto abre una ventana de interfaz (GUI) de gráfica de usuario con una gama de opciones que pueden seleccionarse para realizar análisis.
2. Prensa 'PET & VBM'. Pulse 'Batch' para abrir el Editor por lotes.
3. Haga clic en ' SPM | Espacial | Segmento '. A continuación, haga clic en ' datos | Volúmenes.
4. Establecer 'Tejido nativo tipo' a 'Espacio nativa'. Apague las clases de tejido que no están necesario (como CFS) al establecer que 'Ninguno'. Establecer 'Tejido deformado' a 'None'.
   Nota: Todas las demás opciones se pueden dejar como por defecto.
5. Haga clic en la bandera verde para ejecutar la segmentación.
   Nota: Se mostrará la ventana de comandos: 'Segmento de funcionamiento'. Una vez finalizado el plazo, se mostrará: 'Hecho segmento'.
6. Realizar control de calidad visual en la GM (archivo C1*.nii) como se describe en la sección 8.

4. segmentación por FSL rápido

Nota: Este procedimiento se realiza en la línea de comandos. La guía FSL proporciona más detalle y se puede encontrar en: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

1. Ejecutar la extracción de cerebro de apuesta. Esto puede necesitar ser optimizado para diferentes conjuntos de datos, pero el comando básico es:
   apuesta T1_ID.nii bet_T1_ID.nii
2. Ejecutar FSL rápida segmentación:
   bet_T1_ID.nii rápido
   Nota: Esta salida mapas de volumen parcial y regiones binarias para GM CSF y WM.
3. Realizar control de calidad visual en la región de GM (el fin de archivo * _pve_1.nii.gz) como se describe en la sección 8.

5. segmentación por FreeSurfer

Nota: Este procedimiento se realiza en la línea de comandos. La guía de FreeSurfer proporciona más detalle y se puede encontrar en: https://surfer.nmr.mgh.harvard.edu/.

1. Establece el directorio donde los datos están escribiendo:
   Export SUBJECTS_DIR = / path/a/nii/archivos
2. Ejecutar la segmentación ejecutando los comandos:
   Recon-todo - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
   Recon-todos - subjid T1_ID-autorecon2-autorecon3
   Nota: Los comandos toman > 10 h por participante. El - cw256 bandera es necesario recortar más de 256 hasta este tamaño para el procesamiento de exploraciones con campos de vista.
3. Compruebe que proceso ha finalizado correctamente mirando el script situado en la ' carpeta de salida | secuencias de comandos | Recon-todo.log '. Compruebe que la última línea dice 'recon-all - s T1_ID acabado sin errores'.
4. Realizar control de calidad visual en la región de GM como se describe en la sección 8.

6. segmentación por hormigas

Nota: Este procedimiento se realiza en la línea de comandos. Las hormigas es un software más complejo que otras herramientas y cabe señalar que el procedimiento explicado aquí podría ser más optimizado para que cada cohorte mejorar los resultados. Documentación de las hormigas puede encontrarse en: http://stnava.github.io/ANTsDoc/. Hay dos maneras de segmentar las imágenes en las clases de tejido como se describe a continuación.

1. Para utilizar el primer método, ejecute el comando 'antsAtropos.sh' con la configuración predeterminada y sin incluir Priores de tejido.
   Nota: Esto a menudo funciona bien especialmente cuando se requieren sólo 3 clases de tejido: GM, WM, otros.
   1. Establecer la ruta de acceso al software de las hormigas escribiendo el comando:
      Export ANTSPATH = / path/a/las hormigas/bin /
   2. Ejecutar la canalización de segmentación escribiendo el comando:
      antsAtroposN4.sh -d < image_dimension > - a < t1.nii.gz > -c < número de clases de tejido > -o < salida >
      1. Argumentos opcionales de este comando son:
         Máscara de cerebro: - x < mask.nii.gz >;
         Priores de tejido: -p < segmentationPriors%d.nii.gz >.
   3. Esto creará una carpeta con la salida incluyendo mapas de volumen parcial y un cerebro extraído. Realizar control de calidad visual en la región de GM como se describe en la sección 8.
2. Para generar más clases de tejido (GM, GM subcortical, WM, LCR, otros, etc.) o realizar la segmentación de una cohorte que muestran patología neural, uso Priores de tejido específico. Descargar a reincidentes de tejido de diferentes sitios Web. Alternativamente, utilizar una plantilla específica de estudio para hacer distribuciones previas - esto es mucho más complejo pero puede ser beneficioso, especialmente en cohortes con cambios patológicos del cerebro.
   1. Para crear a una plantilla/Priores de estudio específicos, en primer lugar crear una plantilla de estudio específico:
      antsMultivariateTemplateConstruction.sh plantilla de -o -d < image_dimension > < otras opciones >< images.nii.gz >
      1. Argumentos opcionales de este comando son:
         -c: control para cómputo paralelo.
         Si funciona en serie, usar un 0; -j: número de corazones; -r: no cuerpo rígido registro de entradas antes de crear la plantilla (por defecto 0) - 0 == 1 == en. Esto sólo es útil cuando una plantilla inicial no está disponible.
   2. Descargar un brainmask y priores de la Página Web de hormigas.
      Nota: Esta mascarilla necesitará ser editado para asegurarse de que es una buena aproximación del cerebro plantilla. La brainmask es una de las partes más importantes de la tubería; Si es pobre, entonces cerebro extracción/Átropos funcionará mal. Algunas de las opciones de descarga son:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Luego debe registrarse la plantilla a la plantilla del estudio.
   3. Calcular el registro, que es la salida de una serie de deformaciones que luego se puede aplicar a la plantilla a transformar al espacio plantilla específica de estudio. Para calcular el registro, utilice el comando:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Las opciones de este comando son:
         -dimensión d: (es decir, las exploraciones 3D sería '3'); -imagen f: fija (es decir, el espacio donde las imágenes se necesitan para terminar); -m: movimiento imagen (es decir, la imagen que necesita ser movido); -o: nombre (sin extensión necesitada); -n: número de hilos.
   4. El registro se aplican a los datos:
      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. Las opciones de este comando son:
         -dimensión d: (es decir, las exploraciones 3D sería '3'); -imagen de i: entrada (es decir, la imagen que necesita ser movido); -imagen de referencia r: (es decir, la imagen de referencia define la separación, origen, tamaño y dirección de la imagen deformado de salida); nombre de salida -o, esta es la plantilla en el espacio plantilla específica de estudio (extensión necesaria en este caso); nombre de archivo de transforma -t, el archivo de resultados del cálculo de la matrícula.
   5. Revise el registro de la correspondencia entre la plantilla específica de estudio y la plantilla descargada (para hacer esto, abra la plantilla de estudio específico en la parte superior la plantilla).
   6. Si ha funcionado el registro, aplicar la transformación a los Priores descargados y extraído el cerebro plantilla, repetir paso 6.2.5.
      Nota: Siguiendo estos pasos, habrá una plantilla específica de estudio, una plantilla con la plantilla específica de estudio, junto con una máscara de extracción de cerebro descargado y priores de tejido también alineados con la plantilla específica de estudio.
   7. Ejecutar la plantilla específica de estudio a través de antsCorticalThickness.sh; Esto proporciona regiones GM, WM y CSF que pueden ser utilizadas para estudios específicos previos:
      antsCorticalThickness.sh -d 3-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. Las opciones de este comando son:
         -dimensión d: (es decir, las exploraciones 3D sería '3'); -a: imagen a segmentarse (en este caso, la plantilla del estudio específico); -plantilla de cerebro e: (no cráneo despojado; en este caso, la plantilla que ha sido registrada en la plantilla del estudio específico); -máscara de extracción de cerebro m: descargado (en este caso, el cerebro extraído de la plantilla que ha sido registrado en la plantilla del estudio específico); -p: priores especificados utilizando el estilo c formato (por ejemplo, labelsPriors%02d.nii.gz -p).
         Nota: El comando asume que los primeros cuatro priores se ordenan como sigue: 1: LCR, 2: GM cortical, 3: WM y 4: GM subcortical (en este caso, los Priores de la plantilla que ha sido registrado en la plantilla del estudio específico).
   8. Ejecuta este comando dará como resultado generados Priores de la plantilla, pero es necesario alisar antes de su uso en la segmentación de Átropos. El comando suavizado es parte del programa de las hormigas. Suavizar a todos los Priores con el comando:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
   9. Antes de ejecutar el Atropos, ejecute extracción de cerebro en todos los escaneos espacio nativa. La plantilla específica de estudio se puede utilizar y extrae cerebro generado de la ejecución de antsCorticalThickness.sh en la plantilla (criterio 6.2.1):
      antsBrainExtraction.sh -d 3-T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Las opciones de este comando son:
         -d: dimensiones; -imagen a: anatómica; -plantilla de extracción de cerebro de e: (es decir, plantilla creada sin el desmontaje del cráneo); -m: estudio brainmask específico utilizado para la extracción del cerebro; -Prefijo de salida o:.
   10. Luego ejecute Átropos:
       antsAtroposN4.sh -d 3 - a T1.nii.gz - x T1_brain.nii.gz -c 3 -oh Atropos_specific_template
       1. Las opciones de este comando son:
          -d = dimensiones; -imagen a: anatómica; -máscara de extracción de cerebro de x: generada a partir de la extracción del cerebro; -c: número de clases de tejido para segmentar; -Prefijo de salida o:; -Priores de segmentación específica p: estudio < segmentationPriors%d.nii.gz >
   11. Realizar control de calidad visual en la región de GM como se describe en la sección 8.

7. segmentación por MALP-EM

1. Para ejecutar el MALP-EM, abra una ventana de terminal, cambiar el directorio en el directorio de instalación de MALP-EM y el tipo:
   . / malpem-proot - i T1_scan.nii -o. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
2. Una vez que el comando se ha completado, compruebe que hay una carpeta de salida con las clases de tejido y segmentaciones regionales.
3. Realizar control de calidad visual en lo GM tal como se describe en la sección 8.

8. visual de Control de calidad

Nota: Control de calidad Visual debe realizarse en todas las regiones segmentadas a utilizarse en el análisis. Control de calidad asegura que las segmentaciones son de alta calidad y representan segmentación confiable de la CGM. Para realizar el control de calidad, cada exploración se abre y superpuesta en la T1 original para comparar la región generada a la CGM visible en la exploración.

1. SPM, FSL, hormigas y segmentaciones MALP-EM
   1. Realizar control de calidad visual con FSLeyes:
      https://users.fmrib.ox.AC.uk/~paulmc/fsleyes_userdoc/
      Nota: FSLview (un visor de mayor) también puede utilizarse de la misma manera.
   2. Abrir una ventana de terminal y abrir regiones GM superpuestas en la T1 y T1. Para ello, escriba:
      fsleyes T1.nii Region1.nii Region2.nii.
   3. Una vez FSLeyes se abre, utilice el botón opacidad en el panel superior para ajustar/reducir la opacidad y permitir la visualización de la imagen de T1 debajo de la región de GM. Cambiar el color de la superposición de segmentación a través de la pestaña' color desplegable' en el panel superior.
   4. Desplácese por cada rebanada en el cerebro.
      Nota: Aquí esto se hace usando el vista coronal, pero los usuarios debe utilizar la vista que tienen más experiencia con.
   5. Compruebe cada rebanada para las regiones de bajo - o sobre - estimation de la región siendo examinada.
      Nota: Consulte la sección de resultados representativos ejemplos de segmentaciones buenos y malos.
2. FreeSurfer QC
   1. Realizar control de calidad visual mediante TDT.
      Nota: Consulte la documentación aquí:
      https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
   2. Abra una ventana de terminal. Para ver la región GM volumétrica superpuesta en la T1, cambie el directorio a la carpeta del tema y tipo:
      TDT./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
   3. Desplácese por cada rebanada en el cerebro.
      Nota: Aquí esto se hace usando el vista coronal, pero los usuarios debe utilizar la vista que tienen más experiencia con.
   4. Compruebe cada rebanada para las regiones de bajo - o sobre - estimation de la región siendo examinada.
      Nota: Consulte la sección de resultados representativos ejemplos de las segmentaciones.

Representative Results

Los volúmenes de medio cerebro para 20 participantes de control, junto con información demográfica, se muestra en la tabla 1. Esto actúa como una guía para los valores esperados al usar estas herramientas. Resultados deben considerarse en el contexto de la imagen original de T1.nii. Todas las regiones de GM deben ser inspeccionadas según los pasos descritos en la sección 8. Cuando se realiza el control de calidad visual, es importante comparar directamente las regiones de GM para la exploración de T1 por visualizarlas superpuestas en la T1.

Regiones deben ser rechazadas por errores gruesos como se muestra en la figura 1. A veces estos errores como resultado si el proceso se ejecuta incorrectamente, o si el cerebro estaba mal posicionado dentro del campo de visión. Para corregir estos errores, los nativos escaneos de T1 pueden ser rígidamente volver a alineados con espacio estándar y segmentación puede ser nuevo intento. La tasa de fallas varía dependiendo de la calidad de los datos y herramientas utilizadas, así como la clasificación de la falta. En el presente estudio, las tasas de fracaso de fracasos totales resultando en rechazo eran < 5% de todas las herramientas, pero menos significativos errores constantemente fueron vistos a través de una serie de herramientas. FSL rápido, SPM 8 nuevo segmento y FreeSurfer tuvieron errores (pero no fallas) en > 50% de las exploraciones para esta cohorte. Este tipo de error se cuantificó mediante el examen de las notas tomadas durante el proceso de control de calidad visual, con errores incluidos si fuera vistos como una salida razonable de las regiones que, como se muestra en las figuras 2 y 6. Es importante tener en cuenta que estas herramientas han sido validadas en otros conjuntos de datos y en mucho menor error tarifas ^3,8. Si bien estos errores posiblemente podrían mejorar mediante intervención manual o inserción de una mascarilla en la extracción del cerebro, ya que el nuevo segmento de SPM y MALP EM resultaron en una menor tasa de error para este conjunto de datos, estas herramientas se utilizarán en su lugar. Máscaras pueden ser aplicadas antes de procesar dentro de las hormigas y MALP-EM y después de un tratamiento para el SPM (todas las versiones) y primer FSL.

Más errores se muestran en las figuras 2 y 6. Por pruebas de segmentación diferentes herramientas en un conjunto de datos antes de su aplicación a la cohorte entera, se puede seleccionar la herramienta que funciona mejor en ese conjunto de datos para el análisis. Cuando se realiza el control de calidad, un procedimiento debe ser desarrollado por elegir para rechazar, modificar o aceptar segmentaciones. Errores comunes de las siete herramientas se describen aquí, con ejemplos que se muestran en las figuras 2 y 6. Errores de segmentación tales como éstos se pueden corregir a menudo con la adición de una máscara en la secuencia de tratamiento o edición de las regiones. Sin embargo, las regiones con amplia sobre - o debajo - estimation de la corteza deba rechazarse de análisis. Criterios deben ser desarrollados y seguidos cuando se toma esta decisión. Estos pasos no están cubiertos en el presente Protocolo y variarán de conjunto de datos al conjunto de datos.

Generalmente, cuando se realiza el control de calidad visual, es importante prestar especial atención a las regiones temporales y occipitales, ya que son áreas que muestran los errores más constantes. La figura 2 muestra ejemplos de buenas y malas segmentaciones temporales, y la figura 3 muestra ejemplos de buenas y malas segmentaciones occipitales. La figura 4 muestra otro problema común que se produce en todas las herramientas, en la que tejido cerebral no se clasifica como CGM en segmentos superiores del cerebro. Figura 5 muestra otro problema visto en una serie de segmentaciones donde las regiones de la CGM están excluidas de la segmentación. Esto ocurre a menudo en divisiones superiores del cerebro, como se ve en la figura 5.

SPM8 unificado segmento comúnmente dio lugar a la pobre delimitación temporal, con la región segmentada de GM se derrame en el cerebro no tejido que rodea los lóbulos temporales. Derrame en el lóbulo occipital es común, mientras que la subestimación de los lóbulos frontales que también se observa en un número de regiones. Segmento nuevo SPM8, pobre delimitación temporal y occipital derrame también eran comunes. Usando esta versión de SPM también resultados en vóxeles dentro del cráneo y dura se clasifican como GM en casi todos segmentaciones. SPM12 fue mejorado en comparación con versiones anteriores de SPM, con el derrame del lóbulo temporal segmentaciones mejorada y menos en otras regiones. Hormigas mostró rendimiento muy variable en esta cohorte, la extracción de cerebro inicial determinar la calidad de la segmentación. Es importante prestar especial atención a los límites externos, y si la extracción del cerebro es pobre con hormigas, entonces la máscara de cerebro Atropos comando puede mejorarse. Problemas con la sobrestimación de la GM en los lóbulos temporales y occipitales eran otra vez común. MALP EM mostraron menos problemas con la sobrestimación de los lóbulos temporales y occipitales; Aunque hubo subestimación de la corteza en un número de casos. Esto puede mejorarse mediante la inclusión de una máscara de cerebro en la tubería. FSL rápido segmentaciones fueron muy variables, debido al variable rendimiento de extracción de cerebro de apuesta en los datos de esta cohorte. Una vez más, problemas en occipital y lóbulos temporales eran comunes; sin embargo, estos pueden mejorarse con la optimización de la extracción del cerebro. Por último, FreeSurfer volumétricas regiones suelen ser apretadas en la frontera de GM LCR, por lo general, excepto algunas regiones de GM en el límite exterior (figura 6). Como con otras herramientas, derrame fuera de la GM es frecuente en los lóbulos temporales y occipitales. Por último, la figura 7 muestra un ejemplo de una buena segmentación aparece en FSLview que no hay errores en la segmentación. Edición manual de las regiones puede a menudo llevar a cabo para mejorar las regiones, aunque esto no se cubre aquí.

Figura 1 : Ejemplo de una segmentación aparece en una exploración T1. Esta segmentación debe volver a procesar y excluida del análisis si no se puede mejorar. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2 : Ejemplos del funcionamiento de diferentes herramientas en el lóbulo temporal en la exploración de una T1. (A) T1 exploración sin una segmentación. (B) T1 análisis con un ejemplo de una buena delimitación regional (MALP-EM). (C) T1 análisis con un ejemplo de una buena delimitación regional (FreeSurfer). (D) T1 el análisis con un ejemplo de una pobre delimitación regional, con derrame en los lóbulos temporales derecho e izquierdos (SPM 8 nuevo segmento). T1 la (E) analizar un ejemplo de una pobre delimitación regional, mostrando derrames en el izquierdo y derecho lóbulos temporales (FSL rápido). Los escaneos son vistos en FSLeyes con la exploración de la T1 como imagen base y la región de GM como una superposición. En esta figura, las regiones de GM son vistas como rojo amarillo con una opacidad de 0.4. El gradiente de color representa volumen parcial de voxels con vóxeles más amarillas teniendo una mayor estimación PVE (más probable a ser GM) y los que son rojos tener una estimación más baja de PVE (menos propensos a ser GM). Haga clic aquí para ver una versión más grande de esta figura.

Figura 3 : Ejemplos del funcionamiento de diferentes herramientas en el lóbulo occipital en la exploración de una T1. (A) T1 exploración sin una segmentación. (B) T1 análisis con un ejemplo de una buena delimitación regional (MALP-EM). (C) T1 el análisis con un ejemplo de una delineación pobre lóbulo occipital con derrame en la duramadre en la sección intermedia de la región (SPM 8 Unificado de segmento). (D) T1 el análisis con un ejemplo de una delineación pobre lóbulo occipital con derrame en la duramadre en las secciones intermedias y superiores de la región (SPM 8 nuevo segmento). T1 la (E) analizar un ejemplo de una delineación pobre lóbulo occipital con derrame en la duramadre en las secciones intermedias y superiores de la región (FSL rápido). Los escaneos son vistos en FSLeyes con la exploración de la T1 como imagen de base y la región de GM como una superposición. En esta figura, las regiones de GM son vistas como rojo amarillo con una opacidad de 0.4. El gradiente de color representa volumen parcial de voxels con vóxeles más amarillas teniendo una mayor estimación PVE (más probable a ser GM) y los que son rojos tener una estimación más baja de PVE (menos propensos a ser GM). Haga clic aquí para ver una versión más grande de esta figura.

Figura 4 : Ejemplo de una región de GM se derramó en la dura, aparece en una ventana FSLview (en vista sagital, coronal y axial). La región azul destaca derrame en la duramadre. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5 : Ejemplo de una región de GM que ha excluido a las regiones de la CGM de segmentación. Esta región se muestra en una ventana de FSLview, en las vistas sagitales, coronales y axiales. La vista axial que mejor muestra las regiones que han sido excluidas de segmentación. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6 : Ejemplo de una región de FreeSurfer GM que está muy apretada en la frontera de GM LCR, mostrada en TDT. La ventana coronal en la mejor izquierda superior muestra la subestimación en el CGM en esta región. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7 : Ejemplo de una bien delimitada región MALP-EM en una exploración del cerebro T1. La región no muestra problemas con sobre - o debajo - estimation de la CGM en cualquier región. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Información demográfica y los volúmenes de GM media (mL) para 20 participantes de control del estudio TRACK-EH, segmentados utilizando las siete herramientas descritas aquí.

Discussion

Recientemente, la investigación ha demostrado que el uso de los diferentes métodos volumétricos puede tener implicaciones importantes para los estudios de neuroimagen^1,2. Editorial protocolos que ayudan a los usuarios guía en cómo aplicar herramientas de neuroimagen diferentes, así como realizar control de calidad en la salida de resultados por estas herramientas, los investigadores pueden seleccionar el mejor método para aplicar a su conjunto de datos.

Mientras más pasos en esta compensación se pueden ajustar para adaptarse a los requisitos de datos y el investigador, uno de los procesos más críticos presentados aquí son los pasos que describe detallado control de calidad visual. Control de calidad visual debe realizarse en todos los resultados de segmentaciones por estas herramientas y es esencial para la medición precisa de CGM. Las medidas de control de calidad adoptadas para garantizar segmentaciones de alta calidad han sido desarrollados después de la examinación de miles de regiones CGM. Al comparar diferentes herramientas a través de examen visual, se puede encontrar el método más preciso para cada conjunto de datos.

Para cada herramienta, hay diferentes opciones que pueden utilizarse para optimizar la segmentación en cada conjunto de datos. A menudo es preferible al realinear todas las exploraciones al espacio nativo antes de la segmentación, ya que esto puede reducir los errores en la segmentación; sin embargo, esto no es esencial. Además, las regiones de salida por cada herramienta difieren, algunas incluyendo sólo GM cortical y algunos también incluyendo regiones subcorticales. Además, algunas regiones de salida de volumen parcial estima (PVE) y algunos mapas de tejidos diferenciados de la salida. Aunque aquí no cubre la extracción del volumen, y discusión de la diferencia entre mapas de tejidos diferenciados y PVE está fuera del alcance de este procedimiento de funcionamiento de estándar (SOP), mapas de PVE se aceptan como más confiable medida¹². Este SOP proporciona información sobre el proceso utilizado en Johnson et al. (2017) ² segmento y control de calidad los análisis; sin embargo, puede ser más apropiadas selecciones para que otros usuarios dependiendo de la calidad de sus imágenes, y procesarla como la aplicación de máscaras para limitar las regiones cortical GM puede requerir. Segmentaciones de todos se pueden realizar en espacio nativa.

Este protocolo proporciona tuberías ejemplo siete métodos diferentes que puede utilizarse para segmentar el CGM de IRM T1. Estos ejemplos en gran parte siguen las tuberías por defecto que se recomiendan para cada software, y es importante tener en cuenta que otra optimización de estas tuberías pueden ser necesarias para la acertada segmentación de una región en diferentes exploraciones. Algunas herramientas, como MALP-EM, tienen limitadas opciones y probablemente mejor para los usuarios que son nuevos en neuroimaging. Otras herramientas, incluyendo hormigas, pueden someterse a optimización detallada, y el protocolo que presentamos representa una posible aplicación de este software. Opciones adicionales, tales como el uso de máscaras para limitar el cálculo de los volúmenes, también están posibles para la mayoría de las herramientas.

Es importante tener en cuenta que no todas las herramientas se pueden utilizar en cualquier sistema operativo. SPM y las hormigas son compatibles con sistemas Windows, Mac y Linux, FSL es compatible con sistemas Mac y Linux, y EM MALP y FreeSurfer son compatibles con sistemas Linux (o una máquina virtual Linux en un PC con Windows y Mac).

Este protocolo cubre los pasos que pueden utilizarse para realizar la segmentación y control de calidad (QC) en exploraciones de T1-weighted MRI 3D para generar regiones CGM. Sin embargo, el protocolo asume que las imágenes son imágenes 3D de T1 en formato NifTI (.nii extensión). En el análisis realizado por Johnson et al. ², imágenes ya estaban usando el procedimiento de N3¹³corregida por sesgo. Este protocolo también se supone que el software ha sido descargado e instalado en una máquina linux según las indicaciones de cada herramienta. El software comparado aquí incluir SPM8¹⁴, SPM12, FSL¹⁵, FreeSurfer^16,17, hormigas¹⁸y MALP EM¹⁹.

Esta compensación cubre una gama de técnicas de segmentación; sin embargo, hay otras opciones disponibles para la segmentación estructurales análisis de T1. Estos métodos fueron seleccionados para la comparación anterior por Johnson et al. ² basado en su frecuencia de uso en la investigación de la enfermedad de Huntington. Sin embargo, cada herramienta realiza diferentemente en cada conjunto de datos y herramientas de segmentación no cubiertos aquí pueden ser apropiados para otros conjuntos de datos y grupos de investigación.

Estas herramientas son ampliamente utilizadas en la investigación de neuroimaging. Como actualizaciones de software se crean para estas herramientas, es probable que la salida de cada método de segmentación será sometido a cambios significativos en el tiempo. Sin embargo, el énfasis debe permanecer en el proceso de control de calidad visual para garantizar que segmentaciones de alta calidad se utilizan en estudios de neuroimagen.