Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Segmentazione automatica di materia grigia corticale da immagini di T1-Weighted MRI

Published: January 7, 2019 doi: 10.3791/58198
Automatic Translation
1, 1, 1
1Huntington's Disease Research Centre, UCL Institute of Neurology

Summary

Questo protocollo descrive il processo di applicazione di sette strumenti di diversa segmentazione automatizzata a scansioni di T1-weighted MRI strutturale di definire le aree di materia grigia che possono essere utilizzati per la quantificazione del volume della materia grigia.

Abstract

Nell'ambito della ricerca di neuroimaging, una serie di studi recenti hanno discusso l'impatto delle differenze tra studi volumetrici risultati che sono pensati per derivare dall'uso di strumenti di diversa segmentazione per generare volumi cerebrali. Qui, la pipeline di elaborazione per sette strumenti automatizzati che possono essere utilizzati per segmentare la materia grigia all'interno del cervello sono presentati. Il protocollo prevede un primo passo per i ricercatori con l'obiettivo di trovare il metodo più preciso per la generazione di volumi di materia grigia da scansioni di T1-weighted MRI. Procedura per intraprendere dettagliata visual controllo di qualità è anche incluse nel manoscritto. Questo protocollo copre una gamma di potenziali strumenti di segmentazione e incoraggia gli utenti a confrontare le prestazioni di questi strumenti all'interno di un sottoinsieme dei propri dati prima di utilizzarlo per applicare a un gruppo completo. Inoltre, il protocollo può essere ulteriormente generalizzato alla segmentazione di altre regioni del cervello.

Introduction

Neuroimaging è ampiamente usato in ambito sia clinico e le impostazioni di ricerca. C'è una mossa attuale per migliorare la riproducibilità degli studi che quantificare il volume del cervello dalle scansioni di risonanza magnetica (MRI); quindi, è importante che gli investigatori condividano le esperienze di utilizzo di strumenti disponibili di MRI per segmentazione esplorazioni di MRI in volumi regionali, per migliorare la standardizzazione e l'ottimizzazione di metodi1. Questo protocollo fornisce una guida dettagliata all'uso di sette diversi strumenti per segmentare la materia grigia corticale (CGM; materia grigia che esclude regioni subcortical) da scansioni di T1-weighted MRI. Questi strumenti sono stati utilizzati in precedenza in un confronto metodologico di segmentazione metodi2, che ha dimostrato prestazioni variabile tra gli strumenti su una coorte di malattia di Huntington. Poiché le prestazioni di questi strumenti sono pensata per variare tra diversi set di dati, è importante per i ricercatori di testare una serie di strumenti prima di scegliere solo uno da applicare al loro set di dati.

Volume della materia grigia (GM) viene regolarmente utilizzato come misura della morfologia del cervello. Misure volumetriche sono generalmente affidabili e in grado di discriminare tra controlli sani e gruppi clinici3. Il volume dei tipi differenti del tessuto di regioni del cervello più spesso viene calcolato utilizzando strumenti software automatici che identificano questi tipi di tessuto. Così, per creare delineazioni di alta qualità (segmentazioni) del GM, precisa delineazione della materia bianca (WM) e del liquido cerebrospinale (CSF) è fondamentale per raggiungere una precisione della regione GM. Ci sono una serie di strumenti automatizzati che possono essere utilizzati per l'esecuzione di segmentazione di GM, e ciascuno richiede passaggi di elaborazione diversi e si traduce in un output diverso. Una serie di studi hanno applicato gli strumenti ai diversi set di dati per confrontarli con un altro, e alcuni hanno ottimizzato strumenti specifici1,4,5,6,7,8 ,9,10,11. Lavoro precedente ha dimostrato che variabilità tra gli strumenti volumetrici può causare incoerenze all'interno della letteratura quando si studia il volume del cervello, e queste differenze sono state suggerite come fattori per false conclusioni circa di guida condizioni neurologiche1.

Recentemente, è stato effettuato un confronto tra strumenti diversa segmentazione in un gruppo che comprendeva sia ai partecipanti sani di controllo e con malattia di Huntington. Malattia di Huntington è una malattia genetica neurodegenerativa con un esordio tipico in età adulta. L'atrofia progressiva del subcortical e CGM è una caratteristica prominente e ben studiata di neuropathological della malattia. I risultati hanno dimostrato prestazioni variabile di sette strumenti di segmentazione che sono state applicate alla coorte, sostenere il lavoro precedente che ha dimostrato di variabilità nei risultati a seconda del software utilizzato per calcolare i volumi di cervello da esplorazioni di MRI. Questo protocollo fornisce informazioni sul trattamento usato in Johnson et al. (2017) 2 che incoraggia metodologica attenta selezione degli strumenti più idonei per l'uso in neuroimaging. Questo manuale copre la segmentazione del volume di GM, ma non copre la segmentazione delle lesioni, come quelli visti nella sclerosi multipla.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nota: Assicurarsi che tutte le immagini sono in formato NifTI. Conversione a NifTI non è coperto qui.

1. segmentazione tramite SPM 8: unificata segmento

Nota: Questa procedura viene eseguita tramite la GUI di SPM8 che opera all'interno di Matlab. La Guida di SPM8 fornisce maggiori dettagli e può essere trovato a: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

  1. Assicurarsi che SPM8 è installato e impostato nel percorso del software.
  2. La segmentazione di SPM è eseguita usando una GUI. Per aprire SPM, aprire una finestra di comando e digitare 'spm' nella riga di comando.
  3. Premere 'PET & VBM' per aprire la casella degli strumenti strutturale di MRI.
  4. Premere 'Batch' per aprire l'Editor di Batch. Questo consente la segmentazione essere eseguita su scansioni multiple alla volta.
  5. Selezionare ' SPM | Spaziale | Segmento '.
  6. Fare clic su ' dati | Selezionare file. Scegliere le scansioni di T1-weighted come input.
    Nota: I file devono essere decompressi NifTi file, con estensione essere '.nii'.
  7. Fare clic su ' file di output | Grey Matter' e assicurarsi che sia selezionato 'Native Space', fare lo stesso per materia bianca. Se la segmentazione di CSF non è necessaria lasciare questo come 'None'.
  8. Se le scansioni hanno già bias-corretto, modificare l'opzione 'Bias corretto' a 'Non salvare corretto'. Per l'opzione 'Ripulire tutte le partizioni', testare le tre diverse opzioni e utilizzare visual controllo qualità (QC, sezione 8) per determinare quale funziona meglio per i dati.
  9. Lasciare le altre impostazioni come valori predefiniti. Quindi, fare clic sulla bandiera verde per eseguire la segmentazione.
    Nota: Questo richiede circa 5 minuti per ogni partecipante e la riga di comando dirà, 'Esecuzione segmento'. Al termine dell'operazione, nella finestra di comando verrà visualizzato 'Fatto'.
  10. Eseguire visual QC su GM (file C1*.nii), come descritto nella sezione 8.

2. segmentazione tramite SPM 8: nuovo segmento

Nota: Questa procedura viene eseguita tramite la GUI di SPM8. La Guida di SPM8 fornisce maggiori dettagli e può essere trovato a: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Assicurarsi che SPM8 è installato e impostato nel percorso del software. Aprire il software SPM, in genere eseguito digitando "spm" in una riga di comando. Questo apre una finestra di interfaccia (GUI) di utente grafica con una gamma di opzioni che possono essere selezionati per eseguire l'analisi.

  1. Premere 'PET & VBM'.
  2. Premere 'Batch' per aprire l'Editor di Batch.
  3. Selezionare ' SPM | Strumenti | Nuovo segmento ' nella finestra Batch. Selezionare i file di immagine T1 (con estensione '.nii').
  4. Impostare 'Tessuto nativo tipo' a 'Spazio nativo'. Se necessario, spegnere il tessuto differente classi (ad esempio di CSF) - se non richiesto - impostarli su 'None'. Impostare 'Tessuto deformato' su 'None'.
    Nota: Tutte le altre opzioni possono essere lasciati come impostazione predefinita.
  5. Clicca sulla bandiera verde per eseguire la segmentazione.
    Nota: La riga di comando dirà, 'Esecuzione nuovo segmento'. Una volta terminata la esecuzione la volontà di riga di comando MATLAB dire, 'fatto nuovo segmento'.
  6. Eseguire visual QC su GM (file C1*.nii), come descritto nella sezione 8.

3. segmentazione tramite SPM 12: segmento

Nota: Questa procedura è eseguita tramite la GUI di SPM12. La Guida di SPM12 fornisce maggiori dettagli e può essere trovato a: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

  1. Aprire il software SPM digitando 'spm' nella finestra di comando. Questo apre una finestra di interfaccia (GUI) di utente grafica con una gamma di opzioni che possono essere selezionati per eseguire l'analisi.
  2. Premere 'PET & VBM'. Premere 'Batch' per aprire l'Editor di Batch.
  3. Fare clic su ' SPM | Spaziale | Segmento '. Quindi, fare clic su ' dati | Volumi.
  4. Impostare 'Tessuto nativo tipo' a 'Spazio nativo'. Disattivare le classi di tessuto che non sono necessari (ad esempio di CSF) impostandoli su 'None'. Impostare 'Tessuto deformato' su 'None'.
    Nota: Tutte le altre opzioni possono essere lasciati come impostazione predefinita.
  5. Clicca sulla bandiera verde per eseguire la segmentazione.
    Nota: Verrà visualizzata la finestra di comando: 'Segmento Running'. Una volta che viene completata l'esecuzione, esso visualizzerà: 'Fatto segmento'.
  6. Eseguire visual QC su GM (file C1*.nii), come descritto nella sezione 8.

4. segmentazione tramite FSL veloce

Nota: Questa procedura viene eseguita nella riga di comando. La guida FSL fornisce maggiori dettagli e può essere trovato a: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

  1. Eseguire estrazione del cervello di scommessa. Questo potrebbe essere necessario essere ottimizzato per set di dati diversi, ma il comando di base è:
    Scommetti T1_ID.nii bet_T1_ID.nii
  2. Eseguire FSL veloce segmentazione:
    bet_T1_ID.nii veloce
    Nota: Questo output volume parziale mappe e regioni binarie per GM, CSF e WM.
  3. Eseguire visual QC sulla regione GM (il finale di file * _pve_1.nii.gz) come descritto nella sezione 8.

5. segmentazione tramite FreeSurfer

Nota: Questa procedura viene eseguita nella riga di comando. La Guida di FreeSurfer fornisce maggiori dettagli e può essere trovato a: https://surfer.nmr.mgh.harvard.edu/.

  1. Impostare la directory in cui i dati sono digitando:
    SUBJECTS_DIR = / percorso/per/nii/file di esportazione
  2. Eseguire la segmentazione eseguendo i comandi:
    Recon-tutti - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
    Recon-all - subjid T1_ID-autorecon2-autorecon3
    Nota: I comandi accettano > 10 h per ogni partecipante. Il - cw256 bandiera è necessario ritagliare scansioni con campi di vista maggiore di 256 fino a questa dimensione per l'elaborazione.
  3. Verificare che l'elaborazione è stata completata correttamente guardando lo script trova nella ' cartella di output | gli script | Recon-all. log '. Verifica che l'ultima riga dice 'recon-tutti - s T1_ID finito senza errori'.
  4. Eseguire visual QC sulla regione di GM come descritto nella sezione 8.

6. segmentazione tramite formiche

Nota: Questa procedura viene eseguita nella riga di comando. ANTs è un software più complessi rispetto agli altri strumenti e si deve osservare che la procedura spiegata qui potrebbe essere ulteriormente ottimizzato per ogni coorte migliorare i risultati. Le formiche documentazione è reperibile presso: http://stnava.github.io/ANTsDoc/. Ci sono due modi per segmentare le immagini in classi di tessuto come descritto di seguito.

  1. Per utilizzare il primo metodo, è necessario eseguire il comando 'antsAtropos.sh' con le impostazioni predefinite e senza includere priori del tessuto.
    Nota: Questo spesso esegue bene soprattutto quando sono necessari solo 3 classi di tessuto: GM, WM, altri.
    1. Impostare il percorso al software di formiche digitando il comando:
      Export ANTSPATH = / percorso/per/formiche/bin /
    2. Eseguire la pipeline di segmentazione digitando il comando:
      antsAtroposN4.sh -d < image_dimension > - un < t1.nii.gz > -c < numero di classi di tessuto > -o < output >
      1. Argomenti facoltativi per questo comando sono:
        Maschera di cervello: - x < mask.nii.gz >;
        Priori di tessuto: -p < segmentationPriors%d.nii.gz >.
    3. Questo creerà una cartella con l'output tra cui mappe di volume parziale e un cervello Estratto. Eseguire visual QC sulla regione di GM come descritto nella sezione 8.
  2. Per generare ulteriori classi di tessuto (GM, GM subcortical, WM, CSF, altro, ecc.) o eseguire la segmentazione su una coorte risultati patologia neurale, utilizzare priori tissutali specifici. Scarica priori di tessuto da diversi siti Web. In alternativa, utilizzare un modello di studio specifico per rendere priori - questo è molto più complesso, ma può essere utile, soprattutto in coorti con cambiamenti patologici del cervello.
    1. Per creare un modello di studio specifici/priori, innanzitutto creare un modello di studio specifico:
      modello di -o -d < image_dimension > antsMultivariateTemplateConstruction.sh < altre opzioni >< images.nii.gz >
      1. Argomenti facoltativi per questo comando sono:
        -c: controllo per calcolo parallelo.
        Se eseguito in serie, utilizzare un 0; -j: numero di core; -r: fare registrazione di corpi rigidi di input prima di creare il modello (default 0) - 0 = spento 1 = = on. Questo è utile solo quando un modello iniziale non è disponibile.
    2. Scaricare un brainmask e priori dal sito Web di formiche.
      Nota: Questa maschera potrebbe essere necessario essere modificato per assicurarsi che è una buona approssimazione del cervello modello. La brainmask è una delle parti più importanti della pipeline; Se è povero, cervello estrazione/Atropo verrà eseguito male. Alcune delle opzioni di download sono:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Il modello scaricato quindi deve essere registrato per il modello di studio.
    3. Calcolare la registrazione, che emetterà una serie di fili di ordito che poi possono essere applicati al modello scaricato per trasformarlo in spazio modello specifici dello studio. Per calcolare la registrazione, utilizzare il comando:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Le opzioni in questo comando sono:
        -dimensione d: (cioè, scansioni 3D sarebbe '3'); -immagine fissa f: (cioè, lo spazio dove le immagini devono finire); -m: movimento immagine (cioè, l'immagine che deve essere spostato); -nome o: uscita (senza estensione necessaria); -n: numero di thread.
    4. Applicare la registrazione ai dati:
      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. Le opzioni in questo comando sono:
        -dimensione d: (cioè, scansioni 3D sarebbe '3'); -immagine in ingresso i: (cioè, l'immagine che deve essere spostato); -immagine di riferimento r: (cioè, l'immagine di riferimento definisce la spaziatura, origine, dimensione e direzione dell'immagine deformata in uscita); -o output nome, questo è il modello scaricato nello spazio specifici dello studio del modello (estensione necessaria in questo caso); nome del file di trasformazione del -t, il file di output dal calcolo della registrazione.
    5. Controllare visivamente la registrazione per la corrispondenza tra il modello specifico di studio e il modello scaricato (per fare questo, aprire il modello di studio specifici in cima il modello scaricato).
    6. Se la registrazione ha lavorato, applicare la trasformazione a priori scaricati ed Estratto di cervello di modello, ripetendo passo 6.2.5.
      Nota: Seguendo questi passi, ci sarà un modello di studio specifico, un modello scaricato allineato con il modello di studio specifico, insieme a una maschera di estrazione scaricato cervello e tessuto priori anche allineati con il modello di studio specifici.
    7. Eseguire il modello specifico di studio attraverso antsCorticalThickness.sh; in questo modo le regioni di GM, WM e CSF che possono essere utilizzate per specifici dello studio priori:
      antsCorticalThickness.sh -d 3 - un 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. Le opzioni in questo comando sono:
        -dimensione d: (cioè, scansioni 3D sarebbe '3'); -r: immagine per essere segmentato (in questo caso, il modello di studio specifico); -modello di cervello e: (non cranio spogliato; in questo caso, il modello scaricato che è stato registrato per il modello specifico di studio); -maschera di estrazione di cervello m: scaricati (in questo caso, il cervello Estratto dal modello scaricato che è stato registrato per il modello specifico di studio); -p: priori specificati utilizzando c-stile di formattazione (ad esempio, labelsPriors%02d.nii.gz -p).
        Nota: Il comando si presuppone che i primi quattro priori vengono ordinati come segue: 1: CSF, 2: corticale GM, 3: WM e 4: subcortical GM (in questo caso, i priori dal modello scaricato che è stato registrato per il modello di studio specifico).
    8. Eseguendo questo comando si tradurrà in precedenti generati per il modello, ma hanno bisogno di lisciatura prima dell'uso nella segmentazione Atropos. Il comando levigante è parte del software di formiche. Liscio tutti i precedenti utilizzando il comando:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
    9. Prima dell'esecuzione di Atropo, eseguire estrazione del cervello in tutte le scansioni spazio nativo. Il modello specifici dello studio può essere utilizzato ed estratti di cervello generato dall'esecuzione di antsCorticalThickness.sh sul modello (punto 6.2.1):
      antsBrainExtraction.sh -d 3 - un T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Le opzioni in questo comando sono:
        -dimensioni d:; -r: anatomica immagine; -modello per l'estrazione e: cervello (cioè, modello creato, senza cranio stripping); -m: studiare brainmask specifico utilizzato per l'estrazione del cervello; -prefisso o: uscita.
    10. Quindi eseguire Atropos:
      antsAtroposN4.sh -d 3 - un T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
      1. Le opzioni in questo comando sono:
        -d = dimensioni; -r: anatomica immagine; -maschera di estrazione x: cervello generata dall'estrazione del cervello; -c: numero di classi di tessuto per segmentare; -prefisso o: uscita; -priori di segmentazione specifici dello studio p: < segmentationPriors%d.nii.gz >
    11. Eseguire visual QC sulla regione di GM come descritto nella sezione 8.

7. segmentazione tramite MALP-EM

  1. Per eseguire il MALP-EM, aprire una finestra terminale, modificare la directory nella directory di installazione del MALP-EM e digitare:
    . / malpem-proot - i T1_scan.nii -o. / optional_brain_mask_final.nii.gz -m -f 3T -t - 6C
  2. Una volta che il comando è stato completato, controllare che ci sia una cartella di output con classi di tessuto e segmentazioni regionali.
  3. Eseguire visual QC su GM come descritto nella sezione 8.

8. controllo di qualità visual

Nota: Controllo visivo di qualità dovrebbe essere eseguita su tutte le regioni segmentate da utilizzare nell'analisi. Controllo della qualità garantisce che le segmentazioni sono di alto livello e rappresentano affidabile segmentazione del CGM. Per eseguire il controllo di qualità, ogni scansione viene aperto e sovrapposto il T1 originale per confrontare la regione generata per il CGM visibile sull'esplorazione.

  1. SPM, FSL, formiche e segmentazioni MALP-EM
    1. Eseguire visual QC utilizzando FSLeyes:
      https://Users.FMRIB.Ox.AC.uk/~PaulMc/fsleyes_userdoc/
      Nota: FSLview (un visualizzatore più anziane) può essere utilizzato anche nello stesso modo.
    2. Aprire una finestra terminale e aprire il T1 e le regioni di GM sovrapposte il T1. Per effettuare questa operazione, digitare:
      fsleyes T1.nii Region1.nii Region2.nii.
    3. Una volta che si apre la finestra di FSLeyes, è possibile usare il commutatore di opacità sul riquadro superiore per regolare/ridurre l'opacità e consentire la visualizzazione dell'immagine T1 sotto la regione di GM. Cambiare il colore della sovrapposizione segmentazione tramite 'a discesa scheda colore' nel riquadro superiore.
    4. Scorrere ogni fetta nel cervello.
      Nota: Qui questo viene fatto utilizzando la vista della corona, ma gli utenti deve utilizzare la visualizzazione che hanno maggiore esperienza con.
    5. Controllare ogni fetta per regioni di sotto - o over - estimation della regione ispezionata.
      Nota: Vedere la sezione risultati rappresentativi per esempi di segmentazioni di buoni e cattivi.
  2. FreeSurfer QC
    1. Peform visual QC utilizzando FreeView.
      Nota: Fare riferimento alla documentazione di qui:
      https://Surfer.NMR.MGH.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
    2. Aprire una finestra terminale. Per visualizzare l'area di GM volumetrico sovrapposto il T1, cambiare directory per l'oggetto cartella e digitare:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
    3. Scorrere ogni fetta nel cervello.
      Nota: Qui questo viene fatto utilizzando la vista della corona, ma gli utenti deve utilizzare la visualizzazione che hanno maggiore esperienza con.
    4. Controllare ogni fetta per regioni di sotto - o over - estimation della regione ispezionata.
      Nota: Vedere la sezione risultati rappresentativi per esempi delle segmentazioni.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Volumi del cervello medio per 20 partecipanti di controllo, insieme a informazioni demografiche, è illustrato nella tabella 1. Questo agisce come una guida per i valori previsti quando si utilizzano questi strumenti. Risultati dovrebbero essere visto nel contesto dell'immagine originale T1.nii. Tutte le regioni di GM devono essere controllate secondo la procedura descritta nella sezione 8. Quando si esegue visual QC, è importante confrontare direttamente le regioni di GM per la scansione di T1 visualizzandoli sovrapposto il T1.

Regioni dovrebbero essere respinta per errori grossolani, come mostrato nella Figura 1. A volte questi errori se l'elaborazione è stata eseguita in modo non corretto, o se il cervello era mal posizionato all'interno del campo visivo. Per correggere questi errori, le scansioni T1 native possono essere rigidamente riorganizzate per spazio standard e segmentazione può essere ri-tentato. Il tasso di guasti varierà a seconda della qualità dei dati e gli strumenti utilizzati, come pure la classificazione del fallimento. Nello studio corrente, tassi di guasto dei guasti totali conseguente rifiuto erano < 5% per tutti gli strumenti, ma errori meno significativi sono stati veduti costantemente attraverso una serie di strumenti. FSL veloce, SPM 8 nuovo segmento e FreeSurfer aveva errori (ma non guasti) in > 50% di scansioni per questo gruppo. Questo tasso di errore è stato quantificato esaminando le note prelevate durante il processo di controllo di qualità visivo, con errori inclusi se erano visti come una partenza ragionevole dalle regioni previste, come illustrato nella figure 2-6. È importante notare che questi strumenti siano stati convalidati su altri set di dati e il risultato molto inferiore errore tariffe 3,8. Mentre questi errori forse potrebbero essere migliorati tramite intervento manuale o l'inclusione di una maschera di estrazione del cervello, poiché il nuovo segmento di SPM e MALP-EM ha provocato un tasso di errore più basso per questo dataset, questi strumenti potrebbe essere utilizzati invece. Maschere possono essere applicate prima dell'elaborazione all'interno di formiche e MALP-EM e dopo la lavorazione per SPM (tutte le versioni) e primo FSL.

Più piccoli errori sono mostrati nelle figure 2-6. Di segmentazione diversi strumenti in un dataset prima dell'applicazione per tutta la coorte di test, lo strumento che garantisce le migliori prestazioni su di esso può essere selezionato per analisi. Quando si esegue il controllo di qualità, dovrebbe essere sviluppata una procedura per aver scelto di rifiutare, modificare o accettare segmentazioni. Errori comuni visti per sette strumenti sono descritti qui, con gli esempi riportati in figure 2-6. Errori nella segmentazione come questi spesso possono essere corretti con l'aggiunta di una maschera nel flusso di elaborazione o modificare le regioni. Tuttavia, le regioni con vasto sopra - o sotto - estimation della corteccia potrebbero essere necessario essere respinta dall'analisi. Rigorosi criteri dovrebbero essere sviluppati e seguiti nel prendere questa decisione. Questi passaggi non sono coperti dal presente protocollo e varieranno da dataset DataSet.

In genere, quando si esegue visual QC, è importante prestare particolare attenzione alle regioni occipitale e temporali, come queste sono zone che mostrano gli errori più coerenti. Nella figura 2 vengono illustrati esempi di buoni e cattivi segmentazioni temporali, e la figura 3 illustra esempi di buoni e cattivi segmentazioni occipital. La figura 4 Mostra un altro problema comune che si verifica in tutti gli strumenti, in cui il tessuto cerebrale non è classificato come CGM nella superior fette del cervello. Figura 5 consente di visualizzare un altro problema visto in un certo numero di segmentazioni dove regioni del CGM sono esclusi dalla segmentazione. Ciò si verifica spesso in superior fette del cervello, come si vede nella Figura 5.

SPM8 unificata segmento provocato comunemente scarsa delimitazione temporale, con la regione di GM segmentata che si rovesciano nel tessuto non-cervello che circondano i lobi temporali. Sversamento in lobo occipital è comune, mentre sottovalutazione dei lobi frontali visualizzato anche in alcune regioni. Per SPM8 nuovo segmento, scarsa delimitazione temporale e occipitale versamento erano anche comuni. Utilizzando questa versione di SPM comporta anche voxel all'interno del cranio e dura essere classificati come GM in quasi tutte le segmentazioni. SPM12 è stato migliorato rispetto alle versioni precedenti di SPM, con la fuoriuscita del lobo temporale migliorata e meno di segmentazioni in altre regioni. Le formiche hanno mostrato prestazioni altamente variabile su questo gruppo, con l'estrazione di cervello iniziale determinazione della qualità di segmentazione. È importante prestare particolare attenzione ai confini esterni, e se cervello estrazione è povero utilizzando le formiche, quindi la maschera di cervello inclusa nel comando Atropo può essere migliorata. Problemi con over-estimation del GM nei lobi temporali ed occipitali erano ancora comuni. MALP-EM ha mostrato meno problemi con sopravvalutazione dei lobi temporali ed occipitali; anche se, c'era la sottovalutazione della corteccia in un numero di casi. Questo può essere migliorato tramite l'inclusione di una maschera di cervello nella pipeline. FSL veloce segmentazioni erano altamente variabile, a causa delle prestazioni variabile di estrazione del cervello di scommessa sui dati da questo gruppo. Ancora una volta, i problemi all'interno del lobi occipital e temporali erano comuni; Tuttavia, questi può essere migliorati con l'ottimizzazione dell'estrazione del cervello. Infine, regioni volumetriche FreeSurfer hanno strette lungo il contorno di GM/CSF, in genere escluse alcune regioni di GM nel contorno esterno (Figura 6). Come con altri strumenti, fuoriuscita all'esterno il GM sia prevalente all'interno dei lobi temporali ed occipitali. Infine, la Figura 7 Mostra un esempio di una buona segmentazione visualizzato in FSLview che non aveva nessun errore di segmentazione. Modifica manuale delle regioni spesso può essere eseguita per migliorare le regioni, anche se questo non è coperto qui.

Figure 1
Figura 1 : Esempio di una segmentazione fallita visualizzata su un'esplorazione T1. Questa segmentazione dovrebbe essere rielaborata e sono esclusi dalle analisi se esso non può essere migliorata. Clicca qui per visualizzare una versione più grande di questa figura.

Figure 2
Figura 2 : Esempi delle prestazioni di diversi strumenti sul lobo temporale su un'esplorazione T1. (A) il T1 scansione senza una segmentazione. (B) il T1 scansione con un esempio di una buona delimitazione regionale (MALP-EM). Scansione (C) il T1 con un esempio di una buona delimitazione regionale (FreeSurfer). (D) il T1 scansione con un esempio di una delimitazione regionale povero, mostrando fuoriuscite nei lobi temporali sinistro e destro (SPM 8 nuovo segmento). (E) il T1 scansione con un esempio di una delimitazione regionale povero, mostrando la fuoriuscita in destro e sinistro lobi temporali (FSL veloce). Le scansioni vengono visualizzate in FSLeyes con la scansione di T1 come un'immagine di base e la regione di GM come overlay. In questa figura, le regioni di GM sono visti come rosso-giallo con un'opacità pari a 0,4. La sfumatura di colore rappresenta il volume parziale di voxel, con voxels che sono più giallo aventi una maggiore stima PVE (più probabilità di essere GM) e quelle che sono rosse, avendo una bassa stima PVE (meno probabilità di essere GM). Clicca qui per visualizzare una versione più grande di questa figura.

Figure 3
Figura 3 : Esempi delle prestazioni di diversi strumenti sul lobo occipitale su un'esplorazione T1. (A) il T1 scansione senza una segmentazione. (B) il T1 scansione con un esempio di una buona delimitazione regionale (MALP-EM). (C) il T1 scansione con un esempio di una delineazione di poveri del lobo occipital con invaso antitraboccamento in dura nella parte mediale della regione (SPM 8 unificata segmento). Il T1 (D) eseguire la scansione con un esempio di una delineazione di poveri del lobo occipital con invaso antitraboccamento in dura nella sezione mediale e superiore della regione (SPM 8 nuovo segmento). (E) il T1 scansione con un esempio di una delineazione di poveri del lobo occipital con invaso antitraboccamento in dura nelle sezioni mediale e superiore della regione (FSL veloce). Le scansioni vengono visualizzate in FSLeyes con la scansione di T1 come un'immagine di base e la regione di GM come overlay. In questa figura, le regioni di GM sono visti come rosso-giallo con un'opacità pari a 0,4. La sfumatura di colore rappresenta il volume parziale di voxel, con voxels che sono più giallo aventi una maggiore stima PVE (più probabilità di essere GM) e quelle che sono rosse, avendo una bassa stima PVE (meno probabilità di essere GM). Clicca qui per visualizzare una versione più grande di questa figura.

Figure 4
Figura 4 : Esempio di una regione di GM ha versato la dura madre, visualizzata in una finestra di FSLview (nelle viste assiale, coronale e sagittale). La regione blu evidenzia fuoriuscita in dura. Clicca qui per visualizzare una versione più grande di questa figura.

Figure 5
Figura 5 : Esempio di una regione di GM che ha escluso le regioni del CGM dalla segmentazione. Questa regione viene visualizzata in una finestra di FSLview, in vista assiale, coronale e sagittale. La vista assiale migliore Mostra le regioni che sono state escluse dalla segmentazione. Clicca qui per visualizzare una versione più grande di questa figura.

Figure 6
Figura 6 : Esempio di una regione di FreeSurfer GM che è molto stretta, lungo il confine di GM/CSF, visualizzato in FreeView. La finestra della corona nel migliore sinistra superiore Visualizza la sottovalutazione in CGM in questa regione. Clicca qui per visualizzare una versione più grande di questa figura.

Figure 7
Figura 7 : Esempio di una regione ben delineata MALP-EM su un'esplorazione del cervello di T1. La regione non Mostra problemi con sopra - o sotto - estimation del CGM in qualsiasi regione. Clicca qui per visualizzare una versione più grande di questa figura.

Table 1
Tabella 1: Dati demografici e volumi medi di GM (mL) per 20 partecipanti di controllo dallo studio TRACK-HD, segmentato utilizzando i sette strumenti descritti qui.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Recentemente, la ricerca ha dimostrato che l'uso di diversi metodi volumetrici può avere importanti implicazioni per gli studi di neuroimaging1,2. Di protocolli di pubblicazione che aiutano gli utenti inesperti di guida a come applicare strumenti di neuroimaging diverso, nonché come eseguire QC sull'output dei risultati di questi strumenti, i ricercatori possono selezionare il metodo migliore da applicare al loro set di dati.

Mentre la maggior parte dei passaggi in questa SOP può essere regolata per soddisfare le esigenze di dati e ricercatore, uno dei processi più critici presentati qui sono i passi che descrive il controllo di qualità visiva dettagliata. Visual QC deve essere eseguita su tutti gli output di segmentazioni di questi strumenti ed è essenziale per la misurazione accurata di CGM. I passaggi QC adottati per garantire alta qualità segmentazioni sono stati sviluppati dopo l'esame di migliaia di regioni CGM. Confrontando diversi strumenti tramite esame visivo, il metodo più accurato può essere trovato per ogni set di dati.

Per ogni strumento, ci sono diverse opzioni che possono essere utilizzati per ottimizzare la segmentazione su ogni set di dati. Spesso è preferibile di riallineare tutte le scansioni nativo nello spazio prima della segmentazione, come questo può ridurre gli errori nella segmentazione; Tuttavia, questo non è essenziale. Inoltre, le regioni in uscita da ogni strumento sono diversi, con alcuni tra cui solo GM corticale e alcuni anche comprese le regioni subcortical. Inoltre, alcune regioni output volume parziale stima (PVE) e alcuni output discreti tessuto mappe. Mentre l'estrazione di volume non è coperto qui, e discussione della differenza tra PVE e discreti tessuto mappe esula dall'ambito di questa procedura operativa standard (SOP), mappe PVE sono generalmente accettate come una misura più affidabile12. Questa SOP fornisce informazioni sul trattamento usato in Johnson et al. (2017) 2 per segmento e QC le scansioni; Tuttavia, ci possono essere le opzioni più appropriate per gli altri utenti a seconda della qualità delle loro immagini e un'ulteriore elaborazione, ad esempio l'applicazione di maschere per limitare regioni corticali GM può essere richiesta. Tutte le segmentazioni possono essere eseguite nello spazio nativo.

Questo protocollo fornisce pipeline di esempio per sette diversi metodi che consentono di segmentare il CGM da esplorazioni di MRI di T1. Questi esempi seguono in larga misura la pipeline predefinite che sono consigliate per ogni software, ed è importante notare che l'ulteriore ottimizzazione di queste condutture possono essere necessari per la segmentazione di successo di una regione su scansioni diverse. Alcuni strumenti, quali MALP-EM, hanno opzioni limitate e sono probabilmente meglio per gli utenti che sono nuovi al neuroimaging. Altri strumenti, tra cui formiche, possono subire ottimizzazione dettagliata, e il protocollo qui presentato rappresenta una possibile applicazione di questo software. Opzioni aggiuntive, ad esempio l'uso di maschere per limitare il calcolo dei volumi, sono anche possibili per la maggior parte degli strumenti.

È importante notare che non tutti gli strumenti possono essere utilizzati su ogni sistema operativo. SPM e formiche sono compatibili con i sistemi Windows, Mac e Linux, FSL è compatibile con i sistemi Mac e Linux, e MALP-EM e FreeSurfer sono compatibili con sistemi Linux (o una macchina virtuale di Linux in esecuzione su un PC Windows/Mac).

Questo protocollo descrive la procedura che può essere utilizzata per eseguire la segmentazione e controllo qualità (CQ) su scansioni 3D di T1-weighted MRI per generare regioni CGM. Tuttavia, il protocollo presuppone che le immagini sono immagini T1 3D in formato NifTI (estensione .nii). Nell'analisi eseguita da Johnson et al. 2, immagini erano già bias-corretti utilizzando la procedura di N313. Questo protocollo si presuppone inoltre che il software è stato scaricato e installato su una macchina linux come da istruzioni fornite da ogni strumento. Il software rispetto qui includono SPM814, SPM12, FSL15FreeSurfer16,17, formiche18e MALP-EM19.

Questa SOP copre una gamma di tecniche di segmentazione; Tuttavia, ci sono altre opzioni disponibili per segmentazione strutturale T1 scansioni. Questi metodi sono stati selezionati per il confronto precedente da Johnson et al. 2 in base alla frequenza di utilizzo nell'ambito della ricerca sulla malattia di Huntington. Tuttavia, ogni strumento esegue in modo diverso in ogni set di dati e strumenti di segmentazione non coperti qui potrebbero essere appropriati per altri set di dati e gruppi di ricerca.

Questi strumenti sono ampiamente utilizzati nell'ambito della ricerca di neuroimaging. Come aggiornamenti del software sono creati per questi strumenti, è probabile che l'output di ogni metodo di segmentazione sarà sottoposti a cambiamenti significativi nel tempo. Tuttavia, l'accento dovrebbe rimanere sul processo di visual QC per garantire alta qualità segmentazioni vengono utilizzate negli studi neuroimaging.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla a rivelare.

Acknowledgments

Desideriamo ringraziare tutti coloro che sono alla Fondazione Q CHDI/alto responsabile dello studio TRACK-HD; in particolare, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer e Sherry Lifer. Gli autori inoltre desiderano estendere la loro gratitudine per i partecipanti di studio TRACK-HD e le loro famiglie. Questo lavoro è stato intrapreso a UCLH/UCL, che ha ricevuto una parte dei finanziamenti dal Istituto nazionale del dipartimento della salute salute ricerca centri di ricerca biomedica schema di finanziamento. S.J.T. riconosce il sostegno dell'Istituto nazionale per ricerca di salute attraverso le demenze e Neurodegenerative Research Network, DeNDRoN.

Investigatori di TRACK-HD:
C. Campbell, M. Campbell, I. Labate, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; R. Coleman, r. Dar Santos, J. Decolongon, B. R. Leavitt, r. Sturrock, University of British Columbia, Vancouver, BC, Canada; R. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Parigi, Francia; N. Bechtel, S. Bohlen, R. Reilmann, Università di Münster, Münster, Germania; B. Landwehrmeyer, Università di Ulm, Ulm, Germania; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ' t Hart, R. A. Roos, Leiden University Medical Center, Leida, Paesi Bassi; N. Arran, J. Callaghan, d. Craufurd, C. Stopford, Università di Manchester, Manchester, Regno Unito; D. M. contanti, IXICO, Londra, Regno Unito; H. Crawford, N. C. Volpe, S. Gregorio, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. Say, d. Whitehead, E. Wild, University College London, Londra, Regno Unito; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londra, Regno Unito; E. Axelson, H. J. Johnson, d. Langbehn, University of Iowa, IA, Stati Uniti d'America; e S. Queller, c. Campbell, Indiana University, IN, Stati Uniti d'America.

References

  1. Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
  2. Johnson, E. B., et al. Recommendations for the Use of Automated Gray Matter Segmentation Tools: Evidence from Huntington's disease. Frontiers in Neurology. 8, 519 (2017).
  3. Schwarz, C. G., et al. A large-scale comparison of cortical thickness and volume methods for measuring Alzheimer's disease severity. NeuroImage: Clinical. 11, 802-812 (2016).
  4. Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
  5. Eggert, L. D., Sommer, J., Jansen, A., Kircher, T., Konrad, C. Accuracy and reliability of automated gray matter segmentation pathways on real and simulated structural magnetic resonance images of the human brain. Public Library of Science One. 7 (9), 45081 (2012).
  6. Fellhauer, I., et al. Comparison of automated brain segmentation using a brain phantom and patients with early Alzheimer's dementia or mild cognitive impairment. Psychiatry Research. 233 (3), 299-305 (2015).
  7. Gronenschild, E. H. B. M., et al. The effects of FreeSurfer version, workstation type, and Macintosh operating system version on anatomical volume and cortical thickness measurements. Public Library of Science One. 7 (6), 38234 (2012).
  8. Iscan, Z., et al. Test-retest reliability of freesurfer measurements within and between sites: Effects of visual approval process. Human Brain Mapping. 36 (9), 3472-3485 (2015).
  9. Kazemi, K., Noorizadeh, N. Quantitative Comparison of SPM, FSL, and Brainsuite for Brain MR Image Segmentation. Journal of Biomedical Physics & Engineering. 4 (1), 13-26 (2014).
  10. Klauschen, F., Goldman, A., Barra, V., Meyer-Lindenberg, A., Lundervold, A. Evaluation of automated brain MR image segmentation and volumetry methods. Human Brain Mapping. 30 (4), 1310-1327 (2009).
  11. McCarthy, C. S., Ramprashad, A., Thompson, C., Botti, J. A., Coman, I. L., Kates, W. R. A comparison of FreeSurfer-generated data with and without manual intervention. Frontiers in Neuroscience. 9, (2015).
  12. Tohka, J. Partial volume effect modeling for segmentation and tissue classification of brain magnetic resonance images: A review. World Journal of Radiology. 6 (11), 855-864 (2014).
  13. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17, 87-97 (1998).
  14. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  15. Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  16. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
  17. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
  18. Avants, B. B., Tustison, N. J., Wu, J., Cook, P. A., Gee, J. C. An open source multivariate framework for n-tissue segmentation with evaluation on public data. Neuroinformatics. 9 (4), 381-400 (2011).
  19. Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).

Tags

Neuroscienze numero 143 MRI strutturali SPM FSL FreeSurfer formiche MALP-EM controllo di qualità materia grigia
Segmentazione automatica di materia grigia corticale da immagini di T1-Weighted MRI
Play Video
PDF DOI

Cite this Article

Johnson, E. B., Scahill, R. I.,… More

Johnson, E. B., Scahill, R. I., Tabrizi, S. J. Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images. J. Vis. Exp. (143), e58198, doi:10.3791/58198 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter