Summary
이 프로토콜 구조 T1 가중치 mri 회색 물질 볼륨의 정량화에 대 한 사용할 수 있는 회색 문제 지역 윤곽을 그리 다를 7 다른 자동된 분할 도구를 적용 하는 과정을 설명 합니다.
Abstract
Neuroimaging 연구, 내 최근 연구의 여러 뇌 볼륨을 생성 하기 위해 다른 분할 도구를 사용 하 여 발생할 것으로 생각 되는 체적 연구 결과에서 연구 사이 차이의 영향을 논의 했다. 여기, 회색 물질 두뇌 내의 세그먼트에 사용할 수 있는 7 가지 자동화 된 도구에 대 한 처리 파이프라인 제공 됩니다. 프로토콜 T1 가중치 MRI 검사에서 회색 물질 볼륨을 생성 하기 위한 가장 정확한 방법의 찾을 것을 목표로 하는 연구자는 초기 단계를 제공 합니다. 자세한 시각적 품질 관리를 수행 하는 단계도 원고에 포함 됩니다. 이 프로토콜 잠재적인 세분화 도구의 범위를 커버 하 고 전체 코 호트에 적용할 하나를 선택 하기 전에 그들의 데이터의 하위 집합 내에서 이러한 도구의 성능을 비교 하는 사용자를 장려 한다. 또한, 프로토콜 다른 뇌 영역의 세분화에 더 일반화 될 수 있습니다.
Introduction
Neuroimaging 임상 모두에서 널리 이용 되 고 설정 연구. 뇌 자기 공명 영상 (MRI) 검사;에서 볼륨을 계량 연구의 재현성을 개선 하기 위해 현재 이동이 있다 따라서, 그것은 중요 한 조사 표준화 및 최적화 방법1의 향상 지역 볼륨으로 MRI 검사를 세그먼트에 대 한 사용 가능한 MRI 도구를 사용 하는 경험을 공유. 이 프로토콜 T1 가중치 MRI 검사에서 외피 회색 물질 (CGM; 회색 물질 바꾸어 지역 제외) 세그먼트를 7 가지 도구를 사용 하는 단계별 가이드를 제공 합니다. 이러한 도구 이전 세분화 방법2는 가변 성능 도구는 헌팅턴 병 일대에 사이 증명의 방법론 비교에 사용 되었다. 이러한 도구의 성능을 서로 다른 데이터 집합 마다 다를 것으로 생각 됩니다, 이후 연구자 자신의 데이터 집합에 적용할 하나만 선택 하기 전에 여러 가지 도구를 테스트에 대 한 중요 하다.
회색 물질 (GM) 볼륨은 정기적으로 두뇌 형태학의 측정으로 사용 됩니다. 체적 측정은 일반적으로 안정적이 고 건강 한 컨트롤 임상 그룹3사이 감 별 할 수 있습니다. 뇌 영역의 다른 조직 유형의 볼륨 가장 자주 이러한 조직의 종류를 식별 하는 자동화 된 소프트웨어 도구를 사용 하 여 계산 합니다. 따라서, GM의 고품질 delineations (세그먼트)를 만들려고 백 질 (WM)와 척수 (CSF)의 정확한 묘사가 GM의 정확도에 중요 합니다. GM 세분화를 수행 하는 데 사용할 수 있는 자동화 된 도구 수 있으며 각각 다른 처리 단계를 요구 하 고 다른 출력 결과. 다양 한 연구 도구 하나는 다른, 그들을 비교 하는 서로 다른 데이터 집합을 적용 하 고 일부 특정 도구1,,45,6,7,8 최적화 ,9,,1011. 두뇌 양, 공부를 할 때 체적 도구 사이 변화 문학 내의 불일치에서 발생할 수 있습니다 및 이러한 차이 대해 그려진 되 고 틀린 결론에 대 한 요소를 운전으로 제안 되었습니다 이전 작품 시연 하고있다 신경학 상 조건1.
최근, 다른 세분화 도구 모두 건강 한 제어 참가자와 참가자 Huntington의 질병을 포함 하는 코 호트에서의 비교를 수행 했습니다. Huntington의 질병은 성인에서 전형적인 증상과 유전적 신경 질병. 바꾸어의 점진적 위축 CGM은 질병의 유명 하 고 잘 공부 neuropathological 기능. 결과 뇌 MRI 검사에서 볼륨을 계산 하는 데 사용 하는 소프트웨어에 따라 결과에 변화를 설명 하는 이전 작업을 지 원하는 코 호트에 적용 된 7 가지 세분화 도구의 가변 성능 시연. 이 프로토콜은 존슨 외 에 사용 하는 처리에 정보를 제공 합니다. (2017) 2 장려 neuroimaging에 사용 하기 위해 가장 적절 한 도구 주의 방법론 선택. 이 설명서는 GM 볼륨의 세그먼트를 커버 하지만 병 변, 다 발성 경화 증에서 볼 등의 세분화를 다루지 않습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
참고: 모든 이미지 NifTI 형식에서 인지 확인 합니다. NifTI 변환 여기 적용 되지 않습니다.
1. 세분화 통해 SPM 8: 세그먼트를 통합
참고:이 절차는 Matlab에서 운영 하는 SPM8 GUI를 통해 수행 됩니다. SPM8 가이드 제공 세부 정보를 추가 하 고에서 찾을 수 있습니다: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.
- SPM8 설치 소프트웨어 경로에 설정 되었는지 확인 합니다.
- SPM 세분화는 GUI를 사용 하 여 수행 됩니다. SPM를 열려면 명령 창을 열고 'spm' 명령줄에 입력 합니다.
- '애완 동물 & VBM' 눌러를 구조 MRI 도구 상자를 엽니다.
- '배치' 일괄 편집기를 열려면 누릅니다. 세분화를 한 번에 여러 스캔에 수행 될 수 있습니다.
- 선택 ' SPM | 공간 | 세그먼트 '.
- 클릭 ' 데이터 | 파일을 선택 합니다. 입력으로 T1 가중치 검색을 선택 합니다.
참고: 파일 '.nii' 되 고 확장명이 NifTi 파일을 해야 합니다. - 클릭 ' 출력 파일 | 회색 문제 '와 ' 기본 공간 '을 선택, 화이트 문제에 대 한 동일한 작업을 수행. CSF 세분화 필요 하지 않은 경우 '없음'으로이 둡니다.
- 만약 스캔 이미 바이어스 수정, '수정 저장 하지' ' 바이어스 수정 ' 옵션을 변경 합니다. '어떤 분할 정리' 옵션에 대 한 세 가지 다른 옵션을 테스트 하 고 시각적 품질 관리 (QC, 8 절)는 가장 적합 한 데이터에 대 한 결정을 사용 하 여.
- 기본값 대로 다른 설정을 둡니다. 다음, 세분화를 실행 하는 녹색 깃발을 클릭 하십시오.
참고:이 참가자, 약 5 분 소요 하 고 커맨드 라인, ' 실행 세그먼트 ' 말할 것 이다. 완료 되 면 명령 창 '완료' 표시 됩니다. - 8 절에에서 설명 된 대로 GM (C1*.nii 파일)에 시각적 품질 관리를 수행 합니다.
2. SPM 8 통해 세분화: 새로운 세그먼트
참고:이 절차는 SPM8 GUI를 통해 수행 됩니다. SPM8 가이드 제공 세부 정보를 추가 하 고에서 찾을 수 있습니다: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. SPM8 설치 소프트웨어 경로에 설정 되었는지 확인 합니다. 명령줄에 "spm"를 입력 하 여 일반적으로 수행 하는 SPM 소프트웨어를 엽니다. 분석을 수행 하기 위해 선택할 수 있는 옵션의 범위와 함께 그래픽 사용자 인터페이스 (GUI) 창이 열립니다.
- '애완 동물 & VBM'를 누릅니다.
- '배치' 일괄 편집기를 열려면 누릅니다.
- 선택 ' SPM | 도구 | 새 세그먼트 ' 일괄 처리 창에서. T1 이미지 파일 (확장명이 '.nii')을 선택 합니다.
- ' 기본 공간 '을 '기본 조직 유형'을 설정 합니다. 필요에 따라 해제 다른 조직 (CSF) 같은 클래스-하지 않을 경우 필수-'None'으로 설정 하 여. '뒤틀린된 조직' 'None'으로 설정 합니다.
참고: 다른 모든 옵션은 기본 설정으로 남아 있을 수 있습니다. - 세분화를 실행 하려면 녹색 플래그를 클릭 합니다.
참고: 명령줄 말할 것 이다,' 새로운 세그먼트 실행 '. 일단 MATLAB 커맨드 라인 지 말, ' 할 새로운 세그먼트 ' 실행이 완료 합니다. - 8 절에에서 설명 된 대로 GM (C1*.nii 파일)에 시각적 품질 관리를 수행 합니다.
3. SPM 12 통해 세분화: 세그먼트
참고:이 절차는 수행을 통해 SPM12 GUI. SPM12 가이드 제공 세부 정보를 추가 하 고에서 찾을 수 있습니다: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.
- 명령 창에 'spm'를 입력 하 여 SPM 소프트웨어를 엽니다. 분석을 수행 하기 위해 선택할 수 있는 옵션의 범위와 함께 그래픽 사용자 인터페이스 (GUI) 창이 열립니다.
- '애완 동물 & VBM'를 누릅니다. '배치' 일괄 편집기를 열려면 누릅니다.
- 클릭 ' SPM | 공간 | 세그먼트 '. 클릭에 ' 데이터 | 양 '입니다.
- ' 기본 공간 '을 '기본 조직 유형'을 설정 합니다. 필요는 없습니다 (CSF) 등을 'None'으로 설정 하 여 조직 클래스를 끕니다. '뒤틀린된 조직' 'None'으로 설정 합니다.
참고: 다른 모든 옵션은 기본 설정으로 남아 있을 수 있습니다. - 세분화를 실행 하려면 녹색 플래그를 클릭 합니다.
참고: 명령 창에 표시 됩니다: '실행 세그먼트'. 실행 완료 되 면 표시 됩니다: '세그먼트 ' 다. - 8 절에에서 설명 된 대로 GM (C1*.nii 파일)에 시각적 품질 관리를 수행 합니다.
4입니다. 빠른 FSL 통해 세분화
참고:이 절차는 커맨드 라인에서 수행 됩니다. FSL 가이드 제공 세부 정보를 추가 하 고에서 찾을 수 있습니다: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.
- 내기 뇌 적 출을 실행 합니다. 이 서로 다른 데이터 집합에 대 한 최적화를 할 수 있습니다 하지만 기본 명령:
T1_ID.nii bet_T1_ID.nii 내기 - FSL 빠른 세그먼트화를 실행:
빠른 bet_T1_ID.nii
참고:이 출력 부분 볼륨 지도 이진 영역 GM, CSF, 및 WM.에 대 한 - GM 영역에 시각적 품질 관리 수행 (파일 결말 * _pve_1.nii.gz) 8 절에에서 설명 된 대로.
5입니다. FreeSurfer 통해 세분화
참고:이 절차는 커맨드 라인에서 수행 됩니다. FreeSurfer 가이드 제공 세부 정보를 추가 하 고에서 찾을 수 있습니다: https://surfer.nmr.mgh.harvard.edu/.
- 디렉터리에 설정 된 데이터를 입력 하 여:
SUBJECTS_DIR = / 경로/로/nii/파일 내보내기 - 명령을 실행 하 여 세분화를 실행:
정찰기-모든-i T1_ID.nii-subjid T1_ID-autorecon1-cw256
정찰기-모든-subjid T1_ID-autorecon2-autorecon3
참고: 명령 > 10 h 참가자 걸릴. 플래그 필드의 보기와 검색 처리를 위해이 크기가 256 보다 큰 자가 필요 하다-cw256. - 확인 처리 스크립트를 보고 올바르게 완료가 있는에 ' 출력 폴더 | 스크립트 | 정찰기-all.log'. 확인 마지막 줄 '정찰기-모든-s T1_ID 오류 없이 완료' 라고 합니다.
- 8 절에에서 설명 된 대로 GM 영역에 시각적 품질 관리를 수행 합니다.
6입니다. 개미를 통해 세분화
참고:이 절차는 커맨드 라인에서 수행 됩니다. 개미는 더 복잡 한 소프트웨어 보다 다른 도구와 절차 설명 여기 주목 해야 한다 수 수 더 최적화 된 결과 개선 하기 위해 각 코 호트 이다. 개미 설명서에서 찾을 수 있습니다: http://stnava.github.io/ANTsDoc/. 아래 설명 된 대로 조직 클래스로 이미지를 세그먼트 하는 방법은 두 가지 있습니다.
- 첫 번째 방법을 사용 하려면 기본 설정 및 조직의 priors 포함 하지 않고 명령 'antsAtropos.sh'를 실행 합니다.
참고:이 종종 수행 특히 잘 때만 3 조직 클래스 필요: GM, WM, 다른.- 명령을 입력 하 여 개미 소프트웨어 경로 설정:
수출 ANTSPATH = / 경로/로/개미/빈 / - 명령을 입력 하 여 세분화 파이프라인을 실행:
antsAtroposN4.sh-d < image_dimension >-는 < t1.nii.gz >-< 수의 조직 클래스 > c-o < 출력 >- 이 명령에 대 한 선택적 인수는:
뇌 마스크:-x < mask.nii.gz >;
조직 priors:-p < segmentationPriors%d.nii.gz >.
- 이 명령에 대 한 선택적 인수는:
- 이 부분 볼륨 지도 추출 된 두뇌를 포함 하 여 출력 폴더를 만듭니다. 8 절에에서 설명 된 대로 GM 영역에 시각적 품질 관리를 수행 합니다.
- 명령을 입력 하 여 개미 소프트웨어 경로 설정:
- 더 많은 조직 클래스를 생성 (GM, 바꾸어 GM, WM, CSF, 기타, 등) 또는 신경 병리학을 보여주는 일대에는 세분화를 수행, 특정 조직 priors 사용. 조직 priors 다른 웹 사이트에서 다운로드. 또는 priors 있도록 연구 특정 서식 파일을 사용 하 여-이것은 훨씬 더 복잡 하지만 병 적인 뇌 변화를 가진 동료에 특히 도움이 될 수 있습니다.
- 연구 관련 템플릿/priors, 만들려면 먼저 연구 관련 서식 파일:
antsMultivariateTemplateConstruction.sh 서식 파일-o-d < image_dimension > < 다른 옵션 >< images.nii.gz >- 이 명령에 대 한 선택적 인수는:
-c: 제어 병렬 계산에 대 한.
0;을 사용 하 여 직렬에서 실행 하는 경우 -j: 숫자의 코어; -r: 입력의 강 체 등록 서식 (기본 0) 파일을 만들기 전에 할-0 1 = =에 =. 이 초기 서식 파일을 사용할 수 없을 때만 유용 합니다.
- 이 명령에 대 한 선택적 인수는:
- 개미 웹사이트에서 다운로드 한 brainmask 및 priors.
참고:이 마스크 편집 템플릿 두뇌의 좋은 근사 이다 다는 것을 확인 하 여 수 필요가 있습니다. brainmask 파이프라인;의 가장 중요 한 부분 중 하나입니다. 불 쌍 한 경우 뇌 추출/Atropos 가난 하 게 실행 됩니다. 다운로드 옵션은 다음과 같습니다.
https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436입니다.
다운로드 한 서식 파일은 다음 연구 서식 파일에 등록 되어야 합니다. - 일련의 연구 관련 서식 공간 변환 다운로드 한 서식 파일에 적용할 수 있는 휘어 지 고 출력 등록을 계산 합니다. 등록을 계산 하려면 명령을 사용 합니다.
antsRegistrationSyNQuick.sh-3 d-f template.nii.gz-m downloaded_template.nii.gz-o downloaded_to_template-n 6- 이 명령에서 옵션은:
-d: 차원 (즉, 3 차원 스캔 것입니다 '3'); -f: 고정된 이미지 (즉, 이미지 끝날 필요가 있는 공간); -m: 움직이는 이미지 (즉, 이미지를 이동 하는 데 필요한); -소개할 출력 이름 (확장명 필요 없음); -n: 숫자 스레드.
- 이 명령에서 옵션은:
- 등록 데이터에 적용 됩니다.
antsApplyTransforms-d 3-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.- 이 명령에서 옵션은:
-d: 차원 (즉, 3 차원 스캔 것입니다 '3'); -i: 입력된 이미지 (즉, 이미지를 이동 하는 데 필요한); -r: 참조 이미지 (즉, 참조 이미지 정의 간격, 근원, 크기 및 출력 뒤틀린된 이미지의 방향); -o 출력 이름, 이것은 연구 관련 서식 공간 (이 경우에 필요한 확장);에서 다운로드 한 서식 파일 -t 변환 파일 이름, 출력 파일 등록 계산에서입니다.
- 이 명령에서 옵션은:
- 시각 연구 특정 서식 파일 및 다운로드 한 서식 파일 (이렇게, 다운로드 한 서식 파일 위에 연구 특정 서식 파일을 열고) 간의 관계에 대 한 등록을 확인 합니다.
- 등록 했다면 다운로드 priors에 변환을 적용 하 고 템플릿 두뇌, 반복 단계 6.2.5 추출.
참고: 다음이 단계, 있을 것입니다 연구 관련 서식 파일, 다운로드 한 서식 파일 다운로드 뇌 추출 마스크 함께 연구 관련 서식 파일 정렬 및 조직 priors 또한 연구 특정 템플릿을 사용 하 여 정렬. - AntsCorticalThickness.sh; 통해 연구 특정 서식 파일을 실행 이 GM, WM, CSF 지역을 연구 관련 priors에 사용할 수 있는 제공 합니다.
antsCorticalThickness.sh-d 3-template.nii.gz-e downloaded_to_template.nii.gz-downloaded_binarised_template_extracted_brain_in_studyspace.nii.gz-p downloaded_labelsPriors%d.nii.gz 미주리 CT_template- 이 명령에서 옵션은:
-d: 차원 (즉, 3 차원 스캔 것입니다 '3'); -a: 이미지 (이 경우, 연구 관련 서식 파일)에서 분단 될; -e: 뇌 템플릿 (하지 두개골 박탈;이 경우, 연구 특정 서식 파일에 등록 된 다운로드 한 서식 파일에서에서); -m: 다운로드 뇌 추출 마스크 (이 경우, 연구 특정 서식 파일에 등록 된 다운로드 한 템플릿에서 추출 된 뇌); -p: priors c-스타일 서식 (예: -p labelsPriors%02d.nii.gz)를 사용 하 여 지정.
참고:이 명령은 가정 처음 4 priors 다음과 같이 정렬 됩니다: 1: CSF, 2: 대뇌 피 질의 GM, 3: WM, 그리고 4:에 (이 경우 연구 특정 서식 파일에 등록 된 다운로드 한 서식 파일에서 priors) 바꾸어 GM.
- 이 명령에서 옵션은:
- 서식 파일에 대 한 생성 된 priors 발생 합니다이 명령을 실행 하지만 그들은 부드럽게 Atropos 세그먼트에서 사용 하기 전에 필요 합니다. 부드럽게 명령 개미 소프트웨어의 일부입니다. 부드럽게 모든 priors는 명령을 사용 하 여:
SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz - Atropos를 실행 하기 전에 모든 기본 공간 검사에서 뇌 추출을 실행 합니다. 연구 관련 템플릿을 사용할 수 있으며 서식 파일 (6.2.1 단계)에서 antsCorticalThickness.sh를 실행 생성 하는 두뇌를 추출:
antsBrainExtraction.sh-d 3-T1.nii.gz-e template.nii.gz-template_BrainExtractionBrain.nii.gz 미주리 T1_brain.nii.gz- 이 명령에서 옵션은:
-d: 크기; -a: 해부학 이미지; -e: 뇌 추출 템플릿 (예: 만든 서식 파일, 두개골 스트립 없이); -m: 연구 특정 brainmask 뇌 추출;에 사용 -소개할 출력 접두사.
- 이 명령에서 옵션은:
- 그런 다음 Atropos 실행.
antsAtroposN4.sh-3 d-는 T1.nii.gz-x T1_brain.nii.gz-3 c-o Atropos_specific_template- 이 명령에서 옵션은:
-d = 차원; -a: 해부학 이미지; -x: 뇌 추출 마스크 뇌 추출;에서 생성 -c: 수 조직 클래스 세그먼트; -소개할 출력 접두사; -p: 연구 관련 세분화 priors < segmentationPriors%d.nii.gz >
- 이 명령에서 옵션은:
- 8 절에에서 설명 된 대로 GM 영역에 시각적 품질 관리를 수행 합니다.
- 연구 관련 템플릿/priors, 만들려면 먼저 연구 관련 서식 파일:
7입니다. MALP-EM을 통해 세분화
- MALP-EM를 실행 하려면 터미널 창을 열고, 유형과 MALP EM 설치 디렉터리에 디렉터리를 변경:
. / malpem-proot-i T1_scan.nii-o. /-m optional_brain_mask_final.nii.gz-f 3T-t 6 c - 명령이 완료 되 면 조직 클래스와 지역 세그먼트 출력 폴더 인지 확인 합니다.
- 8 절에에서 설명 된 대로 GM에 시각적 품질 관리를 수행 합니다.
8. 시각적 품질 관리
참고: 비주얼 품질 관리 분석에 사용 될 모든 세그먼트 영역에서 수행 되어야 합니다. 품질 관리는 세그먼트는 높은 표준의 CGM의 신뢰할 수 있는 세그먼트를 대표 하면 됩니다. 품질 관리를 수행 하려면 각 검색 열 이며 CGM 스캔에 표시에 생성 된 영역을 비교 하는 원래 T1에 중첩.
-
SPM, FSL, 개미, 그리고 MALP EM 세그먼트
- FSLeyes를 사용 하 여 시각적 품질 관리를 수행.
https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
참고: FSLview (이전 뷰어) 또한 같은 방식으로 사용할 수 있습니다. - 터미널 창을 열고는 T1 열고는 T1에 겹쳐 GM 영역. 이렇게 하려면 다음과 같이 입력 합니다.
fsleyes T1.nii Region1.nii Region2.nii입니다. - FSLeyes 열 사용 하 여 불투명도 토글 위쪽 창에을 조정/불투명도 GM 영역 아래 T1 이미지의 시각화를 허용. 위쪽 창에서 '색상 드롭다운 탭'을 통해 분할 오버레이의 색상을 변경 합니다.
- 뇌의 모든 조각을 통해 스크롤하십시오.
참고: 여기 이렇게 코로나 보기, 하지만 사용자를 사용 하 여 그들은 대부분 경험 있는 보기를 사용 해야 합니다. - 모든 분할 영역에 대 한의 아래-또는 오버-estimation 검사 영역의 확인 하십시오.
주: 좋은 나쁜 세그먼트의 예제에 대 한 대표적인 결과 섹션을 참조 하십시오.
- FSLeyes를 사용 하 여 시각적 품질 관리를 수행.
-
FreeSurfer QC
- Peform 시각적 QC FreeView를 사용 하 여입니다.
참고: 여기에 설명서를 참조 하십시오.
https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart입니다. - 터미널 창을 엽니다. T1에 겹쳐 체적 GM 영역을 볼, 유형과 주제 폴더에 디렉터리를 변경:
freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3 - 뇌의 모든 조각을 통해 스크롤하십시오.
참고: 여기 이렇게 코로나 보기, 하지만 사용자를 사용 하 여 그들은 대부분 경험 있는 보기를 사용 해야 합니다. - 모든 분할 영역에 대 한의 아래-또는 오버-estimation 검사 영역의 확인 하십시오.
참고:에 대 한 예는 세그먼트의 대표적인 결과 섹션을 참조.
- Peform 시각적 QC FreeView를 사용 하 여입니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
인구 통계 학적 정보, 20 제어 참가자에 대 한 평균 뇌 볼륨은 표 1에 표시 됩니다. 이러한 도구를 사용 하는 경우이 예상 값에 대 한 가이드 역할을 합니다. 결과 원래 T1.nii 이미지의 맥락에서 전망 되어야 한다. 모든 GM 영역 섹션 8에서에서 설명 하는 단계에 의하여 검열 되어야 한다. 시각적 품질 관리를 수행할 때 직접 영역을 비교는 GM T1 스캔 하는 T1에 중첩 그들을 확인 하 여 중요 하다.
그림 1에서 보듯이 지역 총 오류에 대 한 거부 한다. 때로는 이러한 오류 처리는 제대로, 실행 하는 경우 또는 두뇌의 시야 내에서 가난 하 게 위치한 경우 발생할. 이러한 오류를 해결 하려면 네이티브 T1 검사 표준 공간을 엄격 하 게 다시 정렬 될 수 있습니다 하 고 세분화 다시 시도한 수 있습니다. 실패의 속도 실패의 분류로 서 도구를 사용 하 고 데이터의 품질에 따라 달라 집니다. 현재 연구에서 거부에 따른 총 실패의 실패율 < 5% 모든 도구, 하지만 덜 중요 한 오류는 여러 가지 도구를 통해 일관 되 게 보인. FSL, SPM 8 새로운 세그먼트 빠르고 FreeSurfer 했다 오류 (하지만 실패 하지) 검색 > 50%에이 일대에 대 한. 이 오류 비율 그림 2-6에서 같이 그들이 합리적인 출발 예상된 지역으로 보인 경우를 포함 하는 오류와 시각적 QC 과정 촬영 메모를 검토 하 여 정량 했다. 그것은 이러한 도구가 다른 데이터 집합에 훨씬 낮은 속도 오류 3,8결과 검증 된 참고 해야 합니다. SPM 새로운 세그먼트 및 MALP EM이 데이터이 집합에 대 한 낮은 에러율 결과 이후 이러한 오류 가능성이 수동 개입 또는 뇌 추출에서 마스크의 포함을 통해 향상 될 수 있는, 하는 동안 이러한 도구 대신 사용 됩니다. 개미와 MALP-엠, 그리고 SPM (모든 버전) 및 FSL 처음 처리 후 처리 하기 전에 마스크를 적용할 수 있습니다.
더 많은 사소한 오류는 그림 2-6에 표시 됩니다. 전체 코 호트를 신청 하기 전에 데이터 집합에 다른 세분화 도구를 테스트 하 여 분석을 위해 해당 데이터 집합에 최고를 수행 하는 도구를 선택할 수 있습니다. QC를 수행할 때 거부, 편집, 또는 세그먼트에 동의를 선택 하기 위한 절차를 개발 한다. 일반적인 오류는 7 가지 도구에 대 한 본 여기, 그림 2-6에 표시 된 예제와 함께 설명 되어 있습니다. 이러한 세분화에 오류 처리 스트림 또는 편집 영역에서 마스크의 추가 함께 종종 수정 수 있습니다. 그러나, 지역으로 광범위 한 이상-또는 아래-estimation 피 분석에서 거부 해야 합니다. 엄격한 기준은 개발 하 고 때이 결정 한다. 다음이 단계는이 프로토콜에 적용 되지 않습니다 하 고 데이터 집합에 dataset에서 달라 집니다.
일반적으로, 시각적 QC를 수행할 때 그것은 일시적인 후 두 지역에 특히 주의 하는 것이 중요 가장 일관 된 오류를 표시 하는 영역으로. 그림 2 는 좋고 나쁜 임시 세그먼트의 예를 보여 줍니다. 그리고 그림 3 좋은 후 두 세그먼트의 예를 보여 줍니다. 그림 4 는 비 뇌 조직으로 분류 CGM 두뇌의 우수한 조각에 모든 도구에서 발생 하는 또 다른 일반적인 문제를 보여 줍니다. 그림 5 는 CGM의 지역 세분화에서 제외 됩니다 세그먼트의 숫자에서 본 또 다른 문제를 표시 합니다. 그림 5에서 보듯이이 종종 뇌의 우수한 조각에서 발생 합니다.
SPM8 통합 세그먼트 일반적으로 측 두 엽을 둘러싼 비 뇌 조직으로 유출 하는 세그먼트 GM 영역 가난한 일시적인 묘사, 결과. 후 두 엽으로 흘림은 다양 한 지역에서에서 본 전 두 엽의 과소 추정 하는 동안 일반적 이다. SPM8 새로운 세그먼트에 대 한 불 쌍 한 일시적인 묘사 및 후 두 흘림 또한 일반적 이었다. 두개골과 거의 모든 세그먼트에 GM로 분류 되 고 경질 내 복에 결과 또한 SPM의이 버전을 사용 하 여. SPM12는 다른 지역에서 측 두 엽 세그먼트 향상 및 더 적은 흘림 SPM의 이전 버전에 비해 개선 되었다. 개미는 세분화의 품질을 결정 하는 초기 뇌 추출이 일대에 높은 변수 성능을 보여주었다. 외부 경계에 특히 주의 하는 것이 중요 하다 고 불 쌍 한 개미를 사용 하 여 뇌 추출 이면 다음 Atropos 명령에서 포함 된 두뇌 마스크 향상 시킬 수 있습니다. 측 두 엽과 후 두 엽에 GM의 과다 추정 문제와 일반적인 다시 했다. MALP-EM 측 두 엽과 후 두 엽;의 과다 추정 된 적은 문제를 보여주었다 하지만, 경우의 수 피 밑 추정 했다. 이 파이프라인에서 두뇌 마스크의 포함에 의해 향상 될 수 있습니다. FSL 빠른 세그먼트 내기 뇌 추출 데이터에이 일대에서의 가변 성능으로 인해 매우 다양 했다. 다시, 후 두 및 측 두 엽 내 문제는 일반적인; 그러나, 이러한 뇌 추출의 최적화와 향상 수 있습니다. 마지막으로, FreeSurfer 체적 영역 일반적으로 외부 경계 (그림 6)에서 GM의 일부 영역을 제외 하는 GM/CSF 경계를 따라 꽉 많습니다. 다른 도구와 마찬가지로 GM의 외부 유출은 측 두 엽과 후 두 엽에서 유행 이다. 마지막으로, 그림 7 세그먼트에서 오류가 했다 FSLview에 표시 하는 좋은 세분화의 예가 나와 있습니다. 지역의 수동 편집 자주 수행할 수 있습니다 영역을 개선 하기 위해 있지만 여기서는이 방법에 대해 다루지 않습니다.
그림 1 : T1 스캔에 표시 되는 실패 한 세분화의 예. 이 분할 다시 처리 하 고 향상 시킬 수 없는 경우 분석에서 제외 해야 합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 2 : T1 스캔 측 두 엽에 다른 도구의 성능의 예. (A)는 T1 세분화 하지 않고 검색 합니다. 좋은 지역 묘사 (MALP-EM)의 예 (B)는 T1 스캔. (C)는 T1 (FreeSurfer) 좋은 지역 묘사의 예를 검사 합니다. (D)는 T1 왼쪽 및 오른쪽 측 두 엽 (SPM 8 새로운 세그먼트)에 흘림을 보여주는 가난한 지역 묘사의 예를 검사 합니다. (E)는 T1 흘림 왼쪽 및 오른쪽 측 두 엽 (FSL 빨리) 보여주는 가난한 지역 묘사의 예를 검사 합니다. 스캔은 이미지를 기본으로 T1 검사와 오버레이 GM 지역 FSLeyes에서 볼 수 있습니다. 이 그림에서 GM 영역으로 빨간색-노란색 0.4의 불투명도 함께 볼 수 있습니다. 색 그라데이션 더 높은 PVE 견적 (더 될 것 GM)와 레드 (덜 될 것 GM) 낮은 PVE 예상 하는 데는 그 노란색 복과 복의 부분 볼륨을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 3 : T1 스캔 후 두 엽에 다른 도구의 성능의 예. (A)는 T1 세분화 하지 않고 검색 합니다. 좋은 지역 묘사 (MALP-EM)의 예 (B)는 T1 스캔. (C)는 T1 지역 (SPM 8 통합 세그먼트)의 중간 부분에 경질에 흘림으로 가난한 후 두 엽 묘사의 예를 검사 합니다. (D)는 T1 지역 (SPM 8 새로운 세그먼트)의 중간과 상위 단원의 경질에 흘림으로 가난한 후 두 엽 묘사의 예를 검사 합니다. (E)는 T1 (FSL 빨리) 지역의 중간 하 고 우수한 섹션에 경질에 흘림으로 가난한 후 두 엽 묘사의 예를 검사 합니다. 스캔은 이미지를 기본으로 T1 검사와 오버레이 GM 지역 FSLeyes에서 볼 수 있습니다. 이 그림에서 GM 영역으로 빨간색-노란색 0.4의 불투명도 함께 볼 수 있습니다. 색 그라데이션 더 높은 PVE 견적 (더 될 것 GM)와 레드 (덜 될 것 GM) 낮은 PVE 예상 하는 데는 그 노란색 복과 복의 부분 볼륨을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 4 : GM 영역의 예제 FSLview 창 (화살, 코로나, 및 뷰에서 축)에 표시 경질에 흘 렸 어. 파란색 지역 경질에 흘림을 강조 표시합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 5 : 세분화에서 CGM의 영역을 제외 하는 GM 영역의 예. 이 지역은 FSLview 창, 화살, 코로나, 및 축 보기에 표시 됩니다. 최고의 축 보기 영역을 세분화에서 제외 되었습니다 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 6 : GM/CSF 경계, FreeView에 표시를 따라 매우 빡 빡 FreeSurfer GM 영역의 예. 상단 왼쪽된 최고에 코로나 창이이 지역에서 CGM에 과소 추정을 표시합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 7 : T1 뇌 스캔에 잘 delineated MALP EM 영역의 예. 지역 지역에서 아무 문제를 가진 이상-또는 아래-estimation CGM의를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
표 1: 인구 통계 학적 정보 및 트랙-HD 연구, 여기 설명 된 7 도구를 사용 하 여 세그먼트에서 20 제어 참가자에 대 한 평균 GM 볼륨 (mL).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
최근에, 연구는 다른 부피 측정 방법의 사용 neuroimaging 연구1,2에 대 한 중요 한 암시를 할 수 있습니다 설명 했다. 이러한 도구에 의해 결과 출력에 QC를 수행 하는 방법 뿐 아니라 다른 neuroimaging 도구를 적용 하는 방법에 가이드 초보 사용자를 있도록 게시 프로토콜에 의해 연구원은 그들의 데이터 집합에 적용 하는 좋은 방법은 선택할 수 있습니다.
대부분의 단계가이 SOP에는 데이터 및 연구원 요구 사항에 맞게 조정 될 수 있다, 여기에 제시 된 가장 중요 한 프로세스 중 하나 자세한 시각적 품질 관리를 설명 하는 단계 있습니다. 시각적 품질 모든 세그먼트 출력에 이러한 도구에 의해 수행 되어야 합니다 그리고 CGM의 정확한 측정을 위해 필수적 이다. 고급 세그먼트 CGM 영역의 수천의 심사를 거쳐 개발 되었습니다 있도록 촬영 품질 관리 단계. 시각적 검사를 통해 다른 도구를 비교 하 여 가장 정확한 방법은 각 데이터 집합에 대 한 찾을 수 있습니다.
각 도구에 대 한 각 데이터 집합에 대 한 세분화를 최적화 하기 위해 사용할 수 있는 다른 옵션이 있다. 그것은 종종 기본 공간 세분화, 이전에 모든 검사를 재편성 하는 것이 좋습니다이 세분화;에 오류를 줄일 수 있습니다. 그러나, 이것은 필수입니다. 또한, 각 도구에서 출력 영역만 대뇌 피 질의 GM과 또한 바꾸어 지역 등 일부를 포함 한 일부 다. 또한, 일부 지역 출력 부분 볼륨 견적 (PVE)와 일부 개별 조직 지도 출력. 볼륨 추출, 적용 되지 않습니다이 표준 운영 절차 (SOP)의 범위를 벗어납니다 PVE와 개별 조직 지도 차이의 토론 하는 동안에, PVE 지도 더 신뢰할 수 있는 측정12로 일반적으로 수용 된다. 이 SOP 존슨 외 에 사용 하는 처리에 정보를 제공 합니다. (2017) 2 세그먼트 및 QC 검사; 그러나, 그들의 이미지 품질에 따라 다른 사용자에 대 한 더 적절 한 선택이 있을 수 있습니다 그리고 대뇌 피 질의 GM 영역을 제한 하는 마스크의 응용 프로그램과 같은 추가 처리가 필요할 수 있습니다. 모든 세그먼트는 기본 공간에서 수행할 수 있습니다.
이 프로토콜 예제 파이프라인을 T1 MRI 검사에서 CGM 세그먼트에 사용할 수 있는 7 가지 방법을 제공 합니다. 이러한 예제는 크게 각 소프트웨어에 대 한 권장 되는 기본 파이프라인을 따라 고 이들의 그 더 최적화를 주의 하는 것이 중요 하다 파이프라인의 다른 검사는 지역의 성공적인 세분화 할 수 있습니다. MALP-EM, 등 몇 가지 도구 옵션 제한 그리고 neuroimaging에 새로운 사용자를 위한 더 나은 가능성이 있습니다. 개미를 포함 하 여 다른 도구, 최적화, 받을 수 있습니다 그리고 여기에 제시 된 프로토콜이이 소프트웨어의 1 개의 가능한 응용 프로그램을 나타냅니다. 볼륨의 계산을 제한 하는 마스크의 사용과 같은 추가 옵션, 대부분의 도구에 대 한 수 있습니다.
그것은 모든 운영 체제에서 모든 도구를 사용할 수 있습니다 해야 합니다. SPM 및 개미는 윈도우, 맥, 호환 및 리눅스 시스템, FSL, Mac와 리눅스와 호환 이며 MALP EM 및 FreeSurfer 리눅스 시스템 (또는 윈도우/맥 PC에서 실행 되는 리눅스 가상 컴퓨터)와 호환 됩니다.
이 프로토콜은 CGM 영역을 생성 하기 위해 3D T1 가중치 MRI 검사에 세분화 및 품질 관리 (QC)를 수행 하는 데 사용할 수 있는 단계를 다루고 있습니다. 그러나, 프로토콜 이미지는 NifTI 형식 (.nii 확장)의 3D T1 이미지 들을 가정 합니다. 존슨 그 외 여러분 에 의해 수행 하는 분석에서 2, 이미지는 이미 바이어스-N3 절차13를 사용 하 여 수정. 이 프로토콜은 또한 소프트웨어를 다운로드 하 고 각 도구에서 제공 하는 지침에 따라 리눅스 시스템에 설치 되어 가정 합니다. 여기에 비해 소프트웨어 등 SPM814, SPM12, FSL15, FreeSurfer16,17, 개미18, MALP EM19.
이 SOP 커버 다양 한 세분화 기법; 그러나, 세그먼트 구조 T1 검사에 사용할 수 있는 다른 옵션이 있다. 이러한 메서드는 존슨 그 외 여러분 에 의해 이전 비교에 대 한 선정 됐다 2 Huntington의 질병 연구에 내에서 사용의 그들의 주파수에 따라. 그러나, 모든 도구는 각 데이터 집합에 다르게 수행 하 고 세분화 도구 여기 적용 되지 않는 다른 데이터 집합 및 연구 그룹에 대 한 적절 한 있을 수 있습니다.
이러한 도구는 neuroimaging 연구에서 널리 사용 됩니다. 소프트웨어 업데이트는 이러한 도구에 대 한 만들어집니다, 그것은 가능성이 각 분할 방법의 출력 시간이 지남에 따라 상당한 변화를 받게 될 것 이다. 그러나, 강조는 고급 세그먼트 neuroimaging 연구에 사용 되는 시각적 QC 과정에 있어야 합니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 없다.
Acknowledgments
우리 CHDI/높은 Q 기초 트랙 HD 연구;에 대 한 책임에서 모든 사람을 감사 하 고 싶다 특히, 베스 Borowsky, 알 란 토 빈, 다니엘 반 Kammen, 단 서명자 및 셰 리 무기 징역 수 있습니다. 저자는 또한 트랙 HD 연구 참여자와 그들의 가족에 게 그들의 감사를 연장 하고자. 이 작품은 UCLH/UCL, 건강 연구 생물 의학 연구 센터 자금 계획에 대 한 보건의 국립 연구소에서 자금의 비율을 받은에 착수 했다. S.J.T. 치 매 및 신경 연구 네트워크, DeNDRoN 통해 건강 연구를 위한 국립 연구소의 지원을 인정합니다.
트랙-HD 조사:
C. 캠벨, M. 캠벨, I. Labuschagne, C. Milchman, J. 스타우트, 모나 쉬 대학, 멜버른, VIC, 호주; A. 콜맨, R. 스 산토스, J. Decolongon, B. R. Leavitt, A. Sturrock, 브리티시 컬럼비아 대학교, 밴쿠버, bc 주, 캐나다; A. 이다, C. Jauffret, D. 마침, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM 연구소, 파리, 프랑스; 명. 벡 텔, S. Bohlen, R. Reilmann, 뮌스터 대학, 뮌스터, 독일; B. Landwehrmeyer, 울 름 대학, Ulm, 독일; 제이 S. J. A. 반 덴 Bogaard, E. M. 뒤 마, 반 데르 Grond, EP ' t 수 사슴, R. A. 로스, 라이덴 대학 메디컬 센터, 라이덴, 네덜란드; 명. Arran, J. 캘 러 한, D. Craufurd, C. Stopford, 맨체스터 대학, 맨체스터, 영국; D. M. 현금, IXICO, 런던, 영국; H. 크로포드, N. C. 폭스, S. 그레고리, G. 오 웬, N. Z. 홉스, 명 Lahiri, I. 말론, 제이 읽기, 엠 제이 말, 디 화이트 헤드, E. 와일드, 런던 대학, 런던, 영국; C. 프 로스트, R. 존스, 런던 학교 위생 및 열 대 의학, 런던, 영국; E. Axelson, H. J. 존슨, D. Langbehn, 아이오와의 대학, 아이오와, 미국; 그리고 S. Queller, C. 캠벨, 인디애나 대학, 미국에서.
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).
