Summary
オープンソフトウェアを用いた画像セグメンテーションをはじめ、自動モデリングパッケージを用いたグループ単位の形状解析など、脳構造の形状解析用の半自動プロトコルを紹介します。ここでは、脳MR画像からの海馬セグメンテーションを用いた3D形状解析プロトコルの各ステップを示す。
Abstract
脳構造の統計的形状解析は、その構造変化と病理学的プロセスとの関連を調べるために用いられてきた。正確で堅牢な形状モデリングとグループワイズ解析のためのソフトウェアパッケージを開発しました。ここでは、個々の3D形状モデリングから定量的なグループ形状解析まで、形状解析のパイプラインを紹介します。また、オープンソフトウェアパッケージを使用した前処理とセグメンテーションの手順についても説明します。この実用的なガイドは、研究者が脳の構造に関する3D形状解析の時間と労力を節約するのに役立ちます。
Introduction
脳構造の形状解析は、神経変性疾患や老化1などの病理学的過程下での形態変化を調べる好ましいツールとして浮上している。1)医療画像から標的構造の境界を正確に線分化し、2)3D表面メッシュの形でターゲット形状を再構築し、3)形状パラメータ化または表面登録を介して個々の形状モデル間の被験者間通信を構築し、4)個人またはグループ間の地域形状の違いを定量的に評価する。過去数年間で, これらの各ステップの神経イメージング研究で多くの方法が導入されています。.しかし、この分野では目覚ましい発展を遂げながらも、研究にすぐに当てはまる枠組みはあまりありません。この記事では、カスタム形状モデリングツールと一般に公開されている画像セグメンテーションツールを使用した脳構造の形状解析の各ステップについて説明します。
ここでは、成人対照患者とアルツハイマー病患者のデータセットを用いた左右海馬の形状解析を通じた脳構造の形状解析フレームワークを示す。海馬の萎縮は、神経変性疾患2、3、4において重要な画像バイオマーカーとして認識される。形状解析フレームワークでは、ターゲット構造のテンプレートモデルと、形状モデリングプロセスでテンプレートからイメージへの変形可能な登録を採用しています。テンプレート モデルは、母集団内のターゲット構造の一般的な形状特性をエンコードし、テンプレート モデルとの推移的な関係を通じて個々のモデル間の形状差を定量化するためのベースラインも提供します。テンプレートから画像への登録では、テンプレートモデル5、6、7におけるポイント分布の歪みを最小限に抑えながら、テンプレートモデルを個々の画像のターゲット構造に適合させるラプラシアン表面変形法を開発しました。提案されたフレームワークの実現可能性および堅牢性は、認知老化8、軽度認知障害9の早期発見、および脳構造変化とコルチゾールレベル10との関連を探索する最近の神経イメージング研究において検証されている。このアプローチにより、図形モデリングと解析方法を使用して、さらなる神経イメージング研究を容易に行うことができます。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
脳MR画像は、地元の機関審査委員会と倫理委員会によって承認されたプロトコルに従って取得されました。
注:形状モデリングと解析用のツールは、NITRC リポジトリからダウンロードできます: https://www.nitrc.org/projects/dtmframework/。GUI ソフトウェア (DTMModeling.exe) は、抽出後に実行できます。 図 1を参照してください。
1. 脳MR画像セグメンテーション
- 個々の被験者と脳セグメンテーションマスクの脳MR画像を取得します。
注:通常、脳構造の解析のためにT1加重MR画像を取得します。MR画像は、N31を用いた勾配非線形補正および強度不均一性補正のために前処理されていると仮定し、改善されたN3法12、またはFSL-FAST13である。人間の脳構造を自動的にセグメンテーションするための自由に利用できるツールを表1に示します。 - セグメンテーション結果を手動で修正します。
注:手動セグメンテーションをサポートするオープン GUI ソフトウェアを表 2に示します。脳構造の手動セグメンテーションプロトコルは、ここで14、15、16を見つけることができます。海馬の手動セグメンテーションに関するビデオガイドはこちら17.次のセクションでは、海馬セグメンテーションのプロトコルについて説明します。- [ファイルを開く] メニューを使用して、T1 加重 MRI と自動セグメンテーション結果を開きます。
- [ウィンドウメニュー] をクリックしてセグメンテーションプラグインを読み込む|表示 |セグメンテーション:
- セグメンテーションプラグインの追加ツール、減算ツール、修正ツールを使用してセグメンテーションマスクを修正します。
- [保存] メニューを使用して、修正したセグメンテーション マスクを Nifti 形式で保存します。
2. 海馬セグメンテーションの手動編集
注:MITKワークベンチ ( http://www.mitk.org/ ) に基づくGUIモデリングソフトウェアを使用して脳セグメンテーションを手動で編集するためのプロトコルを導入します。MITKワークベンチは、手動および自動セグメンテーションおよび医療画像可視化のための様々な機能を提供します。左右の海馬の手動編集プロセスをデモンストレーションします。自動海馬セグメンテーションの結果を手動で18を編集する手順は以下の通りである。
- MITKワークベンチソフトウェアを使用して、T1加重MR画像と自動海馬セグメンテーションの結果を開きます。
- メニューウィンドウをクリックして、MITKワークベンチにセグメンテーションプラグインをロードする |ビューを表示 |セグメンテーション:
- [表示]ウィンドウの右上隅に表示される右側のアイコンをクリックして、コロナ ビューを選択します。
- 海馬の頭部から体に向かうコロナビューで、各海馬のバイナリマスク(左右)を次のように編集します。
- アントゥスが見つかるまでボリューム全体をスクロールします。それが存在する海馬のマスクにうなを含める。
- セグメンテーションプラグインの加算と減算機能を使用して、uncusが後退した後、海馬のマスクを編集します。
- 海馬の尾が見つかるまで海馬のマスクを編集し続けます。視床の骨膜核が海馬よりも優れていると、フォニックスが現れる。
- フォルニクスの全長が見えるが、脳梁のスレニウムでまだ連続していない海馬の最後のコロナスライスの編集を終了します。
注:脳脊髄液(CSF)空間は海馬領域内に含むことができる。CSF スペースは、MITK ワークベンチのセグメンテーション プラグインの減算ツールを使用して海馬マスクから削除できます。海馬領域を完全に定義し、CSF空間を除去するために海馬頭から尾にすべてのコロナスライスを通過する方が簡単かもしれません。 - 両方の海馬のバイナリマスクを編集するための同じプロセスに従ってください。
注:MITK ワークベンチのセグメンテーションプラグインの追加、減算、および修正ツールをマニュアル編集に使用できます。補正ツールは、追加のツールを選択せずに、ユーザー入力とセグメンテーションマスクに従って加算と減算を実行することで、セグメンテーションマスクの小さなエラーを簡単に処理できます。
- MITKワークベンチソフトウェアの[保存]メニューを使用して、左右の海馬のバイナリマスクをニフティ形式(niiまたはnii.gz)に保存します。
注:左右の海馬のバイナリマスクは、その後の海馬形状モデルステップのために別々に保存する必要があります。
3. グループテンプレートの構築
注:すべてのサブジェクトのセグメンテーションと手動編集の後、個々のシェイプ モデリングにはターゲット構造のテンプレート モデルが必要です。MITKワークベンチの「シェイプモデリング」プラグインを使用して取得した、母集団の平均バイナリマスクからテンプレートモデルを構築します。GUIソフトウェアを用いたテンプレートモデル構築のステップは以下の通りです。
- メニュー機能を使用してシェイプモデリングプラグインをロードする:ウィンドウ |ビューを表示 |形状モデリング」 を参照してください。
- ShapeModelingプラグインの「ディレクトリを開く」ボタンをクリックして、スタディ作成のバイナリマスクを含むディレクトリを開きます。
- シェイプモデリングプラグインの「テンプレート構築」ボタンをクリックします。
- 平均シェイプ メッシュを確認し、[保存]メニューを使用してステレオリソグラフィ(STL)形式で保存します。
4. 個々の形状の再構築
注:このステップでは、「シェイプモデリング」プラグインの「シェイプモデリングの開始」ボタンを使用して、個々の被写体のシェイプモデリングを実行します。このプラグインのソフトウェアパラメータを表3に挙付けます。各パラメータの詳細については、こちら5.GUIソフトウェアを用いた個々の形状再構成のステップは以下の通りである。
- [ファイルを開く]メニューを使用して、T1 重み付け MR イメージとそのセグメンテーション マスクをロードします。
注:視覚的な検証には T1 加重 MR イメージを使用します。 - ShapeModeling プラグインでモデリング パラメータを確認し、必要に応じて変更します。
注:テンプレート モデルが変形していない場合、またはテンプレート モデルとイメージ境界の間の距離が大きい場合は、境界検索範囲を広げることをお勧めします。幾何学的歪みが見つかった場合は、ステップ 0.5 で maxAlpha と minAlpha を増やすことで問題を解決するのに役立ちます。セグメンテーション マスクでターゲット オブジェクトのボクセル強度を確認することが重要です。値が 1 でない場合は、それに応じて強度パラメータを変更する必要があります。 - [シェイプ モデリング]ボタンをクリックしてシェイプ モデリング プロセスを実行し、MITK ワークベンチの 3D ビューで結果を確認します。
- テンプレート モデルがイメージ境界に密接にフィットしていない場合は、手順 4.2 と 4.3 を繰り返します。
注:テンプレート モデルは、MITK ワークベンチの矢状ビュー、冠状図ビュー、軸図、および 3D ビューのセグメンテーション マスクで視覚化されます。テンプレート モデルとイメージ境界の間の距離が、ボクセル サイズの最小サイズの 10 分の 1 のしきい値未満の場合、テンプレート サーフェスは変形されません。 - MITK フレームワークの [保存]メニューを使用して、モデリング結果をステレオリソグラフィ (STL) 形式で保存します。
5. グループ単位の形状正規化と形状差測定
注:この手順では、個々のシェイプ モデルをテンプレート モデルに位置合わせし、テンプレート モデルと個々のシェイプ モデルの間の対応する頂点間のポイント方向の形状変形を計算します。形状変形測定の工程は以下の通りである。
- MITK ワークベンチのデータマネージャで、サブジェクトの形状モデルを選択します。
注:ユーザーは、変形測定のために複数のモデルを選択できます。 - シェイプモデリングプラグインの測定ボタンをクリックして、変形測定を実行します。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ここで説明する形状モデリングプロセスは、加齢6、8、10およびアルツハイマー病5、9に関する様々な神経イメージング研究に採用されている。特に、この形状モデリング法は、654人の被験者8の高齢化集団に対する海馬の形状解析においてその精度と感度を示した。ソフトウェアと一般に公開されているソフトウェア、ShapeWork、LDDMM-TI、および SPHARM-PDM の定量的分析は、ここで5を見つけることができます。表1、 表2および表 4では、MR 画像前処理から脳セグメンテーションまで、多くのオープン ツールについて説明します。
図2は、ターゲット構造のテンプレートモデルを用いた形状モデリングフレームワークの図である。テンプレート モデルは、母集団内の脳構造の一般的な形状特性を表します。図3は、個々の形状再構成のための海馬テンプレートモデルの変形を示す。この方法は、個々の形状特性を復元しながら、ポイント分布の歪みを最小限に抑えるために、テンプレート モデルの大規模から小規模の変形を誘導します。図4は、セグメンテーションマスクを用いた2つの被験者の再構成された形状モデルを示す。図 5は、位置合わせされた個々のシェイプ モデル、その平均モデル、および個々のシェイプ モデルとの形状差ベクトルを示しています。図6は、小さくて大きな脳組織容積(BTV)を有する2つの群について、平均モデルに投影された平均形状変形マップを示す。BTVが51被験者5の健全な高齢化人口の平均からの標準偏差より大きいか、または小さい被験者を選択した。2つのグループの形状変形マップは、対応する領域で海馬の形状差の反対パターンを示す。
図 1: 形状モデリングと解析用の GUI ソフトウェアこの図の大きなバージョンを表示するには、ここをクリックしてください。
図 2: 脳構造のテンプレート モデルを使用した図形モデリングの手順この図の大きなバージョンを表示するには、ここをクリックしてください。
図 3: 個々の形状再構成のためのテンプレート モデル (オレンジ) の変形カラー マップ = 頂点方向の変形の大きさ(mm)。この図の大きなバージョンを表示するには、ここをクリックしてください。
図4:海馬の個々の形状モデリングの例。この図の大きなバージョンを表示するには、ここをクリックしてください。
図 5: 個々の図形モデル、平均モデル、および図形差ベクトルを個々の図形モデルに位置合わせする左 = 位置合わせされた個々のシェイプ モデル(白)とその平均モデル(青)。右 = 平均モデルと個々のモデルの間の点ごとの形状差ベクトル。この図の大きなバージョンを表示するには、ここをクリックしてください。
図6:健康な高齢化集団における脳組織体積が小さく、大きい2群の平均形状変形(母集団平均からの標準偏差が1つ以下)。この図の大きなバージョンを表示するには、ここをクリックしてください。
| 名前 | 説明 | システム | 組織 | リンク |
| アルヴィン | 側面心室セグメンテーション | Linux | キングス・カレッジ・ロンドン | https://www.nitrc.org/projects/alvin_lv/ |
| まずは | FSLにおける皮下構造セグメンテーション | Linux, Mac | オックスフォード大学 | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FIRST |
| 高 速 | 空間強度変動の補正を含む組織分類ツール | Linux, Mac | オックスフォード大学 | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST |
| フリーサーファー | ボクセルワイズ完全脳セグメンテーション | Linux, Mac | アティヌーラ A. マルティノス生物医学イメージング センター | https://surfer.nmr.mgh.harvard.edu/ |
| ヒキガエルクルーズ | 自動脳セグメンテーションツール | Linux, Mac | ジョンズ・ホプキンス大学 | https://www.nitrc.org/projects/toads-cruise |
| ニフティセグ | 自動脳組織分類ツール | Linux, Mac | キングス・カレッジ・ロンドン | https://github.com/KCL-BMEIS/NiftySeg |
| ブレインスイートPVCツール | BrainSuiteパッケージの脳組織分類ツール | ウィンドウズ, Linux, マック | 南カリフォルニア大学 | http://brainsuite.org/ |
表1:脳構造の自動セグメンテーションに広く用いられているオープンソフトウェアのリスト
| 名前 | 説明 | システム | 組織 | リンク |
| MITK | 半自動(地域の成長と流域のしきい値など)と手動画像セグメンテーションのためのプラグインを提供するGUIソフトウェア | ウィンドウズ, Linux, マック | ドイツがん研究センター | http://mitk.org/wiki/MITK |
| 3Dスライサー | 医療画像処理と3D可視化のためのGUIソフトウェア。3Dスライサーのセグメントエディタは、手動セグメンテーションのためのモジュールです | ウィンドウズ, Linux, マック | ブリガムとレディース 株式会社ホスピタル |
https://www.slicer.org/ |
| ITKスナップ | 半自動(アクティブ輪郭法)と手動セグメンテーション用GUIソフトウェア | ウィンドウズ, Linux, マック | ペンシルベニア大学とユタ大学 | http://www.itksnap.org/pmwiki/pmwiki.php |
| ジミアス | 生物医学画像コンピューティングのためのGUIソフトウェア。手動セグメンテーションプラグインがサポートされています。 | Windows, Linux | シェフィールド大学 | http://www.gimias.org/ |
| MRICron | NIFITフォーマット画像ビューア用のGUIソフトウェア。また、ボリューム レンダリング、ROI 領域描画、および統計ツールもサポートしています。 | ウィンドウズ, Linux, マック | サウスカロライナ大学 | http://people.cas.sc.edu/rorden/mricron/index.html |
| マンゴー | 表面可視化、ROI編集、画像解析をサポートするマルチプラットフォーム画像ビューア | ウィンドウズ, Linux, マック | テキサス大学ヘルス校 | http://ric.uthscsa.edu/mango/index.html |
表 2: 手動セグメンテーションと視覚化のためのオープンソフトウェアのリスト
| パラメーター | 説明 |
| --minAlpha | テンプレート モデルのラプラシアン座標を保持する内部力の最小ウェイト(デフォルト: 1.0) |
| --maxAlpha | テンプレート モデルのラプラシアン座標を保持する内部力の最大ウェイト(デフォルト: 5.0) |
| --しきい値アルファ | テンプレートの変形中にアルファ ウェイトを徐々に小さくするしきい値パラメータ(デフォルト: 0.01) |
| --最小リング | 近傍の最小レベル (デフォルト: 1) |
| --maxRing | 近傍の最大レベル (デフォルト: 3) |
| --エッジ | 外力の重みパラメータ(デフォルト: 0.1) |
| --強度 | セグメンテーション マスクのターゲット構造のボクセル値 |
| --範囲 | 境界検索範囲 (デフォルト: 5.0) |
| --init | 反復的な最も近いアルゴリズムを使用したテンプレート モデルの初期化 (既定値: 1 (true)) |
表 3: 個々の形状再構成のパラメータ
| 名前 | 説明 | システム | 組織 | リンク |
| MINC N3 | ノンパラメトリック非均一性正規化(N3)法 | Linux, Mac | マギル大学 | https://www.nitrc.org/projects/nu_correct |
| ANTS N4バイアス補正 | N4ITK: 高度な正規化ツール (AT) ソフトウェア パッケージの N3 メソッドの改善 | ウィンドウズ, Linux, マック | ペンシルベニア大学 | https://sourceforge.net/projects/advants/ |
| スカルストリッピングツールキット | レベルセットベースの融合法を用いたスカルストリッピングツール | Matlab | ノースカロライナ大学 | https://www.nitrc.org/projects/skulltoolkit |
| ロテックス | 脳表面フィッティング法を用いた頭蓋骨ストリッピングツール | Linux, Mac | カリフォルニア大学ロサンゼルス校 | https://www.nitrc.org/projects/robex/ |
| FSLベット | FSLパカチの頭蓋骨ストリッピングツール | Linux, マック, ウィンドウズ | オックスフォード大学 | https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/BET |
| ブレインスイートbseツール | ブレインスイートパカッゲの頭蓋骨ストリッピングツール | ウィンドウズ, Linux, マック | 南カリフォルニア大学 | http://brainsuite.org/processing/surfaceextraction/bse/ |
表4:脳MR前処理および頭蓋骨ストリッピングに広く使用されているオープンソフトウェアのリスト。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
要約すると、(1)開いたツール(2)変形可能なテンプレートモデルを用いた個々の形状再構成を用いたMR画像セグメンテーション、(3)定量形状差など、脳構造の形状解析のためのソフトウェアパイプラインについて説明した。テンプレートモデルとの推移的形状対応による測定。誤発見率(FDR)補正下での統計的分析は、神経病理学的プロセスに関連する脳構造の形態学的変化の有意性を調べるために形状変形を用いて行われる。
モデリング パイプラインは、社内ツールを内部的に使用して、サブジェクト イメージからテンプレート モデルを構築します。テンプレート構築の手順は次のとおりです: (i) 被験者画像の反復的な配置を介してグループ平均マスクを計算し、各反復で進化する平均画像にします。(ii) マーチングキューブ法20を使用して、平均マスクから 3D サーフェス メッシュを生成します。(iii) ACVD ツール(https://www.creatis.insa-lyon.fr/site/en/acvd.html)を使用してメッシュ リサンプリングを使用してサーフェス メッシュをリサンプリングします。テンプレート モデルの番号は、ShapeModeling プラグインで設定できます。
個々の形状再構成は、プログレッシブ テンプレート変形法に基づいています。この方法を使用すると、テンプレート モデルをイメージ境界に伝播することで、テンプレート モデルの幾何学的歪みを最小限に抑えながら、個々のシェイプの詳細を復元できます。変形方法は、球面トポロジを持つ構造物に限定されます。この制限に対して、視床間接着による穴を有する脳第3心室の形状モデリングにおいて構造特異的制約を導入した。ただし、構造固有の制約は、現在のバージョンのソフトウェアではサポートされていません。
個別化された形状モデルは、一般化プロクラステスアルゴリズム19を使用して共通空間に位置合わせされる。ここでは、形状モデルの正規化に類似性変換(等方性スケール、平行移動、回転)を使用します。ローカル形状の違いは、個々のサーフェス モデルの対応する頂点とその平均シェイプ モデル間の変位ベクトルによって決まります。各頂点の形状変形は、平均モデルの頂点法線に投影される変位ベクトルの符号付きユークリッドノルムとして計算されます。統計形状解析の詳細な手順は、こちら5にあります。
形状モデリングの精度評価では、ダイス係数、平均距離、およびハウドルフ距離の3つのメトリックを使用します。ダイス係数は、再構築されたモデルとターゲットセグメンテーションマスクの間の体積の重複を表します。平均距離はそれらの間の平均距離であり、ハウスドルフ距離はそれらの間の最大距離です。距離が短く、ダイス係数が高いほど精度が高くなります。海馬研究5では、ダイス係数は0.85-0.9、平均距離は約0.3mm、ハウスドルフ距離は2mmであった。ただし、これらの結果は、ターゲット構造の体積と形状の詳細によって異なります。体積差と表面粗さは、精度と形状品質5の指標として使用することができます。
使いやすくするために、Matlab スクリプトをまとめて配布し、リスト ファイルを生成し、各ステップのコマンド ライン ツールを実行します。現在、Linux、MacOS、および Windows でツールをテストしています。社内ソフトウェアの重要性は、テンプレートベースの形状モデリングと測定のために完全に自動化されているということです。加齢およびアルツハイマー病集団の様々なデータセットでその堅牢性と精度を検証しました5.さらに、異なるヒト臓器に形状モデリング法を用いたアプローチも多い。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者らは、利益相反がないことを宣言する。
Acknowledgments
この研究は、国立韓国研究財団(PIとしてJP)から資金提供を受けています。JKは慶北大学校研究基金から資金提供を受けています。MCVHは、ロウ・フォゴ慈善信託とエディンバラ王立協会から資金提供を受けています。海馬のセグメンテーションは、英国エジンバラの臨床脳科学センターでカレン・ファーガソン博士によって書かれた社内ガイドラインから適応されました。
Materials
| Name | Company | Catalog Number | Comments |
References
- Costafreda, S. G., et al. Automated hippocampal shape analysis predicts the onset of dementia in mild cognitive impairment. NeuroImage. 56 (1), 212-219 (2011).
- Platero, C., Lin, L., Tobar, M. C. Longitudinal Neuroimaging Hippocampal Markers for Diagnosing Alzheimer's Disease. Neuroinformatics. , 1-19 (2018).
- Valdés Hernández, M. D. C., et al. Rationale, design, and methodology of the image analysis protocol for studies of patients with cerebral small vessel disease and mild stroke. Brain and behavior. 5 (12), e00415 (2015).
- Kalmady, S. V., et al. Clinical correlates of hippocampus volume and shape in antipsychotic-naïve schizophrenia. Psychiatry Research: Neuroimaging. 263, 93-102 (2017).
- Kim, J., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Hippocampal Shape Modeling Based on a Progressive Template Surface Deformation and its Verification. IEEE Transactions on Medical Imaging. 34 (6), 1242-1261 (2015).
- Kim, J., et al. 3D shape analysis of the brain's third ventricle using a midplane encoded symmetric template model. Computer Methods and Programs in Biomedicine. 129, 51-62 (2016).
- Kim, J., Ryoo, H., Valdés Hernández, M. D. C., Royle, N. A., Park, J. Brain Ventricular Morphology Analysis Using a Set of Ventricular-Specific Feature Descriptors. International Symposium on Biomedical Simulation. , 141-149 (2014).
- Valdés Hernández, M. D. C., et al. Hippocampal morphology and cognitive functions in community-dwelling older people: the Lothian Birth Cohort 1936. Neurobiology of Aging. 52, 1-11 (2017).
- Lee, P., Ryoo, H., Park, J., Jeong, Y. Morphological and Microstructural Changes of the Hippocampus in Early MCI: A Study Utilizing the Alzheimer's Disease Neuroimaging Initiative Database. Journal of Clinical Neurology. 13 (2), 144-154 (2017).
- Cox, S. R., et al. Associations between hippocampal morphology, diffusion characteristics, and salivary cortisol in older men. Psychoneuroendocrinology. 78, 151-158 (2017).
- 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 (1), 87-97 (1998).
- Tustison, N. J., et al. N4ITK: improved N3 bias correction. IEEE Transactions on Medical Imaging. 29 (6), 1310-1320 (2010).
- Zhang, Y., Brady, M., Smith, S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging. 20 (1), 45-57 (2001).
- Wardlaw, J. M., et al. Brain aging, cognition in youth and old age and vascular disease in the Lothian Birth Cohort 1936: rationale, design and methodology of the imaging protocol. International Journal of Stroke. 6 (6), 547-559 (2011).
- Morey, R. A., et al. A comparison of automated segmentation and manual tracing for quantifying hippocampal and amygdala volumes. NeuroImage. 45 (3), 855-866 (2009).
- Boccardi, M., et al. Survey of protocols for the manual segmentation of the hippocampus: preparatory steps towards a joint EADC-ADNI harmonized protocol. Journal of Alzheimer's Disease. 26 (s3), 61-75 (2011).
- Winterburn, J., et al. High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging. Journal of Visualized Experiments. (105), e51861 (2015).
- MacLullich, A., et al. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 59 (2), 169-174 (2002).
- Gower, J. C. Generalized Procrustes analysis. Psychometrika. 40 (1), 33-51 (1975).
- Lorensen, W. E., Cline, H. E. Marching cubes: A high resolution 3D surface construction algorithm. ACM Siggraph Computer Graphics. , 163-169 (1987).
