A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
Bu iletişim kuralı gri madde birim miktar için kullanılan gri cevherde bölgeleri betimlemek için yapısal T1 ağırlıklı MRG taramaları için yedi farklı otomatik bölümleme araçları başvuru süreci açıklar.
Nörogörüntüleme araştırma içinde son yıllarda yapılan çalışmalarda bir dizi beyin birimler oluşturmak için farklı segmentasyon araçları kullanımı sonucu düşünülen hacimsel bulgular çalışma arasındaki farklılıkları etkisini tartıştık. Burada, beynin içinde gri cevherde segmentlere ayırmak için kullanılan yedi otomatik araçlar için işleme boru hatları sunulmuştur. İletişim kuralı gri madde birimleri T1 ağırlıklı MRG taramaları üretmek için en doğru yöntemi bulmak için amaçlayan araştırmacılar için bir ilk adım sağlar. Detaylı görsel kalite kontrol üstlenmek için adımları ayrıca el yazması dahil edilir. Bu iletişim kuralı potansiyel segmentasyon araçları bir dizi kapsar ve kullanıcılar için tam bir kohort uygulamak için bir seçmeden önce bu araçları içinde onların verilerin bir alt kümesini performansını karşılaştırmak için teşvik eder. Ayrıca, protokol daha da diğer beyin bölgeleri ayrılmasını jeneralize.
Beyin görüntüleme ayarları araştırma ve klinik hem de yaygın olarak kullanılır. Beyin manyetik rezonans görüntüleme (MRG) inceden inceye gözden geçirmek birimden ölçmek çalışmalar tekrarlanabilirlik geliştirmek için geçerli bir hareket olduğunu; Böylece, müfettişler standardizasyon ve optimizasyon yöntemleri1geliştirmek için bölgesel birime, MRI taramaları segmentlere için kullanılabilir MRI araçlarını kullanarak deneyimlerini paylaşmak önemlidir. Bu iletişim kuralı, T1 ağırlıklı MRG taramaları kortikal gri madde (CGM; gri cevherde subcortical bölgeleri hariç) segmentlere ayırmak için yedi farklı araçları kullanarak bir adım adım kılavuz sağlar. Bu araçları daha önce bir Huntington hastalığı kohort araçları arasında değişken performans gösterdi bölümleme yöntem2, metodolojik karşılaştırılması kullanılmaya başlanmıştır. Performans bu araçların farklı veri kümeleri arasında farklılık olduğu düşünülen olduğundan, araştırmacılar onların veri kümesine uygulamak için sadece bir seçmeden önce bir dizi araç test etmek için önemlidir.
Gri madde (GM) hacmi düzenli olarak beyin morfoloji bir önlem olarak kullanılır. Hacimsel önlemleri genellikle güvenilir ve sağlıklı kontrol ve klinik gruplar3arasında ayrımcılık mümkün vardır. Beynin farklı doku türlerine hacmi en sık bu doku türlerini belirlemek otomatik yazılım araçları kullanılarak hesaplanır. Böylece, yüksek kaliteli çizilmesi (segmentations) GM, beyaz madde (WM) ve beyin-omurilik sıvısı (BOS) doğru tarif GM bölge doğruluğunu ulaşmada kritik oluşturmaktır. GM segmentasyon gerçekleştirmek için kullanılabilir otomatik araçları vardır ve her farklı işleme adımları gerektirir ve farklı bir çıkış içinde sonuçlanır. Çalışmalar bir dizi araçları onları bir diğer karşılaştırmak için farklı veri başvuran ve bazı özel araçlar1,4,5,6,7,8 optimize ,9,10,11. Önceki çalışma değişkenlik hacimsel araçlar arasında tutarsızlıklar edebiyatı içinde beyin hacmi okurken neden olabilir ve bu farklar hakkında çizilmiş olması yanlış sonuçlar için faktörler sürüş olarak önerilmiştir göstermiştir nörolojik koşulları1.
Son zamanlarda, farklı segmentasyon araçları sağlıklı kontrol katılımcılar ve Huntington hastalığı ile katılımcılar dahil bir kohort bir karşılaştırma gerçekleştirildi. Huntington hastalığı yetişkinlikte bir genetik nörodejeneratif hastalık ile tipik bir başlangıcı var. Subcortical, kademeli atrofi ve CGM hastalığın önemli ve iyi okudu neuropathological özelliği. Sonuçları destekleyen bulgular beyin MRI taramaları birimlerden hesaplamak için kullanılan yazılım bağlı olarak değişkenlik gösterdiği önceki çalışma kohort uygulanan yedi segmentasyon araçları değişken performans gösterdi. Bu iletişim kuralı Johnson ve ark. içinde kullanılan işleme hakkında bilgi sağlar (2017) nörogörüntüleme kullanmak için en uygun araçları dikkatli metodolojik seçim teşvik eden 2 . Bu kılavuz GM birim ayrılmasını kapsayan daha fazla fakat bu multipl skleroz görmüş gibi lezyonlar ayrılmasını kapsamaz.
Not: tüm görüntüleri NifTI biçiminde olduğundan emin olun. Dönüştürme NifTI için burada kapsamında değildir.
1. segmentasyon üzerinden SPM 8: Segment birleştirilmiş
Not: Bu yordam Matlab içinde faaliyet gösteren SPM8 GUI üzerinden gerçekleştirilir. SPM8 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.
2. segmentasyon SPM 8 üzerinden: yeni Segment
Not: Bu yordam SPM8 GUI gerçekleştirilir. SPM8 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. SPM8 yüklü ve yazılım yolunu ayarlamak emin olun. Genellikle bir komut satırında "spm" yazarak gerçekleştirilen SPM yazılımını açın. Bu analizi yapmak için seçilen seçenekleri bir dizi grafik kullanıcı arabirimi (GUI) penceresini açar.
3. segmentasyon SPM 12 üzerinden: Segment
Not: Bu yordam gerçekleştirilen üzerinden SPM12 GUI gerçekleştirilir. SPM12 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.
4. segmentasyon FSL hızlı yolu ile
Not: Bu yordam komut satırında yapılır. FSL kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.
5. segmentasyon FreeSurfer üzerinden
Not: Bu yordam komut satırında yapılır. FreeSurfer kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: https://surfer.nmr.mgh.harvard.edu/.
6. karıncalar ile segment oluşturma
Not: Bu yordam komut satırında yapılır. Diğer araçlar ve bu yordamı burada açıklanmıştır unutulmamalıdır daha daha karmaşık bir yazılım daha fazla her kohort sonuçlarını iyileştirmek optimize karıncalar var. Karıncalar belgeler bulunabilir: http://stnava.github.io/ANTsDoc/. Görüntüleri aşağıda açıklandığı gibi doku sınıfları kesimi için iki yolu vardır.
7. segmentasyon aracılığıyla SONDAYI-EM
8. görsel kalite kontrol
Not: Görsel kalite kontrol analizinde kullanılan için tüm kesimlere ayrılmış bölge yapılmalıdır. Kalite kontrol segmentations yüksek standartta ve temsil CGM güvenilir ayrılmasını sağlar. Kalite kontrolü yapmak, her tarama açıldı ve CGM üzerinde tarama görünür oluşturulan bölgesine karşılaştırmak için özgün T1 üzerinde overlaid.
Ortalama beyin birimleri demografik bilgilerle birlikte 20 denetim katılımcılar için Tablo 1' de gösterilir. Bu araçları kullanırken beklenen değerler için bir rehber olarak davranır. Sonuçları Orijinal T1.nii görüntü bağlamda bakılmalıdır. Tüm GM bölgeler 8 bölümünde açıklanan adımları göre kontrol edilmelidir. Görsel QC işlemi gerçekleştirirken doğrudan onları T1 üzerinde overlaid görüntüleyerek T1 tarama GM bölgelerine karşılaştırmak önemlidir.
Bölgeler için brüt hataları Şekil 1' de gösterildiği gibi reddetti. Bazen bu hataları neden işleminin hatalı olarak çalıştırıldığı yoksa beyin kötü görüş alanı içinde yerleştirildi. Bu hataları düzeltmek için yerel T1 inceden inceye gözden geçirmek-ebilmek var olmak için standart alan katı biçimde yeniden hizalanmış ve segmentasyon yeniden teşebbüs olabilir. Hata oranı kalitesi veri ve kullanılan araçlar, hem de başarısızlık sınıflandırılması bağlı olarak değişir. Çalışmada, < %5 tüm araçları için başarısızlık oranları ret içinde kaynaklanan toplam başarısızlık vardı ama daha az önemli hataları sürekli araçlar bir dizi genelinde görüldü. FSL hızlı, SPM 8 yeni Segment ve FreeSurfer hatalar (ancak değil hataları) > % 50'si inceden inceye gözden geçirmek içinde bu kohort için vardı. Bu hata oranı beklenen bölgelerden, makul bir hareket olarak görülüyordu rakamlar 2-6' da gösterildiği gibi dahil hatalı görsel QC işlemi sırasında alınan notlar inceleyerek sayısal. Bu araçlar diğer veri kümeleri ve sonuç çok daha düşük hata oranları 3,8doğrulandıktan unutmamak gerekir. Bu veri kümesi için daha düşük bir hata oranı SPM yeni Segment ve sonda-EM sonuçlandı bu yana bu hatalar muhtemelen el ile müdahale veya beyin çıkarma, bir maskesini eklenmesi ile gelişmiş olabilir iken, bu araçlar yerine kullanılacak. Maskeleri işleme karıncalar ve sonda-EM içinde ve sonrasında işleme SPM (tüm sürümler) ve FSL ilk önce uygulanır.
Daha fazla küçük hataları rakamlar 2-6' da gösterilmiştir. Bir veri kümesi uygulamadan önce tüm kohort için farklı segmentasyon araçları test ederek, en iyi o veri kümesinde sergiliyor aracı analiz için seçilebilir. QC işlemi sırasında bir yordam reddetmek, düzenlemek veya segmentations kabul etmek seçtiğiniz için geliştirilmelidir. Sık karşılaşılan hatalar için yedi araçları gördün burada, Şekil 2-6' da gösterilen örneklerle açıklanmaktadır. Segmentasyon bu tür hatalar genellikle işlem akışı veya bölgeler düzenleme maskeli ilavesi ile düzeltilebilir. Ancak, bölgeler ile geniş bitti - veya altında - estimation korteksin analizinden reddedilmesi gerekir. Sıkı kriterleri gelişmiş edilecek ve bu karar verirken takip. Bu adımlar bu protokol kapsamında değildir ve dataset nesnesinden veri kümesine göre değişir.
Bu en tutarlı hatalarını göster alanları olarak genellikle, görsel QC gerçekleştirirken, zamansal ve oksipital bölgeleri, özellikle dikkat ki. Şekil 2 iyi ve kötü zamansal segmentations örnekleri gösterir ve Şekil 3 iyi ve kötü oksipital segmentations örnekleri gösterir. Şekil 4 -beyin doku beyin üstün dilimler halinde CGM sınıflandırılır, tüm araçlarda oluşan başka bir ortak sorun gösterir. Şekil 5 başka bir sorunu segmentations CGM bölgelerinde ayrılmasını nerede tutulur bir dizi görüldüğü görüntüler. Bu kez Şekil 5' te görüldüğü gibi beyin, üstün dilimler halinde oluşur.
SPM8 birleştirilmiş Segment sık temporal loblar çevreleyen olmayan beyin dokusu içine dökülmesini kesimli GM bölgesi olan zavallı zamansal tarif içinde sonuçlandı. Oksipital lob içine dökülme, frontal lob da bölgeler sayısında görülen altında tahmini süre yaygındır. SPM8 yeni segment için zavallı zamansal tarif ve oksipital dökülme de yaygındı. SPM bu sürümünü kullanarak da voxels kafatası ve GM neredeyse tüm segmentations içinde gizli dura içinde sonuçlanır. SPM12 temporal lob segmentations geliştirilmiş ve daha az dökülme diğer bölgelerdeki SPM,'önceki sürümleriyle karşılaştırıldığında geliştirilmiş. Karıncalar bu kohort segmentasyon kalitesini belirleyen ilk beyin çıkarma ile son derece değişken performans gösterdi. Dış sınırları özellikle dikkat önemlidir ve beyin ayıklama karıncalar kullanarak zavallı ise, o zaman Atropos komutunu dahil beyin maskesi geliştirilebilir. Zamansal ve oksipital lob GM aşırı tahmini ile ilgili sorunlar daha yaygındı. SONDA-EM zamansal ve oksipital lob aşırı tahmini ile daha az sorunları gösterdi; olmasına rağmen bir dizi davayı korteksin altında tahmin. Bu boru hattı beyin maskeli eklenmesi tarafından geliştirilebilir. FSL hızlı segmentations bahis beyin çıkarma bu kohort veriler üzerinde değişken performansı nedeniyle son derece değişken. Yine, oksipital ve temporal loblar içindeki sorunları ortak vardı; Ancak, bunlar beyin ayıklama optimizasyonu ile geliştirilebilir. Son olarak, FreeSurfer hacimsel bölgeler genellikle GM dış sınırları (Şekil 6) içinde bazı bölümlerine hariç GM/CSF sınır boyunca sıkı çoğu kez. Diğer araçlarla gibi zamansal ve oksipital lob içinde dökülme GM dışında yaygındır. Son olarak, Şekil 7 segment içinde hiç hata vardı FSLview görüntülenen iyi bir bölümleme bir örneği gösterilir. Her ne kadar bu burada kapsamında olmayan bölgelerinde el ile düzenleme kez bölgeler, geliştirmek için gerçekleştirilebilir.
Resim 1 : Bir T1 tarama üzerinde görüntülenen bir başarısız bölümleme örneği. Bu bölümleme yeniden işlenen ve geliştirilmiş olamaz analizinden dışarıda. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Resim 2 : Temporal lobda bir T1 tarayarak üzerinde farklı araçlar performans örnekleri. (A) T1 taraması bir bölümleme olmadan. (B) T1 tarama iyi bölgesel tarif (sonda-EM) bir örneği ile. (C) T1 tarama iyi bölgesel tarif (FreeSurfer) bir örneği ile. (D) T1 dökülme sol ve sağ temporal loblar (SPM 8 yeni Segment) gösterilen bir zavallı bölgesel tarif, bir örnek ile tarama. (E) T1 dökülme sol ve sağ temporal loblar içinde (FSL hızlı) gösterilen bir zavallı bölgesel tarif, bir örnek ile tarayın. İnceden inceye gözden geçirmek FSLeyes içinde temel bir görüntü olarak T1 tarama ve bir kaplama olarak GM bölge ile görüntülenebilir. Bu şekilde, GM bölgeler olarak kırmızı-sarı bir opaklığını 0,4 ile görüntülenebilir. Renkli gradyan voxels, daha yüksek bir PVE Tahmini (GM olması muhtemel) ve bir alt PVE Tahmini (daha az GM olma olasılığı) sahip kırmızı olanları daha sarı voxels ile kısmi birim temsil eder. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 3 : T1 tarayarak oksipital lob üzerinde farklı araçlar performans örnekleri. (A) T1 taraması bir bölümleme olmadan. (B) T1 tarama iyi bölgesel tarif (sonda-EM) bir örneği ile. (C) T1 (SPM 8 Unified Segment) bölgesinin orta bölümünde dura içine dökülme ile bir zavallı oksipital lob tarif örneği ile tarayın. (D) T1 dura bölge (SPM 8 yeni Segment) medial ve üstün bölümlerini içine dökülme ile bir zavallı oksipital lob tarif örneği ile tarayın. (E) T1 dura bölge (FSL hızlı) medial ve üstün bölümlerini içine dökülme ile bir zavallı oksipital lob tarif örneği ile tarayın. İnceden inceye gözden geçirmek FSLeyes içinde temel bir görüntü olarak T1 tarama ve bir kaplama olarak GM bölge ile görüntülenebilir. Bu şekilde, GM bölgeler olarak kırmızı-sarı bir opaklığını 0,4 ile görüntülenebilir. Renkli gradyan voxels, daha yüksek bir PVE Tahmini (GM olması muhtemel) ve bir alt PVE Tahmini (daha az GM olma olasılığı) sahip kırmızı olanları daha sarı voxels ile kısmi birim temsil eder. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 4 : Bir GM bölgesi örneği dökülen içine (sagittal, koronal ve Aksiyel görünümlerinde) bir FSLview penceresinde görüntülenen dura. Mavi Bölge dura dökülme vurgulamaktadır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 5 : CGM bölgelerinde segmentasyon hariç bir GM bölgesi örneği. Bu bölge sagittal, koronal ve Aksiyel görünümlerinde bir FSLview penceresinde görüntülenir. Aksiyel görünüm en iyi segmentasyon hariç bölgeleri gösterir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 6 : Örnek FreeView içinde görüntülenen GM/CSF sınır boyunca çok sıkı bir FreeSurfer GM bölgesinin. Top sol en iyi koronal penceresinde bu bölgedeki CGM altında tahmini görüntüler. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 7 : Örnek bir iyi arasındadır sonda-EM bölgesinin T1 beyin taraması. Bölgede hiçbir sorunları ile over - veya altında - estimation CGM, herhangi bir bölgede gösterir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Tablo 1: Demografik bilgileri ve burada açıklanan yedi araçları kullanarak parçalara parça-HD çalışma 20 denetim katılımcı için Ortalama GM birimleri (mL).
Yazarlar ifşa gerek yok.
Bu iletişim kuralı gri madde birim miktar için kullanılan gri cevherde bölgeleri betimlemek için yapısal T1 ağırlıklı MRG taramaları için yedi farklı otomatik bölümleme araçları başvuru süreci açıklar.
Bu parça-HD çalışma için sorumlu CHDI/Yüksek Q Vakfı'nda teşekkür etmek istiyorum; Özellikle, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer ve Sherry Lifer. Yazarlar ayrıca minnettarlıklarını parça-HD çalışmaya katılanların ve onların ailelerine genişletmek istiyorum. Bu eser finansman oranı Sağlık Araştırma Biyomedikal araştırma düzeni finansman merkezleri için Sağlık Bakanlığı'nın Ulusal Enstitüsü'nden alınan UCLH/UCL, yapılmıştır. S.J.T. Sağlık Araştırma yoluyla demans ve nörodejeneratif araştırma ağı, DeNDRoN için ulusal Enstitü destek kabul eder.
PARÇA-HD müfettişler:
C. Campbell, M. Campbell, ı. Labuschagne, C. Milchman, J. Stout, Monash Üniversitesi, Melbourne, VIC, Avustralya; A. Coleman, R. Dar Santos, J. Decolongon, d. R. Leavitt, A. Sturrock, British Columbia Üniversitesi, Vancouver, BC, Kanada; A. Durr, C. Jauffret, ö. Justo, S. Lehericy, C. Marrelli, K. Nigaud, R. Valabrègue, ICM Enstitüsü, Paris, Fransa; N. Bechtel, S. Bohlen, R. Reilmann, Münster Üniversitesi, Münster, Almanya; B. Landwehrmeyer, Ulm Üniversitesi, Ulm, Almanya; S. J. A. van den Bogaard, E. M. Dumas, J. van der alanı, E. P. 't Hart, R. A. Roos, Leiden Üniversitesi Tıp Merkezi'nde, Leiden, Hollanda; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, University of Manchester, Manchester, İngiltere; Ö. M. nakit, IXICO, Londra, İngiltere; H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Namesake, ı. Malone, J. okuma, M. J. Say, D. Whitehead, E. vahşi, University College London, Londra, İngiltere, C. Don, R. Jones, Londra okul hijyen ve tropikal tıp, London, Büyük Britanya; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, Amerika Birleşik Devletleri; ve S. Queller, C. Campbell, Indiana Üniversitesi, Amerika Birleşik DEVLETLERİ'nde.
