Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Eileanoir B. Johnson; Rachael I. Scahill; Sarah J. Tabrizi

doi:10.3791/58198

Kortikal gri cevherde T1 ağırlıklı MRG görüntülerden otomatik bölümleme

JoVE Journal
Neuroscience

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Journal Neuroscience

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

Kortikal gri cevherde T1 ağırlıklı MRG görüntülerden otomatik bölümleme

Full Text

9,438 Views

06:48 min

January 7, 2019

DOI: 10.3791/58198-v

Eileanoir B. Johnson¹, Rachael I. Scahill¹, Sarah J. Tabrizi¹

¹Huntington's Disease Research Centre,UCL Institute of Neurology

Please note that some of the translations on this page are AI generated. Click here for the English version.

Overview

This protocol outlines a method for applying seven different automated segmentation tools to structural T1-weighted MRI scans. The goal is to delineate grey matter regions, facilitating the quantification of grey matter volume, which can aid in understanding group differences in cortical volume between non-clinical and clinical populations.

Key Study Components

Area of Science

Neuroimaging
Neurology
Brain segmentation analysis

Background

Investigates cortical volume differences across populations.
Utilizes automated segmentation techniques for efficiency.
Emphasizes the importance of Visual Quality Control for accuracy.
Demonstrates segmentation performance of various tools.

Purpose of Study

To provide a reliable method for quantifying grey matter volume.
To facilitate non-invasive monitoring of brain volume changes.
To compare segmentation outcomes of multiple tools for precision.

Methods Used

SPM software in MATLAB is used for segmentation tasks.
T1-weighted MRI scans serve as the primary data source.
Multiple segmentation techniques are tested for efficiency.
Visual Quality Control protocols are applied to validate results.

Main Results

Found variability in segmentation accuracy across different tools.
Emphasized the necessity of performing Visual Quality Control.
Noted specific instances of successful and unsuccessful regional delineation.
Concluded that careful testing of tools influences quality outcomes.

Conclusions

Demonstrates a comprehensive approach to grey matter volume quantification.
Highlights the importance of tool selection and quality control.
Provides groundwork for future research on brain volume changes without invasive methods.

Frequently Asked Questions

What are the advantages of this segmentation method?

This method offers automated processing, enabling multiple scans to be analyzed efficiently and with precision, reducing human error.

How is Visual Quality Control implemented?

Visual Quality Control involves comparing segmented regions against original scans to ensure accurate delineation, which is essential for reliable results.

What is the significance of using SPM software?

SPM software provides a robust platform for neuroimaging analysis, facilitating segmentation tasks and enabling the use of various automated tools.

How do differences in tool performance affect research outcomes?

Differences in segmentation tool accuracy can impact the biological conclusions drawn from the data, emphasizing the need for careful methodology selection.

Can this method be adapted for other types of imaging?

While optimized for T1-weighted MRI scans, the principles of this segmentation approach can be adapted for other imaging modalities with proper calibration.

What limitations should researchers consider?

Researchers must account for potential biases in segmentation accuracy and the importance of thorough Visual Quality Control to address any inconsistencies.

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 yöntem nörogörüntüleme ve nöroloji alanlarındaki temel sorulara cevap verebilir. Klinik olmayan ve klinik popülasyonlar için kortikal hacimde grup farklılıkları olup olmadığı gibi. Bu tekniğin en büyük avantajı, araştırmacıların verileri için en iyi aracı kullanmalarını sağlamasıdır.

Başlamak için, önce bir MATLAB komut penceresi açarak ve komut satırına SPM yazarak SPM yazılımını açın. Daha sonra, birleşik segmentasyon gerçekleştirmek için, yapısal MRI araç kutusunu açmak için PET VBM'yi seçin. Şimdi, aynı anda birden fazla taramada segmentasyon gerçekleştirmek için toplu düzenleyiciyi açın.

SPM, Uzamsal ve Segment'i seçin, ardından Veriler'i seçin, Dosyalar'ı seçin ve Giriş olarak T1 Ağırlıklı taramaları seçin. Ardından, Çıktı Dosyaları, Gri Madde'yi tıklatın ve Yerel Alan'ın seçildiğinden emin olun ve bunu Beyaz Madde için yineleyin. BOS bölümlemesi gerekli değilse, bu kümeyi Yok'a bırakın.

Taramalar zaten Sapma Düzeltildiyse, bu seçeneği Düzeltilmiş Kaydet'i Yapma olarak değiştirin. Ardından tüm bölümleri temizleyin ve tam çözümlemesi çalıştırmadan önce üç seçeneği de test edin. Şimdi, diğer ayarları varsayılan olarak ayarlanmış bırakın ve segmentasyon çalıştırmak için yeşil bayrak tıklayın.

MATLAB penceresi, segmentasyon tamamlandığında Bitti diyecektir. Son olarak, ortaya çıkan Gri Madde NIfTI dosyasında Görsel Kalite Kontrolü gerçekleştirin. Yeni Segment seçeneğini SPM 8'de gerçekleştirmek için, toplu iş düzenleyicisini açmadan önce PET VBM'yi seçin.

Ardından SPM, Tools, New Segment'i seçin ve kullanılacak NIfTI formatındaki T1 resim dosyalarını seçin. Yerel Doku Türü seçeneğini Yerel Alan'a ayarlayın ve gerekli olmayan Doku Sınıflarını kapatın. Ayrıca Çözgü Doku kapatın, sonra segmentasyon çalıştırmak ve tamamlandığında Görsel Kalite Kontrolü gerçekleştirmek için yeşil bayrak tıklayın.

SPM 12'de segmentasyon gerçekleştirmek için pet VBM tuşuna tekrar basın ve toplu düzenleyiciyi açın. Ardından SPM, Uzamsal Segment ve Veri Birimleri'ni seçin. Sonra Yerli Uzay Doku Tipi seçin ve gereksiz Doku Sınıfları kapatın.

Çarpık Doku'yu Yok'a ayarlayın ve yeşil bayrağı tıklatın. Segmentasyon tamamlandıktan sonra, yine bu protokolün bir sonraki bölümünde ayrıntılı olarak Görsel Kalite Denetimi gerçekleştirmek için emin olun. FSLeyes kullanılarak Görsel Kalite Kontrol yapılabilir.

Terminal penceresini açarak başlayın, ardından terminale FSLeyes yazarak FSLeyes'i açın. Ardından Dosya, Dosyadan Ekle'yi seçin ve görüntülemek için özgün T1 ve bölümlenmiş bölgeleri seçin. FSLeyes açıldıktan sonra, altta yatan T1 görüntüsünün görselleştirilmesine izin vermek için opaklık geçişini kullanın.

Ayrıca, üst bölmedeki renk açılır sekmesi aracılığıyla gerektiğinde segmentasyon kaplamasının rengini değiştirin. Şimdi, beyindeki her dilimde ilerleyin ve her birini kontrol edilen bölgede alt veya aşırı tahmin bölgeleri olup bittiğini kontrol edin. Görsel Kalite Kontrol bu işlem için önemli bir adımdır.

Parçalı bölgelerinizi orijinal T1 taramaile karşılaştırarak, bölgelerinizin yüksek kalitede olduğundan ve sonuçlarınızın biyolojik olarak doğru olduğundan emin olabilirsiniz. Freeview kullanarak FreeSurfer verilerinin Görsel Kalite Kontrolünü gerçekleştirmek için bir terminal penceresi açın ve işlenmiş FreeSurfer çıktısını içeren konu klasörüne dizin değiştirin. Ardından, T1'in üzerine konan hacimsel gri madde bölgesini görüntülemek için ekranda görülen komutu buraya yazın. Yine, beyindeki her dilimde ilerleyin ve denetlenen beyin bölgesi için altında veya aşırı tahmin bölgeleri olup yok.

Burada, T1 tcan'da görüntülenen başarısız bir segmentasyon örneğini görüyoruz. Bu segmentasyon yeniden işlenmeli ve geliştirilemiyorsa çözümlemenin dışında tutulmalıdır. Bu şekil, T1 tcan üzerinde temporal lob üzerinde farklı araçların performans örnekleri gösterir.

Burada iyi bir bölgesel çizgi örnekleri görülürken, sol ve sağ temporal loblarda dökülme gösteren kötü bölgesel çizgi örnekleri burada gösterilmiştir. Bu şekil, T1 tcan'daki oksipital lobdaki farklı araçların performansından örnekler gösterir. Burada t1 taramaiyi bir bölgesel açıklama örneği ile görmek, burada medial dura dökülme gösteren, kötü bir bölgesel çizgi örneği ise.

Burada dura dökülen gri madde bölgesinin bir örneğini görüyoruz, mavi bölge tarafından vurgulanıyor. Bu şekil, korteksin bölgelerini segmentasyondan dışlayan ve en iyi eksenel görünümde gösterilen gri madde bölgesinin bir örneğini gösterir. Bu yordamı denerken, verilerinizde farklı araçları test etmeyi ve işlem taramalarında Görsel Kalite Denetimi gerçekleştirmeyi unutmamanız önemlidir.

Bu teknik, geliştirildikten sonra, nörogörüntüleme araştırmacılarının invaziv testlere gerek kalmadan zaman içinde beyin hacmindeki değişiklikleri incelemelerinin önünü açtı.

View the full transcript and gain access to thousands of scientific videos