Automatische segmentatie van corticale grijze stof van MRI T1-gewogen beelden
Summary
Dit protocol beschrijft het proces van zeven verschillende automatische segmentatie tools op structurele T1-gewogen MRI-scans om af te bakenen grijze stof-regio’s die kunnen worden gebruikt voor de kwantificering van grijze stof volume toe te passen.
Abstract
In onderzoek neuroimaging, een aantal recente studies hebben gesproken over het effect van tussen-studie verschillen in volumetrische bevindingen die voortvloeien uit het gebruik van verschillende segmentatie tools voor het genereren van hersenen volumes worden gedacht. Hier, worden verwerking pijpleidingen voor zeven geautomatiseerde hulpmiddelen die kunnen worden gebruikt om het segment van de grijze stof in de hersenen gepresenteerd. Het protocol biedt een eerste stap voor onderzoekers gericht op het vinden van de meest nauwkeurige methode voor het genereren van grijze stof volumes van T1-gewogen MRI-scans. Stappen te ondernemen gedetailleerde visuele kwaliteitscontrole zijn ook opgenomen in het manuscript. Dit protocol bestrijkt een scala van potentiële segmentatie tools en moedigt gebruikers aan om te vergelijken van de prestaties van deze hulpmiddelen binnen een subset van de gegevens voordat een toe te passen op een volledige cohort te selecteren. Bovendien, het protocol kan verder worden veralgemeend naar de segmentatie van andere hersengebieden.
Introduction
Neuroimaging wordt veel gebruikt in zowel klinische en onderzoek instellingen. Er is een huidige zet om de reproduceerbaarheid van studies die hersenvolume van magnetische resonantie beeldvorming (MRI) scans kwantificeren; het is dus belangrijk dat onderzoekers ervaringen met het gebruik van beschikbare MRI hulpmiddelen delen voor het segmenteren van MRI-scans in regionale volumes, de normalisatie en de optimalisering van de methoden1te verbeteren. Dit protocol biedt een stapsgewijze gids voor het gebruik van zeven verschillende hulpmiddelen om te segmenteren van de corticale grijze stof (CGM; grijze stof die uitsluit van subcorticale regio’s) van T1-gewogen MRI-scans. Voorheen werden deze hulpprogramma’s gebruikt in een methodologische vergelijking van segmentatie methoden2, die aangetoond variabele prestaties tussen tools op een cohort van de ziekte van Huntington. Aangezien de prestaties van deze tools is gedacht om te variëren tussen verschillende datasets, is het belangrijk voor onderzoekers om te testen een aantal hulpmiddelen voor het selecteren van slechts één toe te passen op hun dataset.
Volume van de grijze stof (GM) wordt regelmatig gebruikt als een maatregel van de morfologie van de hersenen. Volumetrische maatregelen zijn over het algemeen betrouwbaar en kunnen onderscheid maken tussen gezonde controles en klinische groepen3. De hoeveelheid verschillende weefseltypes (HLA) van hersengebieden wordt meestal berekend met behulp van geautomatiseerde softwaretools waarmee deze weefseltypes (HLA). Zo is maken hoge kwaliteit afbakeningen (segmentaties) van de GM, nauwkeurige afbakening van de witte stof (WM) en de cerebrospinale vloeistof (CSF) kritisch in het bereiken van de nauwkeurigheid van de GM-regio. Er zijn een aantal geautomatiseerde hulpmiddelen die kunnen worden gebruikt voor het uitvoeren van GM segmentatie, en elk zijn er verschillende stappen nodig en resulteert in een verschillende output. Een aantal studies de hulpprogramma’s hebt toegepast op verschillende datasets te vergelijken met elkaar, en sommige hebben geoptimaliseerd specifieke hulpmiddelen1,4,5,6,7,8 ,9,10,11. Vorige werk heeft aangetoond dat de variabiliteit tussen de volumetrische tools leiden inconsistenties binnen de literatuur tot kan bij de studie van de hersenvolume, en deze verschillen hebben gesuggereerd als drijvende factoren voor valse conclusies over neurologische aandoeningen1.
Onlangs, een vergelijking voor verschillende segmentatie tools in een cohort dat zowel de gezonde controle deelnemers en de deelnemers met de ziekte van Huntington opgenomen werd uitgevoerd. De ziekte van Huntington is een genetische neurodegeneratieve ziekte met een typische begin in volwassenheid. Geleidelijke atrofie van subcorticale en CGM is een prominente en goed bestudeerde neuropathologische kenmerk van de ziekte. De resultaten aangetoond variabele prestaties voor zeven segmentatie tools die zijn toegepast op de cohort, ondersteuning van eerdere werk dat aangetoond variabiliteit in bevindingen afhankelijk van de software die wordt gebruikt voor het berekenen van de hersenen volumes van MRI-scans. Dit protocol biedt informatie over de verwerking gebruikt in Johnson et al. (2017) 2 dat zorgvuldige methodologische selectie van de meest geschikte instrumenten voor gebruik in neuroimaging moedigt. Deze handleiding heeft betrekking op de segmentatie van GM volume maar heeft geen betrekking op de segmentatie van letsels, zoals gezien bij multiple sclerose.
Protocol
Representative Results
Discussion
Recent heeft onderzoek aangetoond dat het gebruik van verschillende methoden van de volumetrische kan belangrijke gevolgen hebben voor neuroimaging studies1,2. Door protocollen voor webpublicaties die gids beginnende gebruikers in het toepassen van verschillende neuroimaging tools, evenals het uitvoeren van QC op de output van de resultaten door deze hulpprogramma’s helpen, kunnen onderzoekers de beste methode toe te passen op hun dataset selecteren.
<p class…Offenlegungen
The authors have nothing to disclose.
Acknowledgements
Wij willen iedereen bedanken die bij de CHDI/hoge Q Foundation verantwoordelijk voor de studie van de TRACK-HD; in het bijzonder, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer en Sherry Lifer. De auteurs ook wil hun dankbaarheid aan de TRACK-HD studiedeelnemers en hun families. Dit werk werd uitgevoerd op UCLH/UCL, die een deel van de financiering ontvangen van het ministerie van gezondheid-Rijksinstituut voor onderzoek biomedisch onderzoek gezondheidscentra financieringsprogramma. S.J.T. erkent dat ondersteuning van het Nationaal Instituut voor gezondheidsonderzoek door middel van de dementie en neurodegeneratieve onderzoeksnetwerk, DeNDRoN.
Onderzoekers van de TRACK-HD:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australië; A. Coleman, R. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Canada; A. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Instituut, Parijs, Frankrijk; N. Bechtel, S. Bohlen, R. Reilmann, Universiteit van Münster, Münster, Duitsland; B. Landwehrmeyer, Universiteit van Ulm, Ulm, Duitsland; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ‘t Hart, R. A. Roos, Leids Universitair Medisch centrum, Leiden, Nederland; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universiteit van Manchester, Manchester, Verenigd Koninkrijk; D. M. Cash, IXICO, London, Verenigd Koninkrijk; H. Crawford, N. C. Fox, Gregory S., G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. lezen, M. J. Say, D. Whitehead, E. Wild, University College London, London, Verenigd Koninkrijk; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londen, Verenigd Koninkrijk; E. Axelson, H. J. Johnson, D. Langbehn, Universiteit van Iowa, IA, Verenigde Staten; en S. Queller, C. Campbell, Indiana universiteit, IN, Verenigde Staten.
Referenzen
- 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).
