Segmentazione automatica di materia grigia corticale da immagini di T1-Weighted MRI
Summary
Questo protocollo descrive il processo di applicazione di sette strumenti di diversa segmentazione automatizzata a scansioni di T1-weighted MRI strutturale di definire le aree di materia grigia che possono essere utilizzati per la quantificazione del volume della materia grigia.
Abstract
Nell’ambito della ricerca di neuroimaging, una serie di studi recenti hanno discusso l’impatto delle differenze tra studi volumetrici risultati che sono pensati per derivare dall’uso di strumenti di diversa segmentazione per generare volumi cerebrali. Qui, la pipeline di elaborazione per sette strumenti automatizzati che possono essere utilizzati per segmentare la materia grigia all’interno del cervello sono presentati. Il protocollo prevede un primo passo per i ricercatori con l’obiettivo di trovare il metodo più preciso per la generazione di volumi di materia grigia da scansioni di T1-weighted MRI. Procedura per intraprendere dettagliata visual controllo di qualità è anche incluse nel manoscritto. Questo protocollo copre una gamma di potenziali strumenti di segmentazione e incoraggia gli utenti a confrontare le prestazioni di questi strumenti all’interno di un sottoinsieme dei propri dati prima di utilizzarlo per applicare a un gruppo completo. Inoltre, il protocollo può essere ulteriormente generalizzato alla segmentazione di altre regioni del cervello.
Introduction
Neuroimaging è ampiamente usato in ambito sia clinico e le impostazioni di ricerca. C’è una mossa attuale per migliorare la riproducibilità degli studi che quantificare il volume del cervello dalle scansioni di risonanza magnetica (MRI); quindi, è importante che gli investigatori condividano le esperienze di utilizzo di strumenti disponibili di MRI per segmentazione esplorazioni di MRI in volumi regionali, per migliorare la standardizzazione e l’ottimizzazione di metodi1. Questo protocollo fornisce una guida dettagliata all’uso di sette diversi strumenti per segmentare la materia grigia corticale (CGM; materia grigia che esclude regioni subcortical) da scansioni di T1-weighted MRI. Questi strumenti sono stati utilizzati in precedenza in un confronto metodologico di segmentazione metodi2, che ha dimostrato prestazioni variabile tra gli strumenti su una coorte di malattia di Huntington. Poiché le prestazioni di questi strumenti sono pensata per variare tra diversi set di dati, è importante per i ricercatori di testare una serie di strumenti prima di scegliere solo uno da applicare al loro set di dati.
Volume della materia grigia (GM) viene regolarmente utilizzato come misura della morfologia del cervello. Misure volumetriche sono generalmente affidabili e in grado di discriminare tra controlli sani e gruppi clinici3. Il volume dei tipi differenti del tessuto di regioni del cervello più spesso viene calcolato utilizzando strumenti software automatici che identificano questi tipi di tessuto. Così, per creare delineazioni di alta qualità (segmentazioni) del GM, precisa delineazione della materia bianca (WM) e del liquido cerebrospinale (CSF) è fondamentale per raggiungere una precisione della regione GM. Ci sono una serie di strumenti automatizzati che possono essere utilizzati per l’esecuzione di segmentazione di GM, e ciascuno richiede passaggi di elaborazione diversi e si traduce in un output diverso. Una serie di studi hanno applicato gli strumenti ai diversi set di dati per confrontarli con un altro, e alcuni hanno ottimizzato strumenti specifici1,4,5,6,7,8 ,9,10,11. Lavoro precedente ha dimostrato che variabilità tra gli strumenti volumetrici può causare incoerenze all’interno della letteratura quando si studia il volume del cervello, e queste differenze sono state suggerite come fattori per false conclusioni circa di guida condizioni neurologiche1.
Recentemente, è stato effettuato un confronto tra strumenti diversa segmentazione in un gruppo che comprendeva sia ai partecipanti sani di controllo e con malattia di Huntington. Malattia di Huntington è una malattia genetica neurodegenerativa con un esordio tipico in età adulta. L’atrofia progressiva del subcortical e CGM è una caratteristica prominente e ben studiata di neuropathological della malattia. I risultati hanno dimostrato prestazioni variabile di sette strumenti di segmentazione che sono state applicate alla coorte, sostenere il lavoro precedente che ha dimostrato di variabilità nei risultati a seconda del software utilizzato per calcolare i volumi di cervello da esplorazioni di MRI. Questo protocollo fornisce informazioni sul trattamento usato in Johnson et al. (2017) 2 che incoraggia metodologica attenta selezione degli strumenti più idonei per l’uso in neuroimaging. Questo manuale copre la segmentazione del volume di GM, ma non copre la segmentazione delle lesioni, come quelli visti nella sclerosi multipla.
Protocol
Representative Results
Discussion
Recentemente, la ricerca ha dimostrato che l’uso di diversi metodi volumetrici può avere importanti implicazioni per gli studi di neuroimaging1,2. Di protocolli di pubblicazione che aiutano gli utenti inesperti di guida a come applicare strumenti di neuroimaging diverso, nonché come eseguire QC sull’output dei risultati di questi strumenti, i ricercatori possono selezionare il metodo migliore da applicare al loro set di dati.
Mentre …
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
Desideriamo ringraziare tutti coloro che sono alla Fondazione Q CHDI/alto responsabile dello studio TRACK-HD; in particolare, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer e Sherry Lifer. Gli autori inoltre desiderano estendere la loro gratitudine per i partecipanti di studio TRACK-HD e le loro famiglie. Questo lavoro è stato intrapreso a UCLH/UCL, che ha ricevuto una parte dei finanziamenti dal Istituto nazionale del dipartimento della salute salute ricerca centri di ricerca biomedica schema di finanziamento. S.J.T. riconosce il sostegno dell’Istituto nazionale per ricerca di salute attraverso le demenze e Neurodegenerative Research Network, DeNDRoN.
Investigatori di TRACK-HD:
C. Campbell, M. Campbell, I. Labate, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; R. Coleman, r. Dar Santos, J. Decolongon, B. R. Leavitt, r. Sturrock, University of British Columbia, Vancouver, BC, Canada; R. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Parigi, Francia; N. Bechtel, S. Bohlen, R. Reilmann, Università di Münster, Münster, Germania; B. Landwehrmeyer, Università di Ulm, Ulm, Germania; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ‘ t Hart, R. A. Roos, Leiden University Medical Center, Leida, Paesi Bassi; N. Arran, J. Callaghan, d. Craufurd, C. Stopford, Università di Manchester, Manchester, Regno Unito; D. M. contanti, IXICO, Londra, Regno Unito; H. Crawford, N. C. Volpe, S. Gregorio, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. Say, d. Whitehead, E. Wild, University College London, Londra, Regno Unito; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londra, Regno Unito; E. Axelson, H. J. Johnson, d. Langbehn, University of Iowa, IA, Stati Uniti d’America; e S. Queller, c. Campbell, Indiana University, IN, Stati Uniti d’America.
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).
