Summary

T1-가중치 MRI 이미지에서 외피 회색 물질의 자동된 분할

Published: January 07, 2019
doi:

Summary

이 프로토콜 구조 T1 가중치 mri 회색 물질 볼륨의 정량화에 대 한 사용할 수 있는 회색 문제 지역 윤곽을 그리 다를 7 다른 자동된 분할 도구를 적용 하는 과정을 설명 합니다.

Abstract

Neuroimaging 연구, 내 최근 연구의 여러 뇌 볼륨을 생성 하기 위해 다른 분할 도구를 사용 하 여 발생할 것으로 생각 되는 체적 연구 결과에서 연구 사이 차이의 영향을 논의 했다. 여기, 회색 물질 두뇌 내의 세그먼트에 사용할 수 있는 7 가지 자동화 된 도구에 대 한 처리 파이프라인 제공 됩니다. 프로토콜 T1 가중치 MRI 검사에서 회색 물질 볼륨을 생성 하기 위한 가장 정확한 방법의 찾을 것을 목표로 하는 연구자는 초기 단계를 제공 합니다. 자세한 시각적 품질 관리를 수행 하는 단계도 원고에 포함 됩니다. 이 프로토콜 잠재적인 세분화 도구의 범위를 커버 하 고 전체 코 호트에 적용할 하나를 선택 하기 전에 그들의 데이터의 하위 집합 내에서 이러한 도구의 성능을 비교 하는 사용자를 장려 한다. 또한, 프로토콜 다른 뇌 영역의 세분화에 더 일반화 될 수 있습니다.

Introduction

Neuroimaging 임상 모두에서 널리 이용 되 고 설정 연구. 뇌 자기 공명 영상 (MRI) 검사;에서 볼륨을 계량 연구의 재현성을 개선 하기 위해 현재 이동이 있다 따라서, 그것은 중요 한 조사 표준화 및 최적화 방법1의 향상 지역 볼륨으로 MRI 검사를 세그먼트에 대 한 사용 가능한 MRI 도구를 사용 하는 경험을 공유. 이 프로토콜 T1 가중치 MRI 검사에서 외피 회색 물질 (CGM; 회색 물질 바꾸어 지역 제외) 세그먼트를 7 가지 도구를 사용 하는 단계별 가이드를 제공 합니다. 이러한 도구 이전 세분화 방법2는 가변 성능 도구는 헌팅턴 병 일대에 사이 증명의 방법론 비교에 사용 되었다. 이러한 도구의 성능을 서로 다른 데이터 집합 마다 다를 것으로 생각 됩니다, 이후 연구자 자신의 데이터 집합에 적용할 하나만 선택 하기 전에 여러 가지 도구를 테스트에 대 한 중요 하다.

회색 물질 (GM) 볼륨은 정기적으로 두뇌 형태학의 측정으로 사용 됩니다. 체적 측정은 일반적으로 안정적이 고 건강 한 컨트롤 임상 그룹3사이 감 별 할 수 있습니다. 뇌 영역의 다른 조직 유형의 볼륨 가장 자주 이러한 조직의 종류를 식별 하는 자동화 된 소프트웨어 도구를 사용 하 여 계산 합니다. 따라서, GM의 고품질 delineations (세그먼트)를 만들려고 백 질 (WM)와 척수 (CSF)의 정확한 묘사가 GM의 정확도에 중요 합니다. GM 세분화를 수행 하는 데 사용할 수 있는 자동화 된 도구 수 있으며 각각 다른 처리 단계를 요구 하 고 다른 출력 결과. 다양 한 연구 도구 하나는 다른, 그들을 비교 하는 서로 다른 데이터 집합을 적용 하 고 일부 특정 도구1,,45,6,7,8 최적화 ,9,,1011. 두뇌 양, 공부를 할 때 체적 도구 사이 변화 문학 내의 불일치에서 발생할 수 있습니다 및 이러한 차이 대해 그려진 되 고 틀린 결론에 대 한 요소를 운전으로 제안 되었습니다 이전 작품 시연 하고있다 신경학 상 조건1.

최근, 다른 세분화 도구 모두 건강 한 제어 참가자와 참가자 Huntington의 질병을 포함 하는 코 호트에서의 비교를 수행 했습니다. Huntington의 질병은 성인에서 전형적인 증상과 유전적 신경 질병. 바꾸어의 점진적 위축 CGM은 질병의 유명 하 고 잘 공부 neuropathological 기능. 결과 뇌 MRI 검사에서 볼륨을 계산 하는 데 사용 하는 소프트웨어에 따라 결과에 변화를 설명 하는 이전 작업을 지 원하는 코 호트에 적용 된 7 가지 세분화 도구의 가변 성능 시연. 이 프로토콜은 존슨 에 사용 하는 처리에 정보를 제공 합니다. (2017) 2 장려 neuroimaging에 사용 하기 위해 가장 적절 한 도구 주의 방법론 선택. 이 설명서는 GM 볼륨의 세그먼트를 커버 하지만 병 변, 다 발성 경화 증에서 볼 등의 세분화를 다루지 않습니다.

Protocol

참고: 모든 이미지 NifTI 형식에서 인지 확인 합니다. NifTI 변환 여기 적용 되지 않습니다. 1. 세분화 통해 SPM 8: 세그먼트를 통합 참고:이 절차는 Matlab에서 운영 하는 SPM8 GUI를 통해 수행 됩니다. SPM8 가이드 제공 세부 정보를 추가 하 고에서 찾을 수 있습니다: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. SPM8 설치 소프트웨어 경로에 설정 되었는지 ?…

Representative Results

인구 통계 학적 정보, 20 제어 참가자에 대 한 평균 뇌 볼륨은 표 1에 표시 됩니다. 이러한 도구를 사용 하는 경우이 예상 값에 대 한 가이드 역할을 합니다. 결과 원래 T1.nii 이미지의 맥락에서 전망 되어야 한다. 모든 GM 영역 섹션 8에서에서 설명 하는 단계에 의하여 검열 되어야 한다. 시각적 품질 관리를 수행할 때 직접 영역을 비교는 GM T1 스캔 하는 T1에 중첩 ?…

Discussion

최근에, 연구는 다른 부피 측정 방법의 사용 neuroimaging 연구1,2에 대 한 중요 한 암시를 할 수 있습니다 설명 했다. 이러한 도구에 의해 결과 출력에 QC를 수행 하는 방법 뿐 아니라 다른 neuroimaging 도구를 적용 하는 방법에 가이드 초보 사용자를 있도록 게시 프로토콜에 의해 연구원은 그들의 데이터 집합에 적용 하는 좋은 방법은 선택할 수 있습니다.

<p…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

우리 CHDI/높은 Q 기초 트랙 HD 연구;에 대 한 책임에서 모든 사람을 감사 하 고 싶다 특히, 베스 Borowsky, 알 란 토 빈, 다니엘 반 Kammen, 단 서명자 및 셰 리 무기 징역 수 있습니다. 저자는 또한 트랙 HD 연구 참여자와 그들의 가족에 게 그들의 감사를 연장 하고자. 이 작품은 UCLH/UCL, 건강 연구 생물 의학 연구 센터 자금 계획에 대 한 보건의 국립 연구소에서 자금의 비율을 받은에 착수 했다. S.J.T. 치 매 및 신경 연구 네트워크, DeNDRoN 통해 건강 연구를 위한 국립 연구소의 지원을 인정합니다.

트랙-HD 조사:
C. 캠벨, M. 캠벨, I. Labuschagne, C. Milchman, J. 스타우트, 모나 쉬 대학, 멜버른, VIC, 호주; A. 콜맨, R. 스 산토스, J. Decolongon, B. R. Leavitt, A. Sturrock, 브리티시 컬럼비아 대학교, 밴쿠버, bc 주, 캐나다; A. 이다, C. Jauffret, D. 마침, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM 연구소, 파리, 프랑스; 명. 벡 텔, S. Bohlen, R. Reilmann, 뮌스터 대학, 뮌스터, 독일; B. Landwehrmeyer, 울 름 대학, Ulm, 독일; 제이 S. J. A. 반 덴 Bogaard, E. M. 뒤 마, 반 데르 Grond, EP ‘ t 수 사슴, R. A. 로스, 라이덴 대학 메디컬 센터, 라이덴, 네덜란드; 명. Arran, J. 캘 러 한, D. Craufurd, C. Stopford, 맨체스터 대학, 맨체스터, 영국; D. M. 현금, IXICO, 런던, 영국; H. 크로포드, N. C. 폭스, S. 그레고리, G. 오 웬, N. Z. 홉스, 명 Lahiri, I. 말론, 제이 읽기, 엠 제이 말, 디 화이트 헤드, E. 와일드, 런던 대학, 런던, 영국; C. 프 로스트, R. 존스, 런던 학교 위생 및 열 대 의학, 런던, 영국; E. Axelson, H. J. 존슨, D. Langbehn, 아이오와의 대학, 아이오와, 미국; 그리고 S. Queller, C. 캠벨, 인디애나 대학, 미국에서.

Referenzen

  1. Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
  2. 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).
  3. 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).
  4. Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  15. Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  16. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
  17. 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).
  18. 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).
  19. Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).
check_url/de/58198?article_type=t

Play Video

Diesen Artikel zitieren
Johnson, E. B., Scahill, R. I., Tabrizi, S. J. Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images. J. Vis. Exp. (143), e58198, doi:10.3791/58198 (2019).

View Video