Segmentación automática de la materia gris Cortical de las imágenes de T1-Weighted MRI
Summary
Este protocolo describe el proceso de aplicación de siete herramientas de la segmentación automatizada diferentes análisis estructurales de T1-weighted MRI para delimitar las regiones de materia gris que pueden ser utilizadas para la cuantificación del volumen de materia gris.
Abstract
Dentro de la investigación neuroimaging, un número de estudios recientes ha discutido el impacto de las diferencias entre los estudios en hallazgos volumétricos que se piensan para resultar de la utilización de herramientas de segmentación diferente para generar volúmenes de cerebro. Aquí, se presentan tuberías de proceso para siete herramientas automatizadas que pueden utilizarse para segmentar materia gris dentro del cerebro. El protocolo proporciona un paso inicial para investigadores con el objetivo de encontrar el método más preciso para la generación de volúmenes de materia gris de T1-weighted MRI las exploraciones. Pasos para realizar control de calidad visual detallada también están incluidos en el manuscrito. Este protocolo cubre una gama de posibles herramientas de segmentación y anima a los usuarios a comparar el rendimiento de estas herramientas dentro de un subconjunto de sus datos antes de seleccionar uno para aplicar a una cohorte completa. Además, el protocolo puede ser más generalizado a la segmentación de otras regiones del cerebro.
Introduction
Neuroimaging es ampliamente utilizado en las dos clínicas y parámetros de investigación. Hay un movimiento actual para mejorar la reproducibilidad de los estudios que cuantifican el volumen del cerebro de la proyección de imagen de resonancia magnética (MRI) exploraciones; por lo tanto, es importante que los investigadores compartan experiencias del uso de herramientas disponibles de MRI para segmentación de las exploraciones de MRI en volúmenes regionales, mejorar la estandarización y optimización de métodos1. Este protocolo proporciona a una guía paso a paso para usar siete herramientas diferentes a la materia gris cortical (CGM; materia gris que excluye regiones subcorticales) del segmento de T1-weighted MRI las exploraciones. Estas herramientas fueron utilizadas previamente en una comparación metodológica de segmentación métodos2, que ha demostrado el rendimiento variable entre herramientas en una cohorte de la enfermedad de Huntington. Puesto que el rendimiento de estas herramientas se piensa que varían entre los diferentes conjuntos de datos, es importante para los investigadores para poner a prueba una serie de herramientas antes de seleccionar sólo uno para aplicar a su conjunto de datos.
Volumen de materia gris (GM) se utiliza regularmente como una medida de la morfología del cerebro. Medidas volumétricas son generalmente fiables y capaces de discriminar entre controles sanos y grupos clínicos3. El volumen de los tipos de tejido diferentes de regiones del cerebro más a menudo se calcula utilizando herramientas de software automatizado que identifican estos tipos de tejidos. Así, para crear delineaciones de alta calidad (segmentación) del mecanismo mundial, precisa delimitación de la materia blanca (WM) y líquido cefalorraquídeo (LCR) es fundamental para lograr la exactitud de la región de GM. Hay una serie de herramientas automatizadas que pueden utilizarse para realizar segmentación de GM, y cada uno requiere procesamiento diferentes pasos y resulta en una salida diferente. Un número de estudios ha aplicado los instrumentos a diferentes conjuntos de datos para comparar entre sí, y algunos han optimizado herramientas específicas1,4,5,6,7,8 ,9,10,11. Trabajo previo ha demostrado que la variabilidad entre las herramientas volumétricas puede provocar inconsistencias dentro de la literatura al estudiar el volumen del cerebro, y estas diferencias se han sugerido como factores de falsas conclusiones acerca de conducir condiciones neurológicas1.
Recientemente, se realizó una comparación de herramientas de segmentación diferente en una cohorte que incluyó participantes de control sano y participantes con enfermedad de Huntington. La enfermedad de Huntington es una enfermedad genética neurodegenerativa con un inicio típico en la edad adulta. Progresiva atrofia subcortical y CGM es una característica neuropathological prominente y bien estudiada de la enfermedad. Los resultados demostraron funcionamiento variable de siete herramientas de segmentación que se aplicaron a la cohorte, apoyando el trabajo anterior que demuestra la variabilidad en los resultados dependiendo del software utilizado para el cálculo de los volúmenes cerebrales de IRM. Este protocolo proporciona información sobre el proceso utilizado en Johnson et al. (2017) 2 que anima a una cuidadosa selección metodológica de las herramientas más apropiadas para el uso en neuroimaging. Este manual cubre la segmentación de volumen de GM pero no se aplica la segmentación de lesiones, tales como los observados en la esclerosis múltiple.
Protocol
Representative Results
Discussion
Recientemente, la investigación ha demostrado que el uso de los diferentes métodos volumétricos puede tener implicaciones importantes para los estudios de neuroimagen1,2. Editorial protocolos que ayudan a los usuarios guía en cómo aplicar herramientas de neuroimagen diferentes, así como realizar control de calidad en la salida de resultados por estas herramientas, los investigadores pueden seleccionar el mejor método para aplicar a su conjunto de datos.</p…
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
Deseamos agradecer a todos los de la Fundación de Q de CHDI y alto responsable del estudio TRACK-HD; en particular, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer y Sherry Lifer. Los autores también desean extender su agradecimiento a los participantes del estudio TRACK-EH y sus familias. Este trabajo fue emprendido en UCLH/UCL, que recibió una proporción de la financiación del Instituto de nacional del Departamento de salud de salud centros de investigación biomédica investigación esquema de financiación. S.J.T. reconoce apoyo del Instituto Nacional de investigación en salud a través de las demencias y neurodegenerativas Research Network, DeNDRoN.
Investigadores de TRACK-HD:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; A. Coleman r. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, Universidad de British Columbia, Vancouver, BC, Canadá; A. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, París, Francia; Bechtel de N. S. de Bohlen, R. Reilmann, Universidad de la Münster, Münster, Alemania; B. Landwehrmeyer, Universidad de Ulm, Ulm, Alemania; J. S. J. A. van den Bogaard, E. M. Dumas, van der Grond, E. P. ‘ t Hart, R. A. Roos, Leiden University Medical Center, Leiden, Países Bajos; N. Arran de J. Callaghan, Craufurd D., C. Stopford, Universidad de Manchester, Manchester, Reino Unido; D. M. efectivo, IXICO, Londres, Reino Unido; H. Crawford, N. C. Fox, S. Gregorio, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Lea, M. J. di, Whitehead D., E. Wild, University College London, Londres, Reino Unido; C. Frost, R. Jones, escuela londinense de higiene y Medicina Tropical de Londres, Reino Unido; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, Estados Unidos; y S. Queller, C. Campbell, Indiana University, en Estados Unidos.
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).
