Segmentation automatique de substance grise corticale des Images d’IRM pondérées en T1
Summary
Ce protocole décrit le processus d’application de sept outils de segmentation automatique différents à structurels pondérées en T1 IRM à délimiter des régions de matière grise qui peuvent être utilisées pour la quantification du volume de matière grise.
Abstract
Dans la recherche de neuro-imagerie, un certain nombre d’études récentes ont examiné l’incidence des différences entre les études dans les conclusions volumétriques qui sont susceptibles de résulter de l’utilisation des outils de segmentation différente pour générer des volumes de cerveau. Ici, les pipelines de traitement aux sept outils automatisés qui permet de segmenter la matière grise dans le cerveau sont présentés. Le protocole prévoit une première étape pour les chercheurs qui vise à trouver la méthode la plus précise pour générer des volumes de matière grise de l’IRM pondérées en T1. Étapes d’entreprendre le contrôle détaillé de la qualité visuel sont également incluses dans le manuscrit. Ce protocole couvre un éventail d’outils de segmentation potentiels et encourage les utilisateurs à comparer les performances de ces outils au sein d’un sous-ensemble de leurs données avant de sélectionner un à appliquer à une cohorte complète. En outre, le protocole peut être encore généralisé à la segmentation des autres régions du cerveau.
Introduction
Neuroimaging est employé couramment dans les deux cliniques et paramètres de recherche. Il y a un coup en cours pour améliorer la reproductibilité des études qui quantifier le volume du cerveau des analyses de l’imagerie par résonance magnétique (IRM) ; ainsi, il est important que les chercheurs partagent expériences d’utilisation des outils de MRI disponibles pour la segmentation d’IRM en volumes régionaux, afin d’améliorer la normalisation et l’optimisation des méthodes1. Ce protocole prévoit un guide détaillé à l’aide de sept différents outils pour segmenter la substance grise corticale (CGM ; matière grise qui exclut les régions sous-corticales) d’IRM pondérées en T1. Ces outils ont été précédemment utilisés dans une comparaison méthodologique de segmentation méthodes2, qui ont démontré un rendement variable entre les outils sur une cohorte de la maladie de Huntington. Étant donné que les performances de ces outils est pensé à varier selon les différents ensembles de données, il est important pour les chercheurs de tester quelques outils avant de sélectionner un seul à appliquer à l’ensemble de leur données.
Volume de matière grise (GM) est régulièrement utilisé comme mesure de la morphologie du cerveau. Mesures volumétriques sont généralement fiables et capables de distinguer les témoins sains et groupes cliniques3. Le volume des types de tissus différents de régions du cerveau est le plus souvent calculé à l’aide d’outils logiciels automatisés permettant d’identifier ces types de tissus. Ainsi, pour créer des délimitations de haute qualité (segmentations) de GM, la délimitation précise de la substance blanche (WM) et le liquide céphalo-rachidien (LCR) est critique dans la réalisation de précision de la région de GM. Il y a un certain nombre d’outils automatisés qui peuvent être utilisés pour l’exécution de segmentation de GM, et chacun exige des étapes de traitement différent et se traduit par une sortie différente. Un certain nombre d’études ont appliqué les outils aux différents ensembles de données à comparer avec une autre, et certains ont optimisé des outils spécifiques1,4,5,6,7,8 ,9,10,11. Des travaux antérieurs a montré que la variabilité entre les outils volumétriques peut entraîner des incohérences dans la littérature lorsque l’on étudie le volume du cerveau, et ces différences ont été suggérés comme facteurs de fausses conclusions étant tirées concernant affections neurologiques1.
Récemment, une comparaison des outils de segmentation différente dans une cohorte qui comprenait les participants contrôle sain et les participants avec la maladie de Huntington a été effectuée. La maladie de Huntington est une maladie génétique neurodégénérative avec un début typiquement à l’âge adulte. L’atrophie progressive de subcortical et CGM est une caractéristique des éminente et bien étudiée neuropathologique de la maladie. Les résultats ont démontré la performance variable de sept outils de segmentation qui ont été appliqués à la cohorte, soutenant des travaux antérieurs qui ont démontré la variabilité des résultats selon le logiciel utilisé pour calculer les volumes de cerveau de l’IRM. Ce protocole fournit des informations sur le traitement utilisé dans Johnson et al. (2017) 2 qui encourage une sélection méthodologique rigoureuse des instruments plus appropriés pour une utilisation en neuro-imagerie. Ce manuel couvre la segmentation du volume de GM mais ne couvre pas la segmentation des lésions, telles que celles observées dans la sclérose en plaques.
Protocol
Representative Results
Discussion
Récemment, des recherches ont démontré que l’utilisation de différentes méthodes volumétriques peut-être avoir des implications importantes pour les études de neuro-imagerie1,2. Par les protocoles de publication qui guide les utilisateurs novices dans comment appliquer les outils de la neuroimagerie différents, ainsi que comment faire QC sur la sortie des résultats de ces outils, les chercheurs peuvent choisir la meilleure méthode à appliquer à l?…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Nous tenons à remercier tous ceux à la fondation de Q CHDI/haut responsable de l’étude de TRACK-HD ; en particulier, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer et Sherry Lifer. Aussi, les auteurs tiennent à exprimer leur gratitude aux participants à l’étude TRACK-HD et leurs familles. Ce travail a été entrepris à l’UCLH/UCL, qui a reçu une part du financement de l’Institut National du ministère de la santé santé recherche centres de recherche biomédicale programme de financement. S.J.T. reconnaît le soutien de l’Institut National de recherche en santé par démences et neurodégénératives Research Network, DeNDRoN.
Enquêteurs de piste-HD :
C. Campbell, M. Campbell, I. la rose, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australie ; A. Coleman, r. Dar Santos, J. Delsaute, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Canada ; A. Durr, Jauffret, Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institut C.d., Paris, France ; N. Bechtel, S. Bohlen, R. Reilmann, Université de Münster, Münster, Allemagne ; B. Landwehrmeyer, Université d’Ulm, Ulm, Allemagne ; S. J. A. van den Bogaard, E. M. Dumas, J. van der Grond, E. P. ‘ t Hart, R. A. Roos, Leiden University Medical Center, Leiden, pays-bas ; N. Arran, J. Callaghan, d. Craufurd, Stopford C., University of Manchester, Manchester, United Kingdom ; D. M. Cash, IXICO, London, United Kingdom ; H. Crawford, N. C. Fox, Gregory S., G. Owen, N. Z. Hobbs, N. Labrousse, I. Malone, J. Read, M. J. Say, d. Whitehead, E. Wild, University College de Londres, London, United Kingdom ; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londres, Royaume-Uni, E. Axelson, H. J. Johnson, d. Langbehn, Université de l’Iowa, IA, États-Unis ; et S. Queller, c. Campbell, Indiana University, aux États-Unis.
Referencias
- 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).
