פילוח אוטומטיות של החומר האפור קורטיקלית מתמונות MRI T1 משוקלל
Summary
פרוטוקול זה מתאר את התהליך של החלת שבעה כלים פילוח אוטומטיות שונות מבנית סריקות MRI T1 משוקלל על החומר האפור באזורים יכול לשמש עבור כימות של נפח החומר האפור.
Abstract
בתוך להפרעת, מספר המחקרים האחרונים דנו את השפעת ההבדלים בין למידה-נפחי ממצאים נחשבים הם תוצאה של שימוש בכלים פילוח שונים כדי ליצור אמצעי אחסון המוח. כאן מוצגים צינורות עיבוד עבור שבעה כלים אוטומטיים יכול לשמש כדי לחלק חומר אפור בתוך המוח. הפרוטוקול מספק צעד ראשוני עבור חוקרים במטרה למצוא את השיטה המדויקת ביותר ליצירת אמצעי אחסון החומר האפור של סריקות MRI T1 משוקלל. צעדים לבצע בקרת איכות חזותית מפורטת כלולים גם בכתב היד. פרוטוקול זה מכסה מגוון של כלים פילוח פוטנציאליים ומעודדת משתמשים כדי להשוות את הביצועים של כלים אלה בתוך קבוצת משנה של הנתונים שלהם לפני בחירת אחד כדי להחיל על עמית מלאה. יתר על כן, הפרוטוקול ייתכן כללית נוספת פילוח מאזורים אחרים במוח.
Introduction
דימות מוחי נעשה שימוש נרחב בשתי קליניים ומחקר הגדרות. ישנו איזשהו מהלך הנוכחי כדי לשפר את הפארמצבטית של מחקרים לכמת נפח המוח של סריקות דימות תהודה מגנטית (MRI); לכן, חשוב כי החוקרים לשתף חוויות של שימוש בכלים הזמינים MRI ולהפרדת סריקות MRI באמצעי אחסון מקומיים, כדי לשפר את התקינה ואופטימיזציה של שיטות1. פרוטוקול זה מספק מדריך צעד אחר צעד לשימוש שבעה כלים שונים כדי לחלק את החומר האפור בקליפת המוח (CGM; החומר האפור, אשר אינו כולל אזורים subcortical) של סריקות MRI T1 משוקלל. כלים אלה שימשו בעבר השוואה מתודולוגי של פילוח שיטות2, אשר הפגינו ביצועים משתנה בין כלי קוהורטה מחלת הנטינגטון. מאז הביצועים של כלים אלה, נחשב משתנים בין נתונים (datasets) שונות, חשוב לחוקרים לבחון מספר כלים לפני בחירת רק אחד כדי להחיל את ערכת הנתונים שלהם.
נפח החומר האפור (GM) משמש באופן קבוע כאמצעי של המוח מורפולוגיה. מידות נפח הם בדרך כלל אמין מסוגל להפלות בין הפקדים בריא לבין קבוצות קליניים3. הנפח של רקמות שונות סוגי אזורים במוח מחושב בדרך כלל באמצעות כלי תוכנה אוטומטית לזהות את סוגי רקמות אלה. לכן, כדי ליצור איכות גבוהה delineations (segmentations) של GM, תיחום מדויק של חומר לבן (WM), נוזל מוחי שדרתי (CSF) היא קריטית בהשגת דיוק של האזור GM. ישנם מספר כלים אוטומטיים העשויות לשמש לביצוע סגמנטציה GM, כל אחד דורש שלבי עיבוד שונות ותוצאות פלט שונה. מספר מחקרים החלת בכלים שונים datasets להשוות אותם עם אחד אחרים, חלקם יש אופטימיזציה כלים ספציפיים1,4,5,6,7,8 ,9,10,11. העבודות הקודמות הוכיחה כי השתנות בין כלי נפחי עלולה לגרום חוסר עקביות בתוך הספרות כשלמדתי נפח המוח, הבדלים אלה שהוצעו נהיגה גורמים מסקנות שווא משורטטים על מחלות נוירולוגיות1.
לאחרונה, בוצעה השוואה של כלים שונים פילוח במדגם שכלל המשתתפים שליטה בריאים והן של המשתתפים עם מחלת הנטינגטון. מחלת הנטינגטון היא מחלה גנטית ניווניות עם תחילת טיפוסי בבגרות. אטרופיה הדרגתית של subcortical ו- CGM היא תכונה neuropathological בולטים למד היטב של המחלה. התוצאות הראו ביצועים משתנה של שבעה כלים פילוח שהוחלו על קבוצה, תמיכה לעבוד קודמים שהראו השתנות של ממצאים בהתאם לתוכנה המשמש לחישוב המוח כרכים של סריקות MRI. פרוטוקול זה מספק מידע על עיבוד המשמשים ג’ונסון. et al. (2017) 2 שמעודד בחירה זהירה מתודולוגי הכלים המתאים ביותר לשימוש בדימות מוחי. מדריך זה מכסה את פילוח של GM האחסון אך אינו מכסה את פילוח של נגעים, כגון אלה ראה טרשת נפוצה.
Protocol
Representative Results
Discussion
לאחרונה, מחקר הראה כי השימוש בשיטות נפח שונה יכול להיות השלכות חשובות על דימות מוחי מחקרים1,2. פרסום פרוטוקולים המסייעים משתמשים טירון מדריך איך ליישם כלי דימות מוחי שונים, כמו גם כיצד לבצע QC על הפלט התוצאות באמצעות כלים אלה, חוקרים ניתן לבחור את השיטה הטובה ?…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
אנו רוצים להודות לכל אלה של קרן Q CHDI/גבוהה אחראי על המחקר המסלול-HD; בפרט, בית Borowsky, אלן טובין, דניאל ואן Kammen, איתן החותם ואת שרי אסיר עולם. המחברים גם רוצים להאריך את המשתתפים במחקר מעקב אחר-HD ובני משפחותיהם תודתם. עבודה זו נערך ב UCLH/UCL, אשר קיבל שיעור מימון מן המכון הלאומי של מחלקת הבריאות עבור הבריאות מחקר ביו-רפואי מרכזי מחקר מימון ערכת. S.J.T. מאשר התמיכה של המכון הלאומי לחקר הבריאות באמצעות Dementias, רשת המחקר ניווניות, DeNDRoN.
חוקרים מסלול-HD:
ג. קמפבל, מר קמפבל, אני Labuschagne, ג Milchman, ג’יי סטאוט, אוניברסיטת מונש, מלבורן, ויק, אוסטרליה; א קולמן, סנטוס דאר רבי, ג’יי Decolongon, נולד ב ר לוויט, Sturrock א, אוניברסיטת בריטיש קולומביה, וונקובר, קנדה; א Durr, ג Jauffret, ד Justo, S. Lehericy, ג Marelli, ק’ Nigaud, ר’ Valabrègue, ICM מכון, פריז, צרפת; (ש ע) Bechtel, ס Bohlen, ר’ Reilmann, אוניברסיטת מינסטר, מינסטר, גרמניה; B. Landwehrmeyer, האוניברסיטה ההיסטורית אולם, אולם, גרמניה; ס י א ואן דן Bogaard, דומא מ א, ג’יי ואן דר גרונד, E. P אל הארט, ר א רוס, המרכז הרפואי של אוניברסיטת ליידן, ליידן, הולנד; (ש ע) Arran, ג’יי קלהאן, האימפראטור ד, ג Stopford, אוניברסיטת מנצ’סטר, מנצ’סטר, אנגליה; ד מ במזומן, IXICO, לונדון, אנגליה; ה קרופורד פוקס נ ג, גרגורי ס’, אוון ג, ש צ הובס, ש להירי, מאלון. אני, ג’יי לקריאה, מ’ ג’, וייטהד ד, אי פראי, נניח באוניברסיטת קולג ‘ בלונדון, לונדון, אנגליה; ג. פרוסט, ר ‘ ג’ונס, London School of להיגיינה, רפואה טרופית, לונדון, אנגליה; אי Axelson ה ג’יי ג’ונסון, Langbehn ד, אוניברסיטת איווה, IA, ארצות הברית; ס קוולר, אוניברסיטת ג קמפבל, אינדיאנה, ארה.
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).
