Segmentação automática de matéria cinzenta Cortical de imagens de T1-Weighted MRI
Summary
Este protocolo descreve o processo de aplicação de sete ferramentas diferentes segmentação automatizada de varreduras de T1-weighted MRI estruturais para delinear as regiões de substância cinzenta que podem ser usadas para a quantificação do volume de matéria cinzenta.
Abstract
Dentro da pesquisa de neuroimagem, uma série de estudos recentes têm discutido o impacto das diferenças between-estudo volumétrico conclusões que são pensados para resultar do uso de ferramentas de segmentação diferentes para gerar volumes de cérebro. Aqui, o processamento de gasodutos para sete ferramentas automatizadas que podem ser usadas para segmentar a massa cinzenta dentro do cérebro são apresentados. O protocolo prevê uma etapa inicial a pesquisadores com o objetivo de encontrar o método mais preciso para gerar volumes de matéria cinzenta de T1-weighted MRI scans. Passos para realizar o controle de qualidade visual detalhado também estão incluídos no manuscrito. Este protocolo abrange uma gama de potenciais ferramentas de segmentação e incentiva os usuários a comparar o desempenho dessas ferramentas dentro de um subconjunto de seus dados antes de selecionar um para aplicar a uma coorte completa. Além disso, o protocolo pode ser mais generalizado para a segmentação de outras regiões do cérebro.
Introduction
Neuroimagem é amplamente utilizado em ambos os casos clínicos e configurações de pesquisa. Há um movimento atual para melhorar a reprodutibilidade dos estudos que quantificam o volume cerebral de exames de ressonância magnética (RM); assim, é importante que os investigadores compartilham experiências do uso de ferramentas disponíveis de MRI para segmentar ressonâncias em volumes regionais, para melhorar a padronização e otimização de métodos1. Este protocolo fornece um guia passo a passo para usar sete ferramentas diferentes para segmentar a matéria cinzenta cortical (CGM; matéria cinzenta que exclui as regiões subcorticais) de T1-weighted MRI scans. Estas ferramentas foram usadas anteriormente em uma comparação metodológica da segmentação métodos2, que demonstrou desempenho variável entre as ferramentas em uma coorte de doença de Huntington. Desde que o desempenho dessas ferramentas é pensado para variar entre diferentes conjuntos de dados, é importante para os investigadores testar um número de ferramentas antes de selecionar apenas um para aplicar ao seu dataset.
Volume de matéria cinzenta (GM) é usado regularmente como uma medida da morfologia do cérebro. Medidas volumétricas são geralmente confiável e capaz de discriminar entre controles sadios e grupos clínicos3. O volume de tipos de tecido diferentes de regiões cerebrais mais frequentemente é calculado usando ferramentas de software automatizado que identificam esses tipos de tecido. Assim, para criar delimitações. das húmidas da alta qualidade (segmentações) da GM, delimitação exata da matéria branca (WM) e líquido cerebrospinal (CSF) é fundamental para alcançar a precisão da região de GM. Há uma série de ferramentas automatizadas que podem ser utilizados para realizar a segmentação do GM, e cada um necessita de etapas de processamento diferentes e resulta em uma saída diferente. Vários estudos têm aplicado as ferramentas para diferentes conjuntos de dados para compará-los com os outros, e alguns têm otimizado ferramentas específicas1,4,5,6,7,8 ,9,10,11. Trabalhos anteriores têm demonstrado que a variabilidade entre ferramentas volumétricas pode resultar em inconsistências dentro da literatura quando estudando o volume cerebral, e estas diferenças têm sido sugeridas como fatores para conclusões falsas sobre a conduzir condições neurológicas1.
Recentemente, realizou-se uma comparação de ferramentas de segmentação diferente em uma coorte que incluía tanto os participantes saudáveis de controle e os participantes com a doença de Huntington. A doença de Huntington é uma doença neurodegenerativa genética com um típico início na idade adulta. Atrofia gradual de subcortical e CGM é uma característica proeminente e bem estudada de neuropatológica da doença. Os resultados demonstraram desempenho variável de sete ferramentas de segmentação que foram aplicados para a coorte, apoiando o trabalho anterior que demonstrou variabilidade nos resultados dependendo do software utilizado para calcular volumes de cérebro de ressonâncias. Este protocolo fornece informações sobre o processamento usado em Johnson et al . (2017) 2 que incentiva o cuidado metodológica seleção das ferramentas mais adequadas para uso em neuroimagem. Este manual abrange a segmentação do volume de GM, mas não cobre a segmentação das lesões, tais como aqueles vistos na esclerose múltipla.
Protocol
Representative Results
Discussion
Recentemente, pesquisas têm demonstrado que a utilização de diferentes métodos volumétricos pode ter implicações importantes para estudos de neuroimagem1,2. Por protocolos de publicação que ajudam os usuários novatos guia em como aplicar ferramentas diferentes de neuroimagem, bem como como executar QC sobre a saída de resultados por essas ferramentas, pesquisadores podem selecionar o melhor método para aplicar ao seu dataset.
<p class="jove_conten…Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Gostaríamos de agradecer a todos aqueles na Fundação Q CHDI/alto responsável para o estudo de faixa-HD; em particular, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer e Sherry Lifer. Os autores também desejam estender sua gratidão aos participantes do estudo faixa-HD e suas famílias. Este trabalho foi realizado na UCLH/UCL, que recebeu uma percentagem do financiamento do Instituto de nacional do departamento de saúde para investigação biomédica pesquisa centros de saúde regime de financiamento. S.J.T. reconhece o apoio do Instituto Nacional de investigação em saúde através da demências e neurodegenerativas Research Network, DeNDRoN.
Investigadores da trilha-HD:
C. Campbell, M. Campbell, I. Lana, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Austrália; R. Coleman, r. Dar Santos, J. Decolongon, B. R. Leavitt, r. Sturrock, Universidade de British Columbia, Vancouver, BC, Canadá; R. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, França; Bechtel de N. S. Bohlen, R. Reilmann, Universidade de Münster, Münster, Alemanha; B. Landwehrmeyer, Universidade de Ulm, Ulm, Alemanha; 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, Países Baixos; S. Arran, J. Callaghan, d. Craufurd, C. Stopford, Universidade de Manchester, Manchester, Reino Unido; M. M. dinheiro, IXICO, Londres, Reino Unido; H. Crawford, s. C. Fox, Gregory S., G. Owen, N. z. Hobbs, s. leal, I. Malone, J. Read, M. J. Say, d. Whitehead, Wild E., University College London, Londres, Reino Unido; C. Frost, R. Jones, escola de Londres da higiene e Medicina Tropical, Londres, Reino Unido; E. Axelson, H. J. Johnson, d. Langbehn, Universidade de Iowa, IA, Estados Unidos; e S. Queller, c. Campbell, Indiana University, em, Estados Unidos.
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).
