Автоматизированный сегментация коркового серого вещества от T1-взвешенный МРТ изображения
Summary
Этот протокол описывает процесс применения семь различных автоматизированных сегментации инструменты для структурных T1-взвешенный МРТ для разграничения областей серого вещества, которые могут использоваться для количественного определения объема серого вещества.
Abstract
В рамках нейровизуализационных исследований ряд недавних исследований обсуждали влияние различий между исследованиями в объемном выводы, которые считаются в результате использования различных сегментация инструментов для создания томов мозга. Здесь представлены конвейеров обработки для семи автоматизированных инструментов, которые могут быть использованы для сегмент серого вещества в мозге. Протокол обеспечивает начальный шаг для исследователей, стремясь найти наиболее точный метод для создания томов серого вещества из T1-взвешенный МРТ. Шаги для проведения подробных визуальный контроль качества также включены в манускрипте. Этот протокол охватывает широкий спектр потенциальных сегментация инструментов и поощряет пользователям сравнивать производительность этих инструментов в рамках подмножества данных, их перед выбором одного обратиться к полной когорты. Кроме того протокол может далее обобщенные к сегментации других регионов мозга.
Introduction
Нейровизуализационных широко используется как в клинических, так и исследования параметров. Есть текущий шаг для улучшения воспроизводимость результатов исследований, которые количественно оценить объем мозга от сканирования магнитно-резонансная томография (МРТ); Таким образом важно, что следователи поделиться опытом использования доступных инструментов МРТ для сегментации МРТ в региональном томов, для улучшения стандартизации и оптимизации методов1. Этот протокол обеспечивает пошаговое руководство по использованию семь различных инструментов для сегментирования коркового серого вещества (CGM; серого вещества, которая исключает подкорковых областей) от T1-взвешенный МРТ. Ранее эти инструменты были использованы в методологических сравнение сегментации методы2, который продемонстрировал переменной производительности между инструментами на болезни Гентингтона когорты. Поскольку считается, что производительность этих инструментов различаются различные наборы данных, важно для исследователей, чтобы проверить ряд инструментов перед выбором только одного, чтобы применить к их набору данных.
Объем серого вещества (GM) регулярно используется как мера морфологии мозга. Объемные меры, как правило, надежные и способны различать здорового управления и клинических групп3. Объем видов различных тканей мозга, чаще всего рассчитывается с помощью автоматизированных программных инструментов, которые идентифицировать эти типы тканей. Таким образом для создания высокого качества разграничения (segmentations) ГМ, точное разграничение белого вещества (WM) и спинномозговой жидкости (CSF) имеет решающее значение в достижении точность ГМ региона. Существует ряд автоматизированных инструментов, которые могут быть использованы для выполнения сегментации ГМ, и каждый требует обработки шагов и приводит в различный вывод. Ряд исследований подали инструменты для различных наборов данных, чтобы сравнить их друг с другом, и некоторые оптимизированы конкретные инструменты1,4,5,6,7,8 ,9,10,11. Предыдущая работа показала, что изменчивость между объемные инструменты может привести к несогласованности в литературе при изучении объем мозга, и эти различия были предложены как вождение факторов для ложных выводов о неврологические заболевания1.
Недавно было выполнено сравнение различных сегментация инструментов в когорте, которая включала здорового управления участников и участников с болезни Гентингтона. Болезнь Хантингтона является генетических нейродегенеративные болезни с типичной начала в зрелом возрасте. Постепенная атрофия подкорковых и CGM является известный и хорошо изучена патологического особенностью болезни. Результаты продемонстрировали переменной производительности семь инструментов сегментации, которые были применены к когорте, поддерживая предыдущей работы, которая продемонстрировала изменчивости в результатах в зависимости от программного обеспечения, используемого для вычисления объемов мозга от МРТ. Этот протокол содержит информацию о обработки, используемых в Джонсон и др. (2017) 2 , которая поощряет методологических тщательный отбор наиболее подходящих инструментов для использования в нейровизуализации. Это руководство охватывает сегментации ГМ тома, но не охватывает сегментации поражений, таких, как те видели в рассеянный склероз.
Protocol
Representative Results
Discussion
Недавно исследования показали, что использование различных объемных методов могут иметь важные последствия для нейровизуализационных исследований1,2. Путем публикации протоколов, помогающих Руководство начинающим пользователям как применять различн?…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Мы хотим поблагодарить всех тех, кто в фонде Q CHDI/высокая ответственность за исследование трек-HD; в частности, Бет Borowsky, Аллан Тобин, Даниэль ван Kammen, Ethan подписавшего и Шерри Lifer. Авторы также хотели бы выразить свою признательность участников исследования трек-HD и членов их семей. Эта работа была проведена в экономика/UCL, который получил долю финансирования от Департамента здравоохранения Национальный институт медицинских исследований биомедицинских исследовательских центров финансирования схемы. S.J.T. признает поддержку национального института исследований в области здравоохранения через видами деменции и нейродегенеративных научно-исследовательская сеть, DeNDRoN.
Следователи трек HD:
C. Кэмпбелл, м. Кэмпбелл, I. ЛАБУШАН, C. Milchman, J. Stout, Университет Монаш, Мельбурн, Виктория, Австралии; А. Колеман, р. Dar Сантос, J. Decolongon, б. р. Ливитт, A. Старрок, Университет Британской Колумбии, Ванкувер, Британская Колумбия, Канада; A. Дурр, C. Jauffret, D. Хусто, S. Lehericy, C. Marelli, K. Nigaud, р. Valabrègue, ICM институт, Париж, Франция; N. “Бектел”, S. Bohlen, р. Reilmann, Университет Мюнстера, Мюнстер, Германия; Б. Landwehrmeyer, Университет г. Ульм, Ульм, Германия; J. S. J. A. ван ден Богард, е. м. Дюма, Ван дер Grond, E. P. ‘t Харт, R. A. Roos, медицинский центр Университета Лейдена, Лейден, Нидерланды; N. Arran, J. Callaghan, D. Craufurd, C. Стопфорд, Университет Манчестера, Манчестер, Соединенное Королевство; Д. м. наличные деньги, IXICO, Лондон, Соединенное Королевство; H. Кроуфорд, N. C. Fox, S. Грегори, G. Оуэн, н. з. Hobbs, N. Лахири, I. Мэлоун, J. Read, M. J. Say, D. Уайтхед, E. Wild, Университетский колледж Лондона, Лондон, Соединенное Королевство; C. Мороз, р. Джонс, Лондонская школа гигиены и тропической медицины, Лондон, Соединенное Королевство; E. Axelson, H. J. Джонсон, D. Langbehn, Университет штата Айова, IA, Соединенные Штаты; и S. Queller, C. Кэмпбелл, Университет Индианы, в Соединенных Штатах Америки.
References
- 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).
