Kortikal gri cevherde T1 ağırlıklı MRG görüntülerden otomatik bölümleme
Summary
Bu iletişim kuralı gri madde birim miktar için kullanılan gri cevherde bölgeleri betimlemek için yapısal T1 ağırlıklı MRG taramaları için yedi farklı otomatik bölümleme araçları başvuru süreci açıklar.
Abstract
Nörogörüntüleme araştırma içinde son yıllarda yapılan çalışmalarda bir dizi beyin birimler oluşturmak için farklı segmentasyon araçları kullanımı sonucu düşünülen hacimsel bulgular çalışma arasındaki farklılıkları etkisini tartıştık. Burada, beynin içinde gri cevherde segmentlere ayırmak için kullanılan yedi otomatik araçlar için işleme boru hatları sunulmuştur. İletişim kuralı gri madde birimleri T1 ağırlıklı MRG taramaları üretmek için en doğru yöntemi bulmak için amaçlayan araştırmacılar için bir ilk adım sağlar. Detaylı görsel kalite kontrol üstlenmek için adımları ayrıca el yazması dahil edilir. Bu iletişim kuralı potansiyel segmentasyon araçları bir dizi kapsar ve kullanıcılar için tam bir kohort uygulamak için bir seçmeden önce bu araçları içinde onların verilerin bir alt kümesini performansını karşılaştırmak için teşvik eder. Ayrıca, protokol daha da diğer beyin bölgeleri ayrılmasını jeneralize.
Introduction
Beyin görüntüleme ayarları araştırma ve klinik hem de yaygın olarak kullanılır. Beyin manyetik rezonans görüntüleme (MRG) inceden inceye gözden geçirmek birimden ölçmek çalışmalar tekrarlanabilirlik geliştirmek için geçerli bir hareket olduğunu; Böylece, müfettişler standardizasyon ve optimizasyon yöntemleri1geliştirmek için bölgesel birime, MRI taramaları segmentlere için kullanılabilir MRI araçlarını kullanarak deneyimlerini paylaşmak önemlidir. Bu iletişim kuralı, T1 ağırlıklı MRG taramaları kortikal gri madde (CGM; gri cevherde subcortical bölgeleri hariç) segmentlere ayırmak için yedi farklı araçları kullanarak bir adım adım kılavuz sağlar. Bu araçları daha önce bir Huntington hastalığı kohort araçları arasında değişken performans gösterdi bölümleme yöntem2, metodolojik karşılaştırılması kullanılmaya başlanmıştır. Performans bu araçların farklı veri kümeleri arasında farklılık olduğu düşünülen olduğundan, araştırmacılar onların veri kümesine uygulamak için sadece bir seçmeden önce bir dizi araç test etmek için önemlidir.
Gri madde (GM) hacmi düzenli olarak beyin morfoloji bir önlem olarak kullanılır. Hacimsel önlemleri genellikle güvenilir ve sağlıklı kontrol ve klinik gruplar3arasında ayrımcılık mümkün vardır. Beynin farklı doku türlerine hacmi en sık bu doku türlerini belirlemek otomatik yazılım araçları kullanılarak hesaplanır. Böylece, yüksek kaliteli çizilmesi (segmentations) GM, beyaz madde (WM) ve beyin-omurilik sıvısı (BOS) doğru tarif GM bölge doğruluğunu ulaşmada kritik oluşturmaktır. GM segmentasyon gerçekleştirmek için kullanılabilir otomatik araçları vardır ve her farklı işleme adımları gerektirir ve farklı bir çıkış içinde sonuçlanır. Çalışmalar bir dizi araçları onları bir diğer karşılaştırmak için farklı veri başvuran ve bazı özel araçlar1,4,5,6,7,8 optimize ,9,10,11. Önceki çalışma değişkenlik hacimsel araçlar arasında tutarsızlıklar edebiyatı içinde beyin hacmi okurken neden olabilir ve bu farklar hakkında çizilmiş olması yanlış sonuçlar için faktörler sürüş olarak önerilmiştir göstermiştir nörolojik koşulları1.
Son zamanlarda, farklı segmentasyon araçları sağlıklı kontrol katılımcılar ve Huntington hastalığı ile katılımcılar dahil bir kohort bir karşılaştırma gerçekleştirildi. Huntington hastalığı yetişkinlikte bir genetik nörodejeneratif hastalık ile tipik bir başlangıcı var. Subcortical, kademeli atrofi ve CGM hastalığın önemli ve iyi okudu neuropathological özelliği. Sonuçları destekleyen bulgular beyin MRI taramaları birimlerden hesaplamak için kullanılan yazılım bağlı olarak değişkenlik gösterdiği önceki çalışma kohort uygulanan yedi segmentasyon araçları değişken performans gösterdi. Bu iletişim kuralı Johnson ve ark. içinde kullanılan işleme hakkında bilgi sağlar (2017) nörogörüntüleme kullanmak için en uygun araçları dikkatli metodolojik seçim teşvik eden 2 . Bu kılavuz GM birim ayrılmasını kapsayan daha fazla fakat bu multipl skleroz görmüş gibi lezyonlar ayrılmasını kapsamaz.
Protocol
Representative Results
Discussion
Son zamanlarda, araştırma farklı hacimsel yöntemlerin kullanımı için beyin görüntüleme çalışmaları1,2önemli sonuçları olabilir göstermiştir. Kılavuzu acemi kullanıcılar farklı beyin görüntüleme araçları uygulamak nasıl yanı sıra sonuç çıktısı üzerinde bu araçlarla QC nasıl yardım yayımlama protokolleri tarafından araştırmacılar onların veri kümesine uygulamak için en iyi yöntemi seçebilirsiniz.
<p class="jove_…Divulgations
The authors have nothing to disclose.
Acknowledgements
Bu parça-HD çalışma için sorumlu CHDI/Yüksek Q Vakfı’nda teşekkür etmek istiyorum; Özellikle, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer ve Sherry Lifer. Yazarlar ayrıca minnettarlıklarını parça-HD çalışmaya katılanların ve onların ailelerine genişletmek istiyorum. Bu eser finansman oranı Sağlık Araştırma Biyomedikal araştırma düzeni finansman merkezleri için Sağlık Bakanlığı’nın Ulusal Enstitüsü’nden alınan UCLH/UCL, yapılmıştır. S.J.T. Sağlık Araştırma yoluyla demans ve nörodejeneratif araştırma ağı, DeNDRoN için ulusal Enstitü destek kabul eder.
PARÇA-HD müfettişler:
C. Campbell, M. Campbell, ı. Labuschagne, C. Milchman, J. Stout, Monash Üniversitesi, Melbourne, VIC, Avustralya; A. Coleman, R. Dar Santos, J. Decolongon, d. R. Leavitt, A. Sturrock, British Columbia Üniversitesi, Vancouver, BC, Kanada; A. Durr, C. Jauffret, ö. Justo, S. Lehericy, C. Marrelli, K. Nigaud, R. Valabrègue, ICM Enstitüsü, Paris, Fransa; N. Bechtel, S. Bohlen, R. Reilmann, Münster Üniversitesi, Münster, Almanya; B. Landwehrmeyer, Ulm Üniversitesi, Ulm, Almanya; S. J. A. van den Bogaard, E. M. Dumas, J. van der alanı, E. P. ‘t Hart, R. A. Roos, Leiden Üniversitesi Tıp Merkezi’nde, Leiden, Hollanda; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, University of Manchester, Manchester, İngiltere; Ö. M. nakit, IXICO, Londra, İngiltere; H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Namesake, ı. Malone, J. okuma, M. J. Say, D. Whitehead, E. vahşi, University College London, Londra, İngiltere, C. Don, R. Jones, Londra okul hijyen ve tropikal tıp, London, Büyük Britanya; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, Amerika Birleşik Devletleri; ve S. Queller, C. Campbell, Indiana Üniversitesi, Amerika Birleşik DEVLETLERİ’nde.
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).
