T1-भारित एमआरआई छवियों से Cortical ग्रे मैटर के स्वचालित विभाजन
Summary
इस प्रोटोकॉल चित्रित ग्रे बात क्षेत्रों है कि ग्रे बात की मात्रा के ठहराव के लिए इस्तेमाल किया जा सकता करने के लिए संरचनात्मक T1-भारित एमआरआई स्कैन करने के लिए सात अलग स्वचालित विभाजन उपकरण लागू करने की प्रक्रिया का वर्णन ।
Abstract
neuroimaging अनुसंधान के भीतर, हाल के अध्ययनों के एक नंबर के बीच के प्रभाव पर चर्चा की है volumetric निष्कर्षों में अध्ययन मतभेद है कि विभिंन विभाजन उपकरण के उपयोग से परिणाम के लिए मस्तिष्क की मात्रा उत्पंन करने के लिए लगा रहे हैं । यहां, सात स्वचालित उपकरण है कि मस्तिष्क के भीतर खंड ग्रे बात इस्तेमाल किया जा सकता है के लिए प्रसंस्करण पाइपलाइन प्रस्तुत कर रहे हैं । प्रोटोकॉल T1-भारित एमआरआई स्कैन से ग्रे बात की मात्रा पैदा करने के लिए सबसे सटीक तरीका खोजने के लिए लक्ष्य शोधकर्ताओं के लिए एक प्रारंभिक कदम प्रदान करता है. विस्तृत दृश्य गुणवत्ता नियंत्रण शुरू करने के लिए कदम भी पांडुलिपि में शामिल किए गए हैं । यह प्रोटोकॉल संभावित सेगमेंटिंग टूल की एक श्रेणी को कवर करता है और उपयोगकर्ताओं को पूर्ण पलटने पर लागू करने के लिए एक का चयन करने से पहले अपने डेटा के सबसेट में इन टूल की कार्यक्षमता की तुलना करने के लिए प्रोत्साहित करता है. इसके अलावा, प्रोटोकॉल और अंय मस्तिष्क क्षेत्रों के विभाजन को सामान्यीकृत किया जा सकता है ।
Introduction
Neuroimaging व्यापक रूप से दोनों नैदानिक और अनुसंधान सेटिंग्स में प्रयोग किया जाता है । वहाँ एक मौजूदा कदम है कि अध्ययन के reproducibility में सुधार करने के लिए चुंबकीय अनुनाद इमेजिंग (एमआरआई) से मस्तिष्क की मात्रा यों तो स्कैन करता है; इस प्रकार, यह महत्वपूर्ण है कि जांचकर्ताओं के लिए उपलब्ध एमआरआई उपकरण का उपयोग करने का अनुभव साझा एमआरआई खंड में क्षेत्रीय स्कैन, मानकीकरण और तरीकों के अनुकूलन में सुधार करने के लिए1। यह प्रोटोकॉल cortical ग्रे मैटर (CGM; ग्रे मैटर जो subcortical क्षेत्रों को शामिल करता है) T1-भारित एमआरआई स्कैन से खंड करने के लिए सात विभिन्न उपकरणों का उपयोग करने के लिए एक कदम-दर-कदम गाइड उपलब्ध कराता है । इन उपकरणों पहले विभाजन विधियों2, जो एक Huntington की बीमारी पलटने पर उपकरणों के बीच चर प्रदर्शन का प्रदर्शन के एक methodological तुलना में इस्तेमाल किया गया । चूंकि इन उपकरणों का प्रदर्शन भिन्न डेटासेट के बीच भिन्न होने के लिए सोचा जाता है, इसलिए शोधकर्ताओं के लिए उनके डेटासेट पर लागू करने के लिए केवल एक का चयन करने से पहले कई उपकरणों का परीक्षण करना महत्वपूर्ण है.
ग्रे मैटर (जीएम) की मात्रा नियमित रूप से मस्तिष्क आकृति विज्ञान के एक उपाय के रूप में प्रयोग किया जाता है । Volumetric उपाय आम तौर पर विश्वसनीय और स्वस्थ नियंत्रण और नैदानिक समूहों3के बीच भेदभाव करने में सक्षम हैं । मस्तिष्क क्षेत्रों के विभिंन ऊतक प्रकार की मात्रा सबसे अधिक बार स्वचालित सॉफ्टवेयर उपकरण है कि इन ऊतक प्रकार की पहचान का उपयोग कर की गणना की है । इस प्रकार, जीएम, सफेद बात (डब्ल्यू एम) और मस्तिष्कमेरु द्रव (सीएसएफ) के सटीक विशुद्धीकरण के उच्च गुणवत्ता वाले (विभाजन) का निर्माण करने के लिए जीएम क्षेत्र की सटीकता को प्राप्त करने में महत्वपूर्ण है । जीएम फॉल्ट करने के लिए उपयोग किया जा सकता है जो स्वचालित उपकरण की एक संख्या है, और प्रत्येक भिन्न आउटपुट में विभिन्न संसाधन चरणों और परिणामों की आवश्यकता है । अध्ययनों की एक संख्या विभिन्न डेटासेट के लिए उपकरणों के लिए उन्हें एक दूसरे के साथ तुलना करने के लिए आवेदन किया है, और कुछ विशिष्ट उपकरण अनुकूलित किया है1,4,5,6,7,8 ,9,10,11. पिछले काम volumetric उपकरण के बीच परिवर्तनशीलता में प्रदर्शित किया गया है कि साहित्य के भीतर विसंगतियों में परिणाम जब मस्तिष्क की मात्रा का अध्ययन कर सकते हैं, और इन मतभेदों को गलत निष्कर्ष के लिए ड्राइविंग कारकों के रूप में सुझाव दिया गया है के बारे में तैयार न्यूरोलॉजिकल शर्तें1.
हाल ही में, एक पलटन है कि दोनों स्वस्थ नियंत्रण प्रतिभागियों और Huntington के रोग के साथ प्रतिभागियों को शामिल किया गया था में विभिंन विभाजन उपकरण की तुलना । Huntington की बीमारी वयस्कता में एक ठेठ शुरुआत के साथ एक आनुवंशिक neurodegenerative रोग है । subcortical और CGM के क्रमिक शोष रोग की एक प्रमुख और अच्छी तरह से अध्ययन neuropathological सुविधा है । परिणाम सात विभाजन उपकरण है कि पलटने के लिए लागू किए गए के चर प्रदर्शन का प्रदर्शन किया, पिछले काम है कि निष्कर्षों में परिवर्तनशीलता का प्रदर्शन करने एमआरआई स्कैन से मस्तिष्क की मात्रा की गणना करने के लिए इस्तेमाल सॉफ्टवेयर के आधार पर समर्थन । यह प्रोटोकॉल जॉनसन एट अल में इस्तेमाल प्रसंस्करण के बारे में जानकारी प्रदान करता है । (२०१७) 2 कि neuroimaging में उपयोग के लिए सबसे उपयुक्त उपकरणों के सावधान methodological चयन को प्रोत्साहित करती है । यह मैन्युअल जीएम वॉल्यूम के सेगमेंट को कवर करता है लेकिन घावों के सेगमेंट को कवर नहीं करती है, जैसे कि मल्टीपल स्केलेरोसिस में देखा गया है ।
Protocol
Representative Results
Discussion
हाल ही में, अनुसंधान प्रदर्शन किया है कि विभिंन volumetric तरीकों के उपयोग neuroimaging अध्ययन1,2के लिए महत्वपूर्ण निहितार्थ हो सकता है । प्रोटोकॉल प्रकाशित करके कि कैसे विभिंन neuroimaging उपकरण लागू ?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
हम CHDI/उच्च क्यू फाउंडेशन ट्रैक के लिए जिंमेदार-HD अध्ययन में उन सभी को धंयवाद देना चाहते हैं; विशेष रूप से, Beth Borowsky, एलन Tobin, डैनियल वान Kammen, एतान हस्ताक्षरकर्ता, और शेरी Lifer । लेखक भी ट्रैक-एचडी अध्ययन करने वाले प्रतिभागियों और उनके परिवारों के प्रति अपनी कृतज्ञता बढाने की कामना करते हैं । यह काम UCLH/UCL में शुरू किया गया, जो स्वास्थ्य विभाग के स्वास्थ्य अनुसंधान जैव चिकित्सा अनुसंधान केंद्रों के लिए अनुदान योजना के माध्यम से धन का अनुपात प्राप्त हुआ । S.J.T. परिवारजन और Neurodegenerative अनुसंधान नेटवर्क, DeNDRoN के माध्यम से स्वास्थ्य अनुसंधान के लिए राष्ट्रीय संस्थान का समर्थन स्वीकार करता है ।
ट्रैक-एचडी जांचकर्ता:
सी. कैंपबेल, एम. कैंपबेल, Labuschagne, सी. Milchman, जे मोटा, मोनाश विश्वविद्यालय, मेलबोर्न, विक, ऑस्ट्रेलिया; ए. कोलमैन, आर. डार सैंटोस, जे. Decolongon, बी. आर. Leavitt, ए. Sturrock, यूनिवर्सिटी ऑफ ब्रिटिश कोलंबिया, वैंकूवर, बीसी, कनाडा; A. Durr, c. Jauffret, D. Justo, S. Lehericy, c. Marelli, K. Nigaud, R. Valabrègue, आईसीएम संस्थान, Paris, फ़्रांस; एन. के. Bechtel, एस. Bohlen, आर. Reilmann, यूनिवर्सिटी ऑफ Münster, Münster, जर्मनी; बी. के. Landwehrmeyer, यूनिवर्सिटी ऑफ उल्म, उल्म, जर्मनी; एस. जे. ए. वान मांद Bogaard, ई. एम. Dumas, जे वान डेर Grond, ई. पी. टी हार्ट, आर. ए. Roos, Leiden यूनिवर्सिटी मेडिकल सेंटर, Leiden, नीदरलैंड; एन Arran, जे Callaghan, डी. Craufurd, सी. Stopford, मैनचेस्टर, मैनचेस्टर, यूनाइटेड किंगडम के विश्वविद्यालय; डी. एम. कैश, IXICO, लंडन, युनाइटेड किंग्डम; एच. क्रॉफर्ड, एन. सी. फॉक्स, एस. ग्रेगरी, जी. ओवेन, एन. जेड. हॉब्स, एन. लाहिड़ी, आई. मेलोन, जे. पढ़ें, एम. जे. कहते हैं, डी. व्हाइटहेड, ई. वाइल्ड, यूनिवर्सिटी कॉलेज लंदन, लंदन, युनाइटेड किंग्डम; सी. फ्रॉस्ट, आर जोंस, स्वच्छता और उष्णकटिबंधीय चिकित्सा, लंदन, यूनाइटेड किंगडम के लंदन स्कूल; ई. Axelson, एच जे जॉनसन, डी Langbehn, आयोवा विश्वविद्यालय, IA, संयुक्त राज्य अमेरिका; और एस Queller, सी कैंपबेल, इंडियाना विश्वविद्यालय, में, संयुक्त राज्य अमेरिका ।
Riferimenti
- 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).
