Ce protocole décrit le processus d’application de sept outils de segmentation automatique différents à structurels pondérées en T1 IRM à délimiter des régions de matière grise qui peuvent être utilisées pour la quantification du volume de matière grise.
Dans la recherche de neuro-imagerie, un certain nombre d’études récentes ont examiné l’incidence des différences entre les études dans les conclusions volumétriques qui sont susceptibles de résulter de l’utilisation des outils de segmentation différente pour générer des volumes de cerveau. Ici, les pipelines de traitement aux sept outils automatisés qui permet de segmenter la matière grise dans le cerveau sont présentés. Le protocole prévoit une première étape pour les chercheurs qui vise à trouver la méthode la plus précise pour générer des volumes de matière grise de l’IRM pondérées en T1. Étapes d’entreprendre le contrôle détaillé de la qualité visuel sont également incluses dans le manuscrit. Ce protocole couvre un éventail d’outils de segmentation potentiels et encourage les utilisateurs à comparer les performances de ces outils au sein d’un sous-ensemble de leurs données avant de sélectionner un à appliquer à une cohorte complète. En outre, le protocole peut être encore généralisé à la segmentation des autres régions du cerveau.
Neuroimaging est employé couramment dans les deux cliniques et paramètres de recherche. Il y a un coup en cours pour améliorer la reproductibilité des études qui quantifier le volume du cerveau des analyses de l’imagerie par résonance magnétique (IRM) ; ainsi, il est important que les chercheurs partagent expériences d’utilisation des outils de MRI disponibles pour la segmentation d’IRM en volumes régionaux, afin d’améliorer la normalisation et l’optimisation des méthodes1. Ce protocole prévoit un guide détaillé à l’aide de sept différents outils pour segmenter la substance grise corticale (CGM ; matière grise qui exclut les régions sous-corticales) d’IRM pondérées en T1. Ces outils ont été précédemment utilisés dans une comparaison méthodologique de segmentation méthodes2, qui ont démontré un rendement variable entre les outils sur une cohorte de la maladie de Huntington. Étant donné que les performances de ces outils est pensé à varier selon les différents ensembles de données, il est important pour les chercheurs de tester quelques outils avant de sélectionner un seul à appliquer à l’ensemble de leur données.
Volume de matière grise (GM) est régulièrement utilisé comme mesure de la morphologie du cerveau. Mesures volumétriques sont généralement fiables et capables de distinguer les témoins sains et groupes cliniques3. Le volume des types de tissus différents de régions du cerveau est le plus souvent calculé à l’aide d’outils logiciels automatisés permettant d’identifier ces types de tissus. Ainsi, pour créer des délimitations de haute qualité (segmentations) de GM, la délimitation précise de la substance blanche (WM) et le liquide céphalo-rachidien (LCR) est critique dans la réalisation de précision de la région de GM. Il y a un certain nombre d’outils automatisés qui peuvent être utilisés pour l’exécution de segmentation de GM, et chacun exige des étapes de traitement différent et se traduit par une sortie différente. Un certain nombre d’études ont appliqué les outils aux différents ensembles de données à comparer avec une autre, et certains ont optimisé des outils spécifiques1,4,5,6,7,8 ,9,10,11. Des travaux antérieurs a montré que la variabilité entre les outils volumétriques peut entraîner des incohérences dans la littérature lorsque l’on étudie le volume du cerveau, et ces différences ont été suggérés comme facteurs de fausses conclusions étant tirées concernant affections neurologiques1.
Récemment, une comparaison des outils de segmentation différente dans une cohorte qui comprenait les participants contrôle sain et les participants avec la maladie de Huntington a été effectuée. La maladie de Huntington est une maladie génétique neurodégénérative avec un début typiquement à l’âge adulte. L’atrophie progressive de subcortical et CGM est une caractéristique des éminente et bien étudiée neuropathologique de la maladie. Les résultats ont démontré la performance variable de sept outils de segmentation qui ont été appliqués à la cohorte, soutenant des travaux antérieurs qui ont démontré la variabilité des résultats selon le logiciel utilisé pour calculer les volumes de cerveau de l’IRM. Ce protocole fournit des informations sur le traitement utilisé dans Johnson et al. (2017) 2 qui encourage une sélection méthodologique rigoureuse des instruments plus appropriés pour une utilisation en neuro-imagerie. Ce manuel couvre la segmentation du volume de GM mais ne couvre pas la segmentation des lésions, telles que celles observées dans la sclérose en plaques.
Récemment, des recherches ont démontré que l’utilisation de différentes méthodes volumétriques peut-être avoir des implications importantes pour les études de neuro-imagerie1,2. Par les protocoles de publication qui guide les utilisateurs novices dans comment appliquer les outils de la neuroimagerie différents, ainsi que comment faire QC sur la sortie des résultats de ces outils, les chercheurs peuvent choisir la meilleure méthode à appliquer à l?…
The authors have nothing to disclose.
Nous tenons à remercier tous ceux à la fondation de Q CHDI/haut responsable de l’étude de TRACK-HD ; en particulier, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer et Sherry Lifer. Aussi, les auteurs tiennent à exprimer leur gratitude aux participants à l’étude TRACK-HD et leurs familles. Ce travail a été entrepris à l’UCLH/UCL, qui a reçu une part du financement de l’Institut National du ministère de la santé santé recherche centres de recherche biomédicale programme de financement. S.J.T. reconnaît le soutien de l’Institut National de recherche en santé par démences et neurodégénératives Research Network, DeNDRoN.
Enquêteurs de piste-HD :
C. Campbell, M. Campbell, I. la rose, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australie ; A. Coleman, r. Dar Santos, J. Delsaute, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Canada ; A. Durr, Jauffret, Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institut C.d., Paris, France ; N. Bechtel, S. Bohlen, R. Reilmann, Université de Münster, Münster, Allemagne ; B. Landwehrmeyer, Université d’Ulm, Ulm, Allemagne ; 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, pays-bas ; N. Arran, J. Callaghan, d. Craufurd, Stopford C., University of Manchester, Manchester, United Kingdom ; D. M. Cash, IXICO, London, United Kingdom ; H. Crawford, N. C. Fox, Gregory S., G. Owen, N. Z. Hobbs, N. Labrousse, I. Malone, J. Read, M. J. Say, d. Whitehead, E. Wild, University College de Londres, London, United Kingdom ; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, Londres, Royaume-Uni, E. Axelson, H. J. Johnson, d. Langbehn, Université de l’Iowa, IA, États-Unis ; et S. Queller, c. Campbell, Indiana University, aux États-Unis.