Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen
Summary
Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.
Abstract
Innerhalb von Neuroimaging Forschung haben eine Reihe von Studien die Auswirkungen unterschiedlicher zwischen Studie volumetrische Befunde diskutiert, die gedacht werden, um die aus der Nutzung der verschiedenen Segmentierungstools Gehirn Volumen erzeugen ergeben. Hier präsentieren wir Verarbeitung Pipelines für sieben automatisierte Tools, die zur Segmentierung der grauen Substanz im Gehirn verwendet werden können. Das Protokoll sieht einen ersten Schritt für die Forscher mit dem Ziel, die genaueste Methode zur Erzeugung von Volumen der grauen Substanz aus T1-gewichteten MRT-Aufnahmen zu finden. Auch das Manuskript gehören Schritte, detaillierte visuelle Qualitätskontrolle durchzuführen. Dieses Protokoll umfasst eine Reihe von potenziellen Segmentierungstools und regt Benutzer um die Leistung dieser Werkzeuge in einer Teilmenge der Daten vor der Auswahl einer für eine volle Kohorte gelten. Darüber hinaus kann das Protokoll weiter auf die Segmentierung von anderen Hirnregionen verallgemeinert werden.
Introduction
Neuroimaging ist weit verbreitet in den beiden klinischen und Forschung Einstellungen. Es gibt eine aktuelle Bewegung um die Reproduzierbarkeit der Studien zu verbessern, das Hirnvolumen von Magnetresonanz-Bildgebung (MRI) Scans zu quantifizieren; Daher ist es wichtig, dass Ermittler Erfahrungen mit MRI Werkzeuge teilen für MRI-Scans in regionalen Bände, Segmentierung, um die Standardisierung und Optimierung der Methoden1zu verbessern. Dieses Protokoll enthält eine schrittweise Anleitung zur Verwendung von sieben verschiedene Werkzeuge zur Segmentierung der kortikalen grauen Substanz (CGM, graue Substanz die subkortikale Regionen ausschließt) von T1-gewichteten MRT-Untersuchungen. Diese Werkzeuge wurden früher in einem methodischen Vergleich der Segmentierung Methoden2, die Variable Leistung zwischen Tools auf eine Chorea Huntington-Kohorte unter Beweis gestellt. Da diese Werkzeuge variieren zwischen den verschiedenen Datensätzen gedacht wird, ist es wichtig für die Forscher eine Reihe von Tools zu testen, bevor die Auswahl nur einer ihrer Dataset zuweisen.
Volumen der grauen Substanz (GM) dient regelmäßig als ein gewisses Maß an Gehirn Morphologie. Volumetrische Maßnahmen sind in der Regel zuverlässig und in der Lage, zwischen gesunden Kontrollpersonen und klinischen Gruppen3unterscheiden. Das Volumen der verschiedenen Gewebetypen von Hirnregionen wird in den meisten Fällen anhand automatisierte Software-Tools, die diese Gewebetypen zu identifizieren. Deshalb erstellen Sie qualitativ hochwertige Darstellungen (Segmentierungen) von der GM, genaue Abgrenzung der weißen Substanz (WM) und Liquor cerebrospinalis (CSF) kritische Genauigkeit der GM-Region zu erreichen. Es gibt eine Reihe von automatisierten Tools, die für die Durchführung von GM Segmentierung verwendet werden kann, und jeder erfordert verschiedene Verarbeitungsschritte und führt zu einen anderen Ausgang. Eine Reihe von Studien angewendet haben die Werkzeuge auf verschiedene Datasets, sie miteinander zu vergleichen und einige haben spezielle Werkzeuge1,4,5,6,7,8 optimiert ,9,10,11. Bisherigen Arbeit hat gezeigt, dass die Variabilität zwischen volumetrische Tools kann Inkonsistenzen innerhalb der Literatur führen, wenn Hirnvolumen studieren, und diese Unterschiede als treibende Faktoren für falsche Schlussfolgerungen über vorgeschlagen worden neurologischen Erkrankungen1.
Vor kurzem erfolgte ein Vergleich der verschiedenen Segmentierungstools in einer Kohorte, die gesunden Teilnehmerinnen und Teilnehmer mit Chorea Huntington enthalten. Huntington-Krankheit ist eine genetische Neurodegenerative Erkrankung mit einem typischen Ausbruch im Erwachsenenalter. Allmähliche Atrophie der subkortikalen und CGM ist eine prominente und gut untersuchte neuropathologische Merkmal der Erkrankung. Die Ergebnisse zeigten Variable Leistung von sieben Segmentierungstools, die angewendet wurden, der Kohorte, Unterstützung von Vorarbeiten, die Variabilität der Ergebnisse abhängig von der Software zur Berechnung der Gehirn-Bände von MRT-Untersuchungen nachgewiesen. Dieses Protokoll enthält Informationen über die Verarbeitung in Johnson Et al. (2017) 2 , die sorgfältige methodische Auswahl der am besten geeignete Werkzeuge für den Einsatz in Neuroimaging fördert. Dieses Handbuch umfasst die Segmentierung von GM Volumen, nicht aber die Segmentierung der Läsionen, wie bei Multipler Sklerose.
Protocol
Representative Results
Discussion
Vor kurzem hat die Forschung gezeigt, dass die unterschiedlichen volumetrischen Methoden wichtige Implikationen für Neuroimaging Studien1,2nutzen können. Von publishing-Protokolle, mit denen Reiseführer unerfahrene Anwender in verschiedenen Neuroimaging Werkzeuge anwenden sowie QC auf die Ergebnisausgabe durch diese Tools ausführen, können Forscher die beste Methode, um ihre Dataset zuweisen auswählen.
Während die meisten Schrit…
Declarações
The authors have nothing to disclose.
Acknowledgements
Wir danken all jenen in der CHDI/High Q Foundation verantwortlich für die TRACK-HD-Studie; vor allem Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer und Sherry Lifer. Auch möchten die Autoren ihre Dankbarkeit für die TRACK-HD-Studien-Teilnehmer und ihre Familien. Diese Arbeit war am UCLH/UCL, durchgeführt, die einen Teil der Finanzierung aus dem Department of Health National Institute für Forschung biomedizinische Forschung Gesundheitszentren Förderform erhielt. S.J.T. räumt Unterstützung des National Institute for Health Research durch die Demenz und neurodegenerativen Research Network, DeNDRoN.
TRACK-HD-Ermittler:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australien; A. Coleman, R. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Kanada; A. Dürr, C. Jaufer, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM-Institut, Paris, Frankreich; N. Bechtel, S. Bohlen, R. Reilmann, Universität Münster, Münster, Deutschland; B. Landwehrmeyer, Universität Ulm, Ulm, Deutschland; 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, Niederlande; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universität von Manchester, Manchester, Vereinigtes Königreich; D. M. Bar, IXICO, London, Vereinigtes Königreich; H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. Read, M. J. sagen, D. Whitehead, E. Wild, University College London, London, Vereinigtes Königreich; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, London, Vereinigtes Königreich; E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; und S. Queller, C. Campbell, Indiana University IN USA.
Referências
- 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).
