MRI の T1 強調画像からの皮質の灰白質の自動セグメンテーション
Summary
このプロトコルでは、灰白質の量の定量化のため使用することができます灰白質領域を線引きしたりする構造の T1 強調 MRI スキャンに 7 つの異なる自動セグメンテーション ツールを適用するプロセスについて説明します。
Abstract
ニューロ イメージング研究に多くの最近の研究は脳のボリュームを生成する異なるセグメンテーション ツールの使用に起因すると考えられている容積の調査結果の研究の間の違いの影響について説明しました。ここでは、脳の灰白質をセグメントに使用できる 7 つの自動化ツールの処理パイプラインが掲載されています。プロトコルは、T1 強調 MRI スキャンから灰のボリュームを生成するための最も正確な方法を見つけることを目指して研究者の最初のステップを提供します。詳細なビジュアル品質管理を実施する手順は、原稿にも含まれます。このプロトコルは潜在的なセグメンテーション ツールの範囲をカバーし、におけるコホートに適用する 1 つを選択する前に、データのサブセットの内でこれらのツールのパフォーマンスを比較するユーザーを奨励します。さらに、プロトコルは他の頭脳領域のセグメンテーションをさらに一般化することがあります。
Introduction
ニューロ イメージングは、両方の臨床で広く使用されて、設定を研究します。磁気共鳴画像 (MRI) スキャンから脳の容積を定量化研究の再現性を改善するために現在の動きがあります。したがって、捜査官が標準化と方法1の最適化を改善するために mri を分割、地域のボリュームの使用可能な mri 検査ツールを使用しての経験を共有することが重要です。このプロトコルでは、T1 強調 MRI スキャンから皮質の灰白質 (CGM; 除く皮質灰白質) をセグメント化する 7 つの異なるツールを使用するためのステップ バイ ステップ ガイドを提供します。これらのツールは、セグメンテーションの方法2ハンチントン病コホートのツール間の変数のパフォーマンスを実証の方法論的比較で以前使用されました。以来、これらのツールのパフォーマンスが異なるデータセット間で異なると考えられ、研究者のツールの数をデータセットに適用する 1 つだけを選択する前にテストすることが重要です。
灰白質 (GM) ボリュームは脳形態の測定として定期的に使用されます。体積測定は、一般的に信頼性が高く、健常者と臨床グループ3の間で区別することができます。脳領域の異なる組織型のボリュームは、よくこれらのティッシュのタイプを識別する自動化されたソフトウェア ツールを使用して計算されます。したがって、GM の高品質鮮明 (区切り) を作成する白質 (WM) と脳脊髄液 (CSF) の正確な描写は、GM 領域の精度を達成するために重要です。GM セグメンテーションを実行するために使用可能性があります、自動化されたツールの数がある、それぞれは別の処理手順を必要とし、異なる出力が得られます。多くの研究は、他の人にそれらを比較する異なるデータセットにツールを適用した、いくつかは特定のツール1,4,5,6,7,8 を最適化しています。 ,9,10,11。体積ツール間の可変性は文献内の不一致することが脳の容積を勉強するときは、これらの違いについて描かれている偽の結論の要因として示唆されている前の仕事を示しています。神経学的な条件1。
最近では、健常者の参加者とハンチントン病と参加者の両方含まれているコホート研究における異なるセグメンテーション ツールの比較を行った。ハンチントン病は、成人期の典型的な発症に遺伝的神経変性疾患です。皮質下の徐々 に萎縮と CGM は病気の顕著なよく研究神経病理学的機能です。結果は、コホート、mri からの脳の体積を計算するために使用するソフトウェアによって所見の変動を示した前の作業支援に適用された分割ツールは 7 種類の変数のパフォーマンスを実証しました。このプロトコルはジョンソンらで使用される処理に関する情報を提供します(2017)2神経イメージング研究で使用するための最も適切なツールを慎重に方法論的選択を奨励します。このマニュアルは、GM ボリュームの分割をカバーして、病変、多発性硬化症で見られるなどのセグメンテーションでは扱いません。
Protocol
Representative Results
Discussion
最近では、研究では、異なる容量法の使用がニューロ イメージング研究1,2のための重要な含意があるを実証してきました。異なるニューロ イメージング ツールを適用する方法だけでなく、これらのツールによって出力結果で QC を実行する方法のガイド初心者ユーザーを支援するプロトコルを公開、研究者のデータセットに適用する最善の方法を?…
Declarações
The authors have nothing to disclose.
Acknowledgements
CHDI/高 Q 財団トラック HD 研究; の責任ですべての人に感謝したいです。特に、ベス Borowsky、アラン ・ トービン、ダニエル ・ ヴァン ・ Kammen、イーサンの署名者、シェリー古参。著者はまたトラック HD 研究参加者とその家族に感謝の意を拡張したいです。この作業は、内診療/UCL、健康研究生物医学研究センターの資金調達スキームの保健省の国立研究所から資金調達の割合を受信で行われました。S.J.T. には、認知症と神経変性研究ネットワーク、デンドロンによる健康研究所のサポートが認めています。
トラック HD 捜査官:
C. キャンベル、・ キャンベル、I. Labuschagne、c. Milchman、j. スタウト、モナシュ大学、メルボルン、VIC、オーストラリア;A. コールマン、R. ダール サントス、j. Decolongon、b. r. レビット、A. Sturrock、ブリティッシュ コロンビア大学、バンクーバー、BC、カナダ;A. Durr、C. Jauffret、D. フスト、s. Lehericy、C. マレリ、k. Nigaud、r. Valabrègue、ICM 研究所、パリ, フランス;(名) ベクテル、s. ボーレン、r. Reilmann、ミュンスター大学、ミュンスター、ドイツ;B. Landwehrmeyer、ウルム大学ウルム、ドイツ;S. j. A. · ヴァン · デン Bogaard、e. m. デュマ j. ヴァン der 変数、E. P. ‘ t、ライデン、オランダのライデン大学医療センター、R. A. ルース ハート(名) アラン、j. キャラハン、D. Craufurd、C. Stopford、マンチェスターの大学、マンチェスター, イギリス;D. M. 現金、IXICO、ロンドン、イギリス;・ クロウフォード、n. c. フォックス、s. グレゴリー、g. オーウェン、n. Z. ホッブズ、N. Lahiri、I. マローン、j. 読み取り、m. j. と言う、d. ホワイト ヘッド、大腸菌ワイルド、大学大学ロンドン, ロンドン, イギリス;C. 霜、r. ジョーンズ、ロンドン大学衛生熱帯医学、ロンドン, イギリス;E. Axelson、H. J. ジョンソン、D. Langbehn、アイオワの大学, アイオワ, アメリカ合衆国;s. Queller、c. キャンベル、インディアナ大学、米国で。
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).
