t1 加权 mri 图像中皮质灰质的自动分割
Summary
该协议描述了将7种不同的自动分割工具应用于结构 t1 加权 mri 扫描的过程, 以描述可用于量化灰质体积的灰质区域。
Abstract
在神经成像研究中, 最近的一些研究讨论了研究之间在体积发现方面的差异所产生的影响, 这些差异被认为是由于使用不同的分割工具来产生大脑体积。在这里, 介绍了可用于分割大脑中灰质的七个自动化工具的处理管道。该协议为研究人员提供了一个初步步骤, 他们的目标是从 t1 加权 mri 扫描中找到产生灰质体积的最准确方法。手稿中还包括进行详细视觉质量控制的步骤。此协议涵盖了一系列潜在的细分工具, 并鼓励用户在选择应用于完整队列的工具之前, 在其数据的子集中比较这些工具的性能。此外, 该协议还可以进一步推广到其他大脑区域的分割。
Introduction
神经成像广泛应用于临床和研究环境。目前有一个动作, 以提高研究的重现性, 量化磁共振成像 (mri) 扫描的大脑体积;因此, 调查人员必须分享使用可用 mri 工具将 mri 扫描分割为区域卷的经验, 以改进方法1的标准化和优化。该协议提供了一个分步指南, 使用七种不同的工具来分割皮质灰质 (cgm; 灰质, 排除皮质下区域) 从 t1 加权 mri 扫描。这些工具以前用于分割方法2的方法比较, 该方法显示了亨廷顿病队列中工具之间的可变性能。由于这些工具的性能被认为因不同数据集而异, 因此研究人员在选择仅应用于其数据集的工具之前, 必须先测试一些工具。
灰质 (gm) 体积经常被用作测量大脑形态的指标。体积测量通常是可靠的, 能够区分健康的对照组和临床组3。大脑区域的不同组织类型的体积通常是使用自动软件工具来计算这些组织类型的。因此, 要建立高质量的转基因区域划分 (分段), 准确划定白质 (wm) 和脑脊液 (csf) 对于实现全球机制区域的准确性至关重要。有许多自动化工具可用于执行 gm 细分, 每个工具都需要不同的处理步骤, 并产生不同的输出。一些研究将这些工具应用于不同的数据集, 将它们与其他数据集进行比较, 一些研究优化了特定工具1、4、5、6、7、8 , 9,10,11。先前的研究表明, 体积工具之间的差异可能会导致文献中的不一致, 在研究大脑体积时, 这些差异已被认为是导致错误结论被得出的驱动因素神经状况1。
最近, 对包括健康控制参与者和亨廷顿病参与者在内的队列中的不同分割工具进行了比较。亨廷顿病是一种遗传性神经退行性疾病, 成年后典型发病。皮质下逐渐萎缩和 cgm 是该疾病的一个突出和研究良好的神经病理特征。结果显示了应用于队列的7个分割工具的可变性能, 这支持了先前的工作, 这些工作证明了根据用于计算 mri 扫描大脑体积的软件, 发现的可变性。该协议提供了关于 johnson 等人之间使用的处理的信息.(2017年)2 , 鼓励仔细选择最适合用于神经成像的工具的方法。本手册涵盖了转基因体积的分割, 但不包括病变的分割, 例如在多发性硬化症中看到的病变。
Protocol
Representative Results
Discussion
最近的研究表明, 使用不同的体积方法可能对神经影像学研究有重要的意义 1,2。通过发布协议, 帮助指导新手用户如何应用不同的神经成像工具, 以及如何对这些工具的结果输出执行 qc, 研究人员可以选择应用于他们的数据集的最佳方法。
虽然此 sop 中的大多数步骤都可以进行调整以满足数据和研究人员的要求, 但这里介绍的最关键?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
我们要感谢所有在 chdi\ 高级 q 基金会负责 track-hd 研究的人;特别是 beth borowsky、allan tobin、daniel van kammen、ethan signer 和 sherry lifer。作者还希望向 track-hd 的研究参与者及其家人表示感谢。这项工作是在加州大学洛杉矶大学进行的, 该中心得到了卫生部国家卫生研究所生物医学研究中心资助计划的一部分资金。s. j. t. 感谢国家卫生研究所通过 dementias 和神经退行性研究网络 (dendron) 提供的支持。
追踪-高清调查人员:
c. campbell, m. campbell, i. labuschagne, c. milchman, j. stout, monash 大学, 墨尔本, vic, australian;a. coleman, r. dar santos, j. decolongon, b. r. leavitt, a. sturrock, british university, 温哥华, bc, canada;a. durr, c. jauffret, d. justo, s. leherici, c. marelli, k. nigaud, r. valabrègue, 委员会研究所, paris, france;n. bechtel, s. bohlen, r. reilmann, münster 大学, 德国明斯特大学;b. landwehrmeyer, 德国乌尔姆乌尔姆大学;s. j. a. van den bogaard, e. m. dumas, j. van der grund, e. p. t t hart, r. a. roos, 莱顿大学医学中心, 荷兰莱顿大学医疗中心;n. arran, j. callaghan, d. craufurd, c. stopford, 曼彻斯特大学, 联合王国曼彻斯特;d. m. 现金, ixico, 伦敦, 联合王国;h. crawford, n. c. fox, s. gregory, g. owen, n. z. hobbs, n. lahiri, i. mic, j. read, m. j. say, d. whithead, e. wild, 伦敦大学学院, 伦敦, 联合王国;c. 弗罗斯特, r. jones, 伦敦卫生和热带医学院, 联合王国;e. axelson, h. j. johnson, d. langbehn, 美国国际电办爱荷华州大学;和 s. queller, c. campbell, 印第安纳大学, in, in, 美国。
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).
