Automatisert segmentering av kortikale grå materie fra T1-vektet MRI bilder
Summary
Denne protokollen beskriver prosessen med å bruke sju ulike automatisert segmentering verktøy strukturelle T1-vektet Mr skanner å avgrense grå materie områder som kan brukes for kvantifisering av grå materie.
Abstract
I neuroimaging forskning, har en rekke studier diskutert virkningen av mellom-studie forskjeller i volumetriske funn som antas å skyldes bruk av ulike segmentering verktøy for å generere hjernen volumer. Her presenteres behandling rørledninger for syv automatiserte verktøy som kan brukes til å segmentere grå materie i hjernen. Protokollen gir et første skritt for forskere å finne den mest nøyaktige metoden for å generere grå materie volumer fra T1-vektet Mr skanner. Skritt å gjennomføre detaljerte visuelle kvalitetskontroll er også inkludert i manuskriptet. Denne protokollen dekker en rekke potensielle segmentering verktøy og oppfordrer brukere til å sammenligne resultatene av disse verktøyene i et delsett av dataene før du velger en gjelder for en full kohort. Videre kan protokollen videre generaliseres til oppdeling av andre områder av hjernen.
Introduction
Neuroimaging er mye brukt i både klinisk og forskning innstillingene. Det er en gjeldende flytte for å forbedre reproduserbarhet av studier som kvantifisere hjernen volum fra magnetisk resonans imaging (MRI) skanner; Derfor er det viktig at etterforskerne dele erfaringer med tilgjengelige MRI-verktøy for å segmentere Mr skanner i regionale volumer, for å forbedre standardisering og optimalisering metoder1. Denne protokollen gir trinnvise instruksjoner å bruke seks forskjellige verktøy til å segmentere kortikale grå saken (CGM, grå materie som utelukker subkortikal regioner) fra T1-vektet Mr skanner. Disse verktøyene ble tidligere brukt i en metodisk sammenligning av segmentering metode2, som viste variabel ytelse mellom verktøy på en Huntingtons sykdom kohort. Siden resultatene av disse verktøyene er tenkt å variere blant forskjellige datasets, er det viktig for forskerne å teste en rekke verktøy før du velger bare én gjelder deres DataSet.
Grå materie (GM) volum brukes jevnlig som et mål på hjernen morfologi. Volumetrisk tiltak er generelt pålitelig og kunne forskjellsbehandle sunn kontroller og klinisk grupper3. Volumet av ulike vev typer områder av hjernen beregnes ofte med automatisert programvareverktøy som identifiserer slike vev. Dermed for å skape høy kvalitet delineations (segmentations) av GM, er nøyaktig avgrensning av hvit substans (WM) og cerebrospinalvæske (CSF) kritiske for nøyaktigheten av GM regionen. Det finnes en rekke automatiserte verktøy som kan brukes for å utføre GM segmentering, og hver krever ulike behandling trinn og resultater i en annen produksjon. En rekke studier har brukt verktøyene i forskjellige datasets sammenligne dem med hverandre, og noen har optimalisert spesifikke verktøy1,4,5,6,7,8 ,9,10,11. Tidligere arbeid har vist at variasjonen mellom volumetriske verktøy kan føre til uoverensstemmelser innen litteraturen når studere hjernen volum, og disse forskjellene er foreslått som kjører faktorer for falske konklusjoner trukket om nevrologiske forhold1.
Nylig ble en sammenligning av ulike segmentering verktøy i en kohort både sunn kontroll deltakere og deltakerne med Huntingtons sykdom utført. Huntingtons sykdom er en genetisk neurodegenerative sykdom med en typisk utbruddet i voksen alder. Gradvis atrofi av subkortikal og CGM er en fremtredende og godt studert neuropathological funksjon av sykdommen. Resultatene viste variabel ytelse av syv segmentering verktøy som ble brukt på kohort, støtter tidligere arbeid som viste variasjon i resultatene avhengig av programvaren som brukes til å beregne hjernen volumer fra Mr skanner. Denne protokollen gir informasjon om behandling brukes i Johnson et al. (2017) 2 som oppfordrer forsiktig metodisk utvalg av de mest passende verktøyene for bruk i neuroimaging. Denne håndboken dekker oppdeling av GM volum, men dekker ikke oppdeling av lesjoner, som dem sett i multippel sklerose.
Protocol
Representative Results
Discussion
Nylig har forskning vist at bruken av volumetriske metoder kan ha viktige implikasjoner for neuroimaging studier1,2. Ved publisering protokoller som hjelper guide nybegynnere i hvordan du bruker forskjellige neuroimaging verktøy, samt utføre QC på resultater-utgang disse verktøyene, kan forskere velge den beste metoden å bruke deres DataSet.
Mens de fleste trinn på denne SOP kan tilpasses etter kravene til data og forsker, en av …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Vi ønsker å takke alle de ved CHDI/høy Q Foundation ansvarlig for spor-HD studier; spesielt, Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan signerer og Sherry Lifer. Forfatterne også ønsker å utvide sin takknemlighet til spor-HD studie deltakerne og deres familier. Dette arbeidet ble gjort på UCLH/UCL, som fikk en andel av finansiering fra Department of Health’s National Institute for Health biomedisinsk forskning forskningssentre finansiering ordningen. S.J.T. anerkjenner støtte fra National Institute for Health Research gjennom Dementias og nevrodegenerative Research Network, DeNDRoN.
SPOR-HD etterforskere:
C. Campbell, M. Campbell, I. Labuschagne, C. Milchman, J. Stout, Monash University, Melbourne, VIC, Australia; A. Coleman, R. Dar Santos, J. Decolongon, B. R. Leavitt, A. Sturrock, University of British Columbia, Vancouver, BC, Canada; A. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, Frankrike. N. Bechtel, S. Bohlen, R. Reilmann, Universitetet i Münster, Münster, Tyskland; B. Landwehrmeyer, Universitetet i Ulm, Ulm, Tyskland; 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, Nederland; N. Arran, J. Callaghan, D. Craufurd, C. Stopford, Universitetet i Manchester, Manchester, Storbritannia. D. M. kontanter, IXICO, London, Storbritannia. H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lahiri, I. Malone, J. lese, M. J. sier, D. Whitehead, E. Wild, University College London, London, Storbritannia. C. Frost, R. Jones, London School of Hygiene og tropiske medisin, London, Storbritannia. E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; og S. Queller, C. Campbell, Indiana University i USA.
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).
