Summary

Automatiserad segmentering av hjärnbarkens grå substans från T1-vägd MRI-bilder

Published: January 07, 2019
doi:

Summary

Det här protokollet beskriver processen att tillämpa sju olika automatiserad segmentering verktyg till strukturella T1-vägd Magnettomografi att avgränsa grå regioner som kan användas för kvantifiering av grå hjärnsubstans volym.

Abstract

Inom neuroradiologisk forskning, har ett antal nyare studier diskuteras effekterna av mellan-studera skillnader i volymetriska fynd som är tänkt att resultera från användning av olika segmentering verktyg för att generera hjärnan volymer. Här presenteras bearbetning rörledningar för sju automatiserade verktyg som kan användas för att segmentera grå substans i hjärnan. Protokollet ger ett första steg för forskare som syftar till att hitta den mest exakta metoden för att generera grå volymer från T1-vägd Magnettomografi. Åtgärder för att genomföra detaljerad visuell kvalitetskontroll ingår också i manuskriptet. Detta protokoll omfattar en rad potentiella segmentering verktyg och uppmuntrar användare att jämföra prestanda för dessa verktyg inom en delmängd av deras data innan du väljer en att gälla en full kohort. Dessutom kan protokollet generaliseras ytterligare till segmentering av andra regioner i hjärnan.

Introduction

Neuroimaging används flitigt i både kliniska och forskning inställningar. Det finns en aktuell flytta att förbättra reproducerbarheten av studier som kvantifiera hjärnans volym från magnetisk resonanstomografi (MRT) genomsökningar; Det är därför viktigt att utredarna dela erfarenheter av att använda tillgängliga MRI verktyg för segmentera Magnettomografi till regionala volymer, för att förbättra standardisering och optimering av metoder1. Detta protokoll ger en steg för steg guide till att använda sju olika verktyg för att segmentera i hjärnbarkens grå substans (CGM; grå substans som utesluter subkortikala regioner) från T1-vägd Magnettomografi. Dessa verktyg användes tidigare i en metodologisk jämförelse av segmentering metod2, som visade varierande prestanda mellan verktyg på en HS-kohorten. Eftersom prestanda av dessa verktyg är tänkt att variera mellan olika datamängder, är det viktigt för forskarna att testa ett antal verktyg innan du väljer endast en att gälla deras datamängd.

Grå substans (GM) volym används regelbundet som ett mått på hjärnans morfologi. Volymetrisk åtgärder är i allmänhet pålitliga och kunna diskriminera mellan friska kontroller och kliniska grupper3. Volymen av olika vävnadstyper av hjärnregioner beräknas oftast med automatiserad programvaruverktyg som identifierar dessa vävnadstyper. Således, för att skapa högkvalitativa tolkningar (segmenteringar) av GM, korrekt avgränsning av vit substans (WM) och cerebrospinalvätska (CSF) är kritiska för att uppnå noggrannhet av regionen GM. Det finns ett antal automatiserade verktyg som kan användas för att utföra GM segmentering, och var och en kräver olika bearbetningssteg och resulterar i en annan utgång. Ett antal studier har använt verktyg för olika datamängder att jämföra dem med varandra, och vissa har optimerat specifika verktyg1,4,5,6,7,8 ,9,10,11. Tidigare arbete har visat att variationen mellan volymetriska verktyg kan leda till inkonsekvenser inom litteraturen när man studerar hjärnans volym, och dessa skillnader har föreslagits som drivande faktorer för falska avslutningar dras om neurologiska villkor1.

Nyligen genomfördes en jämförelse av olika segmentering verktyg i en kohort som inkluderade både friska kontrolldeltagare och deltagare med Huntingtons sjukdom. Huntingtons sjukdom är en genetisk neurodegenerativ sjukdom med en typisk debut i vuxen ålder. Gradvis atrofi av subkortikala och CGM är en framstående och väl studerat neuropatologiska funktion av sjukdomen. Resultaten visade varierande prestanda av sju segmentering-verktyg som användes till kohorten, stödja tidigare arbete som uppvisade fluktuationer i resultat beroende på vilken programvara som används för att beräkna hjärnan volymer från Magnettomografi. Detta protokoll ger information om den behandling som används i Johnson et al. (2017) 2 som uppmuntrar noggrann metodologiska val av de mest lämpliga verktygen för användning i neuroimaging. Denna handbok omfattar segmentering av GM volym men täcker inte segmentering av lesioner, såsom dem som ses vid multipel skleros.

Protocol

Anmärkning: Se till att alla bilder är i NifTI-format. Konvertering till NifTI täcks inte in här. 1. segmentering via SPM 8: Unified Segment Obs: Denna procedur utförs via SPM8 GUI som verkar inom Matlab. Guiden SPM8 ger ytterligare information och kan hittas på: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. Kontrollera att SPM8 är installerad och inställd i sökvägen programvara. SPM segmentering utförs med en GUI. Fö…

Representative Results

Genomsnittliga hjärnan volymer för 20 kontrolldeltagare, tillsammans med demografisk information, visas i tabell 1. Detta fungerar som en guide för förväntade värden när du använder dessa verktyg. Resultaten bör ses i samband med den ursprungliga T1.nii bilden. Alla GM regioner ska inspekteras enligt stegen som beskrivs i avsnitt 8. När du utför visuella QC, är det viktigt att direkt jämföra GM regionerna att T1 genomsökningen genom att visa dem överlagras…

Discussion

Forskning har nyligen visat att användning av olika volymetriska metoder kan ha stor betydelse för neuroradiologiska studier1,2. Genom protokoll för webbpublicering som hjälper nybörjare guide i hur man tillämpar olika neuroimaging verktyg, samt hur du utför QC på resultat-utdata med dessa verktyg, kan forskare välja den bästa metoden att gälla deras datamängd.

Medan de flesta stegen i denna SOP kan justeras för att passa …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Vi vill tacka alla dem på CHDI/High Q Foundation ansvarar för TRACK-HD studien; i synnerhet Beth Borowsky, Allan Tobin, Daniel van Kammen, Ethan Signer och Sherry Lifer. Författarna vill även utöka sin tacksamhet till TRACK-HD studiedeltagarna och deras familjer. Detta arbete genomfördes vid UCLH/UCL, vilket fick en del av finansieringen från Department of Healths nationella institutet för forskning biomedicinsk forskning vårdcentraler finansieringsprogram. S.J.T. erkänner stöd av National Institute for Health Research genom demenssjukdomar och neurodegenerativ forskarnätverket, dendrologisk.

TRACK-HD utredare:
C. Campbell, M. Campbell, I. Lindahl, 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. Durr, C. Jauffret, D. Justo, S. Lehericy, C. Marelli, K. Nigaud, R. Valabrègue, ICM Institute, Paris, Frankrike; N. Bechtel, S. Bohlen, R. Reilmann, universitetar av Münster, Münster, Tyskland; B. ** Landwehrmeyer **, universitet av 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, Nederländerna. N. Arran, J. Callaghan, D. Craufurd, C. Stopford, University of Manchester, Manchester, Förenade kungariket. D. M. Cash, IXICO, London, Storbritannien. H. Crawford, N. C. Fox, S. Gregory, G. Owen, N. Z. Hobbs, N. Lundqvist, I. Malone, J. Läs, M. J. säga, D. Whitehead, E. Wild, University College London, London, Storbritannien; C. Frost, R. Jones, London School of Hygiene and Tropical Medicine, London, Storbritannien. E. Axelson, H. J. Johnson, D. Langbehn, University of Iowa, IA, USA; och S. Queller, C. Campbell, Indiana University i USA.

References

  1. Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
  2. 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).
  3. 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).
  4. Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  15. Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  16. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
  17. 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).
  18. 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).
  19. Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).
check_url/58198?article_type=t

Play Video

Cite This Article
Johnson, E. B., Scahill, R. I., Tabrizi, S. J. Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images. J. Vis. Exp. (143), e58198, doi:10.3791/58198 (2019).

View Video