Auteurs
Contactez-nous

S'identifier

Un abonnement à JoVE est nécessaire pour voir ce contenu. Connectez-vous ou commencez votre essai gratuit.

Dans cet article

  • Résumé
  • Résumé
  • Introduction
  • Protocole
  • Résultats
  • Discussion
  • Déclarations de divulgation
  • Remerciements
  • matériels
  • Références
  • Réimpressions et Autorisations

Résumé

Malgré le rôle crucial du plexus choroïde dans le cerveau, les études de neuroimagerie de cette structure sont rares en raison du manque d’outils de segmentation automatisés fiables. Le présent protocole vise à assurer une segmentation manuelle de référence du plexus choroïde qui peut éclairer les futures études de neuroimagerie.

Résumé

Le plexus choroïde a été impliqué dans le développement neurologique et une gamme de troubles cérébraux. Les preuves démontrent que le plexus choroïde est essentiel à la maturation du cerveau, à la régulation immunitaire/inflammatoire et au fonctionnement comportemental/cognitif. Cependant, les outils actuels de segmentation automatisée en neuroimagerie sont médiocres pour segmenter avec précision et fiabilité le plexus choroïde du ventricule latéral. De plus, il n’existe pas d’outil qui segmente le plexus choroïde situé dans les troisième et quatrième ventricules du cerveau. Ainsi, un protocole délimitant la façon de segmenter le plexus choroïde dans le ventricule latéral, le troisième et le quatrième ventricule est nécessaire pour augmenter la fiabilité et la reproductibilité des études examinant le plexus choroïde dans les troubles neurodéveloppementaux et cérébraux. Ce protocole fournit des étapes détaillées pour créer des fichiers étiquetés séparément dans 3D Slicer pour le plexus choroïde à partir d’images DICOM ou NIFTI. Le plexus choroïde sera segmenté manuellement à l’aide des plans axial, sagittal et coronal des images T1w en veillant à exclure les voxels des structures de matière grise ou blanche bordant les ventricules. Le fenêtrage sera ajusté pour aider à la localisation du plexus choroïde et de ses limites anatomiques. Des méthodes d’évaluation de l’exactitude et de la fiabilité seront démontrées dans le cadre de ce protocole. La segmentation de référence du plexus choroïde à l’aide de délimitations manuelles peut être utilisée pour développer des outils de segmentation automatisés meilleurs et plus fiables qui peuvent être partagés ouvertement pour élucider les changements dans le plexus choroïde tout au long de la vie et dans divers troubles cérébraux.

Introduction

Fonction du plexus choroïde
Le plexus choroïde est une structure hautement vascularisée du cerveau constituée de capillaires fenêtrés et d’une monocouche de cellules épithéliales du plexus choroïde1. Le plexus choroïde se projette dans les ventricules cérébraux latéraux, troisième et quatrième et produit du liquide céphalorachidien (LCR), qui joue un rôle important dans la structuration neuronale2 et la physiologie cérébrale 3,4. Le plexus choroïde sécrète des substances neurovasculaires, englobe un dépôt semblable à une cellule souche et agit comme une barrière physique pour empêcher l’entrée de métabolites toxiques, une barrière enzymatique pour éliminer les fractions qui contournent la barrière physique et une barrière immunologique pour protégercontre les envahisseurs étrangers. Le plexus choroïde module la neurogenèse6, la plasticité synaptique7, l’inflammation8, le rythme circadien 9,10, l’axe cerveau intestinal11 et la cognition12. De plus, les cytokines périphériques, le stress et l’infection (y compris le SRAS-CoV-2) peuvent perturber la barrière hémato-céphalo-rachidien 13,14,15,16. Ainsi, le système plexus-LCR choroïde fait partie intégrante du neurodéveloppement, de la maturation des circuits neurologiques, de l’homéostasie cérébrale et de la réparation17. Étant donné que les altérations immunitaires, inflammatoires, métaboliques et enzymatiques ont un impact sur le cerveau, les chercheurs utilisent des outils de neuroimagerie pour évaluer le rôle du plexus choroïde tout au long de la vie et dans les troubles cérébraux 18,19,20. Cependant, il existe des limites dans les outils automatisés couramment utilisés pour la segmentation du plexus choroïde, tels que FreeSurfer, qui se traduisent par une mauvaise segmentation du plexus choroïde. Ainsi, il existe un besoin critique de segmentation manuelle de la vérité terrain du plexus choroïde qui peut être utilisé pour développer un outil automatisé précis pour la segmentation du plexus choroïde.

Plexus choroïde dans le neurodéveloppement et les troubles cérébraux
Le rôle du plexus choroïde dans les troubles cérébraux a longtemps été négligé, principalement parce qu’il était considéré comme un acteur de soutien dont le rôle était d’amortir le cerveau et de maintenir un bon équilibre salin 2,21. Cependant, le plexus choroïde a attiré l’attention en tant que structure liée à des troubles cérébraux tels que les syndromes douloureux22, le SRAS-CoV-2 16,23,24, le neurodéveloppement2 et les troubles cérébraux19, suggérant un effet transdiagnostique dans le développement des troubles du comportement. Dans les troubles neurodéveloppementaux, les kystes du plexus choroïde étaient associés à un risque accru de retard de développement, de trouble déficitaire de l’attention/hyperactivité (TDAH) ou de trouble du spectre autistique (TSA)25,26. De plus, on a constaté une augmentation du volume du plexus choroïde du ventricule latéral chez les patients atteints de TSA27. Dans les troubles cérébraux, des anomalies du plexus choroïde sont décrites depuis 1921 dans les troubles psychotiques28,29. Des études antérieures ont identifié l’élargissement du plexus choroïde à l’aide de la segmentation FreeSurfer dans un large échantillon de patients atteints de troubles psychotiques par rapport à leurs parents au premier degré et aux témoins19. Ces résultats ont été reproduits à l’aide d’un volume de plexus choroïde segmenté manuellement dans un grand échantillon de population clinique à haut risque de psychose et ont constaté que ces patients avaient un volume de plexus choroïde plus important par rapport aux témoins sains30. Il existe un nombre croissant d’études démontrant l’élargissement du plexus choroïde dans le syndrome douloureux régional complexe22, l’accident vasculaire cérébral31, la sclérose en plaques20,32, la maladie d’Alzheimer33,34 et la dépression35, certaines démontrant un lien entre l’activité immunitaire/inflammatoire périphérique et cérébrale. Ces études de neuroimagerie sont prometteuses ; cependant, une mauvaise segmentation du plexus choroïde du ventricule latéral par FreeSurfer21 limite la fiabilité de l’estimation automatisée du volume du plexus choroïde. En conséquence, des études sur la sclérose en plaques20,32, la dépression35, la maladie d’Alzheimer34 et la psychose précoce36 ont commencé à segmenter manuellement le plexus choroïde du ventricule latéral, mais il n’y a pas de lignes directrices actuelles sur la façon de le faire, pas plus que leurs conseils sur la segmentation du plexus choroïde du troisième et du quatrième ventricule.

Les outils de segmentation courants excluent le plexus choroïde
Les pipelines de segmentation cérébrale tels que FreeSurfer 37,38,39, FMRIB Software Library (FSL)40, SLANT41 et FastSurfer (développé par le co-auteur Martin Reuter)42,43, segmentent avec précision et fiabilité les structures corticales et sous-corticales en utilisant des paradigmes de segmentation basés sur l’atlas (FSL), l’atlas et la surface (FreeSurfer) et l’apprentissage profond (SLANT et FastSurfer). Les faiblesses de certaines de ces approches comprennent la vitesse de traitement, la généralisation limitée à différents scanners, les intensités de champ et les tailles de voxel37,44 et l’alignement forcé de la carte d’étiquettes dans un espace d’atlas standard. Cependant, la capacité de segmenter le plexus choroïde et la compatibilité avec l’IRM haute résolution ne sont abordées que par FreeSurfer et FastSurfer. Les réseaux neuronaux à l’origine de FastSurfer sont entraînés sur les étiquettes du plexus choroïde de FreeSurfer, de sorte qu’ils héritent de la fiabilité et des limites de couverture précédemment discutées de FreeSurfer, les troisième et quatrième ventricules étant ignorés21. Il existe également des limitations actuelles pour l’IRM haute résolution, mais le flux haute résolution45 et le FastSurferVINN43 de FreeSurfer peuvent être utilisés pour résoudre ce problème.

Outils actuels de segmentation du plexus choroïde
Il n’existe qu’un seul outil de segmentation disponible gratuitement pour le plexus choroïde, mais la précision de la segmentation est limitée. La segmentation précise du plexus choroïde peut être influencée par divers facteurs, notamment (1) la variabilité de l’emplacement du plexus choroïde (spatialement non stationnaire) en raison de son emplacement dans les ventricules, (2) les différences d’intensité des voxels, de contraste, de résolution (hétérogénéité intra-structure) dues à l’hétérogénéité cellulaire, à la fonction dynamique du plexus choroïde, aux changements pathologiques ou aux effets de volume partiels, (3) les différences de taille ventriculaire liées à l’âge ou à la pathologie ayant un impact sur la taille du plexus choroïde, et (4) la proximité des structures sous-corticales adjacentes (hippocampe, amygdale, caudé et cervelet), qui sont également difficiles à segmenter. Compte tenu de ces défis, les segmentations FreeSurfer sous-estiment ou surestiment souvent, étiquetent mal ou ignorent le plexus choroïde.

Trois publications récentes ont abordé la lacune de la segmentation fiable du plexus choroïde avec un modèle de mélange gaussien (GMM)46, un MLP axial47 et des approches d’apprentissage profond basées surU-Net 48. Chaque modèle a été entraîné et évalué à l’aide d’ensembles de données privés, étiquetés manuellement, d’au plus 150 sujets avec une diversité limitée de scanners, de sites, de données démographiques et de troubles. Bien que ces publications 46,48,49 aient apporté des améliorations significatives par rapport à la segmentation du plexus choroïde de FreeSurfer - doublant parfois l’intersection de la prédiction et de la vérité terrain, aucune des deux méthodes n’est (1) validée en IRM haute résolution, (2) dispose d’analyses de généralisation et de fiabilité dédiées, (3) présente de grands ensembles de données d’entraînement et de test représentatifs, (4) aborde ou analyse spécifiquement les défis de segmentation du plexus choroïde tels que : effets de volume partiels, ou (5) est accessible au public en tant qu’outil prêt à l’emploi. Ainsi, l’étalon-or actuel pour la segmentation du plexus choroïde est le traçage manuel, par exemple à l’aide de 3D Slicer50 ou ITK-SNAP51, qui n’a pas été décrit auparavant et qui a constitué un défi majeur pour les chercheurs souhaitant examiner le rôle du plexus choroïde dans leurs études. 3D Slicer a été choisi pour la segmentation manuelle en raison de la familiarité de l’auteur avec le logiciel et parce qu’il fournit à l’utilisateur divers outils basés sur différentes approches qui peuvent être combinés pour obtenir le résultat souhaité. D’autres outils peuvent être utilisés, comme ITK-SNAP, qui est principalement orienté sur la segmentation d’images, et une fois l’outil maîtrisé, de bons résultats peuvent être obtenus par l’utilisateur. De plus, les auteurs ont mené une étude cas-témoins démontrant la grande précision et la fiabilité de leur technique de segmentation manuelle à l’aide de 3D Slicer30, et cette méthodologie spécifique est décrite ici.

Protocole

Le présent protocole a été approuvé par le comité d’examen institutionnel du centre médical Beth Israel Deaconess. Un sujet en bonne santé avec une IRM cérébrale exempte d’artefacts ou de mouvements a été utilisé pour cette démonstration du protocole, et un consentement éclairé écrit a été obtenu. Un scanner IRM de 3,0 T avec une bobine de tête à 32 canaux (voir le tableau des matériaux) a été utilisé pour acquérir des images 3D-T1 avec une résolution de 1 mm x 1 mm x 1,2 mm. La séquence MP-RAGE ASSET avec un champ de vision de 256 x 256, TR/TE/TI=7,38/3,06/400 ms et un angle de retournement de 11 degrés a été utilisée.

1. Importation de l’IRM cérébrale dans 3D Slicer

REMARQUE : 3D Slicer fournit une documentation relative à son interface utilisateur.

  1. Préparez les fichiers d’IRM cérébrale DICOM (Digital Imaging and Communications in Medicine) ou NIFTI (Neuroimaging Informatics Technology Initiative) pour l’importation dans 3D Slicer.
  2. Importez des données DICOM en cliquant sur le bouton DCM dans le coin supérieur gauche de la barre d’outils. Cliquez ensuite sur le bouton Importer des fichiers DICOM pour importer des données au format DICOM.
  3. Si les données IRM sont au format NIFTI, importez-les en cliquant sur le bouton DONNÉES dans le coin supérieur gauche de la barre d’outils. Dans la boîte de dialogue contextuelle, sélectionnez Choisir le répertoire à ajouter à l’importation par lots des données NIFTI dans un dossier ou sélectionnez Choisir le(s) fichier(s) à ajouter pour importer des fichiers NIFTI spécifiques. Cliquez ensuite sur le bouton OK pour procéder au chargement des données vers le segment 3D.
  4. Après l’importation, les données IRM apparaîtront dans la fenêtre de droite affichant les plans axial, sagittal et coronal.
  5. Modifiez la disposition des fenêtres en accédant à Mises en page et en sélectionnant une disposition spécifique. Vous pouvez le trouver en cliquant sur l’image du module Mises en page dans la barre d’outils de 3D Slicer elle-même ou via Afficher > Mises en page dans le menu de l’application.

2. Téléchargement de DICOM à partir d’exemples de données dans 3D Slicer

  1. Cliquez sur le bouton Télécharger des exemples de données dans l’écran d’ouverture de la section Bienvenue dans Slicer. Sélectionnez ensuite le bouton MRHead , et il lancera le processus de téléchargement, qui peut prendre quelques minutes.
  2. Assurez-vous que les données d’IRM cérébrale avec les plans axial, sagittal et coronal sont affichées dans la fenêtre de droite.

3. Contrôle de la qualité et ajustement de l’image IRM

  1. Déterminez qualitativement la qualité de l’image et la présence d’artefacts dus à des mouvements de la tête ou à des problèmes de balayage en examinant de manière critique chaque tranche d’IRM.
  2. Effectuez un zoom sur la tranche d’image en cliquant avec le bouton droit de la souris et en déplaçant la souris vers le haut ou vers le bas pour effectuer un zoom arrière ou avant, respectivement.
  3. Pour déplacer la tranche d’image, cliquez dessus avec le bouton gauche de la souris, maintenez la touche Maj enfoncée et faites glisser la souris.
  4. Le réglage de la luminosité de l’image peut aider à visualiser le plexus choroïde. Pour ce faire, cliquez sur Ajuster la fenêtre/le niveau de volume dans la barre d’outils ou cliquez avec le bouton gauche de la souris sur l’image et déplacez la souris vers le haut ou vers le bas pour augmenter ou diminuer la luminosité, respectivement.
  5. Le réglage du contraste peut également aider à trouver le plexus choroïde. Cliquez avec le bouton gauche de la souris sur la tranche d’image et déplacez la souris vers la gauche ou la droite pour augmenter ou diminuer le contraste, respectivement. Pour déterminer le contraste approprié pour le plexus choroïde, utilisez les noyaux profonds de la matière grise (masses centrales de matière grise disposées autour des ventricules latéraux et troisièmes) ou l’intensité du signal indiquée dans la barre de l’échelle de contraste.
  6. Une fois que le contraste préféré est sélectionné, maintenez le même contraste tout au long de la segmentation et n’ajustez pas les variations potentielles dans les régions supra- et infra-tentorielles.

4. Création des segments manuels du plexus choroïde

  1. Pour commencer la segmentation du plexus choroïde latéral, du troisième et du quatrième ventricule, créez les fichiers de segmentation dans le module Editeur de segments. Pour y accéder, cliquez sur l’éditeur de segments dans la barre d’outils ou allez dans le menu déroulant Modules : et sélectionnez Éditeur de segments.
  2. Cliquez sur le menu déroulant de la segmentation pour sélectionner différentes segmentations (si plusieurs segmentations ont été créées) et renommer la segmentation actuellement sélectionnée.
  3. Utilisez le menu déroulant Volume principal pour choisir les ensembles NIFTI ou DICOM à modifier. Ce n’est que lorsque le fichier de volume est sélectionné que l’utilisateur peut commencer à segmenter/modifier.
  4. Cliquez deux fois sur le bouton Ajouter pour ajouter deux segments pour le plexus choroïde du ventricule latéral. Pour les renommer, double-cliquez sur le nom et remplacez-les par Plexus choroïde du ventricule latéral droit et Plexus choroïde du ventricule latéral gauche.
  5. Cliquez à nouveau sur le bouton Ajouter pour ajouter des segments pour le troisième et le quatrième plexus choroïde du ventricule et renommez-les en « 3e plexus choroïde ventricule » et « 4e plexus choroïde ventricule ».

5. Affichage de différentes tranches et segmentations

  1. Avant de procéder à la modification, effectuez une étude d’arrière-plan pour savoir comment passer d’une disposition à l’autre dans la fenêtre d’affichage et comment modifier la vue ou l’opacité des segmentations.
  2. En haut de la fenêtre d’affichage et à gauche du curseur de la tranche, cliquez sur l’icône en forme d’épingle. Cela ouvrira un menu déroulant, qui peut varier en fonction de la disposition spécifique de la fenêtre.
    REMARQUE : L’utilisation de différentes dispositions peut être utile lors de la segmentation du plexus choroïde, car sa structure peut varier d’un individu à l’autre. Par exemple, la mise en page « conventionnelle » permet à l’utilisateur d’afficher simultanément les trois tranches et une vue 3D de la scène. Le choix de « Tranche rouge/jaune/verte uniquement » donne à l’utilisateur une vue rapprochée de la tranche 2D pour permettre une segmentation plus précise du plexus choroïde.

6. Délimitation des ROI du plexus choroïde du ventricule latéral

REMARQUE : L’enregistrement d’une image dans un modèle n’est pas nécessaire pour la segmentation manuelle.

  1. Pour le plexus choroïde du ventricule latéral, commencez dans le plan axial en vous assurant que les images sont positionnées en fonction de la ligne bicommissurale. Utilisez ensuite le trigonum collaterale comme point de référence pour localiser le plexus choroïde du ventricule latéral.
    1. Une fois que les modifications ont été apportées dans le plan axial, passez aux vues restantes (sagittale et coronale) pour vous assurer que la segmentation manuelle du plexus choroïde du ventricule latéral ne capture pas le parenchyme cérébral ou le LCR environnant.
  2. Pour commencer l’édition, cliquez sur le segment sur lequel vous souhaitez travailler et le nom du segment sera mis en surbrillance.
  3. Cliquez sur l’outil Peindre ou Dessiner dans la section Effets de l’éditeur de segments pour commencer la segmentation manuelle.
    REMARQUE : Il est préférable de commencer la segmentation dans un plan (coronal, axial ou sagittal) et, une fois la segmentation terminée dans toutes les tranches, de passer à d’autres plans pour vérifier et affiner la segmentation manuelle. Il est suggéré à l’utilisateur de commencer par les plans axiaux ou coronaux, car le plexus choroïde du ventricule latéral est plus facilement visible dans ces vues.
  4. Lorsque vous utilisez l’outil Dessiner , cliquez avec le bouton gauche de la souris et maintenez-le enfoncé pour dessiner un contour à la limite du plexus choroïde du ventricule latéral. Une fois tracé, cliquez avec le bouton droit de la souris pour remplir la zone dessinée.
  5. Lorsque vous utilisez l’outil Peinture , sélectionnez d’abord le diamètre du pinceau à utiliser pour peindre. Un pinceau à 3 % ou 5 % est suggéré pour une délimitation plus précise du plexus choroïde, tandis que 10 % peut être utile pour des sélections plus grandes.
  6. Pour l’un ou l’autre outil, utilisez les fonctions Peindre ou Effacer pour rectifier les délimitations erronées en ajoutant ou en supprimant des sélections.
    REMARQUE : Le référencement d’autres plans de vue peut aider à identifier la structure du plexus choroïde du ventricule latéral par rapport à d’autres structures cérébrales, telles que la matière grise environnante, le fornix, le corps calleux ou l’hippocampe. L’utilisateur est encouragé à exclure les scintigraphies cérébrales qui ont des kystes du plexus choroïde identifiés.
  7. Utilisez le niveau du noyau rouge comme point de repère pour arrêter la segmentation du plexus choroïde dans les ventricules latéraux.

7. Délimitation des troisième et quatrième ventricules du plexus choroïde

REMARQUE : Des images T1w à plus haute résolution (telles que 0,7 ou 0,8 mm) et celles obtenues sur une IRM 7T fourniraient une segmentation manuelle plus précise et plus fiable du plexus choroïde des troisième et quatrième ventricules. La segmentation du plexus choroïde des troisième et quatrième ventricules est plus difficile que celle du plexus choroïde du ventricule latéral, car ces régions peuvent être beaucoup plus petites et comporter moins de voxels à délimiter.

  1. Pour le plexus choroïde du troisième ventricule, commencez dans le plan sagittal et utilisez le foramen de Monro, le fornix, le corps calleux, le thalamus et la veine cérébrale interne comme points de référence pour localiser le plexus choroïde dans le 3e ventricule. Se déplacer entre les coupes dans le même plan peut aider à déterminer si une région est le fornix, le thalamus, la veine ou le plexus choroïde du troisième ventricule.
    1. Une fois que les modifications ont été apportées dans le plan sagittal, naviguez jusqu’aux vues restantes (axiale et coronale) pour vous assurer que la segmentation manuelle du plexus choroïde du troisième ventricule ne sélectionne pas le parenchyme cérébral ou le LCR environnant.
  2. De même, pour le plexus choroïde du quatrième ventricule, commencez dans le plan sagittal et utilisez le pédoncule cérébelleux supérieur, le pont et la moelle épinière comme points de référence pour localiser le plexus choroïde dans le quatrième ventricule. Se déplacer entre les coupes dans le même plan peut aider à déterminer si une région est le cervelet, l’amygdale cérébelleuse, le vélum médullaire inférieur ou le plexus choroïde du 4e ventricule.
    1. Une fois les modifications terminées dans le plan sagittal, passez aux vues restantes (axiale et coronale) pour vous assurer que la segmentation manuelle du plexus choroïde du quatrième ventricule ne sélectionne pas le parenchyme cérébral environnant ou le LCR.

8. Calcul des volumes du plexus choroïde

  1. Dans le menu déroulant Modules , accédez à Quantification et sélectionnez Statistiques de segment.
  2. Sous Entrées, sélectionnez la nouvelle carte de segmentation à quantifier sous l’outil Segmentation et choisissez le volume IRM dans le volume scalaire. Pour Output table (Table en sortie) (sous Output) (en sortie), choisissez l’option Table (Table). Une fois terminé, appuyez sur Appliquer, et un tableau contenant le volume du plexus choroïde apparaîtra dans différentes unités.

9. Enregistrement des segments et des résultats de volume

  1. Cliquez sur le bouton Enregistrer dans le coin supérieur gauche de la barre d’outils pour enregistrer les fichiers générés.
  2. Enregistrez les fichiers de segmentation au format .nrrd (fichier de segment 3D), .nii.gz (fichier NIFTI) ou .tsv (fichier de table).

10. Détermination de l’exactitude, de la performance et de l’accord de la segmentation

REMARQUE : Il est recommandé d’utiliser le package MONAI (voir le tableau des matériaux), qui décrit le coefficient de dés (DC) et la distance de surface moyenne de DeepMind (avgSD). Vous trouverez ci-dessous des détails sur DC et avgSD. Afin de calculer ces métriques, les lecteurs devront savoir programmer (par exemple, python, lire des images à partir du disque, reformater les données dans les tableaux d’entrée appropriés pour ces fonctions). Il n’existe pas de package convivial qui inclut toutes ces mesures.

  1. Le score DC est une approche standard permettant de quantifier le chevauchement de deux domaines géométriques. Pour calculer le score DC moyen entre deux segmentations, fournissez deux tenseurs y_pred et y, c’est-à-dire des images multi-images avec une image pour chaque image d’étiquette binarisée. Les tenseurs y_pred et y peuvent contenir des segmentations de deux évaluateurs manuels différents, des segmentations répétées du même évaluateur ou une prédiction automatisée et une vérité terrain manuelle.
    1. Utilisez la fonction monai.metrics.compute_meandice pour calculer le score DC moyen.
    2. Générez des tenseurs d’étiquettes binaires appropriés avec monai.transforms.post.
      REMARQUE : Le paramètre include_background peut être défini sur False pour exclure la première catégorie (indice de canal 0) du calcul DC, qui est, par convention, supposée être un arrière-plan.
  2. Considérez que le score avgSD est moins courant et notez que l’approche peut différer car il existe plusieurs définitions de la distance de surface. Par exemple, utilisez la distance maximale (également connue sous le nom de distance de Hausdorff, très sensible aux valeurs aberrantes), la distance moyenne (comme décrit ici) et le 95e centile (très robuste) comme mesures fréquemment utilisées.
    1. Utilisez la fonction compute_average_surface_distance pour calculer le score avgSD.
    2. Assurez-vous que cette fonction calcule la distance de surface moyenne de y_pred à y selon le paramètre par défaut.
    3. De plus, si symétrique = Vrai, assurez-vous que la distance de surface symétrique moyenne entre ces deux entrées est renvoyée.
  3. L’analyse statistique du score DC et avgSD sur plusieurs cas peut être effectuée à l’aide du test de classement signé Wilcoxon robuste pour l’analyse par paires.
  4. Envisagez d’utiliser le coefficient de corrélation intraclasse (ICC) comme une autre méthode couramment utilisée pour déterminer si plusieurs participants peuvent être évalués de manière fiable par différents évaluateurs. N’oubliez pas que l’ICC fonctionne sur un ensemble de mesures appariées (par exemple, le volume) des segmentations et non sur les images de segmentation directement. Pour calculer l’ICC, utilisez le logiciel R et R Studio (voir Tableau des matériaux), ce qui simplifie le processus.
    1. Téléchargez le paquet à l’aide de install.packages(« psych ») et chargez la bibliothèque (psych).
    2. Entrez le bloc de données, qui inclut les participants (lignes) et un évaluateur dans chaque colonne, à l’aide de Data <- data.frame(df). Visualisez ensuite les mesures à l’aide d’un graphique (Données).
    3. Pour exécuter ICC, utilisez ICC(Données), qui génère un tableau des différents types d’ICC, par exemple pour obtenir les scores inter- ou intra-évaluateurs.

Résultats

La méthode proposée a fait l’objet d’un raffinement itératif pour le plexus choroïde du ventricule latéral, impliquant des tests approfondis sur une cohorte de 169 témoins sains et 340 patients présentant un risque cliniquement élevé de psychose30. À l’aide de la technique décrite ci-dessus, les auteurs ont obtenu une précision et une fiabilité intra-évaluateurs élevées avec un DC = 0,89, un AVGH = 3,27 mm3 et un ICC à évaluateur unique = 0,9730, ce qui démontre...

Discussion

Étapes critiques du protocole
Trois étapes critiques nécessitent une attention particulière lors de la mise en œuvre de ce protocole. Tout d’abord, la vérification de la qualité et du contraste des images IRM est essentielle pour garantir une segmentation précise. Si la qualité de l’image est trop médiocre, ou si le contraste est trop faible ou trop élevé, cela peut entraîner une délimitation inexacte du plexus choroïde. Le contraste de l’image peut être ajusté en visualisant la...

Déclarations de divulgation

Les auteurs n’ont pas d’intérêts financiers concurrents.

Remerciements

Ce travail a été soutenu par une bourse R01 MH131586 de l’Institut national de la santé mentale (à P.L et M.R.), R01 MH078113 (à M.K) et une subvention de la Fondation Sydney R Baer Jr (à P.L).

matériels

NameCompanyCatalog NumberComments
3D Slicer3D Slicerhttps://www.slicer.org/A free, open source software for visualization, processing, segmentation, registration, and analysis of medical, biomedical, and other 3D images and meshes; and planning and navigating image-guided procedures.
FreeSurferFreeSurferhttps://surfer.nmr.mgh.harvard.edu/An open source neuroimaging toolkit for processing, analyzing, and visualizing human brain MR images
ITK-SNAPITK-SNAPhttp://www.itksnap.org/pmwiki/pmwiki.phpA free, open-source, multi-platform software application used to segment structures in 3D and 4D biomedical images. 
Monai PackageMonai Consortiumhttps://docs.monai.io/en/stable/metrics.htmlUse for Dice Coefficient and DeepMind average Surface Distance. 
MRI scannerGEDiscovery MR750 
Psych PackageR-Projecthttps://cran.r-project.org/web/packages/psych/index.htmlA general purpose toolbox developed originally for personality, psychometric theory and experimental psychology.
R SoftwareR-Projecthttps://www.r-project.org/R is a free software environment for statistical computing and graphics. 
RStudioPosithttps://posit.co/An RStudio integrated development environment (IDE) is a set of tools built to help you be more productive with R and Python. 
Windows or Apple OS Desktop or LaptopAny companyn/aNeeded for running the software used in this protocol. 

Références

  1. Lun, M. P., Monuki, E. S., Lehtinen, M. K. Development and functions of the choroid plexus-cerebrospinal fluid system. Nature Reviews Neuroscience. 16 (8), 445-457 (2015).
  2. Dani, N., Herbst, R. H., McCabe, C. A cellular and spatial map of the choroid plexus across brain ventricles and ages. Cell. 184 (11), 3056-3074 (2021).
  3. Kaiser, K., Bryj, a. V. Choroid plexus: the orchestrator of long-range signalling within the CNS. IJMS. 21 (13), 4760 (2020).
  4. Damkier, H. H., Brown, P. D., Praetorius, J. Cerebrospinal fluid secretion by the choroid plexus. Physiological Reviews. 93, 46 (2013).
  5. Liddelow, S. A. Development of the choroid plexus and blood-CSF barrier. Frontiers in Neuroscience. 9, 00032 (2015).
  6. Gato, A., Alonso, M. I., Lamus, F., Miyan, J. Neurogenesis: A process ontogenically linked to brain cavities and their content, CSF. Seminars in Cell & Developmental Biology. 102, 21-27 (2020).
  7. Spatazza, J., Lee, H. H. C., Di Nardo, A. A. Choroid-plexus-derived Otx2 homeoprotein constrains adult cortical plasticity. Cell Reports. 3 (6), 1815-1823 (2013).
  8. Kim, S., Hwang, Y., Lee, D., Webster, M. J. Transcriptome sequencing of the choroid plexus in schizophrenia. Translational Psychiatry. 6 (11), e964-964 (2016).
  9. Myung, J., Schmal, C., Hong, S. The choroid plexus is an important circadian clock component. Nature Communications. 9 (1), 1062 (2018).
  10. Quintela, T., Furtado, A., Duarte, A. C., Gonçalves, I., Myung, J., Santos, C. R. A. The role of circadian rhythm in choroid plexus functions. Progress in Neurobiology. 205, 102129 (2021).
  11. Gorlé, N., Blaecher, C., Bauwens, E., et al. The choroid plexus epithelium as a novel player in the stomach-brain axis during Helicobacter infection. Brain, Behavior, and Immunity. 69, 35-47 (2018).
  12. Zappaterra, M. W., Lehtinen, M. K. The cerebrospinal fluid: regulator of neurogenesis, behavior, and beyond. Cellular and Molecular Life Sciences. 69 (17), 2863-2878 (2012).
  13. Cardia, E., Molina, D., Abbate, F. Morphological modifications of the choroid plexus in a rodent model of acute ventriculitis induced by gram-negative liquoral sepsis: Possible implications in the pathophysiology of hypersecretory hydrocephalus. Child's Nervous System. 11 (9), 511-516 (1995).
  14. Coisne, C., Engelhardt, B. Tight junctions in brain barriers during central nervous system inflammation. Antioxidants & Redox Signaling. 15 (5), 1285-1303 (2011).
  15. Szmydynger-Chodobska, J., Strazielle, N., Gandy, J. R. Posttraumatic Invasion of monocytes across the blood-cerebrospinal fluid barrier. Journal of Cerebral Blood Flow & Metabolism. 32 (1), 93-104 (2012).
  16. Pellegrini, L., Albecka, A., Mallery, D. L. SARS-CoV-2 infects the brain choroid plexus and disrupts the blood-csf barrier in human brain organoids. Cell Stem Cell. 27 (6), 951-961 (2020).
  17. Bitanihirwe, B., Lizano, P., Woo, T. Deconstructing the functional neuroanatomy of the choroid plexus: an ontogenetic perspective for studying neurodevelopmental and neuropsychiatric disorders. Review at Molecular Psychiatry. , (2022).
  18. Ramaekers, V., Sequeira, J. M., Quadros, E. V. Clinical recognition and aspects of the cerebral folate deficiency syndromes. Clinical Chemistry and Laboratory Medicine. 51 (3), 0543 (2012).
  19. Lizano, P., Lutz, O., Ling, G. Association of choroid plexus enlargement with cognitive, inflammatory, and structural phenotypes across the psychosis spectrum. AJP. 176 (7), 564-572 (2019).
  20. Kim, H., Lim, Y. M., Kim, G. Choroid plexus changes on magnetic resonance imaging in multiple sclerosis and neuromyelitis optica spectrum disorder. Journal of the Neurological Sciences. 415, 116904 (2020).
  21. Bannai, D., Lutz, O., Lizano, P. Neuroimaging considerations when investigating choroid plexus morphology in idiopathic psychosis. Schizophrenia Research. 224, 19-21 (2020).
  22. Zhou, G., Hotta, J., Lehtinen, M. K., Forss, N., Hari, R. Enlargement of choroid plexus in complex regional pain syndrome. Scientific Reports. 5 (1), 14329 (2015).
  23. Jacob, F., Pather, S. R., Huang, W. K. Human pluripotent stem cell-derived neural cells and brain organoids reveal SARS-CoV-2 neurotropism predominates in choroid plexus epithelium. Cell Stem Cell. 27 (6), 937-950 (2020).
  24. Yang, A. C., Kern, F., Losada, P. M. Dysregulation of brain and choroid plexus cell types in severe COVID-19. Nature. 595 (7868), 565-571 (2021).
  25. Lin, Y. J., Chiu, N. C., Chen, H. J., Huang, J. Y., Ho, C. S. Cranial ultrasonographic screening findings among healthy neonates and their association with neurodevelopmental outcomes. Pediatrics & Neonatology. 62 (2), 158-164 (2021).
  26. Chang, H., Tsai, C. M., Hou, C. Y., Tseng, S. H., Lee, J. C., Tsai, M. L. Multiple subependymal pseudocysts in neonates play a role in later attention deficit hyperactivity and autistic spectrum disorder. Journal of the Formosan Medical Association. 118 (3), 692-699 (2019).
  27. Levman, J., Vasung, L., MacDonald, P. Regional volumetric abnormalities in pediatric autism revealed by structural magnetic resonance imaging. International Journal of Developmental Neuroscience. 71 (1), 34-45 (2018).
  28. Taft, A. E. A note on the pathology of the choroid plexus in general paralysis. Archives of Neurology & Psychiatry. 7 (2), 177 (1922).
  29. D, S. R. The choroid plexus in organic diseases of the brain and of schizophreina. The Journal of Nervous and Mental Disease. 56, 21-26 (1921).
  30. Bannai, D., Reuter, M., Hegde, R. Linking choroid plexus enlargement with plasma analyte and structural phenotypes in clinical high risk for psychosis: a multisite neuroimaging study. BioRxiv. , (2022).
  31. Egorova, N., Gottlieb, E., Khlif, M. S., Spratt, N. J., Brodtmann, A. Choroid plexus volume after stroke. International Journal of Stroke. 14 (9), 923-930 (2019).
  32. Ricigliano, V. A., Morena, E., Colombi, A. Choroid plexus enlargement in inflammatory multiple sclerosis: 3.0-T MRI and translocator protein PET evaluation. Radiology. 301 (1), 166-177 (2021).
  33. Tadayon, E., Pascual-Leone, A., Press, D., Santarnecchi, E. Choroid plexus volume is associated with levels of CSF proteins: relevance for Alzheimer's and Parkinson's disease. Neurobiology of Aging. 89, 108-117 (2020).
  34. Choi, J. D., Moon, Y., Kim, H. J., Yim, Y., Lee, S., Moon, W. J. Choroid plexus volume and permeability at brain MRI within the Alzheimer Disease clinical spectrum. Radiology. 304 (3), 635-645 (2022).
  35. Althubaity, N., Schubert, J., Martins, D. Choroid plexus enlargement is associated with neuroinflammation and reduction of blood-brain barrier permeability in depression. NeuroImage: Clinical. 33, 102926 (2022).
  36. Senay, O., et al. Choroid plexus volume in individuals with early course and chronic psychosis - a magnetic resonance imaging study. Schizophrenia Bulletin. , (2022).
  37. Fischi, B. FreeSurfer. NeuroImage. 62 (2), 774-781 (2012).
  38. Fischl, B., et al. Cortical folding patterns and predicting cytoarchitecture. Cerebral Cortex. 18 (8), 1973-1980 (2008).
  39. Fischl, B., vander Kouwe, A., Destrieux, C. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14 (1), 11-22 (2004).
  40. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. NeuroImage. 56 (3), 907-922 (2011).
  41. Huo, Y., Xu, Z., Xiong, Y. 3D whole brain segmentation using spatially localized atlas network tiles. NeuroImage. 194, 105-119 (2019).
  42. Henschel, L., Conjeti, S., Estrada, S., Diers, K., Fischl, B., Reuter, M. FastSurfer - A fast and accurate deep learning based neuroimaging pipeline. NeuroImage. 219, 117012 (2020).
  43. Henschel, L., Kügler, D., Reuter, M. FastSurferVINN: Building resolution-independence into deep learning segmentation methods-A solution for HighRes brain MRI. NeuroImage. 251, 118933 (2022).
  44. Jovicich, J., Czanner, S., Han, X. MRI-derived measurements of human subcortical, ventricular and intracranial brain volumes: Reliability effects of scan sessions, acquisition sequences, data analyses, scanner upgrade, scanner vendors and field strengths. NeuroImage. 46 (1), 177-192 (2009).
  45. Zaretskaya, N., Fischl, B., Reuter, M., Renvall, V., Polimeni, J. R. Advantages of cortical surface reconstruction using submillimeter 7 T MEMPRAGE. NeuroImage. 165, 11-26 (2018).
  46. Tadayon, E., Moret, B., Sprugnoli, G., Monti, L., Pascual-Leone, A., Santarnecchi, E. Improving choroid plexus segmentation in the healthy and diseased brain: Relevance for Tau-PET imaging in dementia. Journal of Alzheimer's Disease. 74 (4), 1057-1068 (2020).
  47. Schmidt-Mengin, M., Ricigliano, V. A. G., Bodini, B., Išgum, I., Colliot, O. Axial multi-layer perceptron architecture for automatic segmentation of choroid plexus in multiple sclerosis. Medical Imaging 2022: Image Processing. SPIE. , (2022).
  48. Zhao, L., Feng, X., Meyer, C. H., Alsop, D. C. Choroid plexus segmentation using optimized 3D U-Net. 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI). IEEE. , 381-384 (2020).
  49. Schmidt-Mengin, M., et al. Axial multi-layer perceptron architecture for automatic segmentation of choroid plexus in multiple sclerosis. arXiv. , (2021).
  50. Egger, J., Kapur, T., Nimsky, C., Kikinis, R., Muñoz-Barrutia, A. Pituitary adenoma volumetry with 3D Slicer. PLoS ONE. 7 (12), 51788 (2012).
  51. Yushkevich, P. A., Piven, J., Hazlett, H. C., et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. NeuroImage. 31 (3), 1116-1128 (2006).
  52. Dice, L. R. Measures of the amount of ecologic association between species. Ecology. 26 (3), 297-302 (1945).
  53. Aydin, O. U., Taha, A. A., Hilbert, A. On the usage of average Hausdorff distance for segmentation performance assessment: hidden error when used for ranking. European Radiology Experimental. 5 (1), (2021).
  54. Shrout, P. E., Fleiss, J. L. Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420-428 (1979).
  55. Pawlik, D., Leuzy, A., Strandberg, O., Smith, R. Compensating for choroid plexus based off-target signal in the hippocampus using 18F-flortaucipir PET. NeuroImage. 221, 117193 (2020).
  56. Yazdan-Panah, A., Schmidt-Mengin, M., Ricigliano, V. A. G., Soulier, T., Stankoff, B., Colliot, O. Automatic segmentation of the choroid plexuses: Method and validation in controls and patients with multiple sclerosis. NeuroImage: Clinical. 38, 103368 (2023).

Réimpressions et Autorisations

Demande d’autorisation pour utiliser le texte ou les figures de cet article JoVE

Demande d’autorisation

Explorer plus d’articles

Ce mois ci dans JoVENum ro 202Plexus choro deIRMsegmentation manuellehumainvolumeneuroimagerie

This article has been published

Video Coming Soon

JoVE Logo

Confidentialité

Conditions d'utilisation

Politiques

Contactez-nous

RECOMMANDER À LA BIBLIOTHÈQUE

NEWSLETTERS JoVE

Recherche

Enseignement

Auteurs

Bibliothécaires

À PROPOS DE JoVE

Copyright © 2025 MyJoVE Corporation. Tous droits réservés.