뇌 MRI를 사용한 인간 맥락총의 수동 분할

요약

뇌에서 맥락총의 중요한 역할에도 불구하고 이 구조에 대한 신경 영상 연구는 신뢰할 수 있는 자동 분할 도구가 없기 때문에 부족합니다. 현재 프로토콜은 미래의 신경 영상 연구에 정보를 제공할 수 있는 맥락총의 황금 표준 수동 분할을 보장하는 것을 목표로 합니다.

초록

맥락총은 신경 발달 및 다양한 뇌 장애와 관련이 있습니다. 맥락총이 뇌 성숙, 면역/염증 조절, 행동/인지 기능에 중요하다는 증거가 있습니다. 그러나 현재의 자동 신경영상 분할 도구는 외측 심실 맥락총(lateral ventricle choroid plexus)을 정확하고 안정적으로 분할하는 데 부족합니다. 또한 뇌의 제3뇌실과 제4뇌실에 위치한 맥락총(choroid plexus)을 분할하는 기존 도구는 없습니다. 따라서 신경 발달 및 뇌 장애에서 맥락막 신경총을 조사하는 연구의 신뢰성과 재현성을 높이기 위해 측면, 제3 및 제4 뇌실에서 맥락총을 분할하는 방법을 설명하는 프로토콜이 필요합니다. 이 프로토콜은 DICOM 또는 NIFTI 이미지를 기반으로 맥락총에 대해 3D 슬라이서에서 별도로 레이블이 지정된 파일을 만드는 자세한 단계를 제공합니다. 맥락총은 T1w 이미지의 축, 시상 및 관상면을 사용하여 수동으로 분할되어 심실과 접한 회백질 구조에서 복셀을 제외합니다. 윈도잉은 맥락총과 해부학적 경계의 국소화를 돕기 위해 조정됩니다. 정확성과 신뢰성을 평가하는 방법은 이 프로토콜의 일부로 시연됩니다. 수동 묘사를 사용한 맥락총의 골드 스탠다드 분할은 전 생애 및 다양한 뇌 질환 내에서 맥락총의 변화를 설명하기 위해 공개적으로 공유할 수 있는 더 우수하고 신뢰할 수 있는 자동 분할 도구를 개발하는 데 사용할 수 있습니다.

서문

맥락총(Choroid plexus) 기능
맥락총(choroid plexus)은 창공된 모세혈관과 맥락막 신경총 상피세포의 단층으로 구성된 뇌의 고도로 혈관화된 구조이다¹. 맥락총은 외측, 제3, 제4 뇌실로 돌출되어 뇌척수액(CSF)을 생성하는데, 이는 신경 패턴화(neural patterning)² 및 뇌 생리학^(brain physiology)^3,4에 중요한 역할을 한다. 맥락총은 신경혈관 물질을 분비하고, 줄기세포와 같은 저장소를 둘러싸고 있으며, 독성 대사 산물의 침입을 방해하는 물리적 장벽, 물리적 장벽을 우회하는 부분을 제거하는 효소 장벽, 외부 침입자로부터 보호하는 면역학적 장벽 역할을 한다⁵. 맥락총은 신경 발생⁶, 시냅스 가소성⁷, 염증⁸, 일주기 리듬 ^9,10, 장 뇌 축¹¹ 및 인지¹²를 조절합니다. 또한, 말초 사이토카인, 스트레스 및 감염(SARS-CoV-2 포함)은 혈액-뇌척수액 장벽을 파괴할 수 있습니다 13,14,15,16. 따라서 맥락총-뇌척수액 시스템은 신경 발달, 신경 회로 성숙, 뇌 항상성 및 복구에 필수적입니다¹⁷. 면역, 염증, 대사 및 효소 변화가 뇌에 영향을 미치기 때문에 연구자들은 신경 영상 도구를 사용하여 평생 동안 맥락총의 역할과 뇌 질환을 평가하고 있습니다 18,19,20. 그러나 FreeSurfer와 같이 맥락막 신경총 분할을 위해 일반적으로 사용되는 자동화 도구에는 한계가 있으며, 이로 인해 맥락막 신경총이 제대로 분할되지 않습니다. 따라서 맥락총(choroid plexus) 분할을 위한 정확한 자동화 도구를 개발하는 데 사용할 수 있는 맥락총의 실측 자료 수동 분할이 매우 필요합니다.

신경 발달 및 뇌 장애의 맥락막 신경총
뇌 질환에서 맥락총의 역할은 오랫동안 무시되어 왔는데, 이는 주로 뇌를 완충하고 적절한 염분 균형을 유지하는 역할을 하는 보조 역할로 간주되었기 때문입니다 ^2,21. 그러나 맥락총은 통증 증후군²², SARS-CoV-2 16,23,24, 신경 발달 ² 및 뇌 장애¹⁹와 같은 뇌 장애와 관련된 구조로 주목을 받아 행동 장애 발달에 대한 초진단적 효과를 시사합니다. 신경 발달 장애에서 맥락막 신경총 낭종은 발달 지연, 주의력 결핍/과잉 행동 장애(ADHD) 또는 자폐 스펙트럼 장애(ASD)의 위험 증가와 관련이 있었습니다^25,26. 또한 ASD²⁷ 환자에서 외측 심실 맥락막 신경총 용적이 증가하는 것으로 나타났습니다. 뇌 장애에서 맥락막 신경총 이상은 1921 년 이후 정신병적 장애^28,29에서 설명되었습니다. 이전 연구에서는 정신병적 장애를 가진 환자의 대규모 표본에서 FreeSurfer 분할을 사용하여 맥락막 신경총 비대증을 1촌 친척 및 대조군과 비교한 것으로 확인되었다¹⁹. 이러한 결과는 정신병에 대한 임상적 고위험 인구의 대규모 샘플에서 수동으로 분할된 맥락총의 용적을 사용하여 재현되었으며, 이 환자들은 건강한 대조군에 비해 맥락총의 용적이 더 크다는 것을 발견했다³⁰. 복합부위통증증후군²², 뇌졸중³¹, 다발성 경화증^20,32, 알츠하이머병^33,34, 우울증³⁵에서 맥락총비대증을 입증하는 연구가 증가하고 있으며, 일부 연구에서는 말초신경총과 뇌 면역/염증 활동 사이의 연관성을 입증하고 있다. 이러한 신경 영상 연구는 유망합니다. 그러나 FreeSurfer²¹에 의한 부실한 측심실 맥락막 신경총 분할은 자동 맥락막 신경총 부피 추정의 신뢰성을 제한합니다. 그 결과, 다발성 경화증 ^20,32, 우울증³⁵, 알츠하이머³⁴ 및 초기 정신병³⁶에 대한 연구가 외측 심실 맥락총(lateral ventricle choroid plexus)을 수동으로 분할하기 시작했지만, 이를 수행하는 방법에 대한 현재 지침이나 제3심실 및 제4 뇌실 맥락총(third ventricle choroid plexus) 분할에 대한 지침도 없다.

일반적인 분할 도구는 맥락총신경총을 제외합니다
FreeSurfer^37,38,39, FMRIB Software Library (FSL)⁴⁰, SLANT⁴¹ 및 FastSurfer (공동 저자 Martin Reuter가 개발)^42,43와 같은 뇌 분할 파이프 라인은 아틀라스 기반 (FSL), 아틀라스 및 표면 기반 (FreeSurfer), 딥 러닝 분할 패러다임 (SLANT 및 FastSurfer)을 사용하여 피질 및 피질 하부 구조를 정확하고 안정적으로 분할합니다. 이러한 접근 방식 중 일부의 약점에는 처리 속도, 다른 스캐너에 대한 제한된 일반화, 전계 강도 및 복셀 크기^37,44, 표준 아틀라스 공간에서 레이블 맵의 강제 정렬이 포함됩니다. 그러나 맥락총신경총을 분할하는 기능과 고해상도 MRI와의 호환성은 FreeSurfer 및 FastSurfer에서만 해결됩니다. FastSurfer의 뒤에있는 신경망은 FreeSurfer 맥락막 신경총 레이블에 대해 훈련되므로 이전에 논의 된 FreeSurfer의 신뢰성 및 커버리지 제한을 상속하며 세 번째 및 네 번째 심실은 무시됩니다²¹. 고해상도 MRI에 대한 현재 제한 사항도 존재하지만 FreeSurfer의 고해상도 스트림⁴⁵ 및 FastSurferVINN⁴³을 사용하여 이 문제를 처리할 수 있습니다.

현재 맥락막 신경총 분할 도구
맥락총에 대해 무료로 사용할 수 있는 분할 도구는 하나뿐이지만 분할 정확도는 제한적입니다. 정확한 맥락총(choroid plexus) 분할은 (1) 심실 내 위치로 인한 맥락총(cchoroid plexus) 위치(공간적으로 고정되어 있지 않음)의 가변성, (2) 세포 이질성, 동적 맥락막 신경총 기능, 병리학적 변화 또는 부분적인 부피 효과로 인한 복셀 강도, 대비, 해상도(구조 내 이질성)의 차이, (3) 맥락막 신경총 크기에 영향을 미치는 연령 또는 병리학 관련 심실 크기 차이, (4) 인접한 피질하 구조(해마, 편도체, 미상체, 소뇌)와의 근접성도 분절하기 어렵습니다. 이러한 문제를 감안할 때 FreeSurfer 세분화는 종종 맥락막 신경총을 과소 또는 과대 평가하거나 잘못 레이블을 지정하거나 무시합니다.

최근 발표된 3개의 논문에서는 GMM(Gaussian Mixture Model)⁴⁶, Axial-MLP⁴⁷ 및 U-Net 기반 딥러닝 접근법⁽⁴⁸)을 사용하여 신뢰할 수 있는 맥락총(choroid plexus) 분할의 격차를 다루었습니다. 각 모델은 제한된 다양성의 스캐너, 사이트, 인구 통계 및 장애를 가진 최대 150명의 피험자로 구성된 수동으로 레이블이 지정된 비공개 데이터 세트를 사용하여 훈련되고 평가되었습니다. 이러한 간행물 46,48,49는 FreeSurfer의 맥락막 신경총 분할에 비해 상당한 개선을 달성했지만 때로는 예측과 실측 자료의 교차점을 두 배로 늘리지만 두 방법 모두 (1) 고해상도 MRI에서 검증되지 않았고, (2) 전용 일반화 및 신뢰성 분석이 있으며, (3) 대규모 대표 학습 및 테스트 데이터 세트를 특징으로 하며, (4) 다음과 같은 맥락막 신경총 분할 문제를 구체적으로 해결하거나 분석합니다 부분 볼륨 효과 또는 (5)는 즉시 사용할 수 있는 도구로 공개적으로 사용할 수 있습니다. 따라서 맥락막 신경총 분할에 대한 현재 "황금 표준"은 예를 들어 3D 슬라이서⁵⁰ 또는 ITK-SNAP⁵¹을 사용하는 수동 추적이며, 이는 이전에 설명되지 않았으며 연구에서 맥락총의 역할을 조사하고자 하는 연구자들에게 주요 과제였습니다. 3D 슬라이서는 작성자가 소프트웨어에 익숙하고 원하는 결과를 얻기 위해 결합할 수 있는 다양한 접근 방식을 기반으로 하는 다양한 도구를 사용자에게 제공하기 때문에 수동 분할을 위해 선택되었습니다. 주로 이미지 분할을 지향하는 ITK-SNAP과 같은 다른 도구를 사용할 수 있으며 도구를 마스터하면 사용자가 좋은 결과를 얻을 수 있습니다. 또한 저자는 3D 슬라이서(³⁰)를 사용하여 수동 분할 기술의 높은 정확도와 신뢰성을 입증하는 사례 대조 연구를 수행했으며 특정 방법론이 여기에 설명되어 있습니다.

프로토콜

본 프로토콜은 Beth Israel Deaconess Medical Center의 Institutional Review Board에서 승인되었습니다. 인공물이나 움직임이 없는 뇌 MRI 스캔을 받은 건강한 피험자가 이 프로토콜 시연에 사용되었으며 서면 동의서를 받았습니다. 32채널 헤드 코일이 있는 3.0T MRI 스캐너( 재료 표 참조)를 사용하여 1mm x 1mm x 1.2mm 해상도의 3D-T1 이미지를 획득했습니다. 256 x 256 시야각, TR/TE/TI=7.38/3.06/400ms, 11도 플립 각도의 MP-RAGE ASSET 시퀀스가 사용되었습니다.

1. 뇌 MRI를 3D 슬라이서로 가져오기

참고: 3D 슬라이서는 사용자 인터페이스와 관련된 문서를 제공합니다.

1. 3D 슬라이서로 가져올 뇌 MRI DICOM(Digital Imaging and Communications in Medicine) 또는 NIFTI(Neuroimaging Informatics Technology Initiative) 파일을 준비합니다.
2. 도구 모음의 왼쪽 상단 모서리에 있는 DCM 버튼을 클릭하여 DICOM 데이터를 가져옵니다. 그런 다음 DICOM 파일 가져오기 버튼을 눌러 DICOM 형식 데이터를 가져옵니다.
3. MRI 데이터가 NIFTI 형식인 경우 도구 모음의 왼쪽 상단 모서리에 있는 DATA 버튼을 클릭하여 가져옵니다. 팝업 대화 상자에서, 추가할 디렉토리 선택을 선택하여 폴더에 있는 NIFTI 데이터를 일괄 가져오거나 추가할 파일 선택을 선택하여 특정 NIFTI 파일을 가져옵니다. 그런 다음 확인 버튼을 클릭하여 3D 슬라이서에 데이터 업로드를 진행합니다.
4. 가져오기 후 MRI 데이터는 축 평면, 시상 평면 및 코로나 평면을 표시하는 오른쪽 창에 나타납니다.
5. Layouts(레이아웃)로 이동하고 특정 레이아웃을 선택하여 창의 레이아웃을 변경합니다. 3D 슬라이서의 도구 모음 자체에서 레이아웃 모듈 이미지를 클릭하거나 응용 프로그램 메뉴에서 > 레이아웃 보기를 통해 찾을 수 있습니다.

2. 3D 슬라이서의 샘플 데이터에서 DICOM 다운로드

1. Welcome to Slicer 섹션의 시작 화면에서 샘플 데이터 다운로드 버튼을 클릭합니다. 그런 다음 MRHead 단추를 선택하면 다운로드 프로세스가 시작되며 몇 분 정도 걸릴 수 있습니다.
2. 축면, 시상면, 관상면이 있는 뇌 MRI 데이터가 오른쪽 창에 표시되는지 확인합니다.

3. 품질 관리 및 MRI 이미지 조정

1. 각 MRI 슬라이스를 비판적으로 검토하여 이미지 품질과 머리 움직임 또는 스캔 문제로 인한 아티팩트의 존재를 정성적으로 결정합니다.
2. 마우스 오른쪽 버튼을 클릭하고 마우스를 위 또는 아래로 움직여 이미지 조각을 확대/축소합니다.
3. 이미지 조각을 이동하려면 이미지를 마우스 왼쪽 단추로 클릭하고 Shift 키를 누른 상태에서 마우스를 끕니다.
4. 이미지 밝기를 조정하면 맥락총총을 보는 데 도움이 될 수 있습니다. 이렇게 하려면 도구 모음에서 창/볼륨 수준 조정 을 클릭하거나 이미지를 마우스 왼쪽 버튼 으로 클릭하고 마우스를 위 또는 아래로 움직 여 밝기를 각각 높이거나 낮춥니다.
5. 대비를 조정하면 맥락총총을 찾는 데 추가로 도움이 될 수 있습니다. 이미지 슬라이스를 마우스 왼쪽 버튼으로 클릭하고 마우스를 왼쪽이나 오른쪽으로 움직 여 대비를 각각 높이거나 낮춥니다. 맥락총에 대한 적절한 대비를 결정하려면 깊은 회백질 핵(외측 및 제3뇌실 주위에 배열된 회백질의 중심 덩어리) 또는 대비 눈금 막대에 표시된 신호 강도를 사용하십시오.
6. 선호하는 콘트라스트가 선택되면 분할 전반에 걸쳐 동일한 콘트라스트를 유지하고 천막상 및 천막하 영역의 잠재적 변동을 조정하지 마십시오.

4. 맥락총의 수동 세그먼트 만들기

1. 외측, 제3 및 제4 뇌실 맥락총의 분할을 시작하려면 세그먼트 편집기 모듈에서 분할 파일을 만듭니다. 이 위치로 이동하려면 도구 모음에서 Segment Editor 를 클릭하거나 Modules: 드롭다운 메뉴로 이동하여 Segment Editor를 선택합니다.
2. 세그멘테이션에 대한 드롭다운 메뉴를 클릭하여 다른 세그멘테이션을 선택하고(여러 세그멘테이션이 생성된 경우) 현재 선택한 세그멘테이션의 이름을 바꿉니다.
3. 마스터 볼륨 드롭다운을 사용하여 편집이 필요한 NIFTI 또는 DICOM 세트를 선택합니다. 볼륨 파일을 선택한 경우에만 사용자가 세그먼트화/편집을 시작할 수 있습니다.
4. Add( 추가 ) 버튼을 두 번 클릭하여 외측 심실 맥락총(lateral ventricle choroid plexus)에 대한 두 개의 세그먼트를 추가합니다. 이름을 바꾸려면 이름을 두 번 클릭하고 오른쪽 외측 심실 맥락막 신경총 및 왼쪽 외측 심실 맥락총으로 변경합니다.
5. 추가 버튼을 다시 클릭하여 제3 및 제4 뇌실 맥락총에 대한 세그먼트를 추가하고 이름을 "제3 심실 맥락총" 및 "제4 심실 맥락총"으로 바꿉니다.

5. 다양한 슬라이스 및 세분화 보기

1. 편집하기 전에 배경 연구를 수행하여 보기 창에서 레이아웃 사이를 이동하는 방법과 세그먼트의 보기 또는 불투명도를 변경하는 방법을 알아봅니다.
2. 보기 창 상단과 슬라이스 슬라이더 왼쪽에서 핀 아이콘을 클릭합니다. 그러면 드롭다운 메뉴가 열리며, 이 메뉴는 창이 있는 특정 레이아웃에 따라 달라질 수 있습니다.
   알림: 맥락총의 구조가 개인마다 다를 수 있으므로 맥락총의 구조를 분할할 때 다양한 레이아웃을 활용하는 것이 도움이 될 수 있습니다. 예를 들어, '기존' 레이아웃을 사용하면 사용자가 세 개의 슬라이스와 장면의 3D 보기를 동시에 볼 수 있습니다. '빨간색/노란색/녹색 슬라이스만'을 선택하면 사용자가 2D 슬라이스를 클로즈업하여 볼 수 있어 맥락총이 보다 정확하게 분할될 수 있습니다.

6. 외측심실 맥락막 신경총 ROI 설명

참고: 템플릿에 이미지를 등록하는 것은 수동 분할을 위해 필요하지 않습니다.

1. 외측 심실 맥락총의 경우 축 평면에서 시작하여 이미지가 bicommissural line을 기준으로 배치되도록 합니다. 그런 다음 삼각 측부를 외측 심실 맥락총의 위치를 찾기 위한 기준점으로 사용합니다.
   1. 축 평면에서 편집이 완료되면 나머지 보기(시상 및 관상)로 이동하여 외측 심실 맥락총의 수동 분할이 주변 뇌 실질 또는 CSF를 포착하지 않도록 합니다.
2. 편집을 시작하려면 작업할 세그먼트 를 클릭하면 세그먼트 이름이 강조 표시됩니다.
3. Segment Editor의 Effects 섹션에서 Paint 또는 Draw 툴을 클릭하여 수동 세그멘테이션을 시작합니다.
   참고: 한 평면(코로나, 축 또는 시상)에서 분할을 시작하는 것이 가장 좋으며, 모든 슬라이스에서 분할이 완료된 후 다른 평면으로 이동하여 수동 분할을 확인하고 구체화합니다. 사용자는 이러한 보기에서 외측 심실 맥락총이 더 쉽게 보이기 때문에 축 또는 관상면에서 시작하는 것이 좋습니다.
4. 그리기 도구를 사용할 때 마우스 왼쪽 버튼을 클릭하고 누르고 있으면 외측 심실 맥락총의 경계에 윤곽선을 그립니다. 추적이 완료되면 마우스 오른쪽 버튼을 클릭하여 그려진 영역을 채웁니다.
5. 페인트 도구를 사용할 때는 먼저 페인팅에 사용할 브러시의 지름을 선택합니다. 맥락총의 보다 정확한 묘사를 위해 3% 또는 5% 브러시를 사용하는 것이 좋으며, 더 큰 선택에는 10%가 유용할 수 있습니다.
6. 두 도구 모두 페인트 또는 지우기를 사용하여 선택 항목을 추가하거나 제거하여 잘못된 묘사를 수정합니다.
   참고: 다른 평면을 참조하면 주변 회백질, 포닉스, 뇌량 또는 해마와 같은 다른 뇌 구조와 비교하여 외측 심실 맥락막 신경총 구조를 식별하는 데 도움이 될 수 있습니다. 사용자는 맥락총총(choroid plexus) 낭종이 확인된 뇌 스캔을 제외하는 것이 좋습니다.
7. 적색핵의 수준을 외측심실의 맥락총의 분할을 멈추기 위한 이정표로 사용하십시오.

7. 제3 및 제4 뇌실 맥락막 신경총 ROI 설명

알림: 고해상도 T1w 이미지(예: 0.7mm 또는 0.8mm)와 7T MRI에서 얻은 이미지는 제3심실 및 제4심실 맥락총의 보다 정확하고 신뢰할 수 있는 수동 분할을 제공합니다. 제3 및 제4 뇌실 맥락총(lateral ventricle choroid plexus)을 분할하는 것은 외측 심실 맥락총(lateral ventricle choroid plexus)보다 더 어려운데, 이는 이 영역이 훨씬 더 작고 묘사할 복셀이 더 적기 때문입니다.

1. 제3뇌실 맥락총의 경우 시상면에서 시작하여 Monro, fornix, corpus callosum, thalamus 및 internal cerebral vein의 구멍을 기준점으로 사용하여 제^3뇌실의 맥락총을 정확히 찾아냅니다. 동일한 평면 내에서 슬라이스 사이를 이동하면 영역이 포닉스, 시상, 정맥 또는 제3심실 맥락총인지 확인하는 데 도움이 될 수 있습니다.
   1. 시상면(sagittal plane)에서 편집이 완료되면 나머지 보기(축 및 관상)로 이동하여 제3심실 맥락총의 수동 분할이 주변 뇌 실질 또는 CSF를 선택하지 않도록 합니다.
2. 마찬가지로, 제4심실 맥락총의 경우 시상면에서 시작하여 상소 뇌 꽃자루, 폰스 및 수질을 기준점으로 사용하여 제4뇌실의 맥락총을 정확히 찾아냅니다. 동일한 평면 내에서 슬라이스 사이를 이동하면 해당 영역이 소뇌, 소뇌 편도선, 하부 수질 벨럼 또는 4^심 실 맥락총인지 확인하는 데 도움이 될 수 있습니다.
   1. 시상면에서 편집이 완료되면 나머지 보기(축 및 관상)로 이동하여 제4뇌실 맥락총의 수동 분할이 주변 뇌 실질 또는 CSF를 선택하지 않도록 합니다.

8. 맥락총의 부피 계산

1. Modules 드롭다운 메뉴에서 Quantification으로 이동하고 Segment Statistics를 선택합니다.
2. 입력(Inputs)의 분할(Segmentation) 툴에서 정량화할 새 분할 맵을 선택하고 스칼라 볼륨(Scalar volume)에서 MRI 볼륨을 선택합니다. 출력 테이블(출력 아래)에서 테이블 옵션을 선택합니다. 완료되면 적용을 누르면 맥락총의 부피가 포함된 표가 다양한 단위로 나타납니다.

9. 세그먼트 및 볼륨 결과 저장

1. 도구 모음의 왼쪽 상단 모서리에 있는 저장 버튼을 클릭하여 생성된 파일을 저장합니다.
2. 세그멘테이션 파일을 .nrrd (3D 슬라이서 파일), .nii.gz (NIFTI 파일) 또는 .tsv (테이블 파일)로 저장합니다.

10. 세그멘테이션의 정확성, 성능 및 일치도 결정

참고: 주사위 계수(DC) 및 DeepMind 평균 표면 거리(avgSD)를 설명하는 MONAI 패키지( 재료 표 참조)를 사용하는 것이 좋습니다. DC 및 avgSD에 대한 자세한 내용은 아래에 설명되어 있습니다. 이러한 메트릭을 계산하려면 독자는 프로그래밍 방법(예: 파이썬, 디스크에서 이미지 읽기, 이러한 함수에 적합한 입력 배열로 데이터 형식 변경)을 알아야 합니다. 이러한 모든 메트릭을 포함하는 사용자 친화적인 패키지는 없습니다.

1. DC 점수는 두 기하학적 영역의 겹침을 정량화하는 표준 접근 방식입니다. 두 분할 간의 평균 DC 점수를 계산하려면 두 개의 텐서 y_pred 및 y, 즉 이진화된 각 레이블 이미지에 대해 하나의 프레임이 있는 다중 프레임 이미지를 제공합니다. 텐서 y_pred 및 y에는 두 개의 서로 다른 수동 평가자의 분할, 동일한 평가자의 반복적인 분할 또는 자동화된 예측 및 수동 실측 자료가 포함될 수 있습니다.
   1. 함수 monai.metrics.compute_meandice 를 사용하여 평균 DC 점수를 계산합니다.
   2. monai.transforms.post 로 적합한 이진 레이블 텐서를 생성합니다.
      참고: include_background 매개 변수를 False로 설정하여 첫 번째 범주(채널 인덱스 0)를 DC 계산에서 제외할 수 있으며, 이는 규칙에 따라 배경으로 간주됩니다.
2. avgSD 점수가 덜 일반적이라고 생각하며, 표면 거리에 대한 여러 정의가 존재하기 때문에 접근 방식이 다를 수 있습니다. 예를 들어, 최대 거리(하우스도르프 거리라고도 하며 특이치에 매우 민감함), 평균 거리(여기에 설명되어 있음) 및 95번째 백분위수(매우 견고함)를 자주 사용되는 측도로 사용합니다.
   1. 함수 compute_average_surface_distance를 사용하여 avgSD 점수를 계산합니다.
   2. 이 함수가 디폴트 설정에서 y_pred 에서 y 까지의 평균 표면 거리를 계산하는지 확인합니다.
   3. 또한 symmetric = True인 경우 이 두 입력 사이의 평균 대칭 표면 거리가 반환되는지 확인합니다.
3. 쌍체 분석을 위해 강력한 Wilcoxon 부호 순위 검정을 사용하여 여러 사례에 걸쳐 DC 및 avgSD 점수의 통계 분석을 수행할 수 있습니다.
4. 여러 참가자가 서로 다른 평가자에 의해 안정적으로 평가될 수 있는지 여부를 결정하기 위해 일반적으로 사용되는 또 다른 방법으로 ICC(Intraclass Correlation Coefficient)를 사용하는 것이 좋습니다. ICC는 분할 이미지에 대해 직접 작동하지 않고 분할의 쌍을 이루는 측정 세트(예: 부피)에 대해 작동한다는 점을 기억하십시오. ICC를 계산하려면 R 소프트웨어 및 R Studio( 자료 목차 참조)를 사용하여 프로세스를 간단하게 만듭니다.
   1. install.packages("psych")를 사용하여 패키지를 다운로드하고 라이브러리(psych)를 로드합니다.
   2. Data <- data.frame(df)를 사용하여 각 열에 참가자(행)와 평가자를 포함하는 데이터 프레임을 입력합니다. 그런 다음 plot(Data)을 사용하여 측정값을 시각화합니다.
   3. ICC를 실행하려면 ICC(Data)를 사용하여 다양한 유형의 ICC 테이블을 생성합니다(예: 평가자 간 또는 평가자 내 점수를 얻기 위해).

결과

제안된 방법은 외측 심실 맥락총에 대한 반복적인 개선을 거쳤으며, 169명의 건강한 대조군과 임상적으로 정신병 위험이 높은 340명의 환자로 구성된 코호트에 대한 광범위한 테스트를 포함한다³⁰. 위에서 설명한 기법을 사용하여 저자는 DC = 0.89, avgHD = 3.27mm3 및 단일 평가자 ICC = 0.9730으로 높은 평가자 내 정확도와 신뢰성을 얻었으며, 이는 본 문서에 설명된 프로토콜의 강?...

토론

프로토콜의 중요한 단계
이 프로토콜을 구현할 때 세 가지 중요한 단계에 특별한 주의가 필요합니다. 첫째, MR 이미지의 품질과 대비를 확인하는 것이 정확한 분할을 보장하는 데 중요합니다. 이미지의 품질이 너무 나쁘거나 대비가 너무 낮거나 너무 높으면 맥락총의 묘사가 부정확할 수 있습니다. 이미지의 대비는 이미지의 회색조 값을 보거나 값을 보정하여 회백질 핵과 회백질 ?...

자료

Name	Company	Catalog Number	Comments
3D Slicer	3D Slicer	https://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.
FreeSurfer	FreeSurfer	https://surfer.nmr.mgh.harvard.edu/	An open source neuroimaging toolkit for processing, analyzing, and visualizing human brain MR images
ITK-SNAP	ITK-SNAP	http://www.itksnap.org/pmwiki/pmwiki.php	A free, open-source, multi-platform software application used to segment structures in 3D and 4D biomedical images.
Monai Package	Monai Consortium	https://docs.monai.io/en/stable/metrics.html	Use for Dice Coefficient and DeepMind average Surface Distance.
MRI scanner	GE	Discovery MR750
Psych Package	R-Project	https://cran.r-project.org/web/packages/psych/index.html	A general purpose toolbox developed originally for personality, psychometric theory and experimental psychology.
R Software	R-Project	https://www.r-project.org/	R is a free software environment for statistical computing and graphics.
RStudio	Posit	https://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 Laptop	Any company	n/a	Needed for running the software used in this protocol.