MRI の T1 強調画像からの皮質の灰白質の自動セグメンテーション

Eileanoir B. Johnson; Rachael I. Scahill; Sarah J. Tabrizi

doi:10.3791/58198

このコンテンツを視聴するには、JoVE 購読が必要です。サインイン又は無料トライアルを申し込む。

この記事について

要約
要約
概要
プロトコル
結果
ディスカッション
開示事項
謝辞
参考文献
転載および許可

要約

このプロトコルでは、灰白質の量の定量化のため使用することができます灰白質領域を線引きしたりする構造の T1 強調 MRI スキャンに 7 つの異なる自動セグメンテーションツールを適用するプロセスについて説明します。

要約

ニューロイメージング研究に多くの最近の研究は脳のボリュームを生成する異なるセグメンテーションツールの使用に起因すると考えられている容積の調査結果の研究の間の違いの影響について説明しました。ここでは、脳の灰白質をセグメントに使用できる 7 つの自動化ツールの処理パイプラインが掲載されています。プロトコルは、T1 強調 MRI スキャンから灰のボリュームを生成するための最も正確な方法を見つけることを目指して研究者の最初のステップを提供します。詳細なビジュアル品質管理を実施する手順は、原稿にも含まれます。このプロトコルは潜在的なセグメンテーションツールの範囲をカバーし、におけるコホートに適用する 1 つを選択する前に、データのサブセットの内でこれらのツールのパフォーマンスを比較するユーザーを奨励します。さらに、プロトコルは他の頭脳領域のセグメンテーションをさらに一般化することがあります。

概要

ニューロイメージングは、両方の臨床で広く使用されて、設定を研究します。磁気共鳴画像 (MRI) スキャンから脳の容積を定量化研究の再現性を改善するために現在の動きがあります。したがって、捜査官が標準化と方法¹の最適化を改善するために mri を分割、地域のボリュームの使用可能な mri 検査ツールを使用しての経験を共有することが重要です。このプロトコルでは、T1 強調 MRI スキャンから皮質の灰白質 (CGM; 除く皮質灰白質) をセグメント化する 7 つの異なるツールを使用するためのステップバイステップガイドを提供します。これらのツールは、セグメンテーションの方法²ハンチントン病コホートのツール間の変数のパフォーマンスを実証の方法論的比較で以前使用されました。以来、これらのツールのパフォーマンスが異なるデータセット間で異なると考えられ、研究者のツールの数をデータセットに適用する 1 つだけを選択する前にテストすることが重要です。

灰白質 (GM) ボリュームは脳形態の測定として定期的に使用されます。体積測定は、一般的に信頼性が高く、健常者と臨床グループ³の間で区別することができます。脳領域の異なる組織型のボリュームは、よくこれらのティッシュのタイプを識別する自動化されたソフトウェアツールを使用して計算されます。したがって、GM の高品質鮮明 (区切り) を作成する白質 (WM) と脳脊髄液 (CSF) の正確な描写は、GM 領域の精度を達成するために重要です。GM セグメンテーションを実行するために使用可能性があります、自動化されたツールの数がある、それぞれは別の処理手順を必要とし、異なる出力が得られます。多くの研究は、他の人にそれらを比較する異なるデータセットにツールを適用した、いくつかは特定のツール¹^,⁴^,⁵^,⁶^,⁷^,^{8 を最適化しています。} ^,⁹^,¹⁰^,¹¹。体積ツール間の可変性は文献内の不一致することが脳の容積を勉強するときは、これらの違いについて描かれている偽の結論の要因として示唆されている前の仕事を示しています。神経学的な条件¹。

最近では、健常者の参加者とハンチントン病と参加者の両方含まれているコホート研究における異なるセグメンテーションツールの比較を行った。ハンチントン病は、成人期の典型的な発症に遺伝的神経変性疾患です。皮質下の徐々に萎縮と CGM は病気の顕著なよく研究神経病理学的機能です。結果は、コホート、mri からの脳の体積を計算するために使用するソフトウェアによって所見の変動を示した前の作業支援に適用された分割ツールは 7 種類の変数のパフォーマンスを実証しました。このプロトコルはジョンソンらで使用される処理に関する情報を提供します(2017)²神経イメージング研究で使用するための最も適切なツールを慎重に方法論的選択を奨励します。このマニュアルは、GM ボリュームの分割をカバーして、病変、多発性硬化症で見られるなどのセグメンテーションでは扱いません。

プロトコル

注: は、すべての画像が NifTI 形式であるを確認します。NifTI への変換はここでは扱いません。

1. セグメンテーションによるSPM 8: セグメントを統合

注: この手順を SPM8 Matlab 内で動作する gui 実行します。SPM8 ガイドさらなる詳細とで見つけることができます提供します: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf。

SPM8 がインストールされ、ソフトウェアのパスに設定されていることを確認します。
SPM のセグメンテーションは、GUI を使用して実行されます。SPM を開く、コマンドウィンドウを開き、コマンドラインに 'spm' を入力します。
'ペット & VBM' を押す構造 MRI ツールボックスを開く。
'バッチ' バッチエディターを開くを押します。これはセグメンテーションでは一度に複数のスキャンで実行することができます。
選択 ' SPM |空間 |セグメント '。
クリックして ' データ |ファイルの選択します。入力として T1 強調スキャンを選択します。
注: ファイルは、'.nii' をされている拡張子の解凍された NifTi ファイルをする必要があります。
クリックして ' 出力ファイル |グレー問題 'と' ネイティブスペース ' が選択されていることを確認、白質と同じか。CSF のセグメンテーションが必要ない場合 'None' とままにします。
スキャンでは、バイアス修正済み、'' を修正保存しないでください 'バイアス修正' オプションを変更します。'任意のパーティションをクリーンアップする」オプションでは、3 つの異なるオプションをテストし、視覚的品質管理 (QC、セクション 8) データの最高の作品を決定するを使用します。
その他の設定は既定値のままにします。分割を実行する緑色の旗をクリックします。
注: これは、参加者ごとに約 5 分かかります、コマンド・ラインと言うだろう、' を実行しているセグメント '。終了すると、"Done"コマンドウィンドウが表示されます。
セクション 8 で説明されているように GM (C1*.nii ファイル) に visual QC を実行します。

2. 分割 SPM 8: 新しいセグメント

注: この手順を SPM8 GUI を介して実行します。SPM8 ガイドさらなる詳細とで見つけることができます提供します: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf。SPM8 がインストールされ、ソフトウェアのパスに設定されていることを確認します。コマンドラインに"spm"を入力することによって通常実行されます SPM ソフトウェアを開きます。分析を実行する選択ことができるオプションの範囲でグラフィカルユーザーインターフェイス (GUI) ウィンドウが開きます。

'ペット & VBM' を押してください。
'バッチ' バッチエディターを開くを押します。
選択 ' SPM |ツール |新しいセグメント ' バッチウィンドウで。T1 画像ファイル (拡張子 '.nii') を選択します。
'ネイティブの組織型' を 'ネイティブ空間' に設定します。必要に応じて、別の組織をオフにする (CSF) などクラス - 不要な場合 - 'None' に設定することにより。'ゆがんだ組織' を 'None' に設定します。
注: 他のすべてのオプションは、既定の設定として残すことが。
分割を実行する緑色の旗をクリックします。
注: コマンド行と言うが、' を実行する新しいセグメント '。一度 MATLAB コマンドラインと言う、' 新しいセグメントの実行 ' を実行が終了します。
セクション 8 で説明されているように GM (C1*.nii ファイル) に visual QC を実行します。

3 分割 12 SPM: セグメント

注: この手順は、実行を介してSPM12 GUI です。SPM12 ガイドは、さらなる詳細で見つけることができます: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf。

'Spm' をコマンドウィンドウに入力して SPM ソフトウェアを開きます。分析を実行する選択ことができるオプションの範囲でグラフィカルユーザーインターフェイス (GUI) ウィンドウが開きます。
'ペット & VBM' を押してください。'バッチ' バッチエディターを開くを押します。
クリックして ' SPM |空間 |セグメント '。クリックして ' データ |ボリュームの。
'ネイティブの組織型' を 'ネイティブ空間' に設定します。'None' に設定することにより (CSF) など必要のない組織クラスの電源を切ります。'ゆがんだ組織' を 'None' に設定します。
注: 他のすべてのオプションは、既定の設定として残すことが。
分割を実行する緑色の旗をクリックします。
注: コマンドウィンドウが表示されます: '実行セグメント'。実行が完了すると、それが表示されます: 'セグメントを行う'。
セクション 8 で説明されているように GM (C1*.nii ファイル) に visual QC を実行します。

4. 分割高速 FSL

注: この手順は、コマンド・ラインで行われます。FSL ガイドさらなる詳細とで見つけることができます提供します: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki。

ベット脳抽出を実行します。これは、異なるデータセット用に最適化する必要がありますが、基本的なコマンドは。
T1_ID.nii bet_T1_ID.nii を賭ける
FSL 高速セグメンテーションを実行します。
高速 bet_T1_ID.nii
注: これは出力部分のボリュームマップとバイナリの領域 GM、脳脊髄液、及び WM. の
GM 領域で視覚的 QC を実行 (ファイル終端 * _pve_1.nii.gz) セクション 8 で説明されているようです。

5. な分割

注: この手順は、コマンド・ラインで行われます。な説明ではさらなる詳細とで見つけることができます: https://surfer.nmr.mgh.harvard.edu/。

データが入力して、ディレクトリを設定します。
SUBJECTS_DIR =/パス/を/新居/ファイルをエクスポートします。
コマンドを実行することにより、分割を実行します。
偵察-すべて-i T1_ID.nii subjid - T1_ID-autorecon1-cw256
偵察-すべて-subjid T1_ID-autorecon2-autorecon3
注: コマンド > 参加者につき 10 h を取る。フラグ処理のためこのサイズに 256 を超えるフィールドの表示とスキャンをトリミングする必要が-cw256。
チェックにあるスクリプトを見て、処理が正しく完了したこと、「出力フォルダー |スクリプト |偵察-all.log'。最後の行が '偵察オールの T1_ID エラーなしで完了した' を言うことを確認します。
GM の地域セクション 8 で説明されているようにビジュアル品質管理を実行します。

6. アリによるセグメンテーション

注: この手順は、コマンド・ラインで行われます。アリより複雑なソフトウェア手順をここで説明、他のツールとそれを注意する必要があります可能性がありますさらに行わなければ各コホートの結果を改善するためです。アリのドキュメントで見つけることができます: http://stnava.github.io/ANTsDoc/。組織クラス以下のように画像を分割する 2 つの方法があります。

最初のメソッドを使用して、既定の設定と組織の前科を含む 'antsAtropos.sh' コマンドを実行します。
注: これは多くの場合も特にときのみ 3 組織クラスは必要ですを実行: GM、WM、他。
1. コマンドを入力して、パスをアリソフトウェアに設定します。
  ANTSPATH =/パス/を/アリ/bin をエクスポート/
2. コマンドを入力してセグメンテーションパイプラインを実行します。
  antsAtroposN4.sh -d < image_dimension > - < t1.nii.gz >-c < 組織クラスの数 > -o < 出力 >
  1. このコマンドの省略可能な引数は次のとおりです。
    脳マスク: x < mask.nii.gz >;
    組織前科:-p < segmentationPriors%d.nii.gz >。
3. 部分的なボリュームマップと抽出した脳を含む出力フォルダーが作成されます。GM の地域セクション 8 で説明されているようにビジュアル品質管理を実行します。
多くの組織のクラスを生成する (CSF、WM、皮質下 GM GM他等) または神経病理学を示すコホートでセグメンテーションを実行、特定の組織の前科を使用します。組織前科を別の web サイトからダウンロードします。また、前科に研究に固有のテンプレートを使用する-これははるかに複雑が脳の病理学的変化とのコホートで特に有益であることができます。
1. 試験特有のテンプレート/事前分布を作成するには、研究に固有のテンプレートをまず作成します。
  antsMultivariateTemplateConstruction.sh -d < image_dimension >-o テンプレート < 他のオプション >< images.nii.gz >
  1. このコマンドの省略可能な引数は次のとおりです。
    -c: 並列計算の制御。
    直列で実行される場合、0; を使用します。-j: コア数-r: は、テンプレート (デフォルトは 0) を作成する前に入力の剛体登録を行う - 0 1 = = の = =。これは、初期テンプレートが利用できない場合にのみ役立ちます。
2. ダウンロード、brainmask と前科アリのウェブサイトから。
  注: このマスクを編集して、テンプレートの脳の良い近似になっているかどうかを確認する必要があります。Brainmask はパイプラインの最も重要な部分の 1 つそれは貧しい脳抽出/アトロポスが不十分な実行されます。いくつかのダウンロードオプションは次のとおりです。
  https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436。
  ダウンロードしたテンプレートは、研究テンプレートに登録されている必要があります。
3. 研究固有のテンプレート領域に変換する、ダウンロードしたテンプレートに適用することができますワープのシリーズの出力は登録を計算します。登録を計算するには、コマンドを使用します。
  antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
  1. このコマンドのオプションは次のとおりです。
    -d: 次元 (すなわち、 3 D スキャンになる '3');-f: 固定イメージ (すなわちイメージが終わるために必要な容量);-m: 移動イメージ (すなわちイメージを移動する必要がある);-o: 出力の名前です (拡張子は必要ありません);-n: スレッドの数。
4. データに登録を適用します。
  antsApplyTransforms d 3 -i downloaded_template.nii.gz - r template.nii.gz -o downloaded_to_template.nii.gz -t downloaded_to_template1Warp.nii.gz t downloaded_to_template0GenericAffine.mat。
  1. このコマンドのオプションは次のとおりです。
    -d: 次元 (すなわち、 3 D スキャンになる '3');-i: 入力イメージ (すなわちイメージを移動する必要がある);-r: 参照イメージ (すなわち、参照イメージの間隔、起源、サイズ、出力ゆがんだ画像の方向性を定義する);-o 出力名、研究固有のテンプレート空間 (この場合必要に応じて拡張子) でダウンロードしたテンプレート-t 変換ファイル名、登録計算からの出力ファイルです。
5. 視覚研究固有のテンプレートとダウンロードしたテンプレート (これを行うにダウンロードしたテンプレート上に研究に固有のテンプレートを開く) 間の通信のための登録を確認します。
6. 登録してきました場合、ダウンロードした事前分布に変換を適用し、6.2.5 の手順を繰り返して、テンプレート脳を抽出します。
  注: 次の手順があります研究固有のテンプレート、ダウンロードした脳抽出マスクと一緒に揃えてダウンロードしたテンプレートと組織前科も研究に固有のテンプレートを揃えて研究固有のテンプレート。
7. AntsCorticalThickness.sh; を通じて研究の特定のテンプレートを実行します。これは、GM、WM、および CSF 領域試験特有の前科に使用することができますを提供します。
  antsCorticalThickness.sh -d 3-template.nii.gz -e downloaded_to_template.nii.gz -m downloaded_binarised_template_extracted_brain_in_studyspace.nii.gz p downloaded_labelsPriors%d.nii.gz -o CT_template
  1. このコマンドのオプションは次のとおりです。
    -d: 次元 (すなわち、 3 D スキャンになる '3');-a: イメージ (この場合は研究に固有のテンプレート) の分割;-e: 脳テンプレート (ない頭蓋骨除去; この場合はダウンロードしたテンプレート研究固有のテンプレートに登録されている);-m: ダウンロードした脳抽出マスク (このケースでは、研究に固有のテンプレートに登録されている、ダウンロードしたテンプレートから抽出した脳);-p: 前科の c スタイルの書式 (たとえば、 -p labelsPriors%02d.nii.gz) を使用して指定します。
    注: コマンドは、次のように最初の 4 つの前科を並べ: 1: CSF、2: 皮質 GM、3: WM、4: 皮質下の GM (この場合は研究に固有のテンプレートに登録されている、ダウンロードしたテンプレートから前科) に。
8. このコマンドを実行すると、テンプレートの生成された前科が発生スムージングアトロポスのセグメンテーションで使用する前に必要しますが、あります。スムージングコマンドアリソフトウェアの一部です。コマンドを使用してすべての前科をスムージングします。
  SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
9. アトロポスを実行する前にすべてのネイティブ領域スキャンで脳抽出を実行します。研究固有のテンプレートは使用できますとテンプレート (6.2.1 ステップ) で antsCorticalThickness.sh を実行してから生成された脳を抽出します。
  antsBrainExtraction.sh -d 3-T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
  1. このコマンドのオプションは次のとおりです。
    -d: 寸法;-a: 解剖学的画像-e: 脳抽出テンプレート (頭蓋骨除去せず、作成テンプレートなど)。-m: 研究脳抽出に使用される特定の brainmask-o: 出力の接頭辞。
10. アトロポスを実行します。
  antsAtroposN4.sh -d 3-、T1.nii.gz - x T1_brain.nii.gz -c 3 o Atropos_specific_template
  1. このコマンドのオプションは次のとおりです。
    -d = 寸法;-a: 解剖学的画像-脳抽出から生成 x: 脳抽出マスク-セグメント; 組織クラスの数-o: 出力プレフィックスです。-p: 試験特有のセグメンテーション前科 < segmentationPriors%d.nii.gz >
11. GM の地域セクション 8 で説明されているようにビジュアル品質管理を実行します。

7. MALP EM によるセグメンテーション

MALP EM を実行、ターミナルウィンドウを開き、MALP EM インストールディレクトリと型にディレクトリを変更します。
。/malpem proot-i T1_scan.nii -o。/m optional_brain_mask_final.nii.gz -f 3 t t 6 c
コマンドが完了すると、組織のクラスおよび地域の細分化と出力フォルダーがあることを確認します。
GM セクション 8 で説明されているようにビジュアル品質管理を実行します。

8. 視覚的品質管理

注: 視覚的品質管理は、解析で使用されるすべてのセグメント化された地域に行わなければなりません。元が高い水準し、CGM の信頼性の高いセグメントを表す品質管理を保証します。品質管理を実行するには、各スキャンは開くし、CGM のスキャンに表示する生成された領域を比較する元の T1 にオーバーレイします。

MALP EM の区切り、アリ、FSL SPM
1. FSLeyes を使用して視覚的品質管理を実行します。
  https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
  注: FSLview (古いビューアー) は、同じ方法でも使用できます。
2. ターミナル・ウィンドウを開き、T1、T1 に重ねて GM 領域を開きます。これを行うには、次のコマンドを入力します。
  fsleyes T1.nii Region1.nii Region2.nii。
3. FSLeyes が開いたらは、上部ペインに不透明度の切り替えを使用して、不透明度を調整/減らすし GM 領域の下に T1 のイメージの視覚化を許可します。上部ペインで '色ドロップダウンタブ' を介して分割オーバーレイの色を変更します。
4. 脳のすべてのスライスをスクロールします。
  注: ここでこれは、冠状ビューですがユーザーを使用して彼らはほとんど経験を持ってビューを使用する必要があります。
5. すべてのスライスの領域の下で- またはオーバーの虚と実検査されている地域を確認してください。
  注: は、代表的な結果については、善と悪の区切りの例を参照してください。
な QC
1. Peform visual QC FreeView を使用します。
  注: は、ここのマニュアルを参照してください。
  https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart。
2. ターミナルウィンドウを開きます。T1 に重ねて体積 GM 領域を表示するには、対象フォルダーと種類にディレクトリを変更します。
  freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
3. 脳のすべてのスライスをスクロールします。
  注: ここでこれは、冠状ビューですがユーザーを使用して彼らはほとんど経験を持ってビューを使用する必要があります。
4. すべてのスライスの領域の下で- またはオーバーの虚と実検査されている地域を確認してください。
  注: は、代表的な結果については、元の例を参照してください。

結果

人口統計学的情報とともに、20 のコントロール参加者の平均脳容積は表 1に示します。これは、これらのツールを使用して予期される値のためのガイドとして機能します。結果は、元の T1.nii イメージのコンテキストで表示すべき。すべての GM の地域は、セクション 8 で説明されている手順に従って検査する必要があります。ビジュアル品質管理を実行す...

ディスカッション

最近では、研究では、異なる容量法の使用がニューロイメージング研究¹^,²のための重要な含意があるを実証してきました。異なるニューロイメージングツールを適用する方法だけでなく、これらのツールによって出力結果で QC を実行する方法のガイド初心者ユーザーを支援するプロトコルを公開、研究者のデータセットに適用する最善の方法を?...

開示事項

著者が明らかに何もありません。

謝辞

CHDI/高 Q 財団トラック HD 研究; の責任ですべての人に感謝したいです。特に、ベス Borowsky、アラン・トービン、ダニエル・ヴァン・ Kammen、イーサンの署名者、シェリー古参。著者はまたトラック HD 研究参加者とその家族に感謝の意を拡張したいです。この作業は、内診療/UCL、健康研究生物医学研究センターの資金調達スキームの保健省の国立研究所から資金調達の割合を受信で行われました。S.J.T. には、認知症と神経変性研究ネットワーク、デンドロンによる健康研究所のサポートが認めています。

トラック HD 捜査官:
C. キャンベル、・キャンベル、I. Labuschagne、c. Milchman、j. スタウト、モナシュ大学、メルボルン、VIC、オーストラリア;A. コールマン、R. ダールサントス、j. Decolongon、b. r. レビット、A. Sturrock、ブリティッシュコロンビア大学、バンクーバー、BC、カナダ;A. Durr、C. Jauffret、D. フスト、s. Lehericy、C. マレリ、k. Nigaud、r. Valabrègue、ICM 研究所、パリ, フランス;(名) ベクテル、s. ボーレン、r. Reilmann、ミュンスター大学、ミュンスター、ドイツ;B. Landwehrmeyer、ウルム大学ウルム、ドイツ;S. j. A. · ヴァン · デン Bogaard、e. m. デュマ j. ヴァン der 変数、E. P. ' t、ライデン、オランダのライデン大学医療センター、R. A. ルースハート(名) アラン、j. キャラハン、D. Craufurd、C. Stopford、マンチェスターの大学、マンチェスター, イギリス;D. M. 現金、IXICO、ロンドン、イギリス;・クロウフォード、n. c. フォックス、s. グレゴリー、g. オーウェン、n. Z. ホッブズ、N. Lahiri、I. マローン、j. 読み取り、m. j. と言う、d. ホワイトヘッド、大腸菌ワイルド、大学大学ロンドン, ロンドン, イギリス;C. 霜、r. ジョーンズ、ロンドン大学衛生熱帯医学、ロンドン, イギリス;E. Axelson、H. J. ジョンソン、D. Langbehn、アイオワの大学, アイオワ, アメリカ合衆国;s. Queller、c. キャンベル、インディアナ大学、米国で。

参考文献

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).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

143 MRI SPM FSL MALP EM

This article has been published

Video Coming Soon

Keep me updated: