Kortikal gri cevherde T1 ağırlıklı MRG görüntülerden otomatik bölümleme

Özet

Bu iletişim kuralı gri madde birim miktar için kullanılan gri cevherde bölgeleri betimlemek için yapısal T1 ağırlıklı MRG taramaları için yedi farklı otomatik bölümleme araçları başvuru süreci açıklar.

Özet

Nörogörüntüleme araştırma içinde son yıllarda yapılan çalışmalarda bir dizi beyin birimler oluşturmak için farklı segmentasyon araçları kullanımı sonucu düşünülen hacimsel bulgular çalışma arasındaki farklılıkları etkisini tartıştık. Burada, beynin içinde gri cevherde segmentlere ayırmak için kullanılan yedi otomatik araçlar için işleme boru hatları sunulmuştur. İletişim kuralı gri madde birimleri T1 ağırlıklı MRG taramaları üretmek için en doğru yöntemi bulmak için amaçlayan araştırmacılar için bir ilk adım sağlar. Detaylı görsel kalite kontrol üstlenmek için adımları ayrıca el yazması dahil edilir. Bu iletişim kuralı potansiyel segmentasyon araçları bir dizi kapsar ve kullanıcılar için tam bir kohort uygulamak için bir seçmeden önce bu araçları içinde onların verilerin bir alt kümesini performansını karşılaştırmak için teşvik eder. Ayrıca, protokol daha da diğer beyin bölgeleri ayrılmasını jeneralize.

Giriş

Beyin görüntüleme ayarları araştırma ve klinik hem de yaygın olarak kullanılır. Beyin manyetik rezonans görüntüleme (MRG) inceden inceye gözden geçirmek birimden ölçmek çalışmalar tekrarlanabilirlik geliştirmek için geçerli bir hareket olduğunu; Böylece, müfettişler standardizasyon ve optimizasyon yöntemleri¹geliştirmek için bölgesel birime, MRI taramaları segmentlere için kullanılabilir MRI araçlarını kullanarak deneyimlerini paylaşmak önemlidir. Bu iletişim kuralı, T1 ağırlıklı MRG taramaları kortikal gri madde (CGM; gri cevherde subcortical bölgeleri hariç) segmentlere ayırmak için yedi farklı araçları kullanarak bir adım adım kılavuz sağlar. Bu araçları daha önce bir Huntington hastalığı kohort araçları arasında değişken performans gösterdi bölümleme yöntem², metodolojik karşılaştırılması kullanılmaya başlanmıştır. Performans bu araçların farklı veri kümeleri arasında farklılık olduğu düşünülen olduğundan, araştırmacılar onların veri kümesine uygulamak için sadece bir seçmeden önce bir dizi araç test etmek için önemlidir.

Gri madde (GM) hacmi düzenli olarak beyin morfoloji bir önlem olarak kullanılır. Hacimsel önlemleri genellikle güvenilir ve sağlıklı kontrol ve klinik gruplar³arasında ayrımcılık mümkün vardır. Beynin farklı doku türlerine hacmi en sık bu doku türlerini belirlemek otomatik yazılım araçları kullanılarak hesaplanır. Böylece, yüksek kaliteli çizilmesi (segmentations) GM, beyaz madde (WM) ve beyin-omurilik sıvısı (BOS) doğru tarif GM bölge doğruluğunu ulaşmada kritik oluşturmaktır. GM segmentasyon gerçekleştirmek için kullanılabilir otomatik araçları vardır ve her farklı işleme adımları gerektirir ve farklı bir çıkış içinde sonuçlanır. Çalışmalar bir dizi araçları onları bir diğer karşılaştırmak için farklı veri başvuran ve bazı özel araçlar^{1,4,5,6,7,8 optimize ,9,10,11}. Önceki çalışma değişkenlik hacimsel araçlar arasında tutarsızlıklar edebiyatı içinde beyin hacmi okurken neden olabilir ve bu farklar hakkında çizilmiş olması yanlış sonuçlar için faktörler sürüş olarak önerilmiştir göstermiştir nörolojik koşulları¹.

Son zamanlarda, farklı segmentasyon araçları sağlıklı kontrol katılımcılar ve Huntington hastalığı ile katılımcılar dahil bir kohort bir karşılaştırma gerçekleştirildi. Huntington hastalığı yetişkinlikte bir genetik nörodejeneratif hastalık ile tipik bir başlangıcı var. Subcortical, kademeli atrofi ve CGM hastalığın önemli ve iyi okudu neuropathological özelliği. Sonuçları destekleyen bulgular beyin MRI taramaları birimlerden hesaplamak için kullanılan yazılım bağlı olarak değişkenlik gösterdiği önceki çalışma kohort uygulanan yedi segmentasyon araçları değişken performans gösterdi. Bu iletişim kuralı Johnson ve ark. içinde kullanılan işleme hakkında bilgi sağlar (2017) nörogörüntüleme kullanmak için en uygun araçları dikkatli metodolojik seçim teşvik eden ² . Bu kılavuz GM birim ayrılmasını kapsayan daha fazla fakat bu multipl skleroz görmüş gibi lezyonlar ayrılmasını kapsamaz.

Protokol

Not: tüm görüntüleri NifTI biçiminde olduğundan emin olun. Dönüştürme NifTI için burada kapsamında değildir.

1. segmentasyon üzerinden SPM 8: Segment birleştirilmiş

Not: Bu yordam Matlab içinde faaliyet gösteren SPM8 GUI üzerinden gerçekleştirilir. SPM8 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf.

1. SPM8 yüklü ve yazılım yolunu ayarlamak emin olun.
2. SPM parçalama bir GUI kullanılarak gerçekleştirilir. SPM açmak için bir komut penceresi açın ve 'spm' komut satırına girilir.
3. 'Evde beslenen hayvan ve VBM' basın yapısal MRG toolbox açmak için.
4. 'Toplu toplu işlem Düzenleyicisi'ni açmak için' tuşuna basın. Bu bir defada birden fazla taramalar yapılması segment oluşturma sağlar.
5. Seçin ' SPM | Kayma | Segment'.
6. Tıklayın ' veri | Dosyaları seçin. T1 ağırlıklı taramaları giriş olarak seçin.
   Not: Dosyaları fermuarını açıp NifTi dosyaları, '.nii' varlık uzantısına sahip olmalıdır.
7. Tıklayın ' çıkış dosyaları | Gri madde ' ve 'Yerel alan' seçili olduğundan emin olun, beyaz madde için aynı şeyi. CSF ayrılmasını gerekli değilse bu 'Yok' bırakın.
8. İnceden inceye gözden geçirmek zaten önyargı düzeltilmiş olması, 'Değil kurtarmak düzeltildi' için 'Düzeltilebilir Bias' seçeneğini değiştirin. 'Tüm bölümlerini kadar temiz' seçeneği için üç farklı seçenek test ve görsel kalite kontrol (QC, Bölüm 8) hangi verileri için en iyi belirlemek için kullanın.
9. Diğer ayarları varsayılan olarak bırakın. O zaman, yeşil bayrak ayrılmasını çalıştırmak için tıklatın.
   Not: Bu katılımcı başına yaklaşık 5 dakika sürer ve komut satırında, 'Çalışan kesimi' diyecekler. Ne zaman tamamlanmak, command Window'u 'Bitti' görüntüler.
10. Görsel QC GM (C1*.nii dosyası) Bölüm 8'de açıklandığı gibi gerçekleştirin.

2. segmentasyon SPM 8 üzerinden: yeni Segment

Not: Bu yordam SPM8 GUI gerçekleştirilir. SPM8 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf. SPM8 yüklü ve yazılım yolunu ayarlamak emin olun. Genellikle bir komut satırında "spm" yazarak gerçekleştirilen SPM yazılımını açın. Bu analizi yapmak için seçilen seçenekleri bir dizi grafik kullanıcı arabirimi (GUI) penceresini açar.

1. 'Evde beslenen hayvan ve VBM' tuşuna basın.
2. 'Toplu toplu işlem Düzenleyicisi'ni açmak için' tuşuna basın.
3. Seçin ' SPM | Araçlar | Yeni Segment' küme penceresinden. T1 görüntü dosyaları ('.nii' uzantılı) seçin.
4. 'Yerel doku türü' için 'yerel alan' ayarlayın. Gerektiği gibi farklı doku kapat (CSF gibi) sınıflar - Aksi takdirde gerekli - onları 'Yok' ayarlayarak. 'Çarpık doku' 'None' ayarlayın.
   Not: Diğer tüm seçenekler için varsayılan ayar olarak bırakılabilir.
5. Yeşil bayrak ayrılmasını çalıştırmak için tıklatın.
   Not: Komut satırında diyecek, 'Yeni Segment çalışan'. Bir kez MATLAB komut satırı olacak ki, 'yapılan yeni Segment' çalışması tamamlanmıştır.
6. Görsel QC GM (C1*.nii dosyası) Bölüm 8'de açıklandığı gibi gerçekleştirin.

3. segmentasyon SPM 12 üzerinden: Segment

Not: Bu yordam gerçekleştirilen üzerinden SPM12 GUI gerçekleştirilir. SPM12 kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf.

1. Command window içine 'spm' yazarak SPM yazılımını açın. Bu analizi yapmak için seçilen seçenekleri bir dizi grafik kullanıcı arabirimi (GUI) penceresini açar.
2. 'Evde beslenen hayvan ve VBM' tuşuna basın. 'Toplu toplu işlem Düzenleyicisi'ni açmak için' tuşuna basın.
3. Tıklayın ' SPM | Kayma | Segment'. O zaman, tıkırtı üstünde ' veri | Birimleri.
4. 'Yerel doku türü' için 'yerel alan' ayarlayın. Devre dışı (CSF gibi) onları 'Yok' ayarlayarak gerekli değil doku sınıfları. 'Çarpık doku' 'None' ayarlayın.
   Not: Varsayılan ayar olarak tüm diğer seçenekler bırakılabilir.
5. Yeşil bayrak ayrılmasını çalıştırmak için tıklatın.
   Not: Komut penceresinde görüntülenecektir: 'Çalışan kesimi'. Çalışma tamamlandıktan sonra o-ecek göstermek: 'Kesimi yapılır'.
6. Görsel QC GM (C1*.nii dosyası) Bölüm 8'de açıklandığı gibi gerçekleştirin.

4. segmentasyon FSL hızlı yolu ile

Not: Bu yordam komut satırında yapılır. FSL kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: https://fsl.fmrib.ox.ac.uk/fsl/fslwiki.

1. BAHİS beyin ayıklama çalıştırın. Bu farklı veri kümeleri için en iyi duruma getirilmiş gerekebilir, ancak temel komut:
   T1_ID.Nii bet_T1_ID.nii bahis
2. FSL hızlı segmentasyon çalıştırın:
   hızlı bet_T1_ID.nii
   Not: Bu kısmi cilt haritalar ve ikili bölgeler GM, CSF ve WM için çıktısı
3. Görsel QC GM bölgesine gerçekleştirmek (dosya sonu * _pve_1.nii.gz) Bölüm 8'de açıklandığı gibi.

5. segmentasyon FreeSurfer üzerinden

Not: Bu yordam komut satırında yapılır. FreeSurfer kılavuz sağlar daha fazla ayrıntı ve adreste bulunabilir: https://surfer.nmr.mgh.harvard.edu/.

1. Dizin verileri yazarak nerede ayarlayın:
   SUBJECTS_DIR = / yolu / / nii/dosyaya verme
2. Ayrılmasını komutlarını çalıştırarak çalıştırın:
   Recon-all - i T1_ID.nii - subjid T1_ID-autorecon1-cw256
   Recon-all - subjid T1_ID-autorecon2-autorecon3
   Not: Komutlar > 10 h katılımcı başına alın. - Cw256 bayrak taramaları alanları bakış ile 256 ölçüye bu işleme için daha büyük kırpmak için gereklidir.
3. Kontrol işlem doğru senaryoya bakarak tamamlandı yer alan ' çıktı klasörü | komut dosyaları | Recon-all.log'. Son satırı 'recon-all - s T1_ID hatasız tamamlandı' diyor kontrol edin.
4. Bölüm 8'de açıklandığı gibi GM bölgesindeki görsel QC gerçekleştirin.

6. karıncalar ile segment oluşturma

Not: Bu yordam komut satırında yapılır. Diğer araçlar ve bu yordamı burada açıklanmıştır unutulmamalıdır daha daha karmaşık bir yazılım daha fazla her kohort sonuçlarını iyileştirmek optimize karıncalar var. Karıncalar belgeler bulunabilir: http://stnava.github.io/ANTsDoc/. Görüntüleri aşağıda açıklandığı gibi doku sınıfları kesimi için iki yolu vardır.

1. İlk yöntemi kullanmak için varsayılan ayarlarla ve doku sabıkası dahil olmadan 'antsAtropos.sh' komutunu çalıştırın.
   Not: Bu kez de özellikle sadece 3 doku sınıfları gerekli olduğunda gerçekleştirir: GM, WM, diğer.
   1. Yolu karıncalar yazılım için komut yazarak ayarlayın:
      ihracat ANTSPATH = / yol/için/karınca/bin /
   2. Segmentasyon boru komutunu yazarak çalıştırmak:
      antsAtroposN4.sh -d < image_dimension > - bir < t1.nii.gz > -c doku sınıfların < Sayı > -o < çıkış >
      1. Bu komutla isteğe bağlı bağımsız değişkenler:
         Beyin maskesi: - x < mask.nii.gz >;
         Doku sabıkası: -p < segmentationPriors%d.nii.gz >.
   3. Bu kısmi cilt haritalar ve ayıklanan bir beyin gibi çıktı ile bir klasör oluşturur. Bölüm 8'de açıklandığı gibi GM bölgesindeki görsel QC gerçekleştirin.
2. Daha fazla doku sınıflar oluşturmak için (GM, subcortical GM, WM, CSF, diğer, vb) veya sinirsel patoloji gösterilen bir kohort ayrılmasını gerçekleştirmek, belirli doku sabıkası kullanın. Doku sabıkası download--dan farklı websites. Alternatif olarak, sabıkası yapmak için çalışma özel şablon kullanmak - bu çok daha karmaşık ama özellikle tabur patolojik beyin değişikliklerle de yararlı olabilir.
   1. Bir çalışma özel şablon/sabıkası oluşturmak için önce bir çalışma özel şablonu oluşturun:
      antsMultivariateTemplateConstruction.sh -d < image_dimension > -o şablonu < diğer seçenekleri >< images.nii.gz >
      1. Bu komutla isteğe bağlı bağımsız değişkenler:
         -c: kontrol paralel hesaplama için.
         Seri çalışan bir 0 kullanın; -j: sayı çekirdek için; -r: yapmak vücut katı kayıt girdilerin şablonu (default 0) oluşturmadan önce--0 kapalı 1 == == üzerinde. Bu sadece bir başlangıç şablonu kullanılabilir olmadığında yararlıdır.
   2. Bir brainmask ve rahipler karıncalar Web sitesinden indirin.
      Not: Bu maske şablon beyin iyi bir yaklaşım olduğundan emin olmak için düzenlenmiş gerekir. Brainmask boru hattının en önemli parçalarından biridir; fakir ise, beyin çıkarma/Atropos kötü çalışır. Karşıdan yükleme seçenekleri bazıları şunlardır:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates?915436.
      Karşıdan yüklenen şablon sonra çalışma şablonu için kayıtlı olmalıdır.
   3. Sonra çalışma özel şablon alanı için dönüştürmek için karşıdan yüklenen şablon uygulanabilir çözgü bir dizi çıktısı kayıt hesaplayın. Kayıt hesaplamak için komutu kullanın:
      antsRegistrationSyNQuick.sh -d 3 -f template.nii.gz -m downloaded_template.nii.gz -o downloaded_to_template - n 6
      1. Bu komutu seçenekleri şunlardır:
         -d: Boyut (Yani, 3D tarama '3' olurdu); -f: sabit görüntü (Yani, görüntüleri gerekir nerede sonunda boşluk); -m: hareketli görüntü (Yani, taşınacak ihtiyacı görüntü); -o: çıktı adı (uzantısı gerekli); -Konu n: sayısı.
   4. Kayıt veri için geçerlidir:
      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. Bu komutu seçenekleri şunlardır:
         -d: Boyut (Yani, 3D tarama '3' olurdu); -ı: girdi görüntüsü (Yani, taşınacak ihtiyacı görüntü); -r: başvuru yansıması (Yani, referans görüntü tanımlar aralığı, kaynak, boyut ve çıkış çarpık görüntü yönünü); -o adı çıktı, bu indirilen şablon çalışma özel şablon uzayda (uzantısı) Bu durumda gerekli; -t dönüştürme dosya adı, kayıt hesaplama çıkış dosyasından.
   5. Kayıt için çalışma özel şablonu (bunu yapmak için karşıdan yüklenen şablon üzerine çalışma özel şablonu açın) indirilen şablonu arasındaki ilişkiyi görsel olarak kontrol edin.
   6. Kayıt yaradıysa, indirilen rahipler için dönüşüm uygulayın ve şablon beyin, adım 6.2.5 yinelenen ayıklanır.
      Not: aşağıdaki adımları, çalışma özel şablon, indirilen beyin ayıklama maske birlikte çalışma özel şablon ile uyumlu indirilen şablon ve doku sabıkası da çalışma özel şablon ile uyumlu olacaktır.
   7. Çalışma belirli şablon antsCorticalThickness.sh çalıştırın; Bu çalışmada özgü rahipler için kullanılabilir GM, WM ve CSF bölgeler sağlar:
      antsCorticalThickness.sh -d 3 - bir 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. Bu komutu seçenekleri şunlardır:
         -d: Boyut (Yani, 3D tarama '3' olurdu); -a: görüntü (Bu durumda çalışma özel şablon) parçalara için; -e: beyin şablonu (değil kafatası elimden; bu durumda kaydedilmiş çalışma özel şablonu karşıdan yüklenen şablon); -m: indirilen beyin ayıklama maskesi (Bu durumda, kaydedilmiş çalışma özel şablonu karşıdan yüklenen şablon ayıklanan beyinden); -p: c biçimlendirme stili (Örneğin, -p labelsPriors%02d.nii.gz) kullanarak belirtilen sabıkası.
         Not: Komut varsayar ilk dört rahipler aşağıdaki gibi sıralanır: 1: CSF, 2: kortikal GM, 3: WM ve 4: subcortical GM (Bu durumda, rahipler kaydedilmiş çalışma özel şablonu karşıdan yüklenen şablon üzerinden).
   8. Bu komutu çalıştırmak için şablon oluşturulan sabıkası neden olur ama önce Atropos segmentasyon kullanımda yumuşatma ihtiyaçları var. Yumuşatma komutu karıncalar yazılım parçasıdır. Tüm rahipler komutunu kullanarak düzgün:
      SmoothImage 3 CT_template_BrainSegmentationPosteriors2.nii.gz CT_template_BrainSegmentationPosteriors_smoothed.nii.gz
   9. Atropos çalıştırmadan önce beyin ayıklama tüm yerel alan üzerinde taramalar. Çalışma özel şablonu kullanılabilir ve şablon (adım 6.2.1) antsCorticalThickness.sh çalışan oluşturulan beyin ayıklanır:
      antsBrainExtraction.sh -d 3 - bir T1.nii.gz -e template.nii.gz -m template_BrainExtractionBrain.nii.gz -o T1_brain.nii.gz
      1. Bu komutu seçenekleri şunlardır:
         -d: boyutları; -a: anatomik görüntüde; -e: beyin ayıklama şablonu (Yani, oluşturulan, kafatası sıyırma olmadan şablonu); -m: beyin çıkarma için; kullanılan belirli brainmask çalışma -o: çıkış öneki.
   10. Atropos çalıştırın:
       antsAtroposN4.sh -d 3 - bir T1.nii.gz - x T1_brain.nii.gz -c 3 -o Atropos_specific_template
       1. Bu komutu seçenekleri şunlardır:
          -d = Boyutlar; -a: anatomik görüntüde; -x: beyin ayıklama maskesi oluşturulan beyin çıkarma; -numara c: doku sınıfların segmentlere ayırmak için; -o: çıkış öneki; -p: çalışma özgü segmentasyon sabıkası < segmentationPriors%d.nii.gz >
   11. Bölüm 8'de açıklandığı gibi GM bölgesindeki görsel QC gerçekleştirin.

7. segmentasyon aracılığıyla SONDAYI-EM

1. SONDA-EM çalıştırmak için açýk a ölümcül pencere, değişmek müdür içine belgili tanımlık sonda-EM yükleme dizini ve türü:
   . / malpem-proot - i T1_scan.nii -ey. / -m optional_brain_mask_final.nii.gz -f 3T -t 6 - c
2. Komut tamamlandığında, bir çıkış klasörü doku sınıflar ve bölgesel segmentations olup olmadığını denetleyin.
3. Görsel QC GM Bölüm 8'de açıklandığı gibi gerçekleştirin.

8. görsel kalite kontrol

Not: Görsel kalite kontrol analizinde kullanılan için tüm kesimlere ayrılmış bölge yapılmalıdır. Kalite kontrol segmentations yüksek standartta ve temsil CGM güvenilir ayrılmasını sağlar. Kalite kontrolü yapmak, her tarama açıldı ve CGM üzerinde tarama görünür oluşturulan bölgesine karşılaştırmak için özgün T1 üzerinde overlaid.

1. SPM, FSL, karıncalar ve sonda-EM Segmentations
   1. FSLeyes kullanarak görsel QC gerçekleştirin:
      https://Users.fmrib.ox.AC.uk/~paulmc/fsleyes_userdoc/
      Not: FSLview (bir büyük Görüntüleyicisi) de aynı şekilde kullanılabilir.
   2. Açık a ölümcül pencere ve T1 ve T1 üzerinde overlaid GM bölgeler açın. Bunu yapmak için şunu yazın:
      fsleyes T1.nii Region1.nii Region2.nii.
   3. Bir kez FSLeyes açık, opaklık geçiş üst panelde ayarlamak/opacity azaltır ve görüntüleme T1 görüntüsünün altında GM bölge izin vermek için kullanın. Sekmesinden ' Renk aşağı açılan' üst bölmede segmentasyon bindirme rengini değiştirin.
   4. Beyin her dilim arasında ilerler.
      Not: Burada bu yapılır koronal görünümü, ancak kullanıcılar kullanarak onlar en deneyimli görünüm kullanmanız gerekir.
   5. Her dilim bölgeleri için altında - veya aşırı - estimation kontrol bölgenin kontrol edin.
      Not: iyi ve kötü segmentations örnekleri için temsil edici sonuçlar bölümüne bakın.
2. FreeSurfer QC
   1. Peform görsel QC FreeView kullanarak.
      Not: burada belgelerine başvurun:
      https://Surfer.NMR.mgh.Harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart.
   2. Açık a ölümcül pencere. T1 üzerinde overlaid hacimsel GM bölge görüntülemek için türü ve konu klasör dizini değiştirin:
      Freeview./mri/T1.mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:.3
   3. Beyin her dilim arasında ilerler.
      Not: Burada bu yapılır koronal görünümü, ancak kullanıcılar kullanarak onlar en deneyimli görünüm kullanmanız gerekir.
   4. Her dilim bölgeleri için altında - veya aşırı - estimation kontrol bölgenin kontrol edin.
      Not: segmentations örnekleri için temsil edici sonuçlar bölümüne bakın.

Sonuçlar

Ortalama beyin birimleri demografik bilgilerle birlikte 20 denetim katılımcılar için Tablo 1' de gösterilir. Bu araçları kullanırken beklenen değerler için bir rehber olarak davranır. Sonuçları Orijinal T1.nii görüntü bağlamda bakılmalıdır. Tüm GM bölgeler 8 bölümünde açıklanan adımları göre kontrol edilmelidir. Görsel QC işlemi gerçekleştirirken doğrudan onları T1 üzerinde overlaid görüntüleyerek T1 tarama GM bölgelerine karşıla...

Tartışmalar

Son zamanlarda, araştırma farklı hacimsel yöntemlerin kullanımı için beyin görüntüleme çalışmaları^1,2önemli sonuçları olabilir göstermiştir. Kılavuzu acemi kullanıcılar farklı beyin görüntüleme araçları uygulamak nasıl yanı sıra sonuç çıktısı üzerinde bu araçlarla QC nasıl yardım yayımlama protokolleri tarafından araştırmacılar onların veri kümesine uygulamak için en iyi yöntemi seçebilirsiniz.