Обработка результатов магнитно-резонансной томографии?
Какие методы предложены для обработки простаренственного разрешения изображений мозга, полученных при сверхвысоких магнитных полях?
Благодаря современным достижениям в области магнитно-резонансной томографии при сверхвысоких магнитных полях (7 Тесла и выше) , объем данных, собираемых от одного пациента в рамках одного исследования с беспрецедентной степенью детализации, значительно увеличился (van der Zwaag, W., et.al., 2016). Субмиллиметровое разрешение и количественные показатели выявляют тонкие вариации в структуре и функции, которые ранее были необнаружимы in vivo . Стандартные пакеты обработки изображений часто встречаются с трудностями из-за размера этих данных. Для использования их исключительного пространственного разрешения необходимы специальные методы. В литературе предлагается гибкий инструментарий на языке Python, реализующий набор методов для нейровизуализации высокого разрешения. С помощью этих инструментов сегментация и ламинарный анализ кортикальных данных магнитно-резонансной томографииТ могут быть выполнены с разрешением до 500 мкм за сранвительно короткий период времени (Huntenburg, Julia M., et.al., 2018).
Какие данные можно получить с помощью сверхвысоких магнитных полей?
Примерами получения качественного изображения деталей мозга могут служить исследования:
- внутрикортикального миелина (Lutti, A., et.al., 2014),
- слоистой организации кортикального слоя (Dinse, J., et.al., 2015),
- паттернов прямой и обратной связи в ассоциях клеток и сетей нейронов коры мозга (Steele, C. J., et.al., 2017)
- подробное описание малых кортикальных и субкортикальных структур и их функций (Thürling, M., et.al., 2015).
Какая вычислительная сложность трехмерных изорбражений современной магнитно - резонансной томографии?
Трехмерные данные магнитно-резонансной томографии растут как куб своего разрешения, при этом вычислительная сложность обычно колеблется от O ( N log N ) до O ( N² ). Поэтому изменение пространственного разрешения с 1 мм до 0,5 мм влечет за собой увеличение вычислительных требований в 15-60 раз, в зависимости от используемых методов. Более того, новые приложения , такие как ламинарный анализ, стали возможны только при более высоком разрешении и не реализованы во многих существующих пакетах программного обеспечения.
Программные пакеты обработки результатов МР-изображений
Какие программные пакеты позволяют эффективно обрабатывать МР - изображения с разрешением менее 1 миллиметра?
Freesurfer- популярный пакет с открытым исходным кодом для анализа данных кортикальной поверхности. Он надежен, хорошо документирован и применим на разных платформах. По умолчанию Freesurfer передискретизирует входные данные до пространственного разрешения 1 мм изотропного, сводя на нет преимущества данных более высокого разрешения. В последней версии Freesurfer есть опция обработки с разрешением менее миллиметра (Zaretskaya, N., et.al., 2016). Также была предложена процедура Matlab для ламинарного анализа данных МРТ высокого разрешения с использованием Freesurfer. В ней внутрикортикальные поверхности строятся в виде треугольных сеток, начиная от границы серого и белого вещества на равном расстоянии. Такой подход может вызывать ошибки и неровности сетки, особенно ближе к пиальной поверхности, и не учитывает известную зависимость толщины слоя от локальной кривизны. Еще одно программное обеспечение, недавно расширившее свою функциональность для удовлетворения специфических требований обработки изображений высокого разрешения, - это BrainVoyager. Новый конвейер, подробно описанный в публикации, позволяет проводить ламинарный и столбчатый анализ данных 9,4 Т. LAYNII — это набор высокооптимизированных инструментов на C++ для ламинарного анализа данных функциональной магнитно-резонасной томографии высокого разрешения с частичным покрытием мозга. CBS High-Res Brain Processing Tools (CBS Tools) — это программный пакет, который решает эту проблему, предоставляя передовые методы для эффективной обработки МР-изображений с разрешением менее миллиметра (Bazin, P., et.al., 2014). Например, CBS Tools реализует (Bazin, P. et.al., 2016) :
- стандартную сегментацию коры головного мозга с разрешением до 400 мкм;
- обработку количественных последовательностей магнитно-резонансной томографии, таких как MP2RAGE (магнитно-подготовленные два быстрых градиентных эхо-сигнала),
- количественное многопараметрическое картирование (MPM) или количественное картирование магнитной восприимчивости
- ламинарный анализ;
- сегментацию мелких сосудов
Что помешало внедлению CBS Tools в клиническую практику?
Первончально внедрение CBS Tools замедлилось из-за сложной инфраструктуры, на которой оно построено. CBS Tools был разработан на Java как набор плагинов для программного пакета MIPAV и среды конвейера JIST (Lucas, B., et.al., 2010). Фреймворк MIPAV и JIST предоставляет графический интерфейс для построения аналитических конвейеров и реализует множество удобных инструментов; однако он имеет сложную процедуру установки, множество зависимостей и ограниченную документацию. Что еще более важно, его трудно интегрировать с другими популярными инструментами нейровизуализации, что ограничивает его программную экосистему.
Какой язык программирования перспективен для анализа нейробиологических данных полученных с помощью магнитно-резонансной томографии высокого разрешения?
Недавно был разработан ряд универсальных, совместимых пакетов с открытым исходным кодом для анализа нейробиологических данных с использованием все более популярного языка программирования Python. Например, Nipy - это сообщество практиков, посвященное использованию Python для анализа данных нейровизуализации, включающее такие популярные инструменты, как Nibabel, Nipype, Nilearn и многие другие (Abraham, A., et.al., 2014).
Что представляет из себя пакет Python, взаимодействующий с CBS Tools?
Nighres- это удобный пакет Python, который взаимодействует с CBS Tools, избегая при этом зависимостей JIST и MIPAV. Он облегчает интеграцию с другими инструментами нейровизуализации на основе Python и интерактивное исследование данных, например, в блокнотах Jupyter. Nighres имеет исчерпывающую онлайн-документацию с примерами использования, основанными на общедоступных наборах данных. Пакет Nighres состоит из двух основных модулей Python. Модуль cbstools содержит оригинальные Java-классы CBS Tools, которые были инкапсулированы с помощью пакета JCC. JCC инкапсулирует код Java с кодом C++, чтобы сделать его доступным для интерпретатора Python и создать полный модуль расширения Python. Модуль nighres включает в себя интерфейсы Python, которые предоставляются пользователю. Он организован в подмодули, представляющие различные области применения. Например, подмодуль laminar содержит функции, связанные с ламинарным анализом кортикального слоя. В настоящее время в этих подмодулях существуют два типа интерфейсов Python:
- функции, которые являются обертками для Java-классов.
- функции на чистом Python
Конвейер обработки данных включает следующие шаги:
- загрузка открытого набора данных MP2RAGE из NITRC
- удаление черепа и создание маски для мозга
- классификация тканей с использованием атласа и MGDM (Bogovic, John A., et.al., 2015)
- извлечение коры одного полушария
- кортикальная реконструкция с использованием CRUISE (Han, X., et.al., 2004).
- эквиобъемное моделирование внутрикортикальных пластин (Waehnert, M., et.al., 2014)
Каким способом можно плучить реконструкцию коры мозга при использовании неявной эволюции поверхности?
Реконструкция коры головного мозга с использованием неявной эволюции поверхности (CRUISE) представляет собой точный и эффективный метод извлечения корковых поверхностей из объемных данных высокого разрешения на основе представлений уровня множества. Отличительной особенностью этого алгоритма является тщательное моделирование дна борозд. CRUISE может применяться к коре головного мозга и мозжечка, а также к данным с частичным покрытием мозга (Han, X., et.al., 2004). Важно отметить, что эквиволюметрический подход, реализованный в Nighres, учитывает зависимость толщины слоя от складчатости коры
Литература
Abraham, A., Pedregosa, F., Eickenberg, M., Gervais, P., Mueller, A., Kossaifi, J., ... & Varoquaux, G. (2014). Machine learning for neuroimaging with scikit-learn. Frontiers in neuroinformatics, 8, 14.
Bazin, P. L., Plessis, V., Fan, A. P., Villringer, A., & Gauthier, C. J. (2016). Proceedings of the 2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI).
Bazin, P. L., Weiss, M., Dinse, J., Schäfer, A., Trampel, R., & Turner, R. (2014). A computational framework for ultra-high resolution cortical segmentation at 7 Tesla. NeuroImage, 93, 201-209.
Bogovic, John A., Jerry L. Prince, and Pierre-Louis Bazin. "A multiple object geometric deformable model for image segmentation." Computer Vision and Image Understanding 117.2 (2013): 145-157.
Dinse, J., Härtwich, N., Waehnert, M. D., Tardif, C. L., Schäfer, A., Geyer, S., ... & Bazin, P. L. (2015). A cytoarchitecture-driven myelin model reveals area-specific signatures in human primary and secondary areas using ultra-high resolution in-vivo brain MRI. Neuroimage, 114, 71-87.
Han, X., Pham, D. L., Tosun, D., Rettmann, M. E., Xu, C., & Prince, J. L. (2004). CRUISE: cortical reconstruction using implicit surface evolution. NeuroImage, 23(3), 997-1012.
Huntenburg, Julia M., Christopher J. Steele, and Pierre-Louis Bazin. "Nighres: processing tools for high-resolution neuroimaging." GigaScience 7.7 (2018): giy082 (Thürling, M., et.al., 2015).
Lucas, B. C., Bogovic, J. A., Carass, A., Bazin, P. L., Prince, J. L., Pham, D. L., & Landman, B. A. (2010). The Java Image Science Toolkit (JIST) for rapid prototyping and publishing of neuroimaging software. Neuroinformatics, 8(1), 5-17.
Lutti, A., Dick, F., Sereno, M. I., & Weiskopf, N. (2014). Using high-resolution quantitative mapping of R1 as an index of cortical myelination. Neuroimage, 93, 176-188.
Steele, C. J., Anwander, A., Bazin, P. L., Trampel, R., Schäfer, A., Turner, R., ... & Villringer, A. (2017). Human cerebellar sub-millimeter diffusion imaging reveals the motor and non-motor topography of the dentate nucleus. Cerebral Cortex, 27(9), 4537-4548.
Thürling, M., Kahl, F., Maderwald, S., Stefanescu, R. M., Schlamann, M., Boele, H. J., ... & Timmann, D. (2015). Cerebellar cortex and cerebellar nuclei are concomitantly activated during eyeblink conditioning: a 7T fMRI study in humans. The Journal of Neuroscience, 35(3), 1228-1239.
Waehnert, M. D., Dinse, J., Weiss, M., Streicher, M. N., Waehnert, P., Geyer, S., ... & Bazin, P. L. (2014). Anatomically motivated modeling of cortical laminae. Neuroimage, 93, 210-220.
van der Zwaag, W., Schäfer, A., Marques, J. P., Turner, R., & Trampel, R. (2016). Recent applications of UHF‐MRI in the study of human brain function and structure: a review. NMR in Biomedicine, 29(9), 1274-1288.
Zaretskaya, N., Fischl, B., Reuter, M., Renvall, V., & Polimeni, J. R. (2018). Advantages of cortical surface reconstruction using submillimeter 7 T MEMPRAGE. Neuroimage, 165, 11-26.
Добавить комментарий