Мозг / MINDS 3D цифровой мартышечный атлас мозга

1. Получение данных
2. Сегментация области мозга
3. Сводка обработки данных
4. Пошаговое описание обработки данных
5. Система координат атласа
6. Извлечение информации о области мозга из гистологических изображений Nissl
7. Оцифровка 2D областей мозга и создание 2D изображений сегментации
8. Удаление фона Nissl
9. Изменить размер Nissl и пометить изображения на карте
10. Повторная выборка изображений сегментации 2D области
11. Нормализация гистограммы изображения Nissl
12. Удаление индивидуальной деформации среза из изображений гистологии и сегментации региона
13. 3D-3D-регистрация для нормализации форм объема сегментирования Nissl и региона
14. Зеркальные полусферы
15. Масштабировать и преобразовывать воксельные данные в 16-битные
16. Таблица соответствия цветов
17. Создание серого вещества, белого вещества и границы средней кортикальной сегментации
18. Наличие кода

В этом разделе мы сначала даем обзор того, как данные изображения мозга были получены. Затем мы даем подробное описание обработки данных, которая использовалась для создания этого выпуска данных.

Получение данных

МРТ T 2-взвешенное изображение взрослого мартышки, полученное в естественных условиях (подробно Таблица 1 ) был приобретен впервые (МРТ-сканер Pharma-Scan 70/16 7-T (Bruker biospec MRI GmbH; Эттлинген, Германия)). На основании анализа головного мозга и гистологического анализа отклонений не обнаружено. Для поведения и физического состояния также не было обнаружено никаких отклонений.

Таблица 1: Детали образца Marmoset.

После перфузии череп с мозгом был установлен на стереотаксическом аппарате с угольными стержнями, вставленными в мозг для создания контрольных меток, видимых на изображении МРТ. Затем мозг помещали в желатин, разрезали вдоль осевой плоскости с интервалами 50 мкм, и эти кусочки устанавливали на предметные стекла. Срезы окрашивали тионином и получали микрофотографии с использованием виртуального слайд-сканера Olympus VS-100.

Сегментация области мозга

Сегментация области мозга была выполнена в предыдущем исследовании этой работы и представлена ​​в Hashikawa et al. 13 и доступны на http://brainatlas.brain.riken.jp/marmoset/modules/xoonips/listitem.php?index_id=66 , Гистологические изображения, хранящиеся в виде файлов изображений TIF (расширение .tif), сначала были выровнены вручную и помещены в исходный том. Затем из этих данных были созданы виртуальные корональные срезы, и Paxinos et al. 4 Атлас был использован в качестве эталона для создания первой кортикальной плоскости кортикального очертания. Затем это очертание было перенесено обратно на исходные данные (срезы по оси) и подтверждено путем дальнейшего гистологического исследования. Подкорковые области были аннотированы соответствующим образом 13 ,

Разграничение областей мозга было выполнено с использованием Photoshop, и каждая граница области была сохранена как путь Photoshop и получила название, основанное на сокращениях, согласующихся с Paxinos et al. 4 атлас. Все пути для среза были сохранены в соответствующем TIF-файле. Внешний по отношению к файлам TIF текстовый файл использовался для описания названия региона, аббревиатуры и цвета. Этот процесс был выполнен для подмножества из 86 срезов - каждого четвертого среза исходных данных.

Выравнивание и укладка этого набора 2D-изображений дает 3D-объем с сегментированными (парцеллированными) областями. Изображения TIF из этой ручной процедуры использовались в качестве входных данных для нашей обработки данных.

Сводка обработки данных

Ряд улучшений может быть сделан для качества данных, описанных в предыдущем разделе. Во-первых, существует разница в освещенности между срезами. Во-вторых, существует деформация среза из-за процесса установки и окрашивания слайдов, которая может быть улучшена путем вычислительного обеспечения согласованности между срезами. Мы также можем интегрировать больше срезов в атлас и повысить частоту парцелляции области мозга до этого разрешения, чтобы получить изображение с более высокой точностью воспроизведения в произвольных плоскостях резания.

Кроме того, чтобы создать мультимодальный атлас, трехмерная форма данных Nissl должна быть нормализована к выбранной эталонной модальности. Как упоминалось ранее, данные MRI T2 ex-vivo того же животного использовали в качестве контрольного метода.

Атлас в этом отчете с данными был создан путем возврата к исходным TIF-файлам и применения вышеупомянутых улучшений с использованием более продвинутого рабочего процесса обработки. Набор выровненных вручную окрашенных по Нисслю изображений был сложен (172 среза), а высокочастотные искажения между гистологическими срезами были удалены с использованием подхода, основанного на итерации Гаусса-Зейделя 15 и с использованием инструментов нормализации АНЦ (версия 2.1.0) 16 , Каждое второе изображение TIF имело информацию о сегментации области мозга (т.е. 86 срезов); это было интерполировано в разрешение 172 срезов и преобразовано в цифровой формат в форме тома сегментации, где каждый воксел имеет идентификатор, соответствующий области мозга.

Затем была выполнена трехмерная регистрация между Nissl и MRI путем объединения регистрации на основе ориентира в программном обеспечении 3D Slicer и автоматической регистрации с использованием ANT. Ориентиры были включены в рабочий процесс регистрации, чтобы помочь алгоритму оптимизации найти надежное решение целевой функции для сопоставления изображений. Затем рассчитанные преобразования были применены к объему сегментации региона для генерации окончательного расслоения атласа. Для всех соответствующих шагов мы использовали алгоритм SyN ANT для нелинейной регистрации, который считается одним из лучших для регистрации биомедицинских изображений 17 ,

Таким образом, входные данные для создания этого выпуска данных были следующими:

1. 172 TIF изображения срезов по оси Nissl.

   86 из этих изображений (каждое второе изображение) с сегментацией области в формате пути Photoshop.

   Разрешение: 8000 × 5420 пикселей.

2. 210 изображений TIF с данными МРТ без удаленных данных.

   Разрешение: 468 × 360 пикселей.

3. Отличная версия данных МРТ с данными, не относящимися к мозгу.

   Разрешение: 226 × 512 × 186 пикселей. С размером вокселя 0,150 мм × 0,100 мм × 0,150 мм.

4. Текстовый файл со списком областей мозга, с указанием структуры родителя / ребенка, имени, аббревиатуры и цвета.

Теперь мы дадим точное описание каждого из этапов обработки, как показано и показано в Рис 2 ,

Пошаговое описание обработки данных

Обработка данных МРТ

Данные МРТ без черепа, полученные в виде набора файлов TIF, были преобразованы в один файл тома NIfTI 3D (.nii). Корректирующие физические пропорции для этих данных были найдены путем сопоставления с эталонными данными NIfTI МРТ без черепа, которые также были представлены. Алгоритм коррекции смещения N4 18 в 3D-слайсере использовалась коррекция неоднородностей интенсивности в данных МРТ Т2 (такие артефакты могут возникать из-за характера системы МРТ-визуализации). Мы также добавили объем МРТ выше и ниже (вдоль оси S), поскольку алгоритмы регистрации испытывают трудности при обработке данных на границах объема изображения. Это становится важным, когда атлас должен быть зарегистрирован для новых данных.

Система координат атласа

МРТ использовалось в качестве контрольного пространства для атласа мозга, поэтому необходимо было определить ориентацию мозга и систему координат. Система координат RAS (Talairach-like), общая для программного обеспечения 3D Slicer (см. https://www.slicer.org/wiki/Coordinate_systems ), было выбрано: ось X слева направо (R), Y - сзади к (A) спереди, Z - от нижней к (S) верхней.

Мозг был ориентирован на согласование со стереотаксической системой координат, определенной в Paxinos et al. 4 со ссылкой на цифровой набор данных, сопровождающий Majka et al. 12 , Это позволяет очень легко проводить сопоставимые измерения в 3D между двумя атласами. Здесь левая-правая нулевая плоскость совпадает с среднесагиттальной плоскостью, а аксиальная (горизонтальная) нулевая плоскость - это плоскость, «проходящая через нижний край орбиты и центр внешнего слухового прохода». 4 , Рис 3 а также 4 описать систему координат атласа.

Буквы обозначают ориентацию следующим образом: (A) nterior, (P) osterior, (S) uperior, (I) niorior, (R) ight, (L) eft.

Извлечение информации о области мозга из гистологических изображений Nissl

Гистологические изображения TIF были получены в виде двух наборов: один с кортикальными путями Photoshop, определяющими границы анатомических областей, а другой с подкорковыми. Мы обработали эти изображения, экспортировав все пути в формат SVG (масштабируемая векторная графика, определенная как текстовый файл XML) вместе с именем пути (установленным как аббревиатура анатомического региона). Затем все SVG для определенного гистологического изображения были объединены в один сцепленный файл SVG. Во время этого процесса SVG-файлы имели перекрестные ссылки со списком регионов, приведенным отдельно в текстовом файле, проверяя наличие неиспользуемых или посторонних областей, которые не являются частью окончательного списка. Каждому региону был присвоен уникальный идентификатор и соответствующий уникальный временный цвет для каждого региона (поскольку последние назначенные цвета не являются уникальными). Эта информация была сохранена в текстовом файле при подготовке к оцифровке файлов SVG в цифровые изображения сегментации 2D области.

Оцифровка 2D областей мозга и создание 2D изображений сегментации

86 консолидированных файлов SVG были загружены в Adobe Illustrator, а затем преобразованы и сохранены в виде цветных растровых изображений RGB. Затем каждое значение пикселя было изменено из временного уникального RGB цвета к эталонной области ID. Для поддержки большого количества значений идентификаторов изображения были сохранены в виде одноканальных 16-битных файлов TIF.

Удаление фона Nissl

Исходные гистологические изображения имели белый фон. Для каждого изображения эта область была удалена и установлена ​​в черный цвет с использованием маски на основе пути Adobe Photoshop, представляющей всю область мозга.

Изменить размер Nissl и пометить изображения на карте

Гистологические изображения Nissl и соответствующие изображения сегментирования области были изменены, а затем переориентированы на 90 градусов для выравнивания с ориентацией RAS в ожидании суммирования в объеме, давая размер изображения 678 × 1000 пикселей. Этот размер был выбран в качестве компромисса между разрешением изображения и вычислительной способностью при нелинейной регистрации 3D-3D.

Повторная выборка изображений сегментации 2D области

На этой стадии обработки было 172 гистологических изображения Ниссля и сегментация области только для 86 из этих изображений (каждое второе изображение). Мы сгенерировали 172 изображения сегментации области, сложив 86 изображений в предварительный трехмерный том с правильным интервалом вокселей, увеличив частоту до эталонного пространства с двойным разрешением по оси S (172 среза), а затем извлекая 172 осевых изображения из этот том. Для этого использовалось программное обеспечение ANTs и метод интерполяции MultiLabel . ( MultiLabel интерполяция использовалась для всех шагов преобразования, примененных к данным сегментации области, чтобы сохранить целочисленную маркировку.)

Нормализация гистограммы изображения Nissl

Неравномерное освещение между срезами гистологического изображения может возникать из-за стробоскопического освещения или с помощью автоматического управления балансом белого камеры. Кроме того, характер процедуры окрашивания Nissl означает, что интенсивность окрашивания может варьироваться между срезами. Если набор изображений складывается в объем, а объем рассматривается в одной плоскости с плоскостью среза, это изменение будет отображаться как полоса интенсивности на изображении мозга.

Мы обработали это изменение с помощью процедуры нормализации гистограммы. Для каждого изображения в стеке мы нормализовали его гистограмму к ближайшим соседям (обрабатывая первое и последнее изображения как особые случаи), а затем усреднили результат, чтобы получить новое скорректированное изображение. Эта процедура была сделана за три итерации, чтобы успешно улучшить изменение освещенности.

Удаление индивидуальной деформации среза из изображений гистологии и сегментации региона

Набор гистологических срезов имел независимые локальные деформации, вызванные резкой, установкой слайдов и процедурой окрашивания. Устранение этой деформации было важным шагом для улучшения атласа из того, что было ранее доступно, построения объема, в котором тонкие структуры кажутся согласованными, поскольку они продолжаются через смежные срезы.

Удаление деформации было достигнуто с помощью итеративного подхода Гаусса-Зейделя, описанного в Gaffling et al. 15 , Используя этот подход, мы можем итеративно ослаблять высокочастотный шум (проявляющийся в небольших несоответствиях в форме между срезами), сохраняя низкочастотную информацию (форму мозга). Основная идея заключалась в том, что для каждого среза ANT использовались для нелинейной регистрации между ним и его соседями. Эти преобразования были затем использованы для обновления формы среза. Этот процесс был выполнен за четыре итерации, генерируя набор из 172 файлов преобразования. Улучшение в мелких деталях можно увидеть в Рис. 5 ,

Обратите внимание на явное улучшение в области гиппокампа.

Эти файлы преобразования были также применены к соответствующим изображениям сегментации области, чтобы обновить их форму. Затем 2D Nissl и изображения сегментации региона были преобразованы в объемы NIfTI (.nii) 3D изображений и сориентированы по стандарту RAS для использования в качестве входных данных для следующего шага. Для обоих наборов данных было добавлено пустое пространство в виде дополнительных срезов сверху и снизу (вдоль оси S), чтобы обеспечить заполнение объема.

3D-3D-регистрация для нормализации форм объема сегментирования Nissl и региона

Часть 1. Сопоставление ориентиров в 3D-слайсере . Из начальных данных был подготовлен согласованный объем Ниссле, который теперь можно нормализовать в соответствии с формой данных МРТ Т2. Поскольку точная интермодальная регистрация изображений затруднена, мы использовали полуавтоматический итеративный подход для выполнения этой задачи, используя как ориентир, так и автоматическую регистрацию изображений. Для каждого шага объем МРТ был установлен как фиксированное изображение, а Nissl - как движущееся изображение.

Во-первых, линейная регистрация ANT (вплоть до аффинного преобразования) использовалась для инициализации выравнивания объема Nissl с объемом MRI. Следующая ручная регистрация на основе ориентира была использована. Этот шаг был необходим, поскольку было обнаружено, что автоматическая регистрация сама по себе с использованием SyN сталкивается с проблемами в достижении сильных глобальных минимумов при регистрации изображений. Это было связано с большими различиями в контрастном механизме между данными МРТ и Nissl, а также из-за природы алгоритма градиентного спуска, что делало его чувствительным к начальным условиям.

Два тома были загружены в программное обеспечение 3D Slicer, а его модуль Landmark Registration использовался для интерактивной нелинейной регистрации. Соответствующие ориентиры были установлены вручную для каждого набора данных, а сплайновая деформация тонких пластин обновила объемную форму Nissl. Этот интерактивный подход позволил визуально осмотреть и проверить деформацию формы. Эта основанная на ориентире регистрация была уточнена до тех пор, пока не было достигнуто максимально возможное совпадение между MRI и Nissl. Затем нормализованный объем Nissl был экспортирован из 3D слайсера.

3D Slicer экспортирует обновленный том, но не экспортирует пригодный для использования файл преобразования, который можно включить в рабочий процесс ANT для обновления тома сегментации региона. Поэтому мы использовали ANT SyN для расчета нелинейного преобразования между объемом Nissl до и после регистрации ориентира. т.е. фиксированное изображение было объемом Nissl после регистрации ориентира, а движущееся изображение было объемом ранее. Это позволило нам создать поле деформации преобразования, которое можно было бы применить к объему сегментации региона.

Часть 2: уточните регистрацию в АНЦ . Нормализация Nissl к МРТ была уточнена с использованием чисто автоматизированного нелинейного алгоритма регистрации SyN. Поскольку алгоритм работает непосредственно с данными изображения, мы могли бы уточнить соответствие структурных границ более всеобъемлющим образом, чем указание только ориентиров. Затем вычисленное поле деформации преобразования было объединено с полем предыдущего шага.

Часть 3: исправить затылочную долю . Одним из ограничений доступных инструментов регистрации является внутренняя регуляризация в сгенерированных полях преобразования. В действительности на наилучшей карте могут существовать разрывы между двумя способами визуализации одного и того же мозга. В этом наборе данных объем изображения Nissl имеет промежуток между затылочной долей и мозжечком, тогда как в данных МРТ это пространство было закрыто с двумя областями, примыкающими друг к другу. Ни алгоритмы 3D Slicer, ни ANT SyN не могут эффективно справиться с этой ситуацией регистрации, поэтому мы использовали процедуру маскирования для отдельной регистрации затылочной доли, а затем объединили этот результат с ранее рассчитанным полем трансформации мозга.

В частности, затылочная доля и в МРТ, и в Nissl была очерчена (исключая смежное белое вещество). Эти двоичные маски были затем нелинейно зарегистрированы одна к другой, используя SyN, с маской, полученной из MRI, в качестве фиксированных данных и маской, полученной из Nissl, в качестве движущихся данных. Затем вычисленное поле преобразования было применено к объему Nissl (после преобразования с предыдущего шага).

Чтобы объединить поля трансформации, была создана маска, покрывающая затылочную долю (включая прилегающее белое вещество) во вновь искривленном пространстве Ниссля. Затем эту маску использовали для замены данных поля трансформации в глобальном преобразовании на правильные данные трансформации затылочной доли. Взвешенное смешивание между глобальными и специфическими трансформациями затылочной доли использовалось в области, где затылочная доля встречалась с остальной частью коры головного мозга. Наконец, это недавно построенное преобразование было применено к данным Nissl и объему сегментации области, давая окончательную нормализацию данных к форме MRI. Базовое разрешение данных было стандартизировано для всех модальностей как компромисс между разрешением данных и удобством вычислений.

Зеркальные полусферы

Исходные данные мозга были аннотированы только для одного полушария, поэтому они были отражены для создания полного атласа. Так как данные МРТ уже были выровнены по оси (как описано ранее в этом разделе), было тривиально вырезать и отразить данные через среднюю сагиттальную плоскость. Это было повторено для Nissl и области сегментации объемов. Дополнительная обработка была применена к сегментации области, где значение 10000 было добавлено к каждому идентификатору области мозга в левом полушарии, чтобы провести различие между двумя полушариями. Дополнительная информация о присвоении идентификатора приведена в разделе записей данных.

Масштабировать и преобразовывать воксельные данные в 16-битные

Расчет всех преобразований производился с использованием данных с плавающей запятой, но это не было необходимо для количества уровней интенсивности пикселей в исходных данных. Поэтому мы преобразовали все данные в 16-битные одноканальные тома. Кроме того, для визуального отображения мы изменили размеры данных МРТ и Nissl, чтобы соответствовать динамическому диапазону 16-битного одноканального изображения. Значения сегментации региона с указанием целочисленных идентификаторов остались без изменений.

Таблица соответствия цветов

Была создана таблица соответствия цветов (сохраненная в виде текстового файла), чтобы назначить имя и цвет региона каждому уникальному идентификатору в объеме сегментации региона. Формат одной строки: ID имени RGBA , где ID - целое число, имя - строка, а RGBA - 0–255 целых чисел ( https://www.slicer.org/wiki/Documentation/4.0/Modules/Colors ). Этот простой файл можно загрузить непосредственно в 3D Slicer. Для целей отображения цвета сегментации региона симметричны между полушариями, но каждый регион имеет уникальный идентификатор для различия между левым и правым, как описано в справочной таблице.

Создание серого вещества, белого вещества и границы средней кортикальной сегментации

Этот набор данных включает в себя сегментации, определяющие границу csf-серого вещества, границу серого-белого вещества и среднекортикальную границу для обоих полушарий. Эти данные предоставляются в виде данных вокселей NIfTI и могут быть легко преобразованы в формат полигональной поверхности для использования в различных типах анализа и визуализации. Например, сегментация белого вещества может использоваться в качестве начального участка для диффузной МРТ, а поверхность среднего кортикального слоя может быть извлечена из объема и использована для проецирования и визуализации плотности неокортикального миелина или для карт функциональной статистики для экспериментов с МРТ.

Границы csf-grey и grey-white были созданы вручную. Они использовались в качестве входных данных для свободно доступных программных инструментов FreeSurfer ( https://surfer.nmr.mgh.harvard.edu/ ) для автоматической идентификации среднего слоя коры (созданного FreeSurfer's mris_make_surfaces ). Затем он был экспортирован и растеризован в цифровой том, а затем вручную исправлен для ошибок в 3D Slicer.

Наличие кода

Из-за сложности и сложного ручного аспекта создания данных код, используемый для выполнения определенных шагов, не предоставляется. Тем не менее, мы считаем, что точное описание генерации данных, приведенное в разделе методов этой статьи, должно быть полезным для всех, кто хочет создать подобный атлас, и с авторами можно связаться для любых дальнейших вопросов, касающихся построения атласа.

Похожие

Комментарии