segment/normalize (using SPM segmentation - no links between parameters)

Segment Segment, le biais correcte et dans l'espace de normaliser - le tout dans le même modèle. Cette fonction peut être utilisée pour corriger les biais, l'espace de normalisation ou de segmenter vos données. Notez que ce module a besoin des images pour être à peu près alignées avec les cartes de probabilité de tissus avant de commencer. Si les résultats sont obtenus étranges, alors c'est généralement parce que les images ont été mal aligné à l'avance. L'option d'affichage peut être utilisé pour repositionner manuellement les images de sorte que le CA est proche de coordonner les 0,0,0 (au sein d'un couple de cm) et de l'orientation est à quelques degrés de données de tissus du tableau de probabilité.

Description

De nombreux chercheurs utilisent des outils au sein d'anciennes versions de SPM pour une technique qui est devenu connu sous le nom "optimisé" morphométrie voxel par voxel (VBM). VBM effectue des comparaisons volumétriques région sages parmi les populations de sujets. Il exige que les images soient spatialement normalisée, segmenté en classes de tissus différents, et lissée, avant de procéder à des tests statistiques. Le "optimisé" de pré-traitement stratégie a consisté à normaliser les images dans l'espace du cerveau des sujets à un espace standard, en faisant correspondre la matière grise dans ces images, à une référence de matière grise. La motivation historique derrière cette démarche était de réduire les effets confondants de non-cerveau (par exemple le cuir chevelu) la variabilité structurelle sur l'enregistrement. Classement des tissus dans les anciennes versions de SPM nécessaire que les images soient enregistrées avec des cartes de probabilité de tissus. Après l'enregistrement, ces cartes représentent la probabilité a priori des classes de tissus différents sont trouvés à chaque emplacement dans une image. La règle de Bayes peut alors être utilisé pour combiner ces lois a priori avec des probabilités de type tissus dérivés à partir des intensités de voxels, pour fournir la probabilité a posteriori. Cette procédure était intrinsèquement circulaire, parce que l'enregistrement a nécessité un classement tissu initial, et la classification des tissus nécessite un enregistrement initial. Cette circularité est résolue ici en combinant les deux composants dans un seul modèle génératif. Ce modèle comprend également des paramètres qui représentent intensité de l'image non-uniformité. L'estimation des paramètres du modèle (pour un maximum d'une solution a posteriori) consiste à alterner entre une correction du biais de classification, et les étapes d'inscription. Cette approche donne de meilleurs résultats que de simples applications de série de chaque composante. Notez que le multi-spectrale de segmentation (par exemple à partir d'un T1 social et de l'image T2) n'est pas encore implémenté, mais est prévu pour une version SPM avenir. Cette branche contient 3 éléments: * Les données * Les fichiers de sortie * Custom

Paramètres

MRI_Nat: Volume 4D ( entrée )

MRI_Mni_tpmSeg: Volume 4D ( entrée )

spmJobName: String ( input )

GM: Choice ( input )

grey_Nat: Volume 4D ( optional, sortie )

grey_Mni: Volume 4D ( sortie )

WM: Choice ( input )

white_Nat: Volume 4D ( sortie )

CSF: Choice ( input )

csf_Nat: Volume 4D ( sortie )

biasreg: Choice ( input )

biais de régularisation IRM sont généralement altéré par une surface lisse, artefact variant spatialement qui module l'intensité de l'image (polarisation). Ces artefacts, bien que généralement pas un problème pour l'inspection visuelle, peut entraver le traitement automatisé des images. Une question importante concerne la distinction entre les variations d'intensité qui découlent du fait d'un artefact biais dû à la physique de M. balayage, et ceux qui se posent en raison des propriétés des tissus différents. L'objectif est de modéliser celle-ci par les classes de tissus différents, tandis que la modélisation de l'ancien avec un champ de polarisation. Nous savons a priori que les variations d'intensité dues à la physique MR ont tendance à être spatialement lisse, tandis que celles dues aux différents types de tissus ont tendance à contenir des informations de fréquence plus élevée. Une estimation plus précise d'un champ de polarisation peut être obtenue par y compris les connaissances sur la répartition des domaines susceptibles d'être rencontrées par l'algorithme de correction. Par exemple, si l'on sait qu'il ya peu ou pas d'intensité non-uniformité, il serait sage de pénaliser les grandes valeurs de l'intensité non-uniformité des paramètres. Cette régularisation peut être placé dans un cadre bayésien, par lequel la peine encourue est le logarithme négatif d'une probabilité a priori pour tout motif notamment de la non-uniformité.

biascor: Choice ( input )

biais Corrigé Il s'agit de la possibilité de produire un biais version corrigée de votre image. IRM sont généralement altéré par une surface lisse, artefact variant spatialement qui module l'intensité de l'image (polarisation). Ces artefacts, bien que généralement pas un problème pour l'inspection visuelle, peut entraver le traitement automatisé des images. Le biais version corrigée devrait avoir des intensités plus uniformes dans les différents types de tissus.

biasCorrected: Volume 4D ( optional, sortie )

biais Corrigé Il s'agit de la possibilité de produire un biais version corrigée de votre image. IRM sont généralement altéré par une surface lisse, artefact variant spatialement qui module l'intensité de l'image (polarisation). Ces artefacts, bien que généralement pas un problème pour l'inspection visuelle, peut entraver le traitement automatisé des images. Le biais version corrigée devrait avoir des intensités plus uniformes dans les différents types de tissus.

cleanup: Choice ( input )

Nettoyez toutes les partitions Celui-ci utilise une routine brut pour extraire le cerveau de segmentedimages. Il commence par prendre la substance blanche, et d'éroder l'acouple de fois pour se débarrasser de tous les voxels impaires. Les algorithmcontinues sur faire des dilatations avec sursis pour plusieurs itérations, lorsque l'état est basé sur la matière grise ou blanche étant present.This région identifiée est ensuite utilisé pour nettoyer le gris et whitematter partitions, et présente une légère uences de la partition CSF. Si vous avez trouvé des morceaux de cerveau étant coupés dans vos données, vous pouvez désactiver ou atténuer la procédure de nettoyage.

ngaus: String ( input )

Gaussiennes par classe Le nombre de gaussiennes utilisées pour représenter la distribution d'intensité pour chaque classe de tissu peut être supérieur à un. En d'autres termes, une carte de probabilité de tissu ne peut être partagée par plusieurs groupes. L'hypothèse d'une distribution gaussienne unique pour chaque classe ne tient pas pour un certain nombre de raisons. En particulier, un voxel peut ne pas être d'un type purement tissu, et à la place du signal de contenir un certain nombre de différents tissus (effets de volume partiel). Certains voxels de volume partiel pourrait tomber à l'interface entre les différentes classes, ou ils risquent de tomber au milieu de structures telles que le thalamus, qui peut être considéré comme étant soit la matière grise ou blanche. Diverses autres méthodes de segmentation d'image utilisent des clusters supplémentaires à modéliser ces effets de volume partiel. Il s'agit généralement supposer qu'une classe tissu pur a une répartition d'intensité gaussienne, tandis que les distributions d'intensité des voxels du volume partiel sont plus larges, qui tombe entre les intensités des classes pures. Contrairement à ces approches partielles de segmentation de volume, le modèle adopté ici suppose simplement que la distribution d'intensité de chaque classe ne peut pas être gaussienne, et assigne appartenant probabilités en fonction de ces distributions non gaussiennes. Nombres typiques de gaussiennes pourrait être deux pour la matière grise, matière blanche deux pour, deux pour le LCR, et quatre pour tout le reste.

regtype: Choice ( input )

Régularisation affine La procédure est une optimisation locale, donc il a besoin raisonnables premières estimations de départ. Les images doivent être placées en alignement approximatif à l'aide de la fonction d'affichage du SPM avant de commencer. Une information mutuelle enregistrement affine avec les cartes de probabilité de tissus (D'Agostino et al, 2004) est utilisée pour obtenir un alignement approximatif. Notez que cette étape ne comprend pas tous les modèles de l'intensité de non-uniformité. Cela signifie que si la procédure doit être initialisé avec l'enregistrement affine, alors les données ne doivent pas être trop corrompu avec ce artifact.If il ya beaucoup d'intensité non-uniformité, puis positionner manuellement votre image afin d'obtenir des estimations plus proche de départ et désactiver? l'enregistrement affine. Inscription dans un espace affine standard peut être rendue plus robuste par régularisation (étirement excessif pénaliser ou diminue). Les meilleures solutions peuvent être obtenues en connaissant la quantité approximative d'étirement qui est nécessaire (par exemple, des modèles de missiles balistiques intercontinentaux sont légèrement plus grandes que les cerveaux typiques, donc plus les zooms sont susceptibles d'être nécessaires). Par exemple, si vous vous abonnez à une image dans ICBM / INM espace, puis choisissez cette option. Si vous vous inscrivez à un modèle qui est proche de la taille, puis sélectionnez l'option appropriée pour cela.

warpreg: String ( input )

Régularisation déformation La fonction objective de l'enregistrement des cartes de probabilité de tissus pour l'image à traiter, en volves minimisant la somme des deux termes. Un terme donne une fonction de la dont les données sont probables compte tenu des paramètres de déformation. L'autre est une fonction de la dont les paramètres sont probables, et prévoit une pénalité pour les déformations improbables. Lisses déformations sont considérées comme plus probable. Le montant de la régularisation détermine la tradeof entre les termes. Choisissez une valeur autour de celui-ci. Toutefois, si vos images normalisées être déformés, alors il peut être une bonne idée d'augmenter le montant de régularisation (d'un ordre de grandeur). Plus régularisation donne lisses déformations, où la mesure de régularité est déterminée par l'énergie de flexion de les déformations.

warpco: String ( input )

Fréquence de coupure de chaîne Coupure de bases de DCT. Seules les bases de DCT périodes supérieures à la fréquence de coupure sont utilisés pour décrire les chaînes. Le nombre effectivement utilisée dépendra de la fréquence de coupure et le champ de vision de votre image. Une fréquence de coupure plus petit permettra déformations plus détaillées à modéliser, mais vient malheureusement à un coût d'augmenter fortement la quantité de mémoire nécessaire, et le temps nécessaire.

biasfwhm: Choice ( input )

Bias FWHM FWHM de lissage gaussien de partialité. Si l'intensité de votre non-uniformité est très lisse, puis choisissez une FWHM grande. Cela permettra d'éviter l'algorithme d'essayer de modéliser les variations d'intensité due à différents types de tissus. Le modèle de l'intensité de la non-uniformité est l'un des iid gaussienne

samp: String ( input )

la distance d'échantillonnage La distance approximative entre les points échantillonnés lors de l'estimation des paramètres du modèle. Des valeurs plus petites utiliser davantage les données, mais la procédure est plus lente.

msk: String ( input )

La segmentation peut être masquée par une image qui est conforme à la même espace que les images à segmenter. Si une image est sélectionnée, elle doit correspondre à l'image (s) voxel pour les voxels, et ont le même voxel-à-mapping monde. Régions contenant une valeur de zero ne contribuent pas lors de l estimation des parametres differents.

snMat: Any Type ( sortie )

snInvMat: Any Type ( sortie )

Informations techniques

Toolbox : Outils

Niveau d'utilisateur : 2

Identifiant : segment_SPM_noLinks

Nom de fichier : brainvisa/toolboxes/tools/processes/spm/segment_SPM_noLinks.py

Supported file formats :

MRI_Nat :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

MRI_Mni_tpmSeg :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

grey_Nat :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

grey_Mni :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

white_Nat :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

csf_Nat :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

biasCorrected :

GIS image, VIDA image, NIFTI-1 image, MINC image, gz compressed MINC image, DICOM image, TIFF image, XBM image, PBM image, PGM image, BMP image, XPM image, PPM image, gz compressed NIFTI-1 image, TIFF(.tif) image, ECAT i image, PNG image, JPEG image, MNG image, GIF image, SPM image, ECAT v image

snMat :

Matlab file

snInvMat :

Matlab file