Comment utiliser ANIMAL pour la segmentation automatique. D'apres un
message tres utile d'un chercheur tres sympa et genie-al :)

1) Generer les <<instructions>> pour un recalcage lineaire (mritotal) 

batch -Q medium -S -k -o '1Linear_reg.log mritotal -model
/usr/local/mni/data/mni_autoreg/icbm_avg_152_t1_tal_lin_symmetric
sujet_native_mri.mnc sujet_t1tal_lin.xfm'

Ref: Collins, et al., JCAT 1994

2) Estimer les inhomogeneites du champ magnetique (nu_estimate)

batch -Q medium  -S -k -o 2Evaluate.log 'nu_estimate
sujet_native_mri.mnc sujet_native_field_map.imp'

Ref: Sled et al., IEEE Transactions on Medical Imaging 

3) Corriger les inhomogeneites du champ magnetique (nu_evaluate)

batch -Q medium  -S -k -o 3Apply.log 'nu_evaluate
sujet_native_mri.mnc -mapping sujet_native_field_map.imp
sujet_native_mri_nuc.mnc'

Ref: Sled et al., IEEE Transactions on Medical Imaging 1998

4) Creer un volume avec <<resampling>> de 1.00 mm en espace
   <<MNI-Tal>>.

batch -Q medium -S -k -o 4Resample.log 'mincresample -like
/avgbrain/brain/images/icbm_template_1.00mm.mnc
sujet_native_mri_nuc.mnc -transformation sujet_t1tal_lin.xfm
sujet_tal_1.00mm_mri_nuc.mnc' 

5) Classifier les tissus de matiere blanche, grise, et LCR (classify)

batch -Q medium -S -k -o 5Classify.log 'classify_clean
sujet_tal_1.00mm_mri_nuc.mnc sujet_classified.mnc'

6) Identifier la matiere grise [dans le volume, les voxels d'interet
   ont la valeur "2"] (minclookup)

batch -Q medium -S -k -o 6GM.log 'minclookup -discrete -lut_string '2
2' sujet_classified.mnc sujet_GM.mnc'

Comme le but est la segmentation de l'hippocampe, il serait
plus juste de concentrer le recalage non-lineaire sur la partie du
cerveau qui t'interesse, ou Volume of Interest (VOI). Ca simplifie la
tache a ANIMAL, et ca prend moins de temps pour tout le monde. Pour ce
faire, on prend les volumes initiaux et on les "coupe"

7) Creer un volume d'interet (VOI: volume of interest) pour le volume
   IRM 

batch -Q medium -S -k -o 7VOI.log 'mincresample -like voi_template.mnc
sujet_tal_1.00mm_mri_nuc.mnc sujet_VOI.mnc'

8) De la meme facon, couper le volume de GM

batch -Q medium -S -k -o 8GM_VOI.log 'mincresample -like
voi_template.mnc sujet_GM.mnc sujet_GM_VOI.mnc'

Comme <<template>>, on a utilise ceux de Simon Duchesne
/data/ipl/ipl3/duchesne/Data/Template/{left,right}MTL.mnc.

En passant MTL=Medial Temporal Lobe. C'est plus gros que seulement
l'hippocampe, mais ca devrait englober le MTL pour tout sujet, peut
importe le cerveau. A l'interieur, un masque qui devrait couvrir le HC
ainsi que le PHC.

9) Faire un recalage non-lineaire sur ce VOI et particulierement sur
la region HC/PC telle que definit dans la template

batch -Q medium -S -k -o 9Nonlin_reg.log 'mritotal -model
/usr/local/mni/data/mni_autoreg/icbm_avg_152_t1_tal_lin_symmetric
-nonlinear -transformation mrital_xfm/sujet_t1tal_lin.xfm
VOI/sujet_{left|right}MTL_mri.mnc mrital_xfm/sujet_t1tal_nl.xfm'

Voila. Une fois cette transformation acquise, que faire ? Well, well,
well, c'est tres simple. Cette transformee nous permet de passer du
sujet A la cible. Il est tres simple de t

10) Trouver la transformee inverse qui permet de passer de la cible AU
    sujet:

batch -Q medium -S -k -o 10Inv.log 'xfminvert sujet_t1tal_nl.xfm
sujet_t1tal_nl_inv.xfm'

DEVELOPPER VOTRE PROPRE ATLAS. L'atlas qui est disponible (jakob,
etc...) est en fait une moyenne d'un paquet de label d'un paquet de
sujet, dans un genre de truc probabiliste simple qui a son utilite
mais rapidement ses limites. Si vous developpez votre propre atlas, il
y a plusieurs avantages:

1) Les frontieres pourraient etre definies selon un protocole
reconnu. Je t'encourage a regarder le travail de Jens Pruessner

qui a bien regarde plein de protocoles de segmentation de l'hippocampe
pour ses etudes. Evidemment, d'autres neuroanatomistes/neurologues ne
seront pas d'accord, alors je t'encourage a parler egalement a Neda
Bernasconi

Je vends les deux salades car je travaille avec les deux. Il y en a
d'autre, mais j'aime bien ce qu'ils font. Le travail de Neda risque
d'etre plus pret du tiens, car si ma memoire est bonne, elle a divise
l'hippocampe en 3 morceaux et regarde les contributions de
chacun. Evidemment, il y a Maguire et al, PNAS, comme tu le dis, mais
bon, je pousse le travail maison.

2) L'atlas peut (devrait) etre defini sur la cible, c.a.d. que tu te
tapes une journee sur Display avec
icbm_avg_152_t1_tal_lin_symmetric.mnc et a la fin, tu as l'hippocampe
divise en trois comme tu le veux.

Une fois que tu as ton atlas defini sur la cible, que nous appellerons
atlas_madeleine.mnc, tu le warpes sur le sujet

batch -Q medium -S -k -o 10Warp.log 'mincresample -like template.mnc
atlas_madeleine.mnc -transformation sujet_t1tal_nl_inv.xfm
sujet_atlas.mnc'

Le dernier truc n'est pas necessaire, mais j'ai trouve cela utile
quand je travaillais. Il s'agit de coupler l'atlas avec les donnees de
GM que nous avions mises de cote precedemment, comme le beurre fondu
dans une bonne recette qui nous attend sur le comptoir. En faisant une
addition logique (AND) des voxels de GM et des voxels dans l'atlas,
nous eliminerions les voxels qui ne sont pas GM mais qui ont ete
etiquetes comme tels dans ton atlas, et/ou ceux qui se faufilent a
travers le recalage non-lineaire d'ANIMAL (surtout dans les cas
pathologiques)

Si tu fais

mincmath -add sujet_atlas.mnc sujet_GM_VOI.mnc sujet_atlas_final.mnc

le probleme est que la definition des 3 parties de ton atlas (queue,
tete, corps) sera perdue. Il faut faire un minclookup pour identifier
chaque partie, et ensuite additionner de facon logique la GM. Tu me
suis ? Rendue la, si tout va bien, on se rappelle.

References:

[1]  Collins DL, Neelin P, Peters TM, and Evans AC, "Automatic 3-D
     intersubject registration of MR volumetric data in standardized
     Talairach space", Journal of Computer Assisted Tomography,
     18(2):192-205, 1994.

[2]  Evans AC, Collins DL, Milner B, "An MRI-based stereotactic atlas
     from 250 young normal subjects", Soc Neurosci Abstr, 1992;18:408.

[3]  Talairach J, Tournoux P, "Co-planar sterotactic atlas of the human
     brain: 3-dimensional proportional system: an approach to cerebral
     imaging", Stuttgart: Georg Thieme Verlag, 1988.

[4]  Mazziota JC, Toga AW, Evans A, Fox P, and Lancaster J, "A
     probabilistic atlas of the human brain: theory and rationale for
     its development", Neuroimage 2, 89-101 (1995).

[5]  JG Sled, AP Zijdenbos and AC Evans, "A non-parametric method
     for automatic correction of intensity non-uniformity in MRI
     data", in "IEEE Transactions on Medical Imaging", vol. 17, n. 1,
     pp. 87-97, 1998

[6]  D. Collins, A. Evans, C. Holmes, and T. Peters, "Automatic 3D
     segmentation of neuro-anatomical structures from mri," in
     Information Processing in Medical Imaging (Y. Bizais,
     C. Barillot, and R. DiPaola, eds.), (Brest, France), pp. 139-152,
     IPMI, Kluwer, Aug 1995.

[7]  DLCollins, CJ Holmes, TM Peters, and AC Evans,
     "Automatic 3D model-based neuroanatomical segmentation," Human
     Brain Mapping, vol.  3, no. 3, pp. 190-208, 1995.

[8]  DLCollins and AC Evans, "Animal: validation and applications of
     non-linear registration-based segmentation," International
     Journal and Pattern Recognition and Artificial Intelligence,
     vol. 11, pp. 1271-1294, Dec 1997.

[9]  Pruessner JC, Li LM, Serles W, Pruessner M, Collins DL, Kabani N,
     Lupien S, Evans AC. Volumetry of hippocampus and amygdala with
     high-resolution MRI and three-dimensional analysis software:
     minimizing the discrepancies between laboratories.  Cereb Cortex
     2000 Apr. 10(4):433-42

[10] Bernasconi N, Bernasconi A, Caramanos Z, Antel SB, Andermann F,
     Arnold DL. Mesial temporal damage in temporal lobe epilepsy: a
     volumetric MRI study of the hippocampus, amygdala and
     parahippocampal region.  Brain 2003 Feb. 126(Pt 2):462-9