Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Um pipeline padronizado para examinar morfometria de matéria cinzenta cerebelar humana usando ressonância magnética estrutural

Published: February 4, 2022 doi: 10.3791/63340
Automatic Translation
1, 2, 3, 4, 5,6, 7, 1,8
1Department of Neuroscience, Central Clinical School, Monash University, 2Department of Biomedical Engineering, The Johns Hopkins University, 3Department of Psychiatry, National Institute of Mental Health & Neuro Sciences (NIMHANS), 4Faculty of Computer Science, Dalhousie University, 5Department of Electrical and Computer Engineering, The Johns Hopkins University, 6Department of Computer Science, The Johns Hopkins University, 7Brain and Mind Institute, Department for Statistical and Actuarial Sciences, Department for Computer Science, Western University, 8Monash Biomedical Imaging, Monash University

Summary

Um pipeline padronizado é apresentado para examinar a morfometria de matéria cinzenta de cerebelo. O pipeline combina abordagens de alta resolução e última geração para parcelamento otimizado e automatizado de cerebelo e registro baseado em voxel do cerebelo para quantificação volumosa.

Abstract

Várias linhas de pesquisa fornecem evidências convincentes para um papel do cerebelo em uma ampla gama de funções cognitivas e afetivas, indo muito além de sua associação histórica com o controle motor. Estudos estruturais e funcionais de neuroimagem têm refinado ainda mais a compreensão da neuronatomia funcional do cerebelo além de suas divisões anatômicas, destacando a necessidade de exame de subunidades cerebelares individuais em variabilidade saudável e doenças neurológicas. Este artigo apresenta um pipeline padronizado para examinar a morfometria de matéria cinzenta de cerebelo que combina abordagens de alta resolução e última geração para parcelação otimizada e automatizada de cerebelo (Parcelamento Anatômico Automático de Cerebelo usando otimização localmente restrita da U-Net; ACAPULCO) e registro baseado em voxel do cerebelo (Modelo Infra-tentorial Espacialmente Imparcial; TERNO) para quantificação volumosa.

O gasoduto possui ampla aplicabilidade a uma gama de doenças neurológicas e é totalmente automatizado, com intervenção manual necessária apenas para o controle de qualidade das saídas. O pipeline está livremente disponível, com documentação substancial, e pode ser executado em sistemas operacionais Mac, Windows e Linux. O gasoduto é aplicado em uma coorte de indivíduos com ataxia friedreich (FRDA), e são fornecidas recomendações sobre análises estatísticas inferenciais em nível de grupo. Este gasoduto poderia facilitar a confiabilidade e a reprodutibilidade em todo o campo, fornecendo, em última análise, uma abordagem metodológica poderosa para caracterizar e rastrear mudanças estruturais cerebelares em doenças neurológicas.

Introduction

O cerebelo é uma parte do cérebro historicamente associada ao controle motor 1,2,3 e acredita-se estar integralmente envolvido em apenas um pequeno conjunto de doenças raras, como ataxiasherdadas 4. No entanto, linhas convergentes de pesquisas de estudos de rastreamento anatômicos em primatas não humanos, bem como estudos de lesão humana e neuroimagem, fornecem evidências convincentes para um papel do cerebelo em uma ampla gama de 5,6,7 cognitivos, afetivos 8,9,10,11, e outras funções não motoras 7,12 (ver6  para revisão). Além disso, anormalidades do cerebelo estão cada vez mais implicadas em uma ampla gama de distúrbios neurológicos e psiquiátricos, incluindo doença de Parkinson13, doença de Alzheimer14,15, epilepsia16,17, esquizofrenia18 e transtorno do espectro autista19 . Por isso, tornou-se essencial incorporar o cerebelo em modelos funcionais e estruturais de doenças cerebrais humanas e variabilidade comportamental normativa.

Anatomicamente, o cerebelo pode ser dividido ao longo de seu eixo superior ao inferior em três lóbulos: anterior, posterior e flocculonodular. Os lobos são ainda subdivididos em 10 lobulas denotadas pelos numerais romanos I-X20,21 (Figura 1). O cerebelo também pode ser agrupado em zonas de linha média (vermis) e laterais (hemisfério), que respectivamente recebem entradas da medula espinhal e córtex cerebral. O lobo anterior, composto por lobules I-V, tem sido tradicionalmente associado a processos motores e tem conexões recíprocas com cortices motoras cerebrais22. O lobo posterior, composto por lobules VI-IX, está principalmente associado aos processos não motor11 e possui conexões recíprocas com o córtex pré-frontal, parietal posterior e cortices cerebrais temporais superiores 8,23. Por fim, o lobo flocculonodular, composto por lobule X, possui conexões recíprocas com núcleos vestibulares que regem os movimentos oculares e o equilíbrio corporal durante a postura e a marcha21.

Um corpo crescente de trabalhos recentes usando neuroimagem funcional tem ainda mais refinado a compreensão da neuronatomia funcional do cerebelo além de suas divisões anatômicas. Por exemplo, técnicas de ressonância magnética funcional (fMRI) de estado de repouso têm sido usadas para mapear o padrão de interações funcionais entre o cerebelo e o cerebrum24. Além disso, usando uma abordagem de parcelamento baseada em tarefas, King e seus colegas7 demonstraram que o cerebelo mostra um rico e complexo padrão de especialização funcional em toda a sua amplitude, evidenciado por diferentes limites funcionais associados a uma variedade de tarefas motoras, afetivas, sociais e cognitivas. Coletivamente, esses estudos destacam a importância de examinar subunidades cerebelares individuais para desenvolver caracterizações biológicas completas do envolvimento do cerebelo tanto na variabilidade saudável quanto nas doenças neurológicas caracterizadas por alterações na estrutura e/ou função cerebelar.

O presente trabalho se concentra em métodos para quantificar mudanças locais no volume cerebelar utilizando ressonância magnética estrutural em humanos. Em geral, existem duas abordagens fundamentais para a quantificação do volume cerebral regional usando dados de ressonância magnética: segmentação baseada em recursos e registro baseado em voxel. As abordagens de segmentação baseadas em recursos usam marcos anatômicos e atlas padronizados para identificar automaticamente limites entre sub-regiões. Os principais pacotes de software para segmentação incluem FreeSurfer25, BrainSuite26 e FSL-FIRST27. No entanto, esses pacotes fornecem apenas parcelas grosseiras do cerebelo (por exemplo, rotulando toda a matéria cinzenta e toda a matéria branca em cada hemisfério), ignorando assim os lobulos cerebelares individuais. Essas abordagens também são propensas à má segmentação, particularmente a superaclusão da vasculatura circundante.

Novos algoritmos de rotulagem de aprendizado de máquina e multi-atlas foram desenvolvidos, que fornecem parcelação mais precisa e mais fina do cerebelo, incluindo classificação automática do algoritmo de lobules cerebelar usando evolução implícita multi-fronteira (ACCLAIM28,29), Kit de Ferramentas de Análise Cerebelar (CATK30), Múltiplos Modelos Gerados Automaticamente (MAGeT31), Segmentação automática rápida do cerebelo humano e seus lobules (RASCAL32 ), segmentação de corte gráfico33 e Segmentação cerebellum (CERES34). Em um artigo recente comparando abordagens de parcelamento de cerebelo totalmente automatizados, o CERES2 superou outras abordagens relativas à segmentação manual padrão-ouro dos lobulos cerebelares35. Mais recentemente, Han e seus colegas36 desenvolveram um algoritmo de aprendizagem profunda chamado ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net com otimização localmente restrita), que funciona em comparação com o CERES2, tem ampla aplicabilidade para cerebelos saudáveis e atrofiados, está disponível em formato de contêiner Docker e Singularity de código aberto para implementação 'off-the-shelf', e é mais eficiente do que outras abordagens. A ACAPULCO parcela automaticamente o cerebelo em 28 regiões anatômicas.

Em contraste com a segmentação baseada em recursos, as abordagens de registro baseadas em voxel operam mapeando precisamente uma ressonância magnética para uma imagem de modelo. Para alcançar esse mapeamento, os voxels na imagem original devem ser distorcidos em tamanho e forma. A magnitude dessa distorção fornece efetivamente uma medida de volume em cada voxel em relação ao modelo padrão-ouro. Esta forma de avaliação volumosa é conhecida como "morfometria baseada em voxel"37. Abordagens de registro baseadas em voxel de cérebro inteiro, como FSL-FLIRT38/FNIRT39, segmentação unificada SPM40 e CAT1241, são comumente usadas para morfometria baseada em voxel. No entanto, essas abordagens não explicam bem o cerebelo, resultando em baixa confiabilidade e validade em regiões infratentoriais (cerebelo, troncocerebral 42). Para explicar essas limitações, o algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) foi desenvolvido para otimizar o registro de cerebelo e melhorar a precisão da morfometriabaseada em voxel 42,43.

As abordagens de segmentação baseadas em recursos e de registro baseadas em voxel para a estimativa do volume cerebelar regional têm pontos fortes e fracos fundamentais. As abordagens de segmentação são substancialmente mais precisas para quantificar o volume de áreas anatomicamente definidas (por exemplo, lobulos35). No entanto, os limites entre módulos funcionais distintos do cerebelo não mapeiam em suas folias anatômicas e fissuras (equivalentes a gyri e sulci do cerebrum7). Como as abordagens baseadas no registro não são restritas por marcos anatômicos, é possível44 inferência espacial de grãos finos e mapeamento de alta função de estrutura dimensional do cerebelo. Em conjunto, as abordagens de segmentação e registro são complementares entre si e podem ser utilizadas para responder a diferentes questões de pesquisa.

Aqui, é apresentado um novo pipeline padronizado, que integra essas abordagens existentes e validadas para fornecer parcelamento otimizado e automatizado (ACAPULCO) e registro baseado em voxel do cerebelo (SUIT) para quantificação volumosa (Figura 2). O pipeline baseia-se nas abordagens estabelecidas para incluir protocolos de controle de qualidade, utilizando visualização qualitativa e detecção quantitativa de outlier, e um método rápido para obter uma estimativa de volume intracraniano (ICV) usando Freesurfer. O pipeline é totalmente automatizado, com intervenção manual necessária apenas para verificar as saídas de controle de qualidade, e pode ser executado em sistemas operacionais Mac, Windows e Linux. O gasoduto está livremente disponível sem restrições de seu uso para fins não comerciais e pode ser acessado a partir da página web do ENIGMA Consortium Imaging Protocols (sob "ENIGMA Cerebellum Volumetrics Pipeline"), após a conclusão de um breve formulário de registro45.

Todos os softwares necessários estão listados na Tabela de Materiais, e tutoriais detalhados, incluindo uma demonstração ao vivo, estão disponíveis no download do pipeline, além do protocolo descrito abaixo. Finalmente, são fornecidos resultados representativos, a partir da implementação do gasoduto em uma coorte de pessoas com ataxia friedreich (FRDA) e controles saudáveis compatíveis com idade e sexo, juntamente com recomendações para análises estatísticas inferenciais de nível de grupo.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

NOTA: Os dados utilizados neste estudo fizeram parte de um projeto aprovado pelo Comitê de Ética em Pesquisa Humana da Universidade monash (projeto 7810). Os participantes forneceram consentimento por escrito informado. Enquanto o pipeline pode ser executado em sistemas operacionais Mac, Windows ou Linux, os gasodutos ACAPULCO, SUIT e os gasodutos QC foram explicitamente testados nos sistemas operacionais Linux (Ubuntu) e Mac (Catalina, Big Sur v11.0.1).

1. Módulo 1: ACAPULCO (parcelamento anatômico)

  1. Recolha de dados
    1. Colete imagens de ressonância magnética ponderadas em T1 3D de todo o cérebro com uma resolução de 1 mm3 ou menos. São recomendadas dimensões de voxel isotrópico (tipicamente 1 mm x 1 mm x 1 mm) e um scanner 3-Telsa (ou superior). Consulte um especialista em imagem em seu centro de radiografia para configurar e adquirir dados que atendam a essas especificações.
      NOTA: Imagens ponderadas com T2 às vezes são úteis para análises volumosas; no entanto, o pipeline aqui apresentado depende apenas de dados ponderados pelo T1, e algumas das ferramentas utilizadas são exclusivas para esse tipo de dados. Como tal, imagens com peso T2 não podem ser usadas.
    2. Faça uma avaliação de qualidade visual das imagens para excluir malformações cerebelares brutas (por exemplo, lesões grandes) ou artefatos de movimento substanciais que impedem a identificação de grandes marcos cerebelares (por exemplo, as principais fissuras anatômicas). Não exclua automaticamente cerebella atrofiada, mesmo que substancial.
    3. Para estudos em grupo, considere também avaliações quantitativas de qualidade utilizando ferramentas padronizadas e disponíveis livremente, como o MRIQC46, para identificar ainda mais dados problemáticos.
    4. Converta todos os dados para o formato NIFTI-GZ usando uma ferramenta como dcm2niix47.
  2. Organização de dados recomendada
    1. Obtenha todos os softwares necessários conforme listado na Tabela de Materiais. Certifique-se de que o Docker48 ou Singularity49, Matlab50 e SPM1251 sejam instalados antes de executar o pipeline.
      NOTA: Extensos tutoriais escritos e em vídeo que descrevem o pipeline também estão disponíveis (veja a Tabela de Materiais).
    2. Uma vez instalados todos os softwares necessários, crie pastas no diretório de trabalho e rotule-as como 'acapulco', 'terno' e 'freesurfer'. Faça isso usando o comando mkdir da linha de comando.
    3. No diretório 'acapulco', crie uma pasta de saída . Na pasta de saída , crie um diretório para cada assunto no estudo contendo a imagem ponderada T1 no formato NIFTI-GZ.
      NOTA: Recomenda-se manter uma cópia dos dados originais em outro lugar.
  3. Parcelamento cerebelar anatômico usando ACAPULCO
    1. Vá até a Tabela de Materiais e baixe os scripts e contêineres relevantes necessários para executar o ACAPULCO (sob arquivos de pipeline acapulco). No diretório 'acapulco', coloque o (i) contêiner ACAPULCO Docker OU Singularity ('acapulco_0.2.1.tar.gz' ou '.sif', respectivamente), (ii) conteúdo do arquivo QC_scripts (3 arquivos: 'QC_Master.R', 'QC_Plots.Rmd', e 'QC_Image_Merge.Rmd') e (iii) arquivo 'R.sif' (singularidade) OU 'calculate_icv.tar' (docker).
    2. Abra um terminal e, a partir da linha de comando, execute o contêiner ACAPULCO em uma única imagem (substitua <> a seguir). Aguarde ~5 min para que o processamento seja concluído.
      1. Usando Docker, digite o comando:
        carga de docker --entrada acapulco_0.2.1.tar.gz
        docker run -v $PWD:$PWD -w $PWD -t --user $(id -u):$(id -g) --rm acapulco:latest -i output/<>/<>.nii.gz -o output/<>
      2. Usando singularidade, digite o comando:
        singularidade run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
    3. Loop em todos os assuntos/varreduras na coorte. Consulte a Tabela de Materiais para obter um link para o site da ENIGMA Imaging Protocols para baixar o pipeline (sob o ENIGMA Cerebellum Volumetrics Pipeline) e o manual tutorial contendo exemplos de como criar um loop para o processamento de vários assuntos em série.
    4. Após o processamento, procure os seguintes arquivos gerados nas pastas específicas do assunto:
      1. Identificar "_n4_mni_seg_post_inverse.nii.gz": máscara de cerebelo parcelado no original (espaço do sujeito).
      2. Identificar "_n4_mni_seg_post_volumes.csv": volumes (em mm3) para cada uma das 28 subunidades geradas por acapulco;
      3. Identificar imagens representativas (no diretório 'pics'): sagital, axial e coronal.
  4. Detecção e controle de qualidade de outlier estatístico (QC)
    1. Do terminal e do diretório 'acapulco', garantem que o conteúdo de QC_scripts esteja no diretório 'acapulco'. Para executar os scripts QC:
      1. Usando Docker, digite o comando:
        carga docker calculate_icv.tar
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        saída QC_Master.R/
      2. Usando singularidade, digite o comando:
        executivo de singularidade -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. Examinando as imagens do QC geradas pela ACAPULCO
    NOTA: Há um processo de 3 etapas para verificação de qualidade das imagens parceladas ACAPULCO.
    1. Abra o 'QC_Images.html' em um navegador da Web e role rapidamente (~10 s por assunto) role as imagens para identificar falhas óbvias ou problemas sistemáticos. Observe os IDs do assunto de imagens com falhas ou suspeitas parceladas para acompanhamento.
      NOTA: Consulte a Figura 3 para um guia sobre a neuronatomia dos lobulos cerebelares e figura 4, Figura 5 e Figura 6 na seção de resultados representativos abaixo, por exemplo, de parcelamentos 'bons', "erros sutis" e parcelamentos de "falha global".
    2. Abra o 'Plots_for_Outliers.html' para verificar os boxplots para obter outliers estatísticos quantitativos. Procure por outliers (2.698 s.d acima ou abaixo da média) acima ou abaixo dos bigodes das parcelas da caixa. Passe o mouse sobre os pontos de dados para exibir o ID do assunto. Identifique os outliers denotados por um '1' na coluna relevante no arquivo 'Outliers.csv' e observe o número total de segmentos identificados como outliers para cada assunto na coluna final em 'Outliers.csv'.
    3. Inspecione manualmente cada imagem com um ou mais outliers. CRÍTICA: Usando um visualizador de imagem NIFTI padrão (por exemplo, FSLEyes ou MRICron), sobreponha a máscara ACAPULCO na imagem T1w original para verificar a qualidade da parcelação fatia por fatia.
      1. Para gerar sobreposições para QC detalhado a partir da linha de comando usando FSLEyes, i) alterar o diretório para o diretório 'acapulco', ii) especificar o assunto a ser visualizado (substituir ):
        subj=
      2. Copie/cole o seguinte código para o terminal (sem alterar manualmente {subj} como este foi definido pela linha anterior:
        t1_image=output/${subj}/${subj}.nii.gz
        acapulco_image=output/${subj}/${subj}_n4_mni_seg_post_inverse.nii.gz
        fsleyes ${t1_image} ${acapulco_image} --sobreposiçãoStosatossotos --lut random_big --contorno --outlineWidth 3 ${acapulco_image} --sobreposiçãoO volume do tipo --alfa 50 --cmap aleatório
        NOTA: Será necessário determinar se deve incluir ou não o segmento anormal, ou seja, há um erro de parcelamento ou é apenas uma variabilidade normal na anatomia do indivíduo? Cada região parcelada é considerada individualmente, de modo que algumas regiões podem ser excluídas para uma imagem, enquanto o restante pode ser retido se correto.
      3. Uma ou mais regiões parceladas precisam ser excluídas do conjunto de dados final?
        Se sim (outlier for confirmado), exclua esta parcelação(s) da análise substituindo a estimativa de volume por NA na célula correspondente do arquivo 'Cerebel_vols.csv' para esse assunto.
      4. Erros de parcelamento resultam na exclusão de parte do cerebelo da máscara?
        Se Sim, (por exemplo, se forem faltados lobules cerebelares particulares da máscara ou aparecerem 'cortados'), exclua imediatamente o assunto de novas análises (ou seja, não prossiga para executar o módulo SUIT sobre esses assuntos).

2. Módulo 2: Morfometria baseada em voxel otimizada para cerebelo

  1. Análises de morfometria baseada em Voxel usando SUIT
    CRÍTICA: Este pipeline requer que o módulo ACAPULCO já tenha sido executado, pois conta com a geração de uma máscara cerebelar específica para otimização do registro e normalização do cerebelo para o modelo SUIT. Se a máscara específica do assunto gerada pela ACAPULCO não incluir todo o cerebelo, isso garante a exclusão do módulo SUIT. Para obter instruções sobre como executar suit autônomo, consulte52.
    1. Obtenha todos os softwares necessários listados na Tabela de Materiais. Certifique-se de que a pasta SPM12 e todas as subpastas estão no caminho MATLAB. Certifique-se de enigma_suit os scripts sejam salvos no diretório 'spm12/toolbox' e adicionados ao caminho MATLAB. Para verificar o caminho MATLAB, digite pathtool na janela de comando MATLAB e clique em Adicionar com subpastas para adicionar as pastas relevantes.
    2. Execute o pipeline SUIT para um ou mais assuntos. Aguarde ~15-20 min (se usar a interface gráfica do usuário [GUI]) e ~5-7 min se correr do terminal (bash/shell) para o processamento ser concluído.
      1. Para usar a GUI (os sujeitos serão executados em série), a partir da janela de comando MATLAB, digite o comando:
        suit_enigma_all
      2. Na primeira janela pop-up, selecione as pastas de assunto do diretório 'acapulco/output' para incluir na análise. Clique nas pastas individuais no lado direito da janela ou clique com o botão direito do mouse e selecione Tudo. Pressione feito. Na segunda janela pop-up, selecione o diretório SUIT, onde as análises serão escritas.
      3. OU Ligue para a função da linha de comando MATLAB para um único assunto, digite o comando:
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OU Ligue para a função da janela do terminal, fora do MATLAB, para um único assunto digitando o comando:
        matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), saída"
    3. Consulte a Tabela de Materiais para obter um link para o site da ENIGMA Imaging Protocols para baixar o pipeline (sob o ENIGMA Cerebellum Volumetrics Pipeline) e o manual tutorial contendo exemplos de como criar um loop para o processamento de vários assuntos em série.
    4. Procure os seguintes pontos em relação ao roteiro.
      1. Certifique-se de que o script copia a imagem T1 alinhada ao viés N4, alinhada ao MNI (corpo rígido) e a máscara de cerebelo ACAPULCO no diretório de saída.
      2. Certifique-se de que o script segmenta a matéria cinza e branca do cerebelo.
      3. Certifique-se de que o script corrige para erros de inclusão excessiva na parcelamento usando a máscara ACAPULCO.
      4. Certifique-se de que o script DARTEL normalize e recoxe os dados no espaço SUIT com modulação jacobiana para que o valor de cada voxel seja proporcional ao seu volume original.
      5. Verifique a pasta de cada assunto para as seguintes saídas finais: 'wd_seg1.nii' (matéria cinzenta) e 'wd_seg2.nii' (matéria branca).
  2. Detecção e controle de qualidade de outlier estatístico
    1. Inspecione visualmente as imagens normalizadas e moduladas (wd*) para grandes falhas. No MATLAB, digite o comando:
      spm_display_4D
    2. Selecione manualmente as imagens 'wd*seg1' das subpastas do traje ou navegue até o diretório 'terno'; inserir '^wd.*seg1' na caixa Filtro (sem cotações) e pressione o botão Rec . Pressione feito.
    3. Role as imagens para garantir que todas estejam bem alinhadas. Consulte a Figura 7 para obter imagens corretamente normalizadas a partir de controles saudáveis (A,B) e um indivíduo com um cerebelo fortemente atroférico (D).
      NOTA: Nesta fase, a anatomia entre os sujeitos é muito semelhante (como foram registradas no mesmo modelo), e as diferenças de volume são codificadas por diferentes intensidades de voxel. Grandes falhas serão óbvias, por exemplo, imagens em branco, grandes áreas de tecido ausente, gradientes de intensidade incomuns (ou seja, voxels brilhantes todos no topo, voxels escuros todos na parte inferior). Essas imagens devem ser excluídas das etapas subsequentes.
    4. Verifique a covariância espacial para obter outliers. No MATLAB, digite o comando:
      check_spatial_cov
      1. Selecione as imagens 'wd*seg1' de acordo com a etapa anterior. Quando solicitado, selecione as seguintes opções: Dimensionamento de prop: Sim; Variável para covary out: Não; Fatia (mm): - 48 , Gap: 1.
      2. Olhe para a caixa exibindo a covariância espacial média de cada imagem em relação a todas as outras na amostra. Identifique pontos de dados >2s.d. abaixo da média na janela de comando MATLAB. Para estes, inspecione a imagem "_n4_mni.nii.gz" na pasta SUIT para artefatos (movimento, anormalidades anatômicas), problemas de qualidade de imagem ou erros de pré-processamento.
      3. Se a qualidade da imagem e o pré-processamento forem aceitáveis e a inspeção visual das imagens moduladas na etapa anterior não indicar um problema com segmentação e normalização, retenha esses dados na amostra. Caso contrário, exclua esses dados.

3. MÓDULO 3 (opcional): Estimativa de volume intracraniano (ICV) utilizando FreeSurfer

NOTA: Este módulo usará o pipeline FreeSurfer para calcular o ICV. Ele não precisa ser re-executado se houver saídas Freesurfer existentes para a coorte (qualquer versão).

  1. Configuração do FreeSurfer
    1. Certifique-se de que o FreeSurfer seja baixado e instalado53. Vá até a Tabela de Materiais e baixe os scripts relevantes para executar este Módulo (em arquivos de pipeline ICV). Ao trabalhar com o FreeSurfer, defina as seguintes variáveis:
      FREESURFER_HOME de exportação=diretório
      fonte $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Substitua no seguinte:
      exportar SUBJECTS_DIR=/enigma/Freesurfer
  2. Executando freesurferecon1
    1. Para um único assunto, de dentro do diretório 'freesurfer' (tempo de processamento ~20 min), digite o comando:
      cd /enigma/freesurfer
      recon-all -i .. /input/.nii.gz -s -autorecon1
    2. Consulte o manual do tutorial para exemplos de como criar um loop para processar vários assuntos serialmente.
  3. Cálculo do ICV
    1. Organização de dados
      1. No diretório 'freesurfer', coloque o (i) contêiner Docker OU Singularity usado no Módulo 1 ('calculate_icv.tar' ou 'R.sif', respectivamente) e (ii) xfm2det script (ver a Tabela de Materiais). Em seguida, faça um clone de git para clonar o script ICV necessário:
        https://github.com/Characterisation-Virtual-Laboratory/calculate_icv do clone git
    2. Executando extração de ICV (tempo de processamento ~5 min)
      1. Do diretório 'freesurfer', com recipiente de singularidade ('R.sif'), tipo:
        executivo da singularidade --cleanenv -B $PWD:$PWD R.sif calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/freesurfer --acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile -output_csv_name=Cerebel_vols.csv calculate_icv
      2. Do diretório 'freesurfer', com contêiner docker, digite:
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/Freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Executando o script sem contêiner-ver a Tabela de Materiais para software e dependências adicionais necessários. Do diretório 'freesurfer', digite:
        ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/path/to/freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --
        output_csv_name=Cerebel_vols.csv calculate_icv
        NOTA: Isso calculará o ICV para cada assunto e anexará uma coluna com ICV até o final do arquivo 'Cerebel_vols.csv'.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Parcelamento de cerebelo (ACAPULCO)

Controle de qualidade das máscaras parceladas de cerebelo:
Os exemplos a seguir demonstram as saídas parceladas da ACAPULCO e orientam a tomada de decisão sobre a) a qualidade da máscara parcelada no nível individual e b) posterior inclusão ou exclusão de um lobule(s) específico das análises estatísticas. Em última análise, a decisão de incluir ou excluir um assunto é subjetiva; exemplos de "boas parcelas", "erros sutis de parcelamento" e "falhas globais" de uma variedade de grupos saudáveis e clínicos são fornecidos aqui.

Exemplos de "boas parcelas" são apresentados na Figura 4, inclusive em cerebella saudável e fortemente atrofiada. Na Figura 5, são retratadas sutis sobre e sub-inclusões de lobulos individuais de cerebelo. Estes são o tipo mais comum de erro de parcelamento e não podem ser detectados como outliers estatísticos no protocolo DE QC quantitativo. Esses tipos de erros geralmente requerem a exclusão dos lobulos individuais que são afetados, enquanto o restante do cerebelo parcelado não é afetado e pode ser retido. Em contraste, as "falhas globais", como retratado na Figura 6, requerem a exclusão completa do assunto.

Detecção estatística outlier:
Para ilustrar o gasoduto, a ACAPULCO foi executada em uma amostra de 31 pessoas com FRDA (idade média= 36,5 anos; SD= 13,0 anos, 14 mulheres) e 37 controles saudáveis de idade e sexo (HC) (idade média= 37,1 anos; SD=12,8 anos, 17 mulheres) como descrito anteriormente55. Em toda a amostra, 18 lobulos foram detectados como outliers estatísticos (<1% da amostra total). Após a realização de QC detalhado nas imagens, 17 lobulos outlier foram removidos de análises em nível de grupo, removendo o volume de lobule individual para os respectivos sujeitos do arquivo de volumes cerebelares de nível de grupo (ou seja, o arquivo 'Cerebel_vols.csv'). O restante foi considerado não um erro de segmentação, mas sim devido à variabilidade na anatomia do cerebelo do indivíduo e, portanto, foi retido na análise. Houve também duas falhas globais de parcelamento (1 paciente FRDA). A taxa básica de exclusão em todos os lobules de cerebelo (ou seja, falhas globais de parcelamento) foi de 1,5%. A Tabela 1 mostra as taxas de exclusão para cada um dos 28 ROIs anatômicos. Lobule IX esquerdo e direita lobule crus eu tinha as maiores taxas de exclusão.

Análise estatística em nível de grupo:
Um total de 66 indivíduos (30 pacientes frda) foram incluídos na análise de nível de grupo. Foram realizados testes de amostras independentes de Mann-Whitney de duas caudas para testar diferenças significativas nos volumes de lobule de cerebelo entre FRDA e HC. Os resultados mostraram significativamente reduzida matéria branca no corpus medullare em FRDA vs. HC (p < 0,05, Bonferroni corrigida para 28 comparações). Não houve outras diferenças significativas entre os grupos. Consulte a Tabela Suplementar S1 para os volumes de todas as 28 subunidades cerebelares da amostra.

Análises de morfometria baseada em voxel de cerebellum (SUIT)

Controle de qualidade:
Exemplos de imagens bem alinhadas e exemplos de exclusões para controles saudáveis e grupos clínicos, incluindo frda e spinocerebellar ataxia pateints, são mostrados na Figura 7. As análises de ON Foram realizadas em um total de 64 sujeitos (28 FRDA; 36 HC) da amostra descrita acima, após a exclusão de dois outros sujeitos devido à cobertura cerebelar integral incompleta na máscara de cerebelo.

Após o teste da covariância espacial de todas as imagens normalizadas na amostra em relação uma à outra, dois exames foram detectados como outliers estatísticos com base em sua covariância espacial média com o resto da amostra (Figura 8). No entanto, a inspeção visual das imagens originais e normalizadas indicou que, embora esses indivíduos tivessem alguma neuroanato única, não havia artefatos significativos em nenhuma das imagens e nas etapas de processamento concluídas normalmente. Como tal, ambos os sujeitos foram mantidos nas análises.

Análise estatística em nível de grupo:
As imagens foram suavizadas usando um núcleo gaussiano de 3 mm de largura total ao meio máximo (FWHM). Foram realizados testes de permutação não paramétrica no SnPM para testar diferenças significativas entre grupos nos volumes de matéria cinzenta do cerebelo. Para isso, foram realizadas 5.000 permutações, com um limiar de formação de aglomerados de p < 0,001. As imagens foram explicitamente mascaradas com o atlas de matéria cinzenta suit para limitar a inferência às regiões de matéria cinzenta. Para corrigir o tamanho da cabeça, o volume intracraniano foi inserido como covariada no modelo. A inferência final dos resultados do grupo foi realizada em p < 0,05, erro familiar (FWE) em nível de cluster corrigido.

Em comparação com o HC, o FRDA apresentou um volume de matéria cinzenta significativamente reduzido nos lobulos anteriores bilaterais I-V (esquerda: x= -10, y= -46, z= -26; T= 5,61; Ke= 754; direito: x= 10, y= -38, z= -21; T= 6,83; Ke= 569); e nas regiões de lobo posterior medial, incluindo Vermis VI, estendendo-se bilateralmente em Lobule VI (x= 3, y= -65, z= -20; T= 7,25), e Vermis IX estendendo-se bilateralmente em Lobule IX (x= 3, y= -65, z= -20; T= 6,46; Ke= 3974; Figura 9).

Figure 1
Figura 1: O cerebelo humano. (A) Uma representação achatada do cerebelo e suas principais fissuras, lóbulos e lobulos. Vermelho = lobo anterior (lóbulos I-V); creme= lobo posterior (lóbulos IV-IX); roxo= lobo flocculonodular. O cerebelo pode ser dividido em zonas "vermis" e "hemisfério" laterais. Todos os lobules são identificados nos vermes e hemisférios. Em lobule VII, VIIAf nos vermis expande-se nos hemisférios para se tornar Crus I, lobule VIIAt no vermis torna-se Crus II nos hemisférios, e lobule VIIB mantém seu rótulo tanto nos vermis quanto nos hemisférios. (B) Topo: Mapa plano de cerebelo mostrando as subunidades anatômicas do cerebelo em cores diferentes. Inferior: uma visão posterior do cerebelo. Este número foi adaptado de 56 e 57. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Ilustração esquemática do oleoduto. Uma imagem T1 MPRAGE de alta resolução é necessária. Existem três módulos: ACAPULCO, SUIT e ICV. O pipeline é totalmente automatizado (exceto para intervenção manual necessária para QC das saídas), está disponível no formato de contêiner Docker e Singularity, e leva aproximadamente 20 minutos para funcionar do início ao fim, por assunto. Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: Parcelamento ACAPULCO demonstrando cada uma das 28 subunidades anatômicas. Este número foi adaptado a partir de36. Abreviaturas: CM = corpus medullare; Ver = vermis; R/L = direita/esquerda. Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: Exemplos de parcelas de cerebelo 'bons'. São mostradas fatias sagiais (x= 0) e coronal (y= -57). (A, B) Fatias sagidas e coronais mostrando máscaras parceladas de dois cerebelares saudáveis. O algoritmo localizou corretamente os limites individuais da subunidade, e não incluiu demais o seio transverso na rotulagem e quantificação de Crus I. (C) Um cerebelo fortemente atrofiado de um paciente SCA2. Aqui, a atrofia é aparente ao longo de toda a extensão do cerebelo, os sulci são largos, e há um monte de tecido faltando. Há uma leve sobreinclusão da vasculatura nos lóbulos posteriores que é mais pronunciada no lado direito (seta amarela). Além dessa inclusão excessiva, a ACAPULCO tem funcionado bem. Abreviaturas: CM = corpus medullare; Ver = vermis; L/R = esquerda/direita. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: Exemplos de erros de parcelas cerebelares. ' (A) Fatia sagital (x= 0) e fatia coronal (y = -57) mostrando um erro de parcelamento em um paciente FRDA. O algoritmo não funcionou bem ao longo da linha média, e as sublusões de Crus I e II (seta vermelha) são evidentes ao longo da extensão posterior. Esses lobules seriam excluídos das análises subsequentes de nível de grupo. (B) Fatia sagital (x= 8), fatia coronal (y= -47) mostrando um erro de parcelamento em um cerebelar saudável. O algoritmo errou completamente lobule esquerdo VIIIb (setas vermelhas). Este lobule seria excluído das análises subsequentes de nível de grupo. (C) Fatia sagital (x= -24) e fatia coronal (y= -47) mostrando um erro de parcelamento em um cerebelar saudável. Alguma atrofia cerebelar está presente, e há uma subclusão de Crus I (seta vermelha). Abreviaturas: FRDA = Friedreich ataxia; CM = corpus medullare; Ver = vermis; L/R = esquerda/direita. Clique aqui para ver uma versão maior desta figura.

Figure 6
Figura 6: Exemplos de "falhas globais" da parcelação cerebelar. (A) Fatia sagital (x= 0) e fatia coronal (y= -57) mostrando uma falha de parcelamento. Aqui, o cerebelo é apenas parcialmente segmentado, e partes do lobo occipital foram incorretamente rotuladas como o cerebelo. Esses tipos de falhas são provavelmente devido a um problema com o cabeçalho da imagem original, que afetará a transformação afim ACAPULCO da imagem em coordenada mundial e posterior localização do cerebelo. (B) Fatia sagital (x= 0) e fatia coronal (x= -57) mostrando uma falha de parcelamento em uma pessoa com FRDA. Aqui, o CM foi completamente mal segmentado. O algoritmo rotulou o CM na parte de trás da cabeça (oval vermelho), fora do cérebro. Os limites da matéria branca não foram capturados e são mal rotulados como matéria cinzenta, afetando particularmente os lobos esquerdos VIIIb e IX. Lobule X esquerdo também foi perdido (seta vermelha na fatia coronal). Esses exemplos justificam a exclusão imediata das análises em nível de grupo para análises ACAPULCO e SUIT. Abreviaturas: CM = corpus medullare; Ver = vermis; L/R = esquerda/direita. Clique aqui para ver uma versão maior desta figura.

Figure 7
Figura 7: Mapas de morfometria deformados e modulados à base de voxel. (A, B) Matéria cinzenta cerebelar bem alinhada de dois HCs. (C) Um cerebelo de um HC que foi detectado como um outlier estatístico, mas foi retido na análise. (D) Um cerebelo atrofiado de uma pessoa com FRDA. O cerebelo foi deformado corretamente para o modelo; portanto, isso não justificaria a exclusão. (E) Uma exclusão. Há um gradiente em contraste da parte superior à parte inferior da imagem que reflete um erro no processamento. (F) Um artefato de plano hiperintense no inferior direito da imagem de origem desconhecida requer exclusão. (G) Um exemplo de cerebelador fortemente atrofiado de um paciente SCA2. O cerebelo foi deformado corretamente para o modelo; no entanto, há muita falta de tecido, resultando em baixo contraste. Isso não seria uma exclusão. (H) Exemplo de má mascaração que requer exclusão. Abreviaturas: VBM = morfometria baseada em voxel; HC = controle saudável; FRDA = Ataxia de Friedreich; SCA2 = Ataxia spinocerebellar 2. Clique aqui para ver uma versão maior desta figura.

Figure 8
Figura 8: Covariância espacial dos mapas de morfometria baseada em voxel suit. Enredo de caixa ilustrando a covariância espacial dos mapas de morfometria baseada em voxel para uma coorte de 64 (28 FRDA). A covariância espacial é uma medida de quão bem alinhada cada imagem está, em relação a todas as outras imagens da amostra. Os dados são fortemente agrupados com uma correlação média de covariância espacial de ~0,95. Aqui, foram detectados dois outliers (1 FRDA, 1 HC), uma vez que >2 DS abaixo da média. Abreviaturas: FRDA = Friedreich ataxia; HC = controle saudável; SD = desvio padrão; cont = controle. Clique aqui para ver uma versão maior desta figura.

Figure 9
Figura 9. Resultados entre grupos de uma análise de morfometria baseada em voxel de morfometria de matéria cinzenta cerebelar. (A) Representações do mapa de sal sagital, (B) coronal e (C) de mapas estatísticos de nível voxel em indivíduos com controles FRDA vs. Apenas voxels que sobrevivem p < 0,05 FWE nível de cluster corrigido, são mostrados. A barra de cor indica estatística T. Abreviaturas: FRDA = Friedreich ataxia; ICV = volume intracraniano; FWE = erro em família. Clique aqui para ver uma versão maior desta figura.

Lóbulo % excluído
CENTÍMETRO 1.5
Esquerda Crus I 2.9
Crus esquerdo II 2.9
Esquerda I III 2.9
Iv esquerda 1.5
IX esquerdo 4.51
Esquerda V 2.9
Esquerda VI 1.5
VIIB esquerdo 1.5
VIIIA esquerda 1.5
VIIIB esquerda 2.9
Esquerda X 2.9
Crus Direito I 6.02
Crus Direito II 2.9
Direito III 2.9
Direito IV 1.5
Certo IX 2.9
Direito V 1.5
Direito VI 1.5
VIIB direito 1.5
Direita VIIIA 2.9
DIREITO VIIIB 1.5
Direito X 1.5
Vermis IX 1.5
Vermis VI 2.9
Vermis VII 1.5
Vermis VIII 1.5
Vermis X 1.5

Tabela 1: Lobulos anatômicos cerebelares derivados da ACAPULCO e taxas de exclusão (%) em uma amostra de 31 pessoas com FRDA e 37 HCs. Abreviaturas : FRDA = Friedreich ataxia; HC = controles saudáveis.

Tabela suplementar S1: Volumes (mm3) de 28 lobulos anatômicos cerebelares em Friedreich Ataxia e indivíduos de controle saudável. Por favor, clique aqui para baixar esta Tabela.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

O cerebelo é fundamental para uma ampla gama de funçõesmotoras 3,cognitivas 58,afetivas 10 elinguagem 7,59 e está implicado em muitas doenças neurológicas e psiquiátricas. A disponibilidade de uma abordagem padronizada e facilmente implementável para a quantificação dos volumes cerebelares regionais contribuirá para um mapeamento estrutura-função estruturais cada vez mais detalhado, modelagem completa de doenças e melhores oportunidades para definir e rastrear contribuições cerebelares para doenças cerebrais. Este pipeline padronizado descrito aqui combina abordagens de última geração para parcelação automática de cerebelo e perfil espacial mais fino de morfometria de matéria cinzenta cerebelar na saúde e na doença.

Os resultados da análise de parcelamento transversal de cerebelo por meio da ACAPULCO apresentada aqui mostraram que as pessoas com FRDA (vs. HC) tiveram volumes de matéria branca significativamente reduzidos. Esses achados apoiam estudos anteriores da FRDA, que mostram consistentemente perda de volume de matéria branca precoce, robusta e progressiva, particularmente nos núcleos dentos, no FRDA. Além disso, o padrão e a extensão da neurodegeneração progressiva nos peduncles cerebelar superior e inferior e nos núcleos dentados têm se mostrado diferentes como fator de início da idade de início do FRDA44. Os resultados da análise suit revelaram achados adicionais. Especificamente, houve perda significativa de volume em nível de voxel em FRDA (vs. HC) em regiões anteriores do lobo correspondente aos lobos bilaterais I-IV e Direito V, estendendo-se ao lobule VI. Além disso, a análise do SUIT revelou perda significativa de volume em FRDA (vs. HC) nas regiões do lobo posterior medial, incluindo lobule IX, X e Vermis. Este padrão de diferenças entre grupos é comparável ao trabalho publicado anteriormente na mesma coorte de pacientes frda, usando uma abordagem VBM de cérebro inteiro55.

Definir anormalidades cerebelares em doenças neurológicas e psiquiátricas é uma área de pesquisa de alta prioridade com impacto translacional. Instrumental para o rastreamento e tratamento de doenças neurológicas - particularmente aquelas em que o cerebelo é um local primário de neurodegeneração - é o desenvolvimento de caracterizações biológicas completas do envolvimento do cerebelo. O pipeline aqui apresentado permite que as relações entre a morfometria de matéria cinzenta cerebelar individual lobule e medidas clínicas que são utilizadas como "padrão-ouro" para os pontos finais clínicos da doença sejam exploradas. Tal pesquisa pode ter um impacto translacional significativo. Por exemplo, no raro espaço de doenças cerebelares, a identificação de um perfil específico de atrofia de matéria cinzenta cerebelar em um subgrupo de pacientes que mapeia ou prevê sintomas clínicos teria implicações para orientar a prática clínica. A inclusão do módulo SUIT permite ainda que questões interessantes de pesquisa sejam abordadas, como mapeamento estrutura-função do cerebelo ou análise de gradientes funcionais do cerebelo60.

Recomendações gerais para análises estatísticas em nível de grupo
ACAPULCO: Os volumes de cada lobule cerebelar (em mm3) para cada sujeito são registrados em Cerebel_vols.csv. Durante a inferência estatística dos efeitos em nível de grupo, o volume intracraniano (ICV; também registrado em Cerebel_vols.csv) deve ser controlado para explicar a variabilidade no tamanho da cabeça. Os limiares de significado alfa devem ser corrigidos para explicar a inferência em vários lóbulos.

TERNO: O cerebelar de matéria cinza VBM pode ser realizado nas imagens wdseg1.nii usando software padrão de processamento de ressonância magnética, como SPM ou FSL. Consulte o manual CAT12 para uma excelente introdução ao VBM usando SPM1254. O ICV deve ser controlado para explicar a variabilidade no tamanho da cabeça.

Para VBM no cerebelo, é geralmente recomendado o uso de um kernel de suavização espacial gaussiana de no máximo 3 mm de largura total à metade do máximo (FWHM). A correção estatística apropriada deve ser aplicada para explicar múltiplas comparações entre voxels. Em geral, recomenda-se o uso de abordagens não paramétricas (por exemplo, SnPM ou FSL-Randomise).

O passo mais crítico para a parcelamento bem-sucedida do cerebelo usando ACAPULCO é a verificação geral da qualidade das imagens T1 antes e pós-processamento. É altamente recomendável que o usuário verifique imagens de contraste ruim (por exemplo, um gradiente inconsistente em toda a imagem) e inclinação severa da cabeça e artefatos de movimento, tudo isso pode afetar o desempenho do algoritmo. Além disso, embora o algoritmo ACAPULCO tenha sido treinado em cerebelar atrofiado, ele não foi treinado em dados de lesões. Espera-se que as lesões no córtex cerebral não impactem o desempenho do algoritmo e a subsequente precisão da parcelação; no entanto, grandes infartos no cerebelo provavelmente produziriam erros de parcelamento. Verificar a qualidade do pós-processamento da máscara de cerebelo é essencial. Pequenos erros de parcelamento (por exemplo, pequenas sub-e-inclusões menores de lobulos de cerebelo) às vezes não são detectados como outliers estatísticos; por outro lado, podem ocorrer casos de não-descartes incorretos quando os dados estão dentro do intervalo normal, apesar de um erro de parcelamento óbvio. Se um sujeito for identificado como um outlier, é essencial realizar o acompanhamento e verificação detalhada da qualidade da máscara de cerebelo fatiada fatiada para orientar a tomada de decisão sobre se deve incluir ou excluir o lobule(s) para esse assunto. Outro passo crítico ao executar o pipeline SUIT (Módulo 2) é que ele requer que o módulo ACAPULCO já tenha sido executado. Especificamente, a SUIT requer a máscara de cerebelo produzida no ACAPULCO para executar o isolamento e segmentação do cerebelo. É importante que a máscara de cerebelo seja verificada de qualidade para garantir a cobertura cerebelar completa.

Há algumas limitações para o protocolo. Em primeiro lugar, embora a ACAPULCO atinja a precisão de última geração para parcelamento de matéria cinzenta cerebelar, ela não é otimizada para parcelamento de matéria branca; o corpus medullare cobre o corpo principal da matéria branca, mas não fornece uma medida de toda a matéria branca. Em segundo lugar, as redes neurais convolucionais utilizadas para localização e segmentação do cerebelo em ACAPULCO não generalizam bem para imagens com diferentes contrastes ou imagens que não foram utilizadas no treinamento. Por exemplo, como apenas imagens 3T foram usadas no treinamento, a qualidade de parcelamento usando imagens adquiridas em um scanner de 1,5 T normalmente não é tão boa; além disso, não há estatísticas em relação à verdade fundamentada que tenha sido realizada nessas imagens. Finalmente, o pipeline controla os efeitos confusos do tamanho da cabeça nas estimativas de volume de cerebelo, fornecendo uma estimativa de ICV que pode ser incluída como um regressor de nenhum interesse em análises estatísticas em nível de grupo. No entanto, uma abordagem ideal seria calcular os volumes de cerebelo corrigidos pelo ICV no nível individual antes de executar o QC, de tal forma que os outliers detectados refletem um verdadeiro erro de parcelamento e não a variabilidade natural na neuronatomia dos sujeitos (por exemplo, ter uma cabeça grande).

Em conclusão, apresentamos um pipeline padronizado para examinar a morfometria de cerebelo cinza mater, que tem ampla aplicabilidade a uma série de doenças neurológicas. O pipeline é criado para permitir grandes estudos multisites e "mega análises" e está disponível publicamente para uso por grupos de pesquisa para facilitar a confiabilidade e a reprodutibilidade em todo o campo. Em última análise, este gasoduto fornece uma abordagem metodológica poderosa para caracterizar e rastrear mudanças estruturais cerebelares com progressão da doença em doenças neurológicas. Um gasoduto longitudinal está sendo desenvolvido.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm conflitos de interesse para divulgar.

Acknowledgments

O trabalho apresentado neste manuscrito foi financiado por um Subsídio de Ideias do Conselho Nacional de Saúde e Pesquisa Médica australiana (NHMRC): APP1184403.

Materials

Name Company Catalog Number Comments
ACAPULCO pipeline files  0.2.1 http://enigma.ini.usc.edu/protocols/imaging-protocols/ Please make sure to use acapulco version 0.2.1
Docker for Mac https://docs.docker.com/desktop/mac/install/ macOS must be version 10.14 or newer
Docker requires sudo priviledges
Docker imposes a memory (RAM) constraint on Mac OS. To increase the RAM, open Docker Desktop, go to Preferences and click on resources. Increase the Memory to the maximum
Docker for Windows https://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT scripts http://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer 7 https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall Following variables need to be set everytime you work with Freesurfer:
export FREESURFER_HOME=equationfreesurfer _installation_directoryequation
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=equationpathequation/enigma/Freesurfer
FSL (for FSLeyes). Optional 6 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
ICV pipeline files http://enigma.ini.usc.edu/protocols/imaging-protocols/ ICV pipeline can be run in two ways: 1) with docker/singularity. You will not require additionl software; 2) without docker/singularity- this involves running the ICV script (calculate_icv.py) manually. You will require the following additional software:
Python version equation=3.5
Python module pandas
Python module fire
Python module tabulate
Python module Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB* 2019 or newer https://au.mathworks.com/ An academic license is required
Singularity 3.7 or newer https://www.sylabs.io/docs/ Prefered for high performance computing (HPC) clusters
SPM 12 http://www.fil.ion.ucl.ac.uk/spm/software/spm12/ Make sure spm12 and all subfolders are in your MATLAB path
SUIT Toolbox 3.4 http://www.diedrichsenlab.org/imaging/suit_download.htm Make sure you place SUIT toolbox in spm12/toolbox directory
Troubleshooting manual and segmentation output examples http://enigma.ini.usc.edu/protocols/imaging-protocols/
Tutorial manual and video http://enigma.ini.usc.edu/protocols/imaging-protocols/ Manual and accompanying live demonstration provide detailed step-by-step instructions on how to run the pipeline from start to finish.
*Not freely available; an academic license is required

DOWNLOAD MATERIALS LIST

References

  1. Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
  2. Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
  3. Manto, M., Oulad Ben Taib, N. The contributions of the cerebellum in sensorimotor control: what are the prevailing opinions which will guide forthcoming studies. Cerebellum. 12 (3), 313-315 (2013).
  4. Manto, M., Gandini, J., Feil, K., Strupp, M. Cerebellar ataxias: an update. Current Opinion in Neurology. 33 (1), 150-160 (2020).
  5. Schmahmann, J. D. Disorders of the cerebellum: ataxia, dysmetria of thought, and the cerebellar cognitive affective syndrome. The Journal of Neuropsychiatry and Clinical Neurosciences. 16 (3), 367-378 (2004).
  6. Strick, P. L., Dum, R. P., Fiez, J. A. Cerebellum and nonmotor function. Annual Review of Neuroscience. 32, 413-434 (2009).
  7. King, M., Hernandez-Castillo, C. R., Poldrack, R. A., Ivry, R. B., Diedrichsen, J. Functional boundaries in the human cerebellum revealed by a multi-domain task battery. Nature Neuroscience. 22 (8), 1371-1378 (2019).
  8. Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
  9. Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, Pt 4 561-579 (1998).
  10. Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
  11. Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
  12. Guell, X., Gabrieli, J. D. E., Schmahmann, J. D. Triple representation of language, working memory, social and emotion processing in the cerebellum: convergent evidence from task and seed-based resting-state fMRI analyses in a single large cohort. Neuroimage. 172, 437-449 (2018).
  13. Lewis, M. M., et al. The role of the cerebellum in the pathophysiology of Parkinson's disease. The Canadian Journal of Neurological Sciences. 40 (3), 299-306 (2013).
  14. Möller, C., et al. Different patterns of gray matter atrophy in early- and late-onset Alzheimer's disease. Neurobiology of Aging. 34 (8), 2014-2022 (2013).
  15. Colloby, S. J., O'Brien, J. T., Taylor, J. P. Patterns of cerebellar volume loss in dementia with Lewy bodies and Alzheimer׳s disease: A VBM-DARTEL study. Psychiatry Research. 223 (3), 187-191 (2014).
  16. McDonald, C. R., et al. Subcortical and cerebellar atrophy in mesial temporal lobe epilepsy revealed by automatic segmentation. Epilepsy Research. 79 (2-3), 130-138 (2008).
  17. Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
  18. Nopoulos, P. C., Ceilley, J. W., Gailis, E. A., Andreasen, N. C. An MRI study of cerebellar vermis morphology in patients with schizophrenia: evidence in support of the cognitive dysmetria concept. Biological Psychiatry. 46 (5), 703-711 (1999).
  19. Stoodley, C. J. Distinct regions of the cerebellum show gray matter decreases in autism, ADHD, and developmental dyslexia. Frontiers in Systems Neuroscience. 8, 92 (2014).
  20. Larsell, O. The development of the cerebellum in man in relation to its comparative anatomy. The Journal of Comparative Neurology. 87 (2), 85-129 (1947).
  21. Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , Elsevier. 394-412 (2018).
  22. Kelly, R. M., Strick, P. L. Cerebellar loops with motor cortex and prefrontal cortex of a nonhuman primate. Journal of Neuroscience. 23 (23), 8432-8444 (2003).
  23. Schmahmann, J. D., Pandya, D. N. Anatomical investigation of projections to the basis pontis from posterior parietal association cortices in rhesus monkey. The Journal of Comparative Neurology. 289 (1), 53-73 (1989).
  24. Buckner, R. L., Krienen, F. M., Castellanos, A., Diaz, J. C., Yeo, B. T. The organization of the human cerebellum estimated by intrinsic functional connectivity. Journal of Neurophysiology. 106 (5), 2322-2345 (2011).
  25. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  26. Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
  27. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. Neuroimage. 56 (3), 907-922 (2011).
  28. Bogovic, J. A., Bazin, P. L., Ying, S. H., Prince, J. L. Automated segmentation of the cerebellar lobules using boundary specific classification and evolution. Information Processing in Medical Imaging. 23, 62-73 (2013).
  29. Bogovic, J. A., Prince, J. L., Bazin, P. L. A Multiple object geometric deformable model for image segmentation. Computer Vision and Image Understanding: CVIU. 117 (2), 145-157 (2013).
  30. Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
  31. Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
  32. Weier, K., Fonov, V., Lavoie, K., Doyon, J., Collins, D. L. Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL)--implementation and application of the patch-based label-fusion technique with a template library to segment the human cerebellum. Human Brain Mapping. 35 (10), 5026-5039 (2014).
  33. Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
  34. Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
  35. Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
  36. Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819 (2020).
  37. Ashburner, J., Friston, K. J. Voxel-based morphometry--the methods. Neuroimage. 11 (6), 805-821 (2000).
  38. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
  39. Andersson, J., Jenkinson, M., Smith, S. Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
  40. Ashburner, J., Friston, K. J. Unified segmentation. Neuroimage. 26 (3), 839-851 (2005).
  41. Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
  42. Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
  43. Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
  44. Harding, I. H., et al. Brain structure and degeneration staging in Friedreich ataxia: Magnetic resonance imaging volumetrics from the ENIGMA-Ataxia Working Group. Annals of Neurology. 90 (4), 570-583 (2021).
  45. Enigma. Structural imaging processing protocols. , Available from: http://enigma.ini.usc.edu/protocols/imaging-protocols/ (2021).
  46. MRIQC. Poldrack Lab, Stanford University. , Available from: https://mriqc.readthedocs.io/en/stable/ (2020).
  47. dcm2niix. Rorden Lab, University of South Carolina. , Available from: https://github.com/rordenlab/dcm2niix (2021).
  48. Docker. , Available from: https://docs.docker.com/ (2021).
  49. Singularity. Sylabs. , Available from: https://sylabs.io/singularity (2021).
  50. MATLAB. The MathWorks, Inc. , Available from: https://au.mathworks.com/ (2021).
  51. Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging. , Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020).
  52. Diedrichsen Lab, University of Western Ontario. , Available from: http://www.diedrichsenlab.org/imaging/suit.htm (2021).
  53. FreeSurfer download and install. , Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020).
  54. Gaser, C., Dahnke, R. CAT: A computational anatomy toolbox for SPM. , Available from: http://www.neuro.uni-jena.de/cat/ (2020).
  55. Selvadurai, L. P., et al. Cerebral and cerebellar grey matter atrophy in Friedreich ataxia: the IMAGE-FRDA study. Journal of Neurology. 263 (11), 2215-2223 (2016).
  56. Schmahmann, J. D. The cerebellum and cognition. Neuroscience Letters. 688, 62-75 (2019).
  57. Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402 (2015).
  58. Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
  59. Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
  60. Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S. Functional gradients of the cerebellum. Elife. 7, 36652 (2018).

Tags

Neurociência Questão 180 cerebelo ressonância magnética parcelamento morfometria à base de voxel matéria cinzenta ataxia friedreich
Um pipeline padronizado para examinar morfometria de matéria cinzenta cerebelar humana usando ressonância magnética estrutural
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Kerestes, R., Han, S., Balachander,… More

Kerestes, R., Han, S., Balachander, S., Hernandez-Castillo, C., Prince, J. L., Diedrichsen, J., Harding, I. H. A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging. J. Vis. Exp. (180), e63340, doi:10.3791/63340 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter