Un pipeline standardisé pour l’examen de la morphométrie de la matière grise cérébelleuse humaine à l’aide de l’imagerie par résonance magnétique structurelle

Summary

Un pipeline normalisé est présenté pour l’examen de la morphométrie de la matière grise du cervelet. Le pipeline combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet et l’enregistrement du cervelet à base de voxel pour la quantification volumétrique.

Abstract

De multiples axes de recherche fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives et affectives, allant bien au-delà de son association historique avec le contrôle moteur. Les études de neuroimagerie structurale et fonctionnelle ont affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques, soulignant la nécessité d’examiner les sous-unités cérébelleuses individuelles dans la variabilité saine et les maladies neurologiques. Cet article présente un pipeline standardisé pour l’examen de la morphométrie de la matière grise du cervelet qui combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) et l’enregistrement du cervelet à base de voxel (modèle infra-tentorial spatialement non biaisé; SUIT) pour la quantification volumétrique.

Le pipeline a une large applicabilité à une gamme de maladies neurologiques et est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour le contrôle de la qualité des résultats. Le pipeline est disponible gratuitement, accompagné d’une documentation d’accompagnement substantielle, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est appliqué dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA), et des résultats représentatifs, ainsi que des recommandations sur les analyses statistiques inférentielles au niveau du groupe, sont fournis. Ce pipeline pourrait faciliter la fiabilité et la reproductibilité dans l’ensemble du domaine, fournissant ainsi une approche méthodologique puissante pour caractériser et suivre les changements structurels cérébelleux dans les maladies neurologiques.

Introduction

Le cervelet est une partie du cerveau historiquement associée au contrôle moteur ^1,2,3 et on pense qu’il n’est pleinement impliqué que dans un petit ensemble de maladies rares, telles que les ataxies héréditaires⁴. Cependant, les lignes de recherche convergentes issues d’études de traçage anatomique chez des primates non humains, ainsi que d’études sur les lésions humaines et la neuroimagerie, fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives ^5,6,7, affectives ^8,9,10,11 et d’autres fonctions non ^{motrices 7,12} (voir 6  pour examen). En outre, les anomalies du cervelet sont de plus en plus impliquées dans un large éventail de troubles neurologiques et psychiatriques, y compris la maladie de Parkinson¹³, la maladie d’Alzheimer^14,15, l’épilepsie^16,17, la schizophrénie¹⁸ et les troubles du spectre autistique¹⁹ . Par conséquent, il est devenu essentiel d’incorporer le cervelet dans les modèles fonctionnels et structurels des maladies du cerveau humain et de la variabilité comportementale normative.

Anatomiquement, le cervelet peut être divisé le long de son axe supérieur à inférieur en trois lobes: antérieur, postérieur et floculonodulaire. Les lobes sont subdivisés en 10 lobules désignés par des chiffres romains I-X^20,21 (Figure 1). Le cervelet peut également être regroupé en zones médianes (vermis) et latérales (hémisphère), qui reçoivent respectivement des entrées de la moelle épinière et du cortex cérébral. Le lobe antérieur, composé de lobules I-V, a traditionnellement été associé à des processus moteurs et présente des connexions réciproques avec les cortex moteurs cérébraux²². Le lobe postérieur, composé de lobules VI-IX, est principalement associé aux processus non moteurs¹¹ et présente des connexions réciproques avec le cortex préfrontal, le cortex pariétal postérieur et le cortex cérébral temporal supérieur ^8,23. Enfin, le lobe floculonodulaire, comprenant le lobule X, a des connexions réciproques avec les noyaux vestibulaires qui régissent les mouvements oculaires et l’équilibre du corps pendant la posture et la démarche²¹.

Un nombre croissant de travaux récents utilisant la neuroimagerie fonctionnelle a affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques. Par exemple, des techniques d’imagerie par résonance magnétique fonctionnelle (IRMf) à l’état de repos ont été utilisées pour cartographier le modèle d’interactions fonctionnelles entre le cervelet et le cerveau²⁴. De plus, en utilisant une approche de parcellation basée sur les tâches, King et ses collègues⁷ ont démontré que le cervelet présente un modèle riche et complexe de spécialisation fonctionnelle dans toute son étendue, mis en évidence par des limites fonctionnelles distinctes associées à une variété de tâches motrices, affectives, sociales et cognitives. Collectivement, ces études soulignent l’importance d’examiner les sous-unités cérébelleuses individuelles afin de développer des caractérisations biologiques complètes de l’implication du cervelet dans la variabilité saine et les maladies neurologiques caractérisées par des altérations de la structure et/ou de la fonction cérébelleuses.

Le présent travail se concentre sur les méthodes de quantification des changements locaux dans le volume cérébelleux à l’aide de l’IRM structurelle chez l’homme. En général, il existe deux approches fondamentales pour quantifier le volume cérébral régional à l’aide de données IRM : la segmentation basée sur les caractéristiques et l’enregistrement basé sur le voxel. Les approches de segmentation basées sur les caractéristiques utilisent des repères anatomiques et des atlas standardisés pour identifier automatiquement les frontières entre les sous-régions. Les progiciels grand public pour la segmentation incluent FreeSurfer²⁵, BrainSuite²⁶ et FSL-FIRST²⁷. Cependant, ces emballages ne fournissent que des parcellations grossières du cervelet (par exemple, étiqueter toute la matière grise et toute la substance blanche dans chaque hémisphère), négligeant ainsi les lobules cérébelleux individuels. Ces approches sont également sujettes à une mauvaise segmentation, en particulier à la surinclusion du système vasculaire environnant.

De nouveaux algorithmes d’apprentissage automatique et d’étiquetage multi-atlas ont été développés, qui fournissent une parcellation plus précise et plus fine du cervelet, y compris la classification automatique de l’algorithme de lobules cérébelleux à l’aide de l’évolution multilimite implicite (ACCLAIM ^28,29), la boîte à outils d’analyse cérébelleuse (CATK³⁰), les modèles générés automatiquement multiples (MAGeT³¹), la segmentation automatique rapide du cervelet humain et de ses lobules (RASCAL³² ), segmentation graphique³³ et segmentation CEREbellum (CERES³⁴). Dans un article récent comparant les approches de parcellation du cervelet entièrement automatisées de pointe, CERES2 s’est avéré surpasser les autres approches par rapport à la segmentation manuelle de référence des lobules cérébelleux³⁵. Plus récemment, Han et ses collègues^{de 36} ont développé un algorithme d’apprentissage profond appelé ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), qui fonctionne sur un pied d’égalité avec CERES2, a une large applicabilité aux cervelets sains et atrophiés, est disponible en format de conteneur Docker et Singularity open-source pour une mise en œuvre « prête à l’emploi » et est plus rapide que d’autres approches. ACAPULCO répartit automatiquement le cervelet en 28 régions anatomiques.

Contrairement à la segmentation basée sur les fonctionnalités, les approches d’enregistrement basées sur le voxel fonctionnent en mappant précisément une IRM à une image modèle. Pour réaliser ce mappage, les voxels de l’image originale doivent être déformés en taille et en forme. L’ampleur de cette distorsion fournit effectivement une mesure du volume à chaque voxel par rapport au modèle d’étalon-or. Cette forme d’évaluation volumétrique est connue sous le nom de « morphométrie à base de voxel »³⁷. Les approches d’enregistrement basées sur le voxel du cerveau entier, telles que FSL-FLIRT³⁸/FNIRT³⁹, SPM unified segmentation⁴⁰ et CAT12⁴¹, sont couramment utilisées pour la morphométrie à base de voxel. Cependant, ces approches ne tiennent pas bien compte du cervelet, ce qui entraîne une fiabilité et une validité médiocres dans les régions infratentorielles (cervelet, tronc cérébral⁴²). Pour tenir compte de ces limitations, l’algorithme SUIT (Spatially Unbiased Infra-tentorial Template) a été développé pour optimiser l’enregistrement du cervelet et améliorer la précision de la morphométrie à base de voxel^42,43.

La segmentation basée sur les caractéristiques et les approches d’enregistrement basées sur le voxel pour l’estimation du volume cérébelleux régional ont des forces et des faiblesses fondamentales. Les approches de segmentation sont beaucoup plus précises pour quantifier le volume des zones anatomiquement définies (p. ex., lobules³⁵). Cependant, les limites entre les modules fonctionnels distincts du cervelet ne correspondent pas à ses folias anatomiques et à ses fissures (équivalents aux gyri et sulci du cerveau⁷). Comme les approches basées sur l’enregistrement ne sont pas limitées par des repères anatomiques, une inférence spatiale plus fine et une cartographie structure-fonction à haute dimension du cervelet sont^{possibles 44}. Prises ensemble, les approches de segmentation et d’enregistrement sont complémentaires et peuvent être utilisées pour répondre à différentes questions de recherche.

Ici, un nouveau pipeline standardisé est présenté, qui intègre ces approches existantes et validées pour fournir une parcellation optimisée et automatisée (ACAPULCO) et un enregistrement du cervelet à base de voxel (SUIT) pour la quantification volumétrique (Figure 2). Le pipeline s’appuie sur les approches établies pour inclure des protocoles de contrôle de la qualité, en utilisant la visualisation qualitative et la détection quantitative des valeurs aberrantes, ainsi qu’une méthode rapide pour obtenir une estimation du volume intracrânien (ICV) à l’aide de Freesurfer. Le pipeline est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour vérifier les sorties de contrôle qualité, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est disponible gratuitement sans restriction quant à son utilisation à des fins non commerciales et peut être consulté à partir de la page Web ENIGMA Consortium Imaging Protocols (sous « ENIGMA Cerebellum Volumetrics Pipeline »), après avoir rempli un bref formulaire d’inscription⁴⁵.

Tous les logiciels requis sont répertoriés dans la table des matériaux, et des didacticiels détaillés, y compris une démonstration en direct, sont disponibles lors du téléchargement du pipeline, en plus du protocole décrit ci-dessous. Enfin, des résultats représentatifs sont fournis, issus de la mise en œuvre du pipeline dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA) et de témoins sains appariés selon l’âge et le sexe, ainsi que des recommandations pour des analyses inférentielles statistiques au niveau du groupe.

Protocol

REMARQUE : Les données utilisées dans cette étude faisaient partie d’un projet approuvé par le Comité d’éthique de la recherche humaine de l’Université Monash (projet 7810). Les participants ont donné leur consentement éclairé par écrit. Alors que le pipeline peut être exécuté sur les systèmes d’exploitation Mac, Windows ou Linux, ACAPULCO, SUIT et les pipelines QC ont été explicitement testés sur les systèmes d’exploitation Linux (Ubuntu) et Mac (Catalina, Big Sur v11.0.1).

1. Module 1 : ACAPULCO (parcellation anatomique)

1. Collecte de données
   1. Recueillez des images IRM pondérées en T1 3D de l’ensemble du cerveau à une résolution de 1 mm³ ou moins. Les dimensions isotropes du voxel (généralement 1 mm x 1 mm x 1 mm) et un scanner 3-Telsa (ou supérieur) sont recommandés. Consultez un spécialiste en imagerie de son centre de radiographie pour mettre en place et acquérir des données qui répondent à ces spécifications.
      REMARQUE: Les images pondérées en T2 sont parfois utiles pour les analyses volumétriques; toutefois, le pipeline présenté ici repose uniquement sur des données pondérées T1, et certains des outils utilisés sont exclusifs à ce type de données. En tant que telles, les images pondérées en T2 ne peuvent pas être utilisées.
   2. Entreprendre une évaluation de la qualité visuelle des images afin d’exclure les malformations cérébelleuses grossières (p. ex., les grandes lésions) ou les artefacts de mouvement importants qui empêchent l’identification des principaux repères cérébelleux (p. ex., les principales fissures anatomiques). N’excluez pas automatiquement la cervelet atrophié, même s’il est substantiel.
   3. Pour les études de groupe, envisagez également des évaluations quantitatives de la qualité à l’aide d’outils normalisés et disponibles gratuitement, tels que MRIQC⁴⁶, afin d’identifier davantage les données problématiques.
   4. Convertissez toutes les données au format NIFTI-GZ à l’aide d’un outil tel que dcm2niix⁴⁷.
2. Organisation des données recommandée
   1. Procurez-vous tous les logiciels nécessaires comme indiqué dans le tableau des matériaux. Assurez-vous que Docker⁴⁸ ou Singularity⁴⁹, Matlab⁵⁰ et SPM12⁵¹ sont installés avant d’exécuter le pipeline.
      REMARQUE : Des didacticiels écrits et vidéo détaillés décrivant le pipeline sont également disponibles (voir le Tableau des matériaux).
   2. Une fois tous les logiciels nécessaires installés, créez des dossiers dans le répertoire de travail et étiquetez-les « acapulco », « suit » et « freesurfer ». Pour ce faire, utilisez la commande mkdir de la ligne de commande.
   3. Dans le répertoire 'acapulco', créez un dossier de sortie . Dans le dossier de sortie , créez un répertoire pour chaque sujet de l’étude contenant l’image pondérée T1 au format NIFTI-GZ.
      REMARQUE: Il est recommandé de conserver une copie des données originales ailleurs.
3. Parcellation cérébelleuse anatomique à l’aide d’ACAPULCO
   1. Accédez à la table des matériaux et téléchargez les scripts et conteneurs pertinents requis pour exécuter ACAPULCO (sous les fichiers de pipeline acapulco). Dans le répertoire 'acapulco', placez le conteneur (i) ACAPULCO Docker OR Singularity ('acapulco_0.2.1.tar.gz' ou '.sif', respectivement), (ii) le contenu de l’archive QC_scripts (3 fichiers: 'QC_Master.R', 'QC_Plots.Rmd' et 'QC_Image_Merge.Rmd'), et (iii) 'R.sif' (singularité) OU 'calculate_icv.tar' (docker).
   2. Ouvrez un terminal et, à partir de la ligne de commande, exécutez le conteneur ACAPULCO sur une seule image (remplacez <> dans ce qui suit). Attendez environ 5 minutes pour que le traitement se termine.
      1. À l’aide de Docker, tapez la commande :
         docker load --input 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. À l’aide de Singularité, tapez la commande :
         singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
   3. Boucle à travers tous les sujets / scans de la cohorte. Consultez la table des matériaux pour un lien vers le site Web ENIGMA Imaging Protocols pour télécharger le pipeline (sous ENIGMA Cerebellum Volumetrics Pipeline) et le manuel du didacticiel contenant des exemples de création d’une boucle for pour le traitement en série de plusieurs sujets.
   4. Après le traitement, recherchez les fichiers suivants générés dans les dossiers spécifiques à l’objet :
      1. Identifiez « _n4_mni_seg_post_inverse.nii.gz »: masque de cervelet parcellé dans l’original (espace sujet).
      2. Identifier « _n4_mni_seg_post_volumes.csv »: volumes (en mm³) pour chacune des 28 sous-unités générées par l’acapulco;
      3. Identifiez les images représentatives (dans le répertoire 'pics'): sagittales, axiales et coronales.
4. Détection statistique des valeurs aberrantes et contrôle de la qualité (CQ)
   1. Depuis le terminal et dans le répertoire 'acapulco', assurez-vous que le contenu de QC_scripts se trouve dans le répertoire 'acapulco'. Pour exécuter les scripts QC :
      1. À l’aide de Docker, tapez la commande :
         calculate_icv.tar de chargement docker
         docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
         sortie QC_Master.R/
      2. À l’aide de Singularité, tapez la commande :
         singularité exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
5. Examen des images QC générées par ACAPULCO
   REMARQUE: Il existe un processus en 3 étapes pour vérifier la qualité des images parcellées ACAPULCO.
   1. Ouvrez le 'QC_Images.html' dans un navigateur Web et faites défiler rapidement (~ 10 s par sujet) les images pour identifier les échecs évidents ou les problèmes systématiques. Notez les ID d’objet des images parcellées défaillantes ou suspectes pour le suivi.
      REMARQUE: Voir la figure 3 pour un guide sur la neuroanatomie des lobules cérébelleux et la figure 4, la figure 5 et la figure 6 dans la section des résultats représentatifs ci-dessous pour des exemples de « bonnes » parcellations, de « mauvaises parcellations subtiles » et de « défaillance globale ».
   2. Ouvrez le 'Plots_for_Outliers.html' pour cocher les cases des tracés pour les valeurs statistiques quantitatives aberrantes. Recherchez les valeurs aberrantes (2,698 s.d au-dessus ou en dessous de la moyenne) au-dessus ou au-dessous des moustaches des diagrammes de boîte. Passez le curseur de la souris sur les points de données pour afficher l’ID d’objet. Identifiez les valeurs aberrantes signalées par un « 1 » dans la colonne correspondante du fichier « Valeurs aberrantes .csv » et notez le nombre total de segments identifiés comme valeurs aberrantes pour chaque sujet dans la dernière colonne de « Valeurs aberrantes .csv ».
   3. Inspectez manuellement chaque image ayant une ou plusieurs valeurs aberrantes. CRITIQUE : À l’aide d’une visionneuse d’images NIFTI standard (par exemple, FSLEyes ou MRICron), superposez le masque ACAPULCO sur l’image T1w d’origine pour vérifier la qualité de la parcellation tranche par tranche.
      1. Pour générer des superpositions pour le QC détaillé à partir de la ligne de commande à l’aide de FSLEyes, i) remplacez le répertoire par le répertoire 'acapulco', ii) spécifiez l’objet à afficher (remplacez ) :
         subj=
      2. Copiez/collez le code suivant sur le terminal (sans modifier manuellement {subj} car il a été défini par la ligne précédente :
         t1_image=output/${subj}/${subj}.nii.gz
         acapulco_image=output/${subj}/${subj}_n4_mni_seg_post_inverse.nii.gz
         fsleyes ${t1_image} ${acapulco_image} --overlayType label --lut random_big --outline --outlineWidth 3 ${acapulco_image} --overlayType volume --alpha 50 --cmap aléatoire
         REMARQUE: Il faudra déterminer s’il faut inclure le segment anormal ou non, c’est-à-dire s’il y a une erreur de parcellation ou s’il s’agit simplement d’une variabilité normale de l’anatomie de l’individu? Chaque région parcellée est considérée individuellement, de sorte que quelques régions peuvent être exclues pour une image, tandis que le reste peut être conservé si elle est correcte.
      3. Une ou plusieurs régions parcellées doivent-elles être exclues de l’ensemble de données final ?
         Si oui (valeur aberrante confirmée), exclure cette (ces) parcellation(s) de l’analyse en remplaçant l’estimation du volume par NA dans la cellule correspondante du fichier « Cerebel_vols.csv » pour ce sujet.
      4. Les erreurs de parcellation entraînent-elles l’exclusion d’une partie du cervelet du masque?
         Si oui (par exemple, si des lobules cérébelleux particuliers sont absents du masque ou semblent « coupés »), excluez immédiatement le sujet des analyses ultérieures (c’est-à-dire ne pas exécuter le module SUIT sur ces sujets).

2. Module 2 : Morphométrie à base de voxel optimisée pour le cervelet SUIT

1. Analyses morphométriques à base de voxel à l’aide de SUIT
   CRITIQUE: Ce pipeline nécessite que le module ACAPULCO ait déjà été exécuté, car il repose sur la génération d’un masque cérébelleux spécifique au sujet pour optimiser l’enregistrement et la normalisation du cervelet dans le modèle SUIT. Si le masque spécifique au sujet généré par ACAPULCO n’inclut pas l’ensemble du cervelet, cela justifie l’exclusion du module SUIT. Pour obtenir des instructions sur l’exécution de SUIT autonome, reportez-vous à^{la section 52}.
   1. Procurez-vous tous les logiciels nécessaires répertoriés dans le tableau des matériaux. Assurez-vous que le dossier SPM12 et tous les sous-dossiers se trouvent dans le chemin d’accès MATLAB. Assurez-vous enigma_suit scripts sont enregistrés dans le répertoire 'spm12/toolbox' et ajoutés au chemin MATLAB. Pour vérifier le chemin d’accès MATLAB, tapez pathtool dans la fenêtre de commande MATLAB, puis cliquez sur Ajouter avec des sous-dossiers pour ajouter les dossiers appropriés.
   2. Exécutez le pipeline SUIT pour un ou plusieurs sujets. Attendez ~15-20 min (si vous utilisez l’interface utilisateur graphique [GUI]) et ~5-7 min si vous exécutez à partir du terminal (bash/shell) pour que le traitement se termine.
      1. Pour utiliser l’interface graphique (les sujets seront exécutés en série), dans la fenêtre de commande MATLAB, tapez la commande :
         suit_enigma_all
      2. Dans la première fenêtre contextuelle, sélectionnez les dossiers d’objet dans le répertoire 'acapulco/output' à inclure dans l’analyse. Cliquez sur les dossiers individuels sur le côté droit de la fenêtre ou cliquez avec le bouton droit de la souris et sélectionnez tout. Appuyez sur Terminé. Dans la deuxième fenêtre contextuelle, sélectionnez le répertoire SUIT, où les analyses seront écrites.
      3. OU Appelez la fonction à partir de la ligne de commande MATLAB pour un seul sujet, tapez la commande :
         suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OU Appelez la fonction depuis la fenêtre du terminal, en dehors de MATLAB, pour un seul sujet en tapant la commande :
         matlab -nodisplay -nosplash -r « suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit »
   3. Consultez la table des matériaux pour un lien vers le site Web ENIGMA Imaging Protocols pour télécharger le pipeline (sous ENIGMA Cerebellum Volumetrics Pipeline) et le manuel du didacticiel contenant des exemples de création d’une boucle for pour le traitement en série de plusieurs sujets.
   4. Recherchez les points suivants concernant le script.
      1. Assurez-vous que le script copie l’image T1 corrigée des biais N4, alignée sur MNI (corps rigide) et le masque de cervelet ACAPULCO dans le répertoire de sortie.
      2. Assurez-vous que le script segmente la matière grise et blanche du cervelet.
      3. Assurez-vous que le script corrige les erreurs de surinclusion dans la parcellation à l’aide du masque ACAPULCO.
      4. Assurez-vous que le script DARTEL normalise et recoupe les données dans l’espace SUIT avec modulation jacobienne afin que la valeur de chaque voxel soit proportionnelle à son volume d’origine.
      5. Vérifiez dans le dossier de chaque sujet les résultats finaux suivants : 'wd_seg1.nii' (matière grise) et 'wd_seg2.nii' (substance blanche).
2. Détection statistique des valeurs aberrantes et contrôle de la qualité
   1. Inspectez visuellement les images normalisées et modulées (wd*) pour détecter les défaillances majeures. Dans MATLAB, tapez la commande :
      spm_display_4D
   2. Sélectionnez manuellement les images 'wd*seg1' dans les sous-dossiers de la combinaison ou accédez au répertoire 'suit'; insérez '^wd.*seg1' dans la zone Filtre (pas de guillemets) et appuyez sur le bouton Rec . Appuyez sur Terminé.
   3. Faites défiler les images pour vous assurer qu’elles sont toutes bien alignées. Voir la figure 7 pour des images correctement normalisées provenant de témoins sains (A, B) et d’une personne atteinte d’un cervelet fortement atrophique (D).
      REMARQUE: À ce stade, l’anatomie entre les sujets est très similaire (car ils ont été enregistrés dans le même modèle), et les différences de volume sont plutôt codées par des intensités de voxel différentes. Les défaillances majeures seront évidentes, p. ex. images vierges, grandes zones de tissu manquant, gradients d’intensité inhabituels (c.-à-d. voxels brillants tout en haut, voxels sombres tout en bas). Ces images doivent être exclues des étapes suivantes.
   4. Vérifiez la covariance spatiale pour les valeurs aberrantes. Dans MATLAB, tapez la commande :
      check_spatial_cov
      1. Sélectionnez les images 'wd*seg1' comme à l’étape précédente. Lorsque vous y êtes invité, sélectionnez les options suivantes : Mise à l’échelle des accessoires : Oui ; Variable à covary out: Non; Tranche (mm): - 48 , Espace: 1.
      2. Regardez le boxplot affichant la covariance spatiale moyenne de chaque image par rapport à toutes les autres de l’échantillon. Identifiez les points de données >2s.d. sous la moyenne dans la fenêtre de commande MATLAB. Pour ce faire, inspectez l’image « _n4_mni.nii.gz » dans le dossier SUIT à la recherche d’artefacts (mouvement, anomalies anatomiques), de problèmes de qualité d’image ou d’erreurs de prétraitement.
      3. Si la qualité de l’image et le prétraitement sont acceptables et que l’inspection visuelle des images modulées à l’étape précédente n’indique pas de problème de segmentation et de normalisation, conservez ces données dans l’échantillon. Sinon, excluez ces données.

3. MODULE 3 (facultatif) : Estimation du volume intracrânien (ICV) à l’aide de FreeSurfer

REMARQUE : Ce module utilisera le pipeline FreeSurfer pour calculer ICV. Il n’est pas nécessaire de le réexécuter s’il existe des sorties Freesurfer pour la cohorte (n’importe quelle version).

1. Configuration de FreeSurfer
   1. Assurez-vous que FreeSurfer est téléchargé et installé⁵³. Accédez à la table des matériaux et téléchargez les scripts pertinents pour exécuter ce module (sous fichiers de pipeline ICV). Lorsque vous travaillez avec FreeSurfer, définissez les variables suivantes :
      export FREESURFER_HOME=répertoire
      source $FREESURFER_HOME/SetUpFreeSurfer.sh
   2. Remplacez comme suit :
      export SUBJECTS_DIR=/enigma/Freesurfer
2. Exécution de Freesurfer autorecon1
   1. Pour un seul sujet, à partir du répertoire 'freesurfer' (temps de traitement ~20 min), tapez la commande:
      cd /enigma/freesurfer
      recon-all -i .. /input/.nii.gz -s -autorecon1
   2. Consultez le manuel du didacticiel pour obtenir des exemples de création d’une boucle for pour le traitement en série de plusieurs sujets.
3. Calcul de l’ICV
   1. Organisation des données
      1. Dans le répertoire 'freesurfer', placez le conteneur (i) Docker OR Singularity utilisé dans le module 1 ('calculate_icv.tar' ou 'R.sif', respectivement) et (ii) le script xfm2det (voir la table des matériaux). Ensuite, faites un clone git pour cloner le script ICV requis :
         https://github.com/Characterisation-Virtual-Laboratory/calculate_icv de clone git
   2. Extraction ICV en cours d’exécution (temps de traitement ~ 5 min)
      1. Dans le répertoire 'freesurfer', avec conteneur de singularité ('R.sif'), tapez :
         singularité exec --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. Dans le répertoire 'freesurfer', avec conteneur docker, tapez :
         docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
         calculate_icv/calculate_icv.py --freesurfer_dir=/chemin/vers/Freesurfer --
         acapulco_dir=/chemin/vers/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
         calculate_icv
      3. Exécution d’un script sans conteneur - consultez la table des matériaux pour plus de logiciels et de dépendances requis. Dans le répertoire 'freesurfer', tapez :
         ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/chemin/vers/freesurfer --
         acapulco_dir=/chemin/vers/acapulco/QC/Cerebelvolsfile --
         output_csv_name=Cerebel_vols.csv calculate_icv
         REMARQUE: Cela calculera le ICV pour chaque sujet et ajoutera une colonne avec ICV à la fin du fichier 'Cerebel_vols.csv'.

Representative Results

Parcellation du cervelet (ACAPULCO)

Contrôle de la qualité des masques parcellés au cervelet:
Les exemples suivants illustrent les extrants parcellés d’ACAPULCO et guident la prise de décision concernant a) la qualité du masque parcellé au niveau individuel et b) l’inclusion ou l’exclusion ultérieure d’un ou de plusieurs lobules particuliers des analyses statistiques. En fin de compte, la décision d’inclure ou d’exclure un sujet est subjective; des exemples de « bonnes parcellations », d'«erreurs de parcellation subtiles » et de « défaillances globales » provenant de divers groupes sains et cliniques sont fournis ici.

Des exemples de « bonnes parcellations » sont présentés à la figure 4, y compris dans les cervelets sains et fortement atrophiés. La figure 5 illustre des sur- et sous-inclusions subtiles de lobules individuels du cervelet. Il s’agit du type d’erreur de parcellation le plus courant et peut ne pas être détecté comme des valeurs aberrantes statistiques dans le protocole de contrôle qualité quantitatif. Ces types d’erreurs nécessitent généralement l’exclusion des lobules individuels qui sont affectés, tandis que le reste du cervelet parcellé n’est pas affecté et peut être conservé. En revanche, les « défaillances globales », telles qu’elles sont illustrées à la figure 6, nécessitent une exclusion complète du sujet.

Détection statistique des valeurs aberrantes :
Pour illustrer le pipeline, ACAPULCO a été exploité sur un échantillon de 31 personnes atteintes de FRDA (âge moyen = 36,5 ans; ET = 13,0 ans, 14 femmes) et 37 témoins sains (SC) appariés selon l’âge et le sexe (âge moyen = 37,1 ans; ET = 12,8 ans, 17 femmes) comme décrit précédemment⁵⁵. Sur l’ensemble de l’échantillon, 18 lobules ont été détectés comme valeurs statistiques aberrantes (<1 % de l’échantillon total). Après avoir effectué un contrôle qualité détaillé sur les images, 17 lobules aberrants ont été retirés des analyses au niveau du groupe en supprimant le volume de lobule individuel pour le ou les sujets respectifs du fichier des volumes cérébelleux au niveau du groupe (c’est-à-dire le fichier « Cerebel_vols.csv »). La valeur aberrante restante n’a pas été considérée comme une erreur de segmentation, mais plutôt en raison de la variabilité de l’anatomie du cervelet de l’individu et a donc été retenue dans l’analyse. Il y a également eu deux échecs globaux de parcellation (1 patient FRDA). Le taux d’exclusion de base pour tous les lobules du cervelet (c.-à-d. les échecs de parcellation à l’échelle mondiale) était de 1,5 %. Le tableau 1 montre les taux d’exclusion pour chacun des 28 ROI anatomiques. Lobule gauche IX et lobule droite Crus I avaient les taux d’exclusion les plus élevés.

Analyse statistique au niveau du groupe :
Au total, 66 sujets (30 patients atteints de FRDA) ont été inclus dans l’analyse au niveau du groupe. Des tests d’échantillons indépendants mann-Whitney à deux queues ont été effectués pour tester des différences significatives dans les volumes de lobules du cervelet entre FRDA et HC. Les résultats ont montré une réduction significative de la substance blanche dans le corps médullaire dans FRDA vs HC (p < 0,05, Bonferroni corrigé pour 28 comparaisons). Il n’y avait pas d’autres différences significatives entre les groupes. Voir le tableau supplémentaire S1 pour les volumes des 28 sous-unités cérébelleuses de l’échantillon.

Analyses morphométriques à base de voxel du cervelet (SUIT)

Contrôle qualité:
Des exemples d’images bien alignées et des exemples d’exclusions pour les témoins sains et les groupes cliniques, y compris frDA et les pateints d’ataxie spinocérébelleuse, sont présentés à la figure 7. Des analyses SUIT ont été effectuées sur un total de 64 sujets (28 FRDA; 36 HC) de l’échantillon décrit ci-dessus, à la suite de l’exclusion de deux sujets supplémentaires en raison d’une couverture cérébelleuse complète incomplète dans le masque de cervelet.

Après avoir testé la covariance spatiale de toutes les images normalisées de l’échantillon les unes par rapport aux autres, deux scans ont été détectés comme des valeurs statistiques aberrantes en fonction de leur covariance spatiale moyenne avec le reste de l’échantillon (Figure 8). Cependant, l’inspection visuelle des images originales et normalisées a indiqué que, bien que ces personnes aient une neuroanatomie unique, il n’y avait pas d’artefacts significatifs dans l’une ou l’autre image et les étapes de traitement se terminaient normalement. En tant que tels, les deux sujets ont été retenus dans les analyses.

Analyse statistique au niveau du groupe :
Les images ont été lissées à l’aide d’un noyau gaussien de 3 mm pleine largeur à moitié maximum (FWHM). Des tests de permutation non paramétrique ont été effectués dans SnPM pour tester les différences significatives entre les groupes dans les volumes de matière grise du cervelet. À cette fin, 5 000 permutations ont été exécutées, avec un seuil de formation de cluster de p < 0,001. Les images ont été explicitement masquées avec l’atlas de la matière grise SUIT pour limiter l’inférence aux régions de matière grise. Pour corriger la taille de la tête, le volume intracrânien a été entré en tant que covariable dans le modèle. L’inférence finale des résultats du groupe a été effectuée à p < 0,05, l’erreur familiale (FWE) étant corrigée au niveau du cluster.

Par rapport à HC, frDA a montré une réduction significative du volume de matière grise dans les lobules antérieurs bilatéraux I-V (à gauche: x = -10, y = -46, z = -26; T= 5,61; Ke= 754; à droite : x= 10, y= -38, z= -21 ; T= 6,83; Ke= 569); et dans les régions du lobe postérieur médian, y compris Vermis VI, s’étendant bilatéralement dans Lobule VI (x = 3, y = -65, z = -20; T= 7,25), et Vermis IX s’étendant bilatéralement dans Lobule IX (x= 3, y= -65, z= -20; T= 6,46; Ke= 3974; Figure 9).

Figure 1 : Le cervelet humain. (A) Représentation aplatie du cervelet et de ses principales fissures, lobes et lobules. Rouge = lobe antérieur (lobules I-V); crème= lobe postérieur (lobules IV-IX); violet= lobe floculonodulaire. Le cervelet peut être divisé en zones médianes « vermis » et latérales « hémisphère ». Tous les lobules sont identifiés dans le vermis et les hémisphères. Dans le lobule VII, VIIAf dans le vermis se développe dans les hémisphères pour devenir Crus I, lobule VIIAt au vermis devient Crus II dans les hémisphères, et lobule VIIB conserve son étiquette à la fois dans le vermis et les hémisphères. (B) En haut: Carte plate du cervelet montrant les sous-unités anatomiques du cervelet en différentes couleurs. En bas : une vue postérieure du cervelet. Ce chiffre a été adapté de ⁵⁶ et ⁵⁷. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Illustration schématique du pipeline. Une image T1 MPRAGE haute résolution est requise. Il existe trois modules : ACAPULCO, SUIT et ICV. Le pipeline est entièrement automatisé (à l’exception de l’intervention manuelle requise pour le contrôle qualité des sorties), est disponible au format conteneur Docker et Singularity et prend environ 20 minutes pour s’exécuter du début à la fin, par sujet. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Parcellation d’ACAPULCO démontrant chacune des 28 sous-unités anatomiques. Ce chiffre a été adapté de³⁶. Abréviations : CM = corpus médullaire ; Ver = vermis; R/L = droite/gauche. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Exemples de « bonnes » parcellations du cervelet. Les tranches sagittales (x = 0) et coronales (y = -57) sont montrées. (A, B) Tranches sagittales et coronales montrant des masques parcellés de deux cérébelleux sains. L’algorithme a localisé correctement les limites individuelles des sous-unités et n’a pas surinclus le sinus transversal dans l’étiquetage et la quantification de Crus I. (C) Un cervelet fortement atrophié d’un patient SCA2. Ici, l’atrophie est apparente sur toute l’étendue du cervelet, les sulci sont larges et il manque beaucoup de tissus. Il y a une légère surinclusion de la vascularisation dans les lobes postérieurs qui est plus prononcée sur le côté droit (flèche jaune). Mis à part cette surinclusion, ACAPULCO a bien fonctionné. Abréviations : CM = corpus médullaire ; Ver = vermis; L/R = gauche/droite. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5 : Exemples de mauvaises parcelles cérébelleuses. ' (A) Tranche sagittale (x = 0) et tranche coronale (y = -57) montrant une erreur de parcellation chez un patient FRDA. L’algorithme n’a pas bien fonctionné le long de la ligne médiane, et les sous-inclusions de Crus I et II (flèche rouge) sont évidentes le long de l’étendue postérieure. Ces lobules seraient exclus des analyses ultérieures au niveau du groupe. (B) Tranche sagittale (x = 8), tranche coronale (y = -47) montrant une erreur de parcellation dans un cérébelleux sain. L’algorithme a complètement manqué le lobule gauche VIIIb (flèches rouges). Ce lobule serait exclu des analyses ultérieures au niveau du groupe. (C) Tranche sagittale (x= -24) et tranche coronale (y= -47) montrant une erreur de parcellation dans un cérébelleux sain. Une certaine atrophie cérébelleuse est présente, et il y a une sous-inclusion de Crus I (flèche rouge). Abréviations: FRDA = ataxie de Friedreich; CM = corps médullaire; Ver = vermis; L/R = gauche/droite. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6: Exemples de « défaillances globales » de la parcellation cérébelleuse. (A) Tranche sagittale (x = 0) et tranche coronale (y = -57) montrant un échec de parcellation. Ici, le cervelet n’est que partiellement segmenté et des parties du lobe occipital ont été étiquetées à tort comme le cervelet. Ces types d’échecs sont probablement dus à un problème avec l’en-tête de l’image originale, ce qui affectera la transformation affine ACAPULCO de l’image en coordonnées mondiales et la localisation ultérieure du cervelet. (B) Tranche sagittale (x = 0) et tranche coronale (x = -57) montrant un échec de parcellation chez une personne atteinte de FRDA. Ici, le CM a été complètement mal segmenté. L’algorithme a étiqueté le CM à l’arrière de la tête (ovale rouge), à l’extérieur du cerveau. Les limites de la substance blanche n’ont pas été capturées et sont étiquetées à tort comme matière grise, affectant particulièrement les lobules gauches VIIIb et IX. Le lobule gauche X a également été manqué (flèche rouge sur la tranche coronale). Ces exemples justifient une exclusion immédiate des analyses au niveau du groupe pour les analyses ACAPULCO et SUIT. Abréviations : CM = corpus médullaire ; Ver = vermis; L/R = gauche/droite. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 7 : Cartes morphométriques déformées et modulées à base de voxel. (A, B) Matière grise cérébelleuse bien alignée provenant de deux HC. (C) Un cervelet provenant d’un HC qui a été détecté comme une valeur aberrante statistique, mais qui a été retenu dans l’analyse. (D) Un cervelet atrophié d’une personne atteinte de FRDA. Le cervelet a été déformé correctement sur le gabarit; par conséquent, cela ne justifierait pas l’exclusion. (E) Une exclusion. Il y a un dégradé en contraste du haut vers le bas de l’image qui reflète une erreur dans le traitement. (F) Un artefact de plan hyperinte en bas à droite de l’image d’origine inconnue nécessite une exclusion. (G) Un exemple de cervelet fortement atrophié d’un patient SCA2. Le cervelet a été déformé correctement sur le gabarit; cependant, il manque beaucoup de tissus, ce qui entraîne un faible contraste. Ce ne serait pas une exclusion. H) Exemple d’un mauvais masquage nécessitant l’exclusion. Abréviations : VBM = morphométrie à base de voxel ; HC = contrôle sain; FRDA = ataxie de Friedreich; SCA2 = Ataxie spinocérébelleuse 2. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 8 : Covariance spatiale des cartes morphométriques basées sur le voxel SUIT. Graphique en boîte illustrant la covariance spatiale des cartes morphométriques à base de voxel pour une cohorte de 64 (28 FRDA) sujets. La covariance spatiale est une mesure de la qualité d’alignement de chaque image par rapport à toutes les autres images de l’échantillon. Les données sont étroitement regroupées avec une corrélation de covariance spatiale moyenne d’environ 0,95. Ici, deux valeurs aberrantes (1 FRDA, 1 HC) ont été détectées, car >2 SD en dessous de la moyenne. Abréviations: FRDA = ataxie de Friedreich; HC = contrôle sain; ET = écart-type; cont = contrôle. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Graphique 9. Résultats entre groupes d’une analyse morphométrique à base de voxel de la morphométrie de la matière grise cérébelleuse. (A) Représentations sagittales, (B) coronales et (C) des cartes statistiques au niveau du voxel chez les individus atteints de FRDA par rapport aux témoins, en contrôlant le CIPV. Seuls les voxels qui survivent p < corrigés au niveau du cluster 0,05 FWE sont affichés. La barre de couleur indique la statistique T. Abréviations: FRDA = ataxie de Friedreich; ICV = volume intracrânien; FWE = erreur familiale. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Lobule	% exclus
CM	1.5
Crus de gauche I	2.9
Crus de gauche II	2.9
Gauche I III	2.9
Gauche IV	1.5
Gauche IX	4.51
Gauche V	2.9
Gauche VI	1.5
GAUCHE VIIB	1.5
VIIIA gauche	1.5
VIIIB gauche	2.9
Gauche X	2.9
Crus droits I	6.02
Crus droits II	2.9
Droite I III	2.9
Droit IV	1.5
Droite IX	2.9
Droite V	1.5
Droite VI	1.5
Droite VIIB	1.5
Droite VIIIA	2.9
Droit VIIIB	1.5
Droite X	1.5
Vermis IX	1.5
Vermis VI	2.9
Vermis VII	1.5
Vermis VIII	1.5
Vermis X	1.5

Tableau 1 : Lobules anatomiques cérébelleux dérivés d’ACAPULCO et taux d’exclusion (%) chez un échantillon de 31 personnes atteintes de FRDA et de 37 HC. Abréviations : FRDA = ataxie de Friedreich ; HC = témoins sains.

Tableau supplémentaire S1: Volumes (mm³) de 28 lobules anatomiques cérébelleux chez l’ataxie de Friedreich et les personnes témoins en bonne santé. Veuillez cliquer ici pour télécharger ce tableau.

Discussion

Le cervelet est essentiel à un large éventail de fonctions motrices humaines³,^{cognitives 58},^{affectives 10} et^{linguistiques 7,59} et est impliqué dans de nombreuses maladies neurologiques et psychiatriques. La disponibilité d’une approche normalisée et facilement réalisable pour la quantification des volumes cérébelleux régionaux contribuera à une cartographie de plus en plus détaillée de la structure et de la fonction du « cerveau entier », à une modélisation complète des maladies et à de meilleures possibilités de définir et de suivre les contributions cérébelleuses aux maladies du cerveau. Ce pipeline normalisé décrit ici combine des approches de pointe pour la parcellation automatique du cervelet et le profilage spatial à grain plus fin de la morphométrie de la matière grise cérébelleuse dans les domaines de la santé et de la maladie.

Les résultats de l’analyse transversale de la parcellation du cervelet à l’aide d’ACAPULCO présentés ici ont montré que les personnes atteintes de FRDA (vs HC) avaient des volumes de substance blanche significativement réduits. Ces résultats soutiennent des études antérieures sur le FRDA, qui montrent systématiquement une perte de volume de substance blanche précoce, robuste et progressive, en particulier dans les noyaux dentés, dans le FRDA. En outre, il a été démontré que le modèle et l’étendue de la neurodégénérescence progressive dans les pédoncules cérébelleux supérieurs et inférieurs et les noyaux dentés diffèrent en tant que facteur d’âge d’apparition de FRDA⁴⁴. Les résultats de l’analyse SUIT ont révélé d’autres constatations. Plus précisément, il y avait une perte de volume significative au niveau du voxel dans frDA (vs HC) dans les régions du lobe antérieur correspondant aux lobules bilatéraux I-IV et Right V, s’étendant dans le lobule VI. En outre, l’analyse SUIT a révélé une perte de volume significative dans FRDA (vs HC) dans les régions du lobe postérieur médian, y compris le lobule IX, X et Vermis. Ce schéma de différences entre les groupes est comparable aux travaux publiés précédemment dans la même cohorte de patients ATTEINTS DE FRDA, en utilisant une approche VBM du cerveau entier⁵⁵.

La définition des anomalies cérébelleuses dans les maladies neurologiques et psychiatriques est un domaine de recherche hautement prioritaire à impact translationnel. Le développement de caractérisations biologiques complètes de l’atteinte du cervelet contribue au suivi et au traitement des maladies neurologiques, en particulier celles où le cervelet est un site primaire de neurodégénérescence. Le pipeline présenté ici permet d’explorer les relations entre la morphométrie individuelle de la matière grise lobule cérébelleuse et les mesures cliniques utilisées comme « étalon-or » pour les paramètres cliniques de la maladie. Une telle recherche peut avoir un impact translationnel significatif. Par exemple, dans l’espace des maladies cérébelleuses rares, l’identification d’un profil particulier d’atrophie de la matière grise cérébelleuse dans un sous-groupe de patients qui correspond ou prédit les symptômes cliniques aurait des implications pour guider la pratique clinique. L’inclusion du module SUIT permet en outre d’aborder des questions de recherche intéressantes telles que la cartographie structure-fonction du cervelet ou l’analyse des gradients fonctionnels du cervelet⁶⁰.

Recommandations générales pour les analyses statistiques au niveau du groupe
ACAPULCO: Les volumes de chaque lobule cérébelleuse (en mm³) pour chaque sujet sont enregistrés dans Cerebel_vols.csv. Lors de l’inférence statistique des effets au niveau du groupe, le volume intracrânien (ICV; également enregistré dans Cerebel_vols.csv) doit être contrôlé pour tenir compte de la variabilité de la taille de la tête. Les seuils de signification alpha doivent être corrigés pour tenir compte de l’inférence entre plusieurs lobules.

SUIT: Le VBM cérébelleux de la matière grise peut être effectué sur les images wdseg1.nii à l’aide d’un logiciel de traitement IRM standard tel que SPM ou FSL. Consultez le manuel CAT12 pour une excellente introduction à VBM utilisant SPM12⁵⁴. Le VCI doit être contrôlé pour tenir compte de la variabilité de la taille de la tête.

Pour le VBM dans le cervelet, il est généralement recommandé d’utiliser un noyau de lissage spatial gaussien d’une largeur maximale maximale de 3 mm à mi-maximum (FWHM). Une correction statistique appropriée doit être appliquée pour tenir compte des comparaisons multiples entre les voxels. En général, il est recommandé d’utiliser des approches non paramétriques (p. ex., SnPM ou FSL-Randomise).

L’étape la plus critique pour une parcellation réussie du cervelet à l’aide d’ACAPULCO est le contrôle général de la qualité des images T1 avant et après le traitement. Il est fortement recommandé à l’utilisateur de vérifier s’il y a des images à mauvais contraste (par exemple, un dégradé incohérent sur l’image) et une inclinaison sévère de la tête et des artefacts de mouvement, qui peuvent tous affecter les performances de l’algorithme. De plus, bien que l’algorithme ACAPULCO ait été entraîné sur des cérébelleux atrophiés, il n’a pas été entraîné sur des données de lésions. On s’attend à ce que les lésions dans le cortex cérébral n’aient pas d’impact sur la performance de l’algorithme et la précision ultérieure de la parcellation; cependant, de grands infarctus dans le cervelet entraîneraient probablement des erreurs de parcellation. Le contrôle de la qualité du masque de cervelet après le post-traitement est essentiel. Les erreurs mineures de parcellation (p. ex., sous-inclusions et surinclusions mineures de lobules du cervelet) ne sont parfois pas détectées comme des valeurs statistiques aberrantes; à l’inverse, des cas de non-valeurs premières incorrectes peuvent se produire lorsque les données se situent dans la plage normale, malgré une erreur de parcellation évidente. Si un sujet est identifié comme une valeur aberrante, il est essentiel d’effectuer un suivi, une vérification détaillée de la qualité du masque de cervelet tranche par tranche pour guider la prise de décision quant à l’inclusion ou à l’exclusion du ou des lobules pour ce sujet. Une autre étape critique lors de l’exécution du pipeline SUIT (Module 2) est qu’il nécessite que le module ACAPULCO ait déjà été exécuté. Plus précisément, SUIT exige le masque de cervelet produit dans ACAPULCO pour exécuter l’isolation et la segmentation du cervelet. Il est important que le masque de cervelet soit vérifié pour assurer une couverture cérébelleuse complète.

Il y a certaines limites au protocole. Premièrement, bien qu’ACAPULCO atteigne une précision de pointe pour la parcellation de la matière grise cérébelleuse, il n’est pas optimisé pour la parcellation de la substance blanche; le corps médullaire recouvre le corps principal de la substance blanche mais ne fournit pas de mesure de toute la substance blanche. Deuxièmement, les réseaux de neurones convolutifs utilisés pour localiser et segmenter le cervelet dans ACAPULCO ne se généralisent pas bien aux images avec des contrastes différents ou des images qui n’ont pas été utilisées dans l’entraînement. Par exemple, comme seules les images 3T ont été utilisées en formation, la qualité de la parcellation à l’aide d’images acquises sur un scanner de 1,5 T n’est généralement pas aussi bonne; de plus, il n’y a pas de statistiques concernant la vérité sur le terrain qui a été effectuée sur ces images. Enfin, le pipeline contrôle les effets confondants de la taille de la tête sur les estimations du volume de cervelet en fournissant une estimation du CIV qui peut être incluse comme régresseur sans intérêt dans les analyses statistiques au niveau du groupe. Cependant, une approche idéale serait de calculer les volumes de cervelet corrigés par ICV au niveau individuel avant d’exécuter le CQ, de sorte que les valeurs aberrantes détectées reflètent une véritable erreur de parcellation et non une variabilité naturelle de la neuroanatomie des sujets (par exemple, avoir une grosse tête).

En conclusion, nous présentons un pipeline standardisé pour l’examen de la morphométrie de la matière grise du cervelet, qui a une large applicabilité à une gamme de maladies neurologiques. Le pipeline est mis en place pour permettre de grandes études multisites et des « méga analyses » et est accessible au public pour être utilisé par les groupes de recherche afin de faciliter la fiabilité et la reproductibilité dans l’ensemble du domaine. En fin de compte, ce pipeline fournit une approche méthodologique puissante pour caractériser et suivre davantage les changements structurels cérébelleux avec la progression de la maladie dans les maladies neurologiques. Un pipeline longitudinal est en cours d’élaboration.

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=freesurfer _installation_directory source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=path/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 =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