需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

使用结构磁共振成像检测人类小脑灰质形态计量学的标准化流程

4.1K 次观看

⸱

DOI：

10.3791/63340

⸱

2022年2月4日

 ,  ,  ,  ,  ,  , 
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

本文内容

摘要

本文介绍了一种用于分析小脑灰质形态计量的标准化流程。该流程结合了高分辨率、先进的技术方法，可实现小脑分区的优化与自动化，以及基于体素的小脑配准，从而进行体积定量分析。

摘要

多项研究提供了有力证据，表明小脑在多种认知和情感功能中发挥着重要作用，远远超出了其历史上与运动控制的关联。结构和功能神经影像学研究进一步深化了对小脑功能神经解剖学的理解，超越了其解剖学分区，凸显了在健康个体差异和神经系统疾病中对小脑各个亚单位进行研究的必要性。本文介绍了一种标准化的分析流程，用于研究小脑灰质形态计量学，该流程结合了高分辨率、先进水平的小脑分区优化与自动化方法（基于U-Net局部约束优化的自动小脑解剖分区；ACAPULCO）以及小脑基于体素的配准方法（空间无偏幕下模板；SUIT），以实现体积的定量分析。

该流程具有广泛的适用性，可用于多种神经系统疾病研究，且完全自动化，仅在输出结果的质量控制阶段需要人工干预。该流程可免费获取，并配有详尽的文档说明，可在 Mac、Windows 和 Linux 操作系统上运行。本文展示了该流程在弗里德赖希共济失调（FRDA）患者队列中的应用，并提供了代表性结果以及关于组水平推断性统计分析的建议。该流程有望提高本领域的可靠性和可重复性，最终为表征和追踪神经系统疾病中的小脑结构变化提供一种强有力的方**法**学手段。

引言

小脑是大脑的一个部分，传统上被认为与运动控制相关1,2,3 ，并被认为仅在少数罕见疾病（如遗传性共济失调）中起关键作用4。然而，来自非人灵长类动物的解剖示踪研究以及人类脑损伤和神经影像学研究的多项证据表明，小脑在多种认知功能5,6,7、情感调节8,9,10,11以及其他非运动功能7,12 中均发挥重要作用（参见文献6 以获取综述）。此外，小脑的异常 increasingly 被发现与多种神经和精神疾病相关，包括帕金森病13、阿尔茨海默病14,15、癫痫16,17、精神分裂症18以及自闭症谱系障碍19。因此，将小脑纳入人类脑疾病的功能与结构模型以及正常行为变异性的研究中，已成为当前研究的必要方向。

从解剖学上看，小脑沿其从上到下的轴可分为三个叶：前叶、后叶和绒球结节叶。这些叶进一步细分为10个小叶，以罗马数字I-X20,21 表示（图1）。小脑也可分为中线区（蚓部）和外侧区（半球），分别接收来自脊髓和大脑皮层的输入。前叶包括小叶I-V，传统上被认为与运动功能相关，并与大脑运动皮层存在双向连接22。后叶包括小叶VI-IX，主要与非运动功能相关11 ，并与前额叶皮层、后顶叶皮层以及上颞叶皮层存在双向连接8,23。最后，绒球结节叶包含小叶X，与控制站立和行走时眼球运动及身体平衡的前庭核之间存在双向连接21。

近年来，越来越多的功能神经影像学研究进一步深化了对小脑功能神经解剖学的理解，超越了其传统的解剖学分区。例如，静息态功能磁共振成像（fMRI）技术已被用于绘制小脑与大脑之间功能相互作用的模式24。此外，King 及其同事采用基于任务的功能分区方法7 ，证明小脑在其整个范围上呈现出丰富而复杂的功能特化模式，这种特化表现为与多种运动、情感、社会及认知任务相关的独特功能边界。这些研究共同强调了对小脑各个亚单位进行细致分析的重要性，以全面揭示小脑在健康个体差异以及以小脑结构和/或功能改变为特征的神经系统疾病中的生物学作用。

本研究重点介绍利用人类结构磁共振成像（MRI）量化小脑局部体积变化的方法。通常，使用MRI数据量化脑区体积主要有两种基本方法：基于特征的分割和基于体素的配准。基于特征的分割方法利用解剖标志和标准化图谱自动识别不同亚区之间的边界。主流的分割软件包括FreeSurfer25、BrainSuite26 和FSL-FIRST27。然而，这些软件仅提供小脑的粗略分区（例如，仅标记每个半球的全部灰质和全部白质），因而忽略了各个小脑叶小叶。此外，这些方法容易出现分割错误，尤其是容易将周围血管结构错误地纳入分割区域。

近年来开发了新的机器学习和多图谱标注算法，可对小脑进行更精确、更精细的分区，包括基于隐式多边界演化的自动小脑叶小叶分类算法（Automatic Classification of Cerebellar Lobules Algorithm using Implicit Multi-boundary evolution, ACCLAIM28,29）、小脑分析工具包（Cerebellar Analysis Toolkit, CATK30）、多个自动生成模板（Multiple Automatically Generated Templates, MAGeT31）、人类小脑及其小叶的快速自动分割方法（Rapid automatic segmentation of the human cerebellum and its lobules, RASCAL32）、图割分割法（graph-cut segmentation33）以及小脑分割算法（CEREbellum Segmentation, CERES34）。在最近一项比较当前最先进的全自动小脑分区方法的研究中，CERES2 在与金标准手动分割小脑小叶的对比中表现优于其他方法35。更近的一项研究中，Han 及其同事36 开发了一种名为 ACAPULCO（Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization）的深度学习算法，其性能与 CERES2 相当，适用于健康和萎缩的小脑，可通过开源的 Docker 和 Singularity 容器格式直接部署，且比其他方法更节省时间。ACAPULCO 可将小脑自动划分为 28 个解剖区域。

与基于特征的分割方法不同，基于体素的配准方法通过将磁共振成像（MRI）精确映射到模板图像来实现分析。为了实现这种映射，原始图像中的体素在大小和形状上必须发生形变。这种形变的程度实际上提供了每个体素相对于标准模板的体积度量。这种体积评估方法被称为“基于体素的形态学分析”37。全脑范围的基于体素配准方法，如 FSL-FLIRT38/FNIRT39、SPM 统一分割40 和 CAT1241，常用于基于体素的形态学分析。然而，这些方法对小脑的处理效果不佳，导致幕下区域（小脑、脑干42）的可靠性和有效性较差。为克服这些局限性，SUIT（空间无偏幕下模板）算法被开发出来，以优化小脑配准，提高基于体素的形态学分析的准确性42,43。

基于特征的分割方法与基于体素的配准方法在估算小脑区域体积时各有其根本性的优势与局限。分割方法在量化解剖学定义区域（例如小脑叶35）体积方面具有更高的准确性。然而，小脑不同功能模块之间的边界并不与小脑的解剖叶层和沟裂相对应（相当于大脑的脑回和脑沟7）。由于基于配准的方法不受解剖标志的限制，因此能够实现更精细的空间推断以及对小脑进行高维度的结构-功能映射44。综上所述，分割与配准方法彼此互补，可用于回答不同的科研问题。

本文提出了一种新的标准化流程，该流程整合了现有且经过验证的方法，为小脑提供优化且自动化的分区（ACAPULCO）和基于体素的配准（SUIT），以实现体积量化（图2）。该流程在已有方法基础上增加了质量控制协议，包括定性可视化和定量离群值检测，以及一种利用Freesurfer快速估算颅内体积（ICV）的方法。该流程完全自动化，仅需人工介入检查质量控制结果，可在Mac、Windows和Linux操作系统上运行。该流程可免费获取，非商业用途使用无任何限制，完成简短的注册表单后，可从ENIGMA联盟影像协议网页（位于"ENIGMA Cerebellum Volumetrics Pipeline"标题下）访问45。

所有必需的软件均列在材料表中，此外，除下述实验方案外，下载该分析流程后还可获取详细教程，包括现场演示。最后，提供了在弗里德赖希共济失调（FRDA）患者队列及年龄和性别匹配的健康对照组中应用该分析流程所获得的代表性结果，并附有针对组水平统计推断分析的建议。

访问受限。请登录或开始试用以查看此内容。

方案

注意：本研究使用的数据属于莫纳什大学人类研究伦理委员会批准的一个项目（项目编号 7810）。参与者均签署了书面知情同意书。尽管该流程可在 Mac、Windows 或 Linux 操作系统上运行，但 ACAPULCO、SUIT 和质量控制（QC）流程已明确在 Linux（Ubuntu）和 Mac（Catalina、Big Sur v11.0.1）操作系统上进行了测试。

1. 模块1：ACAPULCO（解剖分区）

  1. 数据采集
    1. 以1 mm分辨率采集全脑三维T1加权磁共振成像图像3 或更小。建议采用各向同性体素尺寸（通常为1 mm × 1 mm × 1 mm）和3特斯拉（或更高）的扫描仪。请咨询放射影像中心的影像学专家，以设置并采集符合这些规格的数据。
      注意：T2加权图像有时对容积分析有用；然而，本文所介绍的流程仅依赖T1加权数据，且所使用的部分工具仅适用于此类数据。因此，无法使用T2加权图像。
    2. 对图像进行视觉质量评估，以排除明显的小脑畸形（如大范围病变）或严重的运动伪影，这些因素可能妨碍识别主要的小脑解剖标志（如主要的解剖裂隙）。即使小脑萎缩明显，也不应自动排除。
    3. 对于群体研究，还应考虑使用免费且标准化的工具（如 MRIQC）进行定量质量评估46 以进一步识别存在问题的数据。
    4. 使用 dcm2niix 等工具将所有数据转换为 NIFTI-GZ 格式47.
  2. 推荐的数据组织方式
    1. 获取本研究所需的所有软件，具体清单见下文 材料表确保 Docker48 或 Singularity49，Matlab50，以及 SPM1251 在运行流程之前，需先安装。
      注意：描述该流程的大量书面和视频教程也可获取（参见相关链接） 材料表).
    2. 在安装完所有必要软件后，在工作目录中创建文件夹，并将其命名为“acapulco”、“suit”和“freesurfer”。使用以下方法完成此操作： mkdir 从命令行执行命令。
    3. 在“acapulco”目录中，创建一个 输出 文件夹。在 输出 文件夹中，为研究中的每位受试者创建一个目录，其中包含以 NIFTI-GZ 格式存储的 T1 加权图像。
      注意：建议在其他位置保留原始数据的副本。
  3. 使用ACAPULCO进行小脑解剖分区
    1. 前往 材料表 并下载运行 ACAPULCO 所需的相关脚本和容器（位于 acapulco 分析流程文件）。在“acapulco”目录中，放置（i）ACAPULCO Docker 或 Singularity 容器（分别为 'acapulco_0.2.1.tar.gz' 或 '.sif'）、(ii) QC_scripts 压缩包中的内容（3 个文件：'QC_Master.R'、'QC_Plots.Rmd' 和 'QC_Image_Merge.Rmd'），以及 (iii) 'R.sif'（Singularity） 或 'calculate_icv.tar'（docker）文件。
    2. 打开终端，从命令行运行 ACAPULCO 容器以处理单张图像（替换 <<受试者>> 在下文中）。等待约 5 分钟以完成处理。
      1. 使用 Docker，输入命令：
        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/<<受试者>>/<<受试者>>.nii.gz -o 输出/<<受试者>>
      2. 使用 Singularity，输入命令：
        singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<<受试者>>/<<受试者>>.nii.gz -o 输出/<<受试者>>
    3. 在队列中的所有受试者/扫描数据上进行循环。参见 材料表 访问 ENIGMA 成像方案网站的链接，以下载该流程（位于 ENIGMA 小脑体积测量分析流程以及包含如何创建用于串行处理多个受试者的 for 循环示例的教程手册。
    4. 处理完成后，请在特定受试者的文件夹中查找生成的以下文件：
      1. 识别 "<受试者>_n4_mni_seg_post_inverse.nii.gz"：原始空间（被试空间）中的分割后小脑掩膜。
      2. 识别 "<受试者>_n4_mni_seg_post_volumes.csv"：体积（单位：mm³）3acapulco 生成的 28 个亚单位中的每一个；
      3. 在“pics”目录中识别代表性图像：矢状面、轴向面和冠状面。
  4. 统计离群值检测与质量控制（QC）
    1. 在终端中进入“acapulco”目录，确保QC_scripts目录中的内容已置于“acapulco”目录下。运行QC脚本的方法如下：
      1. 使用 Docker，输入命令：
        docker load calculate_icv.tar
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        QC_Master.R 输出/
      2. 使用 Singularity，输入命令：
        singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. 检查 ACAPULCO 生成的 QC 图像
    注意：ACAPULCO 分割图像的质量检查包含三个步骤。
    1. 在网页浏览器中打开“QC_Images.html”，快速浏览每名受试者的图像（约每名10秒），以识别明显的分割失败或系统性问题。记录分割结果失败或可疑的受试者编号，以便后续跟进。
      注意：请参见 图3 有关小脑叶的神经解剖学指南以及 图4, 图5，以及 图6 在下文的代表性结果部分，可查看“良好”分割、“轻微误分割”和“全局失败”分割的示例。
    2. 打开“Plots_for_Outliers.html”文件，查看定量统计异常值的箱线图。在箱线图的须线上方或下方寻找异常值（超出均值 ±2.698 个标准差的数据点）。将鼠标悬停在数据点上可显示受试者编号（Subject ID）。在“Outliers.csv”文件的相关列中，识别标记为“1”的异常值，并记录“Outliers.csv”文件最后一列中每个受试者被识别为异常值的总片段数。
    3. 手动检查每个存在一个或多个离群值的图像。关键步骤：使用标准的 NIFTI 图像查看器（例如 FSLEyes 或 MRICron），将 ACAPULCO 掩模叠加到原始 T1w 图像上，逐层检查分割的质量。
      1. 要使用 FSLEyes 从命令行生成详细质控的叠加图像，i) 将目录更改为 'acapulco' 目录，ii) 指定要查看的受试者（替换 <受试者>):
        subj=<受试者姓名>
      2. 将以下代码复制/粘贴到终端中（无需手动更改 {subj}，因其已由上一行设置）：
        t1_image=output/${subj}/${subj}.nii.gz
        acapulco_image=输出/${subj}/${subj}_n4_mni_seg_post_inverse.nii.gz
        fsleyes ${t1_image} ${acapulco_image} --overlayType 标签 --lut random_big --outline --outlineWidth 3 ${acapulco_image} --overlayType 体积 --alpha 50 --cmap random
        注意：需要判断是否应包含异常片段，即该异常是源于分割错误，还是仅反映个体解剖结构的正常变异？每个分割区域均需单独评估，因此对于一幅图像，若部分区域存在错误可予以排除，其余正确区域则可保留。
      3. 最终数据集中是否需要排除一个或多个已分割的区域？
        如果为是（确认为离群值），则通过将体积估计值替换为 NA 在该受试者的“Cerebel_vols.csv”文件的相应单元格中。
      4. 分割错误是否会导致小脑的部分区域被排除在掩膜之外？
        如果为是（例如，若掩膜中缺少特定的小脑叶或出现被“截断”的情况），则应立即将该受试者排除于后续分析之外（即，不要对该受试者运行SUIT模块）。

2. 模块2：SUIT小脑优化的基于体素的形态学分析

  1. 基于SUIT的体素形态学分析
    重要提示：该流程要求已运行 ACAPULCO 模块，因其依赖于生成个体特异性小脑掩模，以优化小脑向 SUIT 模板的配准与标准化。若 ACAPULCO 生成的个体特异性掩模未包含完整的小脑，则应排除该样本，不予纳入 SUIT 模块分析。 有关运行独立版 SUIT 的说明，请参见52.
    1. 获取方案中列出的所有必要软件 材料表确保 SPM12 文件夹及其所有子文件夹均位于 MATLAB 路径中。确保 enigma_suit 脚本已保存至 'spm12/toolbox' 目录，并添加到 MATLAB 路径中。要检查 MATLAB 路径，请输入 路径工具 在 MATLAB 命令窗口中，然后单击 添加子文件夹 添加相关文件夹。
    2. 对一个或多个受试者运行 SUIT 流程。如果使用图形用户界面（GUI），请等待约 15–20 分钟；如果从终端（bash/shell）运行，则等待约 5–7 分钟以完成处理。
      1. 在 MATLAB 命令窗口中输入以下命令以使用图形用户界面（受试者将按顺序运行）：
        suit_enigma_all
      2. 在第一个弹出窗口中，从“acapulco/output”目录中选择要包含在分析中的被试文件夹。单击窗口右侧的各个文件夹，或右键单击并 全选. 按下 完成在第二个弹出窗口中，选择 SUIT 目录，分析结果将写入该目录。
      3. 或在 MATLAB 命令行中调用单个受试者的函数，输入命令：
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. 或在 MATLAB 外的终端窗口中，通过输入以下命令来调用该函数以处理单个受试者：
        matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')，退出"
    3. 参见 材料表 访问 ENIGMA 成像方案网站的链接，以下载该流程（位于 ENIGMA 小脑体积测量分析流程以及包含如何创建用于串行处理多个受试者的 for 循环示例的教程手册。
    4. 请关注脚本的以下要点。
      1. 确保脚本将经过N4偏置校正并以MNI空间对齐（刚体配准）的T1图像以及ACAPULCO小脑掩模复制到输出目录中。
      2. 确保该脚本对小脑的灰质和白质进行分割。
      3. 确保脚本使用 ACAPULCO 掩模校正分割过程中的过度包含错误。
      4. 确保DARTEL脚本对数据进行标准化并重切片至SUIT空间，同时采用雅可比行列式调制，使每个体素的数值与其原始体积成正比。
      5. 检查每个受试者的文件夹，查看以下最终输出：“wd”<受试者>_seg1.nii’（灰质）和‘wd<受试者>_seg2.nii'（白质）
  2. 统计异常值检测与质量控制
    1. 目视检查经标准化和调制的图像（wd*）是否存在严重错误。在 MATLAB 中输入命令：
      spm_display_4D
    2. 手动选择 suit 子文件夹中的 'wd*seg1' 图像，或导航至 'suit' 目录；在筛选框中输入 ^wd.*seg1（无需引号），然后按下 使用ACAPULCO与SUIT进行小脑灰质形态测量分析的标准化流程 按钮。按下 完成.
    3. 滚动浏览图像，确保所有图像均对齐良好。参见 图7 正确归一化图像的 健康对照组（A，B）以及一位小脑严重萎缩的个体（D).
      注意：在此阶段，被试间的解剖结构已非常相似（因其已被配准至同一模板），体积差异主要通过不同的体素强度来体现。明显的配准失败情况将清晰可见，例如图像空白、大范围组织缺失、异常的强度梯度（如亮体素全部集中在顶部，暗体素全部集中在底部）。此类图像应从后续步骤中剔除。
    4. 检查空间协方差中的离群值。在 MATLAB 中输入命令：
      check_spatial_cov
      1. 按照之前的步骤选择“wd*seg1”图像。当系统提示时，选择以下选项： 比例调整：是；协变量：无；切片（mm）：-48，间隙：1.
      2. 查看箱线图，该图显示了每幅图像相对于样本中所有其他图像的平均空间协方差。识别出那些异常的数据点 >均值以下2个标准差，在MATLAB命令窗口中。对于这些情况，需检查 "<受试者>_n4_mni.nii.gz" 检查 SUIT 文件夹中的图像是否存在伪影（运动、解剖异常）、图像质量问题或预处理错误。
      3. 如果图像质量和预处理结果可接受，且上一步中对调制后图像的视觉检查未发现分割或标准化存在问题，则保留该样本数据；否则，排除这些数据。

3. 模块3（可选）：使用FreeSurfer进行颅内体积（ICV）估计

注意：本模块将使用 FreeSurfer 流程计算颅内体积（ICV）。如果队列已有 FreeSurfer 输出结果（任何版本），则无需重新运行。

  1. 设置 FreeSurfer
    1. 确保已下载并安装 FreeSurfer53. 转到 材料表 并下载运行本模块所需的相应脚本（位于 ICV 流程文件）。使用 FreeSurfer 时，需设置以下变量：
      export FREESURFER_HOME=<freesurfer_installation_ directory>
      source $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. 替换 <路径> 如下所示：
      export SUBJECTS_DIR=<路径>/enigma/Freesurfer
  2. 运行 Freesurfer autorecon1
    1. 对于单个受试者，在“freesurfer”目录内（处理时间约20分钟），输入以下命令：
      cd <路径>/enigma/freesurfer
      recon-all -i ../input/<受试者>.nii.gz -s <受试者> -autorecon1
    2. 请参阅教程手册，了解如何创建用于串行处理多个受试者的 for 循环示例。
  3. ICV 的计算
    1. 数据组织
      1. 在“freesurfer”目录中，放置（i）Docker 或 模块1中使用的Singularity容器（分别为'calculate_icv.tar'或'R.sif'）以及（ii）xfm2det脚本（参见 材料表）。然后，执行 git clone 以克隆所需的 ICV 脚本：
        git clone https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
    2. 运行ICV提取（处理时间约5分钟）
      1. 在“freesurfer”目录中，使用 Singularity（“R.sif”）容器，输入以下命令：
        singularity 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. 在“freesurfer”目录中，使用 Docker 容器，输入：
        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
        计算颅内体积
      3. 不使用容器运行脚本——参见 材料表 有关其他必需的软件和依赖项。从“freesurfer”目录中输入：
        ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/path/to/freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --
        output_csv_name=小脑体积.csv calculate_icv
        注意：这将计算每位受试者的颅内总体积（ICV），并在“Cerebel_vols.csv”文件末尾添加一列ICV。

访问受限。请登录或开始试用以查看此内容。

结果

小脑分区（ACAPULCO）

小脑分区掩膜的质量控制：
以下示例展示了 ACAPULCO 分区输出结果，用于指导判断：a）个体水平上分区掩膜的质量；以及 b）在统计分析中是否纳入或排除特定的小叶（lobule）。最终是否纳入或排除某位受试者具有一定的主观性；本文提供了来自多种健康和临床群体的“良好分区”、“轻微分区错误”和“全局性失败”的示例。

“良好分割”的示例见图4，包括健康个体及小脑严重萎缩个体的分割结果。图5展示了对单个小脑叶存在轻微过度包含或包含不足的情况。这类错误是最常见的分割误差类型，在定量质量控制流程中可能不会被识别为统计学离群值。此类误差通常只需排除受影响的个别小脑叶，其余已分割的小脑部分不受影响，可予以保留。相比之下，如图6所示的“全局性失败”则需要完全排...

访问受限。请登录或开始试用以查看此内容。

讨论

小脑对人类广泛的运动3、认知58、情感10和语言7,59 功能至关重要，并与多种神经和精神疾病相关。提供一种标准化且易于实施的区域性小脑体积量化方法，将有助于实现更精细的“全脑”结构-功能映射，完善疾病建模，并为定义和追踪小脑在脑部疾病中的作用提供更好的机会。本文所述的标准化流程结合了最先进的自动小脑分区技术，以及对健康与疾病状态下小脑灰质形态更精细的空间表征方法。

本研究采用ACAPULCO方法对小脑进行横断面分区分析，结果显示，弗里德赖希共济失调患者（FRDA）与健康对照者（HC）相比，其白质体积显著减小。这些发现支持既往关于FRDA的研究结果，这些研究一致表明，FRDA患者存在早期出现、显著且进行性发展的白质体积丢失，尤其以齿状核区域最为明显。此外，已有研究显示，小脑上脚和下脚以及齿状核区域进行性神经退行性变...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

致谢

本论文所展示的工作由澳大利亚国家卫生与医学研究委员会（NHMRC） Ideas 计划资助：APP1184403。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
ACAPULCO 分析流程文件 0.2.1http://enigma.ini.usc.edu/protocols/imaging-protocols/请确保使用 acapulco 0.2.1 版本
适用于 Mac 的 Dockerhttps://docs.docker.com/desktop/mac/install/macOS 版本必须为 10.14 或更高版本
Docker 需要 sudo 权限
Docker 对 Mac OS 施加了内存（RAM）限制。要增加内存，请打开 Docker Desktop，进入“Preferences”，然后点击“Resources”。将内存增加至最大值
Windows 版 Dockerhttps://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT 脚本http://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer7https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall每次使用 FreeSurfer 时都需要设置以下变量：
export FREESURFER_HOME=<图片替代文本="方程" src="/files/ftp_upload/63340/lesser.png"/>freesurfer _installation_directory<图片替代文本="方程" src="/files/ftp_upload/63340/greater.png"/>
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=<图像替代文本"方程" src="/files/ftp_upload/63340/lesser.png"/>路径<图像替代文本="方程" src="/files/ftp_upload/63340/greater.png"/>/enigma/Freesurfer
FSL（用于 FSLeyes）。可选6https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
ICV 流程文件http://enigma.ini.usc.edu/protocols/imaging-protocols/ICV 流程可通过两种方式运行：1）使用 docker/singularity，无需额外软件；2）不使用 docker/singularity——需手动运行 ICV 脚本（calculate_icv.py），此时需要以下额外软件：
Python 版本 <图片替代文本="方程" src="/files/ftp_upload/63340/greater.png"/>=3.5
Python 模块 pandas
Python 模块 fire
Python 模块 tabulate
Python 模块 Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*2019 或更新版本https://au.mathworks.com/需要学术许可
单体性3.7 或更高版本https://www.sylabs.io/docs/适用于高性能计算（HPC）集群
SPM12http://www.fil.ion.ucl.ac.uk/spm/software/spm12/确保 spm12 及其所有子文件夹均位于您的 MATLAB 路径中
SUIT 工具箱3.4http://www.diedrichsenlab.org/imaging/suit_download.htm确保将 SUIT 工具箱放置在 spm12/toolbox 目录中
故障排除手册与分割输出示例http://enigma.ini.usc.edu/protocols/imaging-protocols/
教程手册与视频http://enigma.ini.usc.edu/protocols/imaging-protocols/手册及配套的实时演示提供了从开始到结束运行该流程的详细逐步操作说明。
*不免费提供；需取得学术许可

参考文献

  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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

小脑形态测量学结构磁共振成像小脑分区基于体素的形态学分析灰质体积弗里德赖希共济失调质量控制解剖分区SUIT分析流程ACAPULCO分区
使用结构磁共振成像检测人类小脑灰质形态计量学的标准化流程
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。