Name: 一种使用结构磁共振成像检查人小脑灰质形态测量的标准化管道 (视频) | JoVE Journal
Uploaded: 2022-02-04T14:00:00.000+00:00
Duration: 11 min 50 s
Description: 学习使用结构磁共振成像检查人小脑灰质形态测量的标准化管道。该方法包括解剖分割、基于体素的形态测量和质量控制流程，可自动量化小脑亚区体积，适用于多种神经系统疾病研究。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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。

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）
<ol>
	<li>数据采集
	<ol>
		<li>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。</li>
		<li>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。</li>
		<li>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&#160;以进一步识别存在问题的数据。</li>
		<li>使用 dcm2niix 等工具将所有数据转换为 NIFTI-GZ 格式47.</li>
	</ol>
	</li>
	<li>推荐的数据组织方式
	<ol>
		<li>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&#160;或 Singularity49，Matlab50，以及 SPM1251&#160;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).</li>
		<li>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。</li>
		<li>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。</li>
	</ol>
	</li>
	<li>使用ACAPULCO进行小脑解剖分区
	<ol>
		<li>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&#160;&#39;calculate_icv.tar'（docker）文件。</li>
		<li>打开终端，从命令行运行 ACAPULCO 容器以处理单张图像（替换 &#60;&#60;受试者&#62;&#62; 在下文中）。等待约 5 分钟以完成处理。
		<ol>
			<li>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/&#60;&#60;受试者&#62;&#62;/&#60;&#60;受试者&#62;&#62;.nii.gz -o 输出/&#60;&#60;受试者&#62;&#62;</li>
			<li>使用 Singularity，输入命令： 
			singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/&#60;&#60;受试者&#62;&#62;/&#60;&#60;受试者&#62;&#62;.nii.gz -o 输出/&#60;&#60;受试者&#62;&#62;</li>
		</ol>
		</li>
		<li>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。</li>
		<li>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：
		<ol>
			<li>识别 &#34;&#60;受试者&#62;_n4_mni_seg_post_inverse.nii.gz&#34;：原始空间（被试空间）中的分割后小脑掩膜。</li>
			<li>识别 &#34;&#60;受试者&#62;_n4_mni_seg_post_volumes.csv&#34;：体积（单位：mm³）3acapulco 生成的 28 个亚单位中的每一个；</li>
			<li>在“pics”目录中识别代表性图像：矢状面、轴向面和冠状面。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>统计离群值检测与质量控制（QC）
	<ol>
		<li>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：
		<ol>
			<li>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/</li>
			<li>使用 Singularity，输入命令： 
			singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>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。
	<ol>
		<li>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。</li>
		<li>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。</li>
		<li>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。
		<ol>
			<li>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 &#60;受试者&#62;): 
			subj=&#60;受试者姓名&#62;</li>
			<li>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。</li>
			<li>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。</li>
			<li>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）。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>
2. 模块2：SUIT小脑优化的基于体素的形态学分析
<ol>
	<li>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。&#160;有关运行独立版 SUIT 的说明，请参见52.
	<ol>
		<li>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。</li>
		<li>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。
		<ol>
			<li>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</li>
			<li>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。</li>
			<li>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')</li>
			<li>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 &#34;suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')，退出&#34;</li>
		</ol>
		</li>
		<li>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。</li>
		<li>请关注脚本的以下要点。
		<ol>
			<li>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。</li>
			<li>确保该脚本对小脑的灰质和白质进行分割。</li>
			<li>确保脚本使用 ACAPULCO 掩模校正分割过程中的过度包含错误。</li>
			<li>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。</li>
			<li>检查每个受试者的文件夹，查看以下最终输出：“wd”&#60;受试者&#62;_seg1.nii’（灰质）和‘wd&#60;受试者&#62;_seg2.nii'（白质）</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>统计异常值检测与质量控制
	<ol>
		<li>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</li>
		<li>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.</li>
		<li>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&#160;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。</li>
		<li>检查空间协方差中的离群值。在 MATLAB 中输入命令： 
		check_spatial_cov
		<ol>
			<li>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.</li>
			<li>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 &#62;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 &#34;&#60;受试者&#62;_n4_mni.nii.gz&#34; 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。</li>
			<li>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。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>
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。
<ol>
	<li>设置 FreeSurfer
	<ol>
		<li>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=&#60;freesurfer_installation_ directory&#62; 
		source $FREESURFER_HOME/SetUpFreeSurfer.sh</li>
		<li>替换 &#60;路径&#62; 如下所示： 
		export SUBJECTS_DIR=&#60;路径&#62;/enigma/Freesurfer</li>
	</ol>
	</li>
	<li>运行 Freesurfer autorecon1
	<ol>
		<li>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 &#60;路径&#62;/enigma/freesurfer 
		recon-all -i ../input/&#60;受试者&#62;.nii.gz -s &#60;受试者&#62; -autorecon1</li>
		<li>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。</li>
	</ol>
	</li>
	<li>ICV 的计算
	<ol>
		<li>数据组织
		<ol>
			<li>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&#160;https://github.com/Characterisation-Virtual-Laboratory/calculate_icv</li>
		</ol>
		</li>
		<li>运行ICV提取（处理时间约5分钟）
		<ol>
			<li>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</li>
			<li>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</li>
			<li>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。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>

作者声明无利益冲突。

小脑对人类广泛的运动3、认知58、情感10和语言7,59&#160;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...

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&#160;，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&#160;中均发挥重要作用（参见文献6&#160;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&#160;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&#160;，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&#160;，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&#160;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&#34;ENIGMA Cerebellum Volumetrics Pipeline&#34;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。

<table><tbody><tr><td>ACAPULCO 分析流程文件&amp;nbsp;</td><td>0.2.1</td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td>请确保使用 acapulco 0.2.1 版本</td></tr><tr><td>适用于 Mac 的 Docker</td><td></td><td>https://docs.docker.com/desktop/mac/install/</td><td>macOS 版本必须为 10.14 或更高版本&lt;br/&gt; Docker 需要 sudo 权限&lt;br/&gt; 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</td></tr><tr><td>Windows 版 Docker</td><td></td><td>https://docs.docker.com/docker-for-windows/install/</td><td></td></tr><tr><td>ENIGMA SUIT 脚本</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td></td></tr><tr><td>FreeSurfer</td><td>7</td><td>https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td><td>每次使用 FreeSurfer 时都需要设置以下变量：&lt;br/&gt; export FREESURFER_HOME=&lt;图片替代文本=&quot;方程&quot; src=&quot;/files/ftp_upload/63340/lesser.png&quot;/&gt;freesurfer _installation_directory&lt;图片替代文本=&quot;方程&quot; src=&quot;/files/ftp_upload/63340/greater.png&quot;/&gt;&lt;br/&gt; source $FREESURFER_HOME/SetUpFreeSurfer.sh</td></tr><tr><td colspan="4">export SUBJECTS_DIR=&lt;图像替代文本&quot;方程&quot; src=&quot;/files/ftp_upload/63340/lesser.png&quot;/&gt;路径&lt;图像替代文本=&quot;方程&quot; src=&quot;/files/ftp_upload/63340/greater.png&quot;/&gt;/enigma/Freesurfer</td></tr><tr><td>FSL（用于 FSLeyes）。可选</td><td>6</td><td>https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation</td><td></td></tr><tr><td>ICV 流程文件</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td>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：&lt;br/&gt; Python 版本 &lt;图片替代文本=&quot;方程&quot; src=&quot;/files/ftp_upload/63340/greater.png&quot;/&gt;=3.5&lt;br/&gt; Python 模块 pandas&lt;br/&gt; Python 模块 fire&lt;br/&gt; Python 模块 tabulate&lt;br/&gt; Python 模块 Colorama</td></tr><tr><td></td><td></td><td>https://github.com/Characterisation-Virtual-Laboratory/calculate_icv</td><td></td></tr><tr><td>MATLAB*</td><td>2019 或更新版本</td><td>https://au.mathworks.com/</td><td>需要学术许可</td></tr><tr><td>单体性</td><td>3.7 或更高版本</td><td>https://www.sylabs.io/docs/</td><td>适用于高性能计算（HPC）集群</td></tr><tr><td>SPM</td><td>12</td><td>http://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td><td>确保 spm12 及其所有子文件夹均位于您的 MATLAB 路径中</td></tr><tr><td>SUIT 工具箱</td><td>3.4</td><td>http://www.diedrichsenlab.org/imaging/suit_download.htm</td><td>确保将 SUIT 工具箱放置在 spm12/toolbox 目录中</td></tr><tr><td>故障排除手册与分割输出示例</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td></td></tr><tr><td>教程手册与视频</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td>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。</td></tr><tr><td>*不免费提供；需取得学术许可</td><td></td><td></td><td></td></tr></tbody></table>

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

A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging

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。

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...

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。

大量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重要作用，远远超出了……

我们的流程采用前沿方法，利用人类结构磁共振成像对小脑亚单位体积进行量化。该过程包括解剖分区、基于体素的形态学分析以及质量控制步骤。我们标准化的流程基本实现了自动化，提供 Docker 和 Singularity 格式，可广泛应用于多种神经系统疾病的研究。首先，确保已安装 Docker 或 Singularity、MATLAB 和 SPM12。然后，在命令行中使用创建目录命令，在工作目录下建立文件夹，并将其命名为 acapulco、suit 和 freesurfer。接着，在 acapulco 目录中创建一个 output 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 NIFTI gz 格式的 T1 加权图像。对于解剖性小脑分区，下载 acapulco 容器，然后下载运行 acapulco 所需的相关脚本和容器。接着将 acapulco Docker 或 Singularity 容器、QCs_scripts 压缩包的内容以及 RCIF 容器或 calculate_dicv 放置到相应位置。在 acapulco 目录中解压 tar 文件。接着，打开终端，使用 Singularity 输入指定命令，以在单张图像上运行 acapulco 容器。等待五分钟，直至处理完成。然后，在队列中的所有受试者或扫描数据上进行循环处理。处理完成后，查找在特定受试者文件夹中生成的文件。识别 acapulco 生成的每个 28 个亚单位在原始空间及其体积中的分割小脑掩模。然后，从 pics 目录中选取具有代表性的矢状面、轴向面和冠状面图像。为进行统计学离群值检测和质量控制，请确保 QC 脚本的内容位于 acapulco 目录中。接着，使用 Singularity，输入指定的命令。要检查 acapulco 生成的质控图像，请在网页浏览器中打开 QC_Images.html，快速浏览图像以识别明显的失败情况或系统性问题。记录下分割图像中失败或可疑的受试者 ID，以便后续跟进。接下来，打开 Plots_for_Outliers.html 以查看定量统计异常值的箱线图。在“异常值”表的相关列中，识别由数字 1 标记的异常值。csv 文件，并在 Outliers.csv 的最后一列中记录每个受试者被识别为离群值的片段总数。手动检查每个存在一个或多个离群值的图像。如果使用标准的 NIFTI 图像查看器，请将阿卡普尔科（acapulco）模板叠加到原始 T1 加权图像上，逐层检查分区的质量。如果一个或多个已分区区域需要从最终数据集中排除，则通过将相应受试者对应单元格中的体积估计值替换为 NA，从分析中排除该分区结果。如果分区错误导致小脑部分区域被排除在模板之外，则应立即将该受试者从后续分析中排除。使用 SUIT 进行基于体素的形态学分析时，需确保 SPM12 文件夹及其所有子文件夹均已添加至 MATLAB 路径中。此外，需将 enigma_suit 脚本保存在 SPM12 工具箱目录下，并将其添加至 MATLAB 路径。要检查 MATLAB 路径，可在 MATLAB 命令窗口中输入 pathtool，然后点击“添加子文件夹”以添加相关文件夹。接下来，使用图形用户界面，在 MATLAB 命令行窗口中输入 suit_enigma_all 以运行一个或多个受试者的 SUIT 流程。在第一个弹出窗口中，从 acapulco 输出目录中选择要包含在分析中的受试者文件夹。单击窗口右侧的各个文件夹，或右键单击并选择全部。然后，按“完成”。在第二个弹出窗口中，选择 SUIT 目录。若要从 MATLAB 命令行调用单个受试者的函数，请输入指定的命令。在命令行中运行 SUIT 时，如果 SPM12 或 enigma_suit 目录未永久添加到 MATLAB 路径中，则必须在命令行中加入该步骤。若要在 MATLAB 外的终端窗口中为单个被试调用该函数，请输入所示命令。检查每个被试文件夹中的最终输出结果。为了直观检查归一化调制图像中的主要异常情况，请在 MATLAB 中输入 spm_display_4d。接着，为选择所需图像，请进入 SUIT 目录，并在筛选框中输入指定命令。然后，点击“递归”按钮，再点击“完成”。滚动查看图像，确保所有图像均对齐良好。接下来，为检查空间协方差中的离群值，在 MATLAB 中输入 check_spatial_cov。然后，选择之前生成的调制图像，并在提示时设置 Prop。将“scaling”设为“yes”，“Variable”设为“covariance”，“out”设为“no”，“Slice”设为48，“Gap”设为1。最后，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。在MATLAB命令窗口中，识别出均值以下超过两个标准差的数据点。对于这些数据点，请检查 SUIT 文件夹中的相应图像是否存在伪影、图像质量问题或预处理错误。此处显示的是脊髓小脑性共济失调 2 型患者严重萎缩的小脑。尽管在边缘区域可见组织缺失，SUIT 已将此图像很好地配准至模板，因此无需排除。而在此处，小脑从上到下的信号强度存在明显梯度变化，且图像质量杂乱，应予以排除。最后，在此示例中，掩膜效果不佳。边缘不够清晰，且图像比SUIT流程通常输出的图像更为平滑。这种情况应予以排除。良好的分区示例（包括健康和严重萎缩的小脑）如图所示，而小脑叶小叶轻微过度包含或遗漏的错误分区示例可在此处查看。此类错误通常需要排除受影响的个别小叶，而其余已分区的小脑部分仍可保留。相比之下，全局性失败则需要完全排除该受试者。当对31名弗里德赖希共济失调患者和37名健康对照者样本应用Acapulco分析时，左侧第九小叶和右侧小叶 Crus I 的排除率最高。弗里德赖希共济失调患者与健康对照个体的小脑28个解剖小叶体积比较显示，弗里德赖希共济失调患者的髓质白质显著减少。两组之间无其他显著差异。此处展示了来自健康对照组和弗里德赖希共济失调患者的图像配准良好的示例，而排除案例的示例可在此处查看。在检验所有归一化图像的空间协方差后，根据其与样本其余部分的平均空间协方差，检测到两次扫描为统计学上的离群值。在SNPM中采用非参数置换检验，以检测小脑灰质体积在组间是否存在显著差异。SUIT分析结果显示，弗里德赖希共济失调患者的双侧前叶小叶I至V以及包括蚓部VI和蚓部IX在内的中后部小脑区域，灰质体积显著减小。必须手动检查小脑掩模，以确保已实现完整的小脑覆盖，同时检查掩模是否存在对小脑小叶的过度包含或遗漏。该流程可促进针对小脑灰质结构的多中心群体水平统计分析。其他技术，如功能连接分析，也可用于探索各个小脑小叶与大脑之间的连接性。

a-standardized-pipeline-for-examining-human-cerebellar-grey-matter

Research

科研

JoVE Journal

Neuroscience

神经科学

一种使用结构磁共振成像检查人小脑灰质形态测量的标准化管道

本文介绍了在3T磁共振扫描仪上对人体中脑及皮层下结构进行1.2...

高分辨率人类中脑功能磁共振成像方法

病灶探查者：一种基于视频指导的标准化方案，用于阿尔茨海默病及正常老年人群中准确可靠的磁共振成像衍生体积测量

利用磁共振成像（人类）、3D成像软件以及免疫组织化学分析，我们记录了大脑侧脑室的变化。随后在小鼠模型中模拟人类大脑因衰老或疾病引起的侧脑室体积的纵向3D图谱变化，以及脑室周围细胞变化的特征。...

人和小鼠侧脑室的三维建模及室周组织的组织学表征

本文描述了一种用于容积性磁共振成像（MRI）数据分析的统计模型，该模型可识别在亨廷顿病临床前阶段脑萎缩开始的"变化点"。基于采用T1加权图像的图谱引导分割流程所获得的脑体积数据，实现了全脑范围内的变化点定位图谱绘制。...

全脑分割与解剖学脑部MRI的变点分析——在亨廷顿病前驱期中的应用

本方案描述了将七种不同的自动化分割工具应用于结构T1加权MRI扫描，以勾画可用于灰质体积定量的灰质区域的过程。...

基于T1加权MRI图像的皮层灰质自动分割

多发性硬化症是一种炎性脱髓鞘疾病，目前尚无治愈方法。对脑组织的分析为理解该疾病的发病机制提供了重要线索。本文讨论了通过克利夫兰诊所特有的快速尸检项目所采集的多发性硬化症脑组织样本的研究方法及其后续分析。...

多发性硬化症患者全面尸检项目

这是一项3T磁共振成像研究，旨在探讨大麻诱发的精神病患者与非精神病性慢性大麻使用者之间灰质体积的差异。...

伴有或不伴有精神病的大麻使用者的大脑形态学：一项初步的MRI研究

本方案展示了如何获取黑质的神经黑色素敏感磁共振成像数据。...

黑质神经黑色素敏感磁共振成像的标准化数据采集

本方案描述了使用iDISCO+对完整小鼠脑组织进行磁共振成像、透明化处理和免疫标记的方法，随后详细介绍了利用光片显微镜进行成像，以及使用NuMorph进行后续分析的步骤。...

利用MRI、组织透明化和光片显微镜对完整新生小鼠脑进行全脑单细胞成像与分析

本研究整合了磁共振成像—动脉自旋标记图像，以构建脑功能区的脑血流量（CBF）图谱。通过比较典型健康状态与慢性脑缺血状态下的CBF图谱，发现区域CBF分布存在显著差异，从而实现对功能性CBF的快速、无创评估，有助于疾病诊断及治疗效果的评价。...

基于脑功能区的脑血流图谱构建及其在磁共振成像—动脉自旋标记中的应用

学习使用结构磁共振成像检查人小脑灰质形态测量的标准化管道。该方法包括解剖分割、基于体素的形态测量和质量控制流程，可自动量化小脑亚区体积，适用于多种神经系统疾病研究。

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

探索更多视频