Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Eine standardisierte Pipeline zur Untersuchung der Morphometrie der menschlichen zerebellären grauen Substanz mittels struktureller Magnetresonanztomographie

4.1K Aufrufe

⸱

DOI:

10.3791/63340

⸱

4. Februar 2022

 ,  ,  ,  ,  ,  , 
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

In diesem Artikel

Zusammenfassung

Es wird eine standardisierte Pipeline zur Untersuchung der Morphometrie der grauen Substanz des Kleinhirns vorgestellt. Die Pipeline kombiniert hochauflösende, hochmoderne Ansätze zur optimierten und automatisierten Kleinhirnpaketierung und voxelbasierten Registrierung des Kleinhirns zur volumetrischen Quantifizierung.

Zusammenfassung

Mehrere Forschungslinien liefern überzeugende Beweise für eine Rolle des Kleinhirns in einer Vielzahl von kognitiven und affektiven Funktionen, die weit über seine historische Assoziation mit der motorischen Kontrolle hinausgehen. Strukturelle und funktionelle Neuroimaging-Studien haben das Verständnis der funktionellen Neuroanatomie des Kleinhirns über seine anatomischen Abteilungen hinaus weiter verfeinert und die Notwendigkeit der Untersuchung einzelner Kleinhirnuntereinheiten bei gesunder Variabilität und neurologischen Erkrankungen hervorgehoben. Dieses Papier stellt eine standardisierte Pipeline zur Untersuchung der Mikrorebell-Morphometrie der grauen Substanz vor, die hochauflösende, hochmoderne Ansätze für eine optimierte und automatisierte Kleinhirnparzellierung (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) und voxelbasierte Registrierung des Kleinhirns (Spatially Unbiased Infra-tentorial Template; SUIT) zur volumetrischen Quantifizierung.

Die Pipeline ist breit auf eine Reihe von neurologischen Erkrankungen anwendbar und vollständig automatisiert, wobei manuelle Eingriffe nur für die Qualitätskontrolle der Ergebnisse erforderlich sind. Die Pipeline ist frei verfügbar, mit umfangreicher Begleitdokumentation und kann auf Mac-, Windows- und Linux-Betriebssystemen ausgeführt werden. Die Pipeline wird in einer Kohorte von Personen mit Friedreich-Ataxie (FRDA) angewendet, und es werden repräsentative Ergebnisse sowie Empfehlungen zu inferentiellen statistischen Analysen auf Gruppenebene bereitgestellt. Diese Pipeline könnte die Zuverlässigkeit und Reproduzierbarkeit auf dem gesamten Gebiet erleichtern und letztendlich einen leistungsfähigen methodischen Ansatz zur Charakterisierung und Verfolgung von kleinhirnstrukturellen Veränderungen bei neurologischen Erkrankungen bieten.

Einleitung

Das Kleinhirn ist ein Teil des Gehirns, der historisch mit der motorischen Kontrolle 1,2,3 verbunden ist und von dem angenommen wird, dass er nur an einer kleinen Anzahl seltener Krankheiten, wie vererbten Ataxien 4, beteiligt ist. Konvergierende Forschungslinien aus anatomischen Rückverfolgungsstudien an nichtmenschlichen Primaten sowie Studien zu menschlichen Läsionen und Neuroimaging liefern jedoch überzeugende Beweise für eine Rolle des Kleinhirns in einer Vielzahl von kognitiven5,6,7, affektiven8,9,10,11 und anderen nichtmotorischen Funktionen 7,12 (siehe 6  zur Überprüfung). Darüber hinaus sind Anomalien des Kleinhirns zunehmend mit einer breiten Palette von neurologischen und psychiatrischen Erkrankungen verbunden, darunter die Parkinson-Krankheit 13, die Alzheimer-Krankheit14,15, die Epilepsie16,17, die Schizophrenie 18 und die Autismus-Spektrum-Störung 19 . Daher ist es unerlässlich geworden, das Kleinhirn in funktionelle und strukturelle Modelle menschlicher Hirnerkrankungen und normativer Verhaltensvariabilität zu integrieren.

Anatomisch kann das Kleinhirn entlang seiner oberen bis unteren Achse in drei Lappen unterteilt werden: vordere, hintere und flockungstragende Achsen. Die Lappen sind weiter unterteilt in 10 Läppchen, die durch römische Ziffern I-X20,21 gekennzeichnet sind (Abbildung 1). Das Kleinhirn kann auch in Mittellinien- (Vermis) und laterale (Hemisphäre) Zonen gruppiert werden, die jeweils Eingaben vom Rückenmark und der Großhirnrinde erhalten. Der vordere Lappen, bestehend aus Läppchen I-V, wurde traditionell mit motorischen Prozessen in Verbindung gebracht und hat wechselseitige Verbindungen mit zerebralen motorischen Kortexen22. Der hintere Lappen, der die Läppchen VI-IX umfasst, ist in erster Linie mit nichtmotorischen Prozessen11 assoziiert und weist reziproke Verbindungen mit dem präfrontalen Kortex, dem posterioren Parietal und den oberen temporalen Hirnrinde 8,23 auf. Schließlich hat der flockungslobuläre Lappen, der das Läppchen X umfasst, wechselseitige Verbindungen mit vestibulären Kernen, die die Augenbewegungen und das Körpergleichgewicht während des Standes und des Ganges21 steuern.

Eine wachsende Zahl neuerer Arbeiten mit funktioneller Neurobildgebung hat das Verständnis der funktionellen Neuroanatomie des Kleinhirns über seine anatomischen Abteilungen hinaus weiter verfeinert. Zum Beispiel wurden Techniken der funktionellen Magnetresonanztomographie (fMRT) im Ruhezustand verwendet, um das Muster der funktionellen Wechselwirkungen zwischen Kleinhirn und Großhirn24 abzubilden. Darüber hinaus zeigten King und Kollegen7 unter Verwendung eines aufgabenbasierten Paketierungsansatzes, dass das Kleinhirn ein reiches und komplexes Muster funktioneller Spezialisierung über seine gesamte Breite zeigt, was durch ausgeprägte funktionelle Grenzen belegt wird, die mit einer Vielzahl von motorischen, affektiven, sozialen und kognitiven Aufgaben verbunden sind. Insgesamt unterstreichen diese Studien, wie wichtig es ist, einzelne Kleinhirnuntereinheiten zu untersuchen, um vollständige biologische Charakterisierungen der Kleinhirnbeteiligung sowohl bei gesunder Variabilität als auch bei neurologischen Erkrankungen zu entwickeln, die durch Veränderungen der Kleinhirnstruktur und / oder -funktion gekennzeichnet sind.

Die vorliegende Arbeit konzentriert sich auf Methoden zur Quantifizierung lokaler Veränderungen des Kleinhirnvolumens mittels struktureller MRT beim Menschen. Im Allgemeinen gibt es zwei grundlegende Ansätze zur Quantifizierung des regionalen Gehirnvolumens mithilfe von MRT-Daten: die merkmalsbasierte Segmentierung und die voxelbasierte Registrierung. Merkmalsbasierte Segmentierungsansätze verwenden anatomische Landmarken und standardisierte Atlanten, um Grenzen zwischen Teilbereichen automatisch zu identifizieren. Mainstream-Softwarepakete für die Segmentierung sind FreeSurfer25, BrainSuite 26 und FSL-FIRST27. Diese Verpackungen enthalten jedoch nur grobe Parzellierungen des Kleinhirns (z. B. Beschriftung der gesamten grauen Substanz und der ganzen weißen Substanz in jeder Hemisphäre), wodurch die einzelnen Kleinhirnläppchen übersehen werden. Diese Ansätze sind auch anfällig für Fehlsegmentierungen, insbesondere für die Überinklusion des umgebenden Gefäßsystems.

Es wurden neue Algorithmen für maschinelles Lernen und Multi-Atlas-Etikettierung entwickelt, die eine genauere und feinkörnigere Parzellierung des Kleinhirns ermöglichen, einschließlich des Algorithmus für die automatische Klassifizierung von Kleinhirnläppchen unter Verwendung der impliziten mehrgrenzenigen Evolution (ACCLAIM28,29), des Cerebellar Analysis Toolkit (CATK 30), mehrerer automatisch generierter Vorlagen (MAGeT 31), der schnellen automatischen Segmentierung des menschlichen Kleinhirns und seiner Läppchen (RASCAL 32 ), graph-cut segmentation33 und CEREbellum Segmentation (CERES34). In einem kürzlich erschienenen Artikel, in dem modernste vollautomatische Kleinhirnpaketierungsansätze verglichen wurden, wurde festgestellt, dass CERES2 andere Ansätze im Vergleich zur manuellen Goldstandardsegmentierung der Kleinhirnläppchen übertrifft35. In jüngerer Zeit entwickelten Han und seine Kollegen36 einen Deep-Learning-Algorithmus namens ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), der CERES2 ebenbürtig ist, eine breite Anwendbarkeit sowohl auf gesunde als auch auf atrophierte Kleinhirne hat, im Open-Source-Docker- und Singularity-Containerformat für die Implementierung "von der Stange" verfügbar ist und zeiteffizienter ist als andere Ansätze. ACAPULCO teilt das Kleinhirn automatisch in 28 anatomische Regionen ein.

Im Gegensatz zur featurebasierten Segmentierung funktionieren voxelbasierte Registrierungsansätze, indem eine MRT präzise auf ein Vorlagenbild abgebildet wird. Um dieses Mapping zu erreichen, müssen die Voxel im Originalbild in Größe und Form verzerrt sein. Das Ausmaß dieser Verzerrung liefert effektiv ein Maß für das Volumen an jedem Voxel relativ zur Goldstandard-Vorlage. Diese Form der volumetrischen Bewertung wird als "voxelbasierte Morphometrie" bezeichnet37. Ganzhirn-Voxel-basierte Registrierungsansätze wie FSL-FLIRT38/FNIRT39, SPM Unified Segmentation40 und CAT1241 werden häufig für die Voxel-basierte Morphometrie verwendet. Diese Ansätze erklären das Kleinhirn jedoch nicht gut, was zu einer schlechten Reliabilität und Validität in infratentorialen Regionen (Kleinhirn, Hirnstamm42) führt. Um diesen Einschränkungen Rechnung zu tragen, wurde der SUIT-Algorithmus (Spatially Unbiased Infra-tentorial Template) entwickelt, um die Kleinhirnregistrierung zu optimieren und die Genauigkeit der voxelbasierten Morphometriezu verbessern 42,43.

Merkmalsbasierte Segmentierung und voxelbasierte Registrierungsansätze zur Schätzung des regionalen Kleinhirnvolumens haben grundlegende Stärken und Schwächen. Segmentierungsansätze sind wesentlich genauer für die Quantifizierung des Volumens von anatomisch definierten Bereichen (z. B. Läppchen35). Grenzen zwischen verschiedenen funktionellen Modulen des Kleinhirns lassen sich jedoch nicht auf seine anatomische Folia und Fissuren (äquivalent zu Gyri und Sulci des Großhirns7) abbilden. Da registrierungsbasierte Ansätze nicht durch anatomische Landmarken eingeschränkt sind, ist eine feinkörnigere räumliche Inferenz und eine hochdimensionale Struktur-Funktions-Abbildung des Kleinhirns möglich44. Zusammengenommen ergänzen sich Segmentierungs- und Registrierungsansätze und können zur Beantwortung unterschiedlicher Forschungsfragen eingesetzt werden.

Hier wird eine neue standardisierte Pipeline vorgestellt, die diese bestehenden, validierten Ansätze integriert, um eine optimierte und automatisierte Paketierung (ACAPULCO) und voxelbasierte Registrierung des Kleinhirns (SUIT) für die volumetrische Quantifizierung zu ermöglichen (Abbildung 2). Die Pipeline baut auf den etablierten Ansätzen auf, um Qualitätskontrollprotokolle unter Verwendung qualitativer Visualisierung und quantitativer Ausreißererkennung sowie eine schnelle Methode zur Schätzung des intrakraniellen Volumens (ICV) mit Freesurfer zu umfassen. Die Pipeline ist voll automatisiert, wobei manuelle Eingriffe nur für die Überprüfung der Qualitätskontrollausgaben erforderlich sind, und kann auf Mac-, Windows- und Linux-Betriebssystemen ausgeführt werden. Die Pipeline ist ohne Einschränkungen ihrer Verwendung für nichtkommerzielle Zwecke frei verfügbar und kann über die Webseite ENIGMA Consortium Imaging Protocols (unter "ENIGMA Cerebellum Volumetrics Pipeline") nach Ausfüllen eines kurzen Registrierungsformulars45 abgerufen werden.

Die gesamte erforderliche Software ist in der Materialtabelle aufgeführt, und detaillierte Lernprogramme, einschließlich einer Live-Demonstration, stehen beim Herunterladen der Pipeline zusätzlich zu dem unten beschriebenen Protokoll zur Verfügung. Schließlich werden repräsentative Ergebnisse aus der Implementierung der Pipeline in einer Kohorte von Menschen mit Friedreich-Ataxie (FRDA) und alters- und geschlechtsangepassten gesunden Kontrollen sowie Empfehlungen für statistische Inferenzanalysen auf Gruppenebene bereitgestellt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

HINWEIS: Die in dieser Studie verwendeten Daten waren Teil eines Projekts, das von der Ethikkommission für Humanforschung der Monash University genehmigt wurde (Projekt 7810). Die Teilnehmer gaben eine schriftliche Einwilligung nach Aufklärung. Während die Pipeline auf Mac-, Windows- oder Linux-Betriebssystemen ausgeführt werden kann, wurden ACAPULCO, GAT und die QC-Pipelines explizit auf Linux- (Ubuntu) und Mac- (Catalina, Big Sur v11.0.1) Betriebssystemen getestet.

1. Modul 1: ACAPULCO (anatomische Paketierung)

  1. Datensammlung
    1. Sammeln Sie 3D-T1-gewichtete MRT-Bilder des gesamten Gehirns mit einer Auflösung von 1 mm3 oder weniger. Isotrope Voxelabmessungen (typischerweise 1 mm x 1 mm x 1 mm) und ein 3-Telsa-Scanner (oder höher) werden empfohlen. Wenden Sie sich an einen Bildgebungsspezialisten in seinem Radiographiezentrum, um Daten einzurichten und zu erfassen, die diesen Spezifikationen entsprechen.
      HINWEIS: T2-gewichtete Bilder sind manchmal nützlich für volumetrische Analysen; Die hier vorgestellte Pipeline stützt sich jedoch nur auf T1-gewichtete Daten, und einige der verwendeten Tools sind exklusiv für diese Art von Daten. Daher können T2-gewichtete Bilder nicht verwendet werden.
    2. Führen Sie eine visuelle Qualitätsbewertung von Bildern durch, um grobe Kleinhirnfehlbildungen (z. B. große Läsionen) oder wesentliche Bewegungsartefakte auszuschließen, die die Identifizierung wichtiger Kleinhirn-Landmarken (z. B. der großen anatomischen Fissuren) verhindern. Schließen Sie verkümmerte Kleinhirn nicht automatisch aus, auch wenn sie erheblich sind.
    3. Berücksichtigen Sie für Gruppenstudien auch quantitative Qualitätsbewertungen mit frei verfügbaren, standardisierten Tools wie MRIQC46, um problematische Daten weiter zu identifizieren.
    4. Konvertieren Sie alle Daten mit einem Tool wie dcm2niix47 in das NIFTI-GZ-Format.
  2. Empfohlene Datenorganisation
    1. Besorgen Sie sich die gesamte erforderliche Software, wie in der Materialtabelle aufgeführt. Stellen Sie sicher, dass Docker48 oder Singularity 49, Matlab 50 und SPM1251 installiert sind, bevor die Pipeline ausgeführt wird.
      HINWEIS: Umfangreiche schriftliche und Video-Tutorials, die die Pipeline beschreiben, sind ebenfalls verfügbar (siehe Materialtabelle).
    2. Sobald alle notwendige Software installiert ist, erstellen Sie Ordner im Arbeitsverzeichnis und kennzeichnen Sie sie mit "acapulco", "suit" und "freesurfer". Tun Sie dies mit dem Befehl mkdir über die Befehlszeile.
    3. Erstellen Sie im Verzeichnis 'acapulco' einen Ausgabeordner . Erstellen Sie im Ausgabeordner ein Verzeichnis für jedes Thema in der Studie, das das T1-gewichtete Bild im NIFTI-GZ-Format enthält.
      HINWEIS: Es wird empfohlen, eine Kopie der Originaldaten an einem anderen Ort aufzubewahren.
  3. Anatomische Kleinhirnpaketierung mit ACAPULCO
    1. Gehen Sie zur Materialtabelle und laden Sie die relevanten Skripte und Container herunter, die zum Ausführen von ACAPULCO erforderlich sind (unter acapulco-Pipeline-Dateien). Platzieren Sie im Verzeichnis "acapulco" den Container (i) ACAPULCO Docker OR Singularity ('acapulco_0.2.1.tar.gz' bzw. '.sif'), (ii) den Inhalt des QC_scripts-Archivs (3 Dateien: 'QC_Master.R', 'QC_Plots.Rmd' und 'QC_Image_Merge.Rmd') und (iii) 'R.sif' (Singularität) ODER 'calculate_icv.tar' (Docker) Datei.
    2. Öffnen Sie ein Terminal, und führen Sie den ACAPULCO-Container über die Befehlszeile auf einem einzelnen Image aus (ersetzen Sie im Folgenden <>). Warten Sie ~ 5 Minuten, bis die Verarbeitung abgeschlossen ist.
      1. Geben Sie mit Docker den folgenden Befehl ein:
        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. Geben Sie mit Singularität den folgenden Befehl ein:
        singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
    3. Schleife über alle Themen / Scans in der Kohorte. In der Tabelle der Materialien finden Sie einen Link zur ENIGMA Imaging Protocols-Website zum Herunterladen der Pipeline (unter ENIGMA Cerebellum Volumetrics Pipeline) und zum Tutorial-Handbuch mit Beispielen zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.
    4. Suchen Sie nach der Verarbeitung nach den folgenden Dateien, die in den fachspezifischen Ordnern generiert wurden:
      1. Identifizieren Sie "_n4_mni_seg_post_inverse.nii.gz": paketierte Kleinhirnmaske im Original (Betreffraum).
      2. Identifizieren Sie "_n4_mni_seg_post_volumes.csv": Volumen (in mm3) für jede der 28 von Acapulco erzeugten Untereinheiten;
      3. Identifizieren Sie repräsentative Bilder (im Verzeichnis "Bilder"): sagittal, axial und koronal.
  4. Statistische Ausreißererkennung und Qualitätskontrolle (QC)
    1. Stellen Sie im Terminal und im Verzeichnis "acapulco" sicher, dass sich der Inhalt der QC_scripts im Verzeichnis "acapulco" befindet. So führen Sie die QC-Skripte aus:
      1. Geben Sie mit Docker den folgenden Befehl ein:
        Docker laden calculate_icv.tar
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        QC_Master.R-Ausgang/
      2. Geben Sie mit Singularität den folgenden Befehl ein:
        Singularität exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. Untersuchung der von ACAPULCO erzeugten QC-Bilder
    HINWEIS: Es gibt einen 3-stufigen Prozess zur Qualitätsprüfung der ACAPULCO-Paketbilder.
    1. Öffnen Sie die "QC_Images.html" in einem Webbrowser und scrollen Sie schnell (~ 10 s pro Subjekt) durch die Bilder, um offensichtliche Fehler oder systematische Probleme zu identifizieren. Notieren Sie sich die Betreff-IDs von fehlgeschlagenen oder verdächtigen Paketbildern für die Nachverfolgung.
      HINWEIS: Siehe Abbildung 3 für eine Anleitung zur Neuroanatomie der Kleinhirnläppchen und Abbildung 4, Abbildung 5 und Abbildung 6 im Abschnitt "Repräsentative Ergebnisse" unten für Beispiele für "gute" Parzellen, "subtile Fehlparzellierungen" und "Global Failure" -Paketierungen.
    2. Öffnen Sie die 'Plots_for_Outliers.html', um die Kontrollkästchen für quantitative statistische Ausreißer zu aktivieren. Suchen Sie nach Ausreißern (2,698 s.d über oder unter dem Mittelwert) über oder unter den Schnurrhaaren der Boxplots. Bewegen Sie den Mauszeiger über die Datenpunkte, um die Betreff-ID anzuzeigen. Identifizieren Sie die Ausreißer, die mit einer "1" in der entsprechenden Spalte in der Datei "Ausreißer.csv" gekennzeichnet sind, und notieren Sie sich die Gesamtzahl der Segmente, die als Ausreißer für jedes Thema identifiziert wurden, in der letzten Spalte unter "Ausreißer.csv".
    3. Überprüfen Sie manuell jedes Bild mit einem oder mehreren Ausreißern. KRITISCH: Überlagern Sie mit einem Standard-NIFTI-Bildbetrachter (z. B. FSLEyes oder MRICron) die ACAPULCO-Maske auf dem ursprünglichen T1w-Bild, um die Qualität der Parzellierung Slice für Slice zu überprüfen.
      1. Um Overlays für detaillierte QC aus der Befehlszeile mit FSLEyes zu generieren, i) ändern Sie das Verzeichnis in das Verzeichnis 'acapulco', ii) geben Sie den zu betrachtenden Betreff an (ersetzen Sie ):
        subj=
      2. Kopieren Sie den folgenden Code auf das Terminal (ohne {subj} manuell zu ändern, da dies durch die vorherige Zeile festgelegt wurde:
        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 random
        HINWEIS: Es muss entschieden werden, ob das abnormale Segment einbezogen werden soll oder nicht, d.h. gibt es einen Paketierungsfehler oder ist es nur eine normale Variabilität in der Anatomie des Individuums? Jede paketierte Region wird einzeln betrachtet, so dass einige Regionen für ein Bild ausgeschlossen werden können, während der Rest bei Richtigkeit beibehalten werden kann.
      3. Müssen eine oder mehrere paketierte Regionen aus dem endgültigen Datensatz ausgeschlossen werden?
        Wenn Ja (Ausreißer wird bestätigt), schließen Sie diese Parzellierung(en) von der Analyse aus, indem Sie die Volumenschätzung in der entsprechenden Zelle der Datei "Cerebel_vols.csv" für diesen Gegenstand durch NA ersetzen.
      4. Führen Paketierungsfehler dazu, dass ein Teil des Kleinhirns von der Maske ausgeschlossen wird?
        Wenn Ja (z. B. wenn bestimmte Kleinhirnläppchen in der Maske fehlen oder "abgeschnitten" erscheinen), schließen Sie das Subjekt sofort von weiteren Analysen aus (d. h. fahren Sie nicht fort, das SUIT-Modul für diese Probanden auszuführen).

2. Modul 2: SUIT-Kleinhirn-optimierte Voxel-basierte Morphometrie

  1. Voxel-basierte Morphometrie-Analysen mit SUIT
    KRITISCH: Diese Pipeline setzt voraus, dass das ACAPULCO-Modul bereits ausgeführt wurde, da es auf die Generierung einer fachspezifischen Kleinhirnmaske zur Optimierung der Registrierung und Normalisierung des Kleinhirns auf die SUIT-Vorlage angewiesen ist. Wenn die von ACAPULCO erzeugte fachspezifische Maske nicht das gesamte Kleinhirn umfasst, rechtfertigt dies den Ausschluss aus dem SUIT-Modul. Anweisungen zum Ausführen von SUIT Standalone finden Sie unter52.
    1. Besorgen Sie sich die gesamte erforderliche Software, die in der Materialtabelle aufgeführt ist. Stellen Sie sicher, dass sich der Ordner SPM12 und alle Unterordner im MATLAB-Pfad befinden. Stellen Sie sicher, dass enigma_suit Skripts im Verzeichnis 'spm12/toolbox' gespeichert und dem MATLAB-Pfad hinzugefügt werden. Um den MATLAB-Pfad zu überprüfen, geben Sie pathtool in das MATLAB-Befehlsfenster ein und klicken Sie dann auf Mit Unterordnern hinzufügen , um die entsprechenden Ordner hinzuzufügen.
    2. Führen Sie die SUIT-Pipeline für ein oder mehrere Themen aus. Warten Sie ~ 15-20 Minuten (wenn Sie die grafische Benutzeroberfläche [GUI] verwenden) und ~ 5-7 Minuten, wenn Sie vom Terminal (Bash / Shell) aus laufen, bis die Verarbeitung abgeschlossen ist.
      1. Um die grafische Benutzeroberfläche zu verwenden (Themen werden in Serie ausgeführt), geben Sie im MATLAB-Befehlsfenster den folgenden Befehl ein:
        suit_enigma_all
      2. Wählen Sie im ersten Popup-Fenster die Betreffordner aus dem Verzeichnis "acapulco/output" aus, die in die Analyse einbezogen werden sollen. Klicken Sie auf die einzelnen Ordner auf der rechten Seite des Fensters, oder klicken Sie mit der rechten Maustaste und wählen Sie Alle aus. Drücken Sie auf Fertig. Wählen Sie im zweiten Popup-Fenster das SUIT-Verzeichnis aus, in das die Analysen geschrieben werden.
      3. ODER Rufen Sie die Funktion über die MATLAB-Befehlszeile für einen einzelnen Betreff auf, und geben Sie den folgenden Befehl ein:
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. ODER Rufen Sie die Funktion über das Terminalfenster außerhalb von MATLAB für ein einzelnes Thema auf, indem Sie den folgenden Befehl eingeben:
        matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
    3. In der Tabelle der Materialien finden Sie einen Link zur ENIGMA Imaging Protocols-Website zum Herunterladen der Pipeline (unter ENIGMA Cerebellum Volumetrics Pipeline) und zum Tutorial-Handbuch mit Beispielen zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.
    4. Achten Sie auf die folgenden Punkte in Bezug auf das Skript.
      1. Stellen Sie sicher, dass das Skript das N4-Bias-korrigierte, MNI-ausgerichtete (Rigid-Body) T1-Bild und die ACAPULCO-Kleinhirnmaske in das Ausgabeverzeichnis kopiert.
      2. Stellen Sie sicher, dass das Skript die graue und weiße Substanz des Kleinhirns segmentiert.
      3. Stellen Sie sicher, dass das Skript mithilfe der ACAPULCO-Maske Fehler bei der Übereinbindung in der Parzellierung korrigiert.
      4. Stellen Sie sicher, dass das Skript DARTEL die Daten normalisiert und mit Jacobian Modulation in den SUIT-Raum neu schneidet, so dass der Wert jedes Voxels proportional zu seinem ursprünglichen Volumen ist.
      5. Überprüfen Sie den Ordner jedes Betreffs auf die folgenden endgültigen Ausgaben: "wd_seg1.nii" (graue Substanz) und "wd_seg2.nii" (weiße Substanz).
  2. Statistische Ausreißererkennung und Qualitätskontrolle
    1. Überprüfen Sie die normalisierten, modulierten Bilder (wd*) visuell auf größere Fehler. Geben Sie in MATLAB den folgenden Befehl ein:
      spm_display_4D
    2. Wählen Sie manuell die 'wd*seg1'-Bilder aus den Anzug-Unterordnern aus oder navigieren Sie zum Verzeichnis 'suit'; Geben Sie '^wd.*seg1' in das Feld Filter ein (keine Anführungszeichen) und drücken Sie die Rec-Taste . Drücken Sie auf Fertig.
    3. Scrollen Sie durch die Bilder, um sicherzustellen, dass sie alle gut ausgerichtet sind. Siehe Abbildung 7 für korrekt normalisierte Bilder von gesunden Kontrollen (A, B) und einem Individuum mit einem stark atrophischen Kleinhirn (D).
      HINWEIS: In diesem Stadium ist die Anatomie zwischen den Themen sehr ähnlich (da sie in derselben Vorlage registriert wurden), und Volumenunterschiede werden stattdessen durch unterschiedliche Voxelintensitäten codiert. Größere Fehler werden offensichtlich sein, z. B. leere Bilder, große Bereiche fehlenden Gewebes, ungewöhnliche Intensitätsgradienten (d. H. Helle Voxel alle oben, dunkle Voxel alle unten). Diese Bilder sollten von den nachfolgenden Schritten ausgeschlossen werden.
    4. Überprüfen Sie die räumliche Kovarianz auf Ausreißer. Geben Sie in MATLAB den folgenden Befehl ein:
      check_spatial_cov
      1. Wählen Sie die 'wd*seg1'-Bilder wie im vorherigen Schritt aus. Wenn Sie dazu aufgefordert werden, wählen Sie die folgenden Optionen aus: Prop-Skalierung: Ja; Variabel zu variieren: Nein; Scheibe (mm): - 48 , Spalt: 1.
      2. Sehen Sie sich das Boxplot an, das die mittlere räumliche Kovarianz jedes Bildes relativ zu allen anderen Bildern in der Stichprobe anzeigt. Identifizieren Sie Datenpunkte, die >2s.d. unter dem Mittelwert im MATLAB-Befehlsfenster liegen. Überprüfen Sie dazu das Bild "_n4_mni.nii.gz" im Ordner SUIT auf Artefakte (Bewegung, anatomische Anomalien), Probleme mit der Bildqualität oder Vorverarbeitungsfehler.
      3. Wenn die Bildqualität und die Vorverarbeitung akzeptabel sind und die visuelle Inspektion der modulierten Bilder im vorherigen Schritt nicht auf ein Problem mit der Segmentierung und Normalisierung hinweist, behalten Sie diese Daten in der Stichprobe bei. Andernfalls schließen Sie diese Daten aus.

3. MODUL 3 (optional): Intrakranielle Volumenschätzung (ICV) mit FreeSurfer

HINWEIS: Dieses Modul verwendet die FreeSurfer-Pipeline, um den ICV zu berechnen. Es muss nicht erneut ausgeführt werden, wenn es vorhandene Freesurfer-Ausgaben für die Kohorte (jede Version) gibt.

  1. FreeSurfer einrichten
    1. Stellen Sie sicher, dass FreeSurfer heruntergeladen und installiert ist53. Gehen Sie zur Tabelle der Materialien und laden Sie die entsprechenden Skripte herunter, um dieses Modul auszuführen (unter ICV-Pipeline-Dateien). Wenn Sie mit FreeSurfer arbeiten, legen Sie die folgenden Variablen fest:
      Export FREESURFER_HOME=
      Quelle $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Ersetzen Sie wie folgt:
      export SUBJECTS_DIR=/enigma/Freesurfer
  2. Freesurfer autorecon1 laufen lassen
    1. Geben Sie für ein einzelnes Thema aus dem Verzeichnis "freesurfer" (Verarbeitungszeit ~ 20 min) den folgenden Befehl ein:
      CD /Enigma/FreeSurfer
      recon-all -i .. /input/.nii.gz -s -autorecon1
    2. Im Tutorial-Handbuch finden Sie Beispiele zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.
  3. Berechnung des ICV
    1. Dateiorganisation
      1. Platzieren Sie im Verzeichnis 'freesurfer' den (i) Docker OR Singularity Container, der in Modul 1 ('calculate_icv.tar' bzw. 'R.sif') bzw. (ii) xfm2det script verwendet wird (siehe Tabelle der Materialien). Führen Sie dann einen Git-Klon durch, um das erforderliche ICV-Skript zu klonen:
        Git-Klon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
    2. Ausführen der ICV-Extraktion (Verarbeitungszeit ~ 5 min)
      1. Geben Sie aus dem Verzeichnis 'freesurfer' mit Singularität ('R.sif') Folgendes ein:
        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. Geben Sie aus dem Verzeichnis 'freesurfer' mit Docker-Container Folgendes ein:
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/Freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Ausführen eines Skripts ohne Container - siehe Tabelle der Materialien für zusätzliche erforderliche Software und Abhängigkeiten. Geben Sie im Verzeichnis 'freesurfer' Folgendes ein:
        ./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
        HINWEIS: Dadurch wird der ICV für jedes Thema berechnet und eine Spalte mit ICV an das Ende der Datei "Cerebel_vols.csv" angehängt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Kleinhirnpaketierung (ACAPULCO)

Qualitätskontrolle von Kleinhirn-Paketmasken:
Die folgenden Beispiele veranschaulichen die ACAPULCO-Paketausgaben und leiten die Entscheidungsfindung in Bezug auf a) die Qualität der Paketmaske auf individueller Ebene und b) die anschließende Einbeziehung oder den Ausschluss eines bestimmten Läppchens aus den statistischen Analysen. Letztendlich ist die Entscheidung, ein Subjekt aufzunehmen oder auszuschließen, subjektiv; Bei...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Das Kleinhirn ist entscheidend für eine breite Palette von menschlichen motorischen3, kognitiven58, affektiven10 und Sprache 7,59 Funktionen und ist an vielen neurologischen und psychiatrischen Erkrankungen beteiligt. Die Verfügbarkeit eines standardisierten und leicht umsetzbaren Ansatzes für die Quantifizierung regionaler Kleinhirnvolumina wird zu einer immer detaillierteren Struktur-Funkti...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben keine Interessenkonflikte offenzulegen.

Danksagungen

Die in diesem Manuskript vorgestellte Arbeit wurde durch einen Ideenzuschuss des Australian National Health and Medical Research Council (NHMRC) finanziert: APP1184403.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ACAPULCO Pipeline-Dateien 0.2.1http://enigma.ini.usc.edu/protocols/imaging-protocols/Bitte stellen Sie sicher, dass Sie acapulco Version 0.2.1
verwenden Docker für Machttps://docs.docker.com/desktop/mac/install/macOS muss Version 10.14 oder höher sein
Docker erfordert sudo priviledges
Docker erzwingt eine Speicherbeschränkung (RAM) unter Mac OS. Um den Arbeitsspeicher zu erhöhen, öffnen Sie Docker Desktop, gehen Sie zu Einstellungen und klicken Sie auf Ressourcen. Erhöhen Sie den Arbeitsspeicher auf das Maximum
Docker für Windowshttps://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT Skriptehttp://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer7https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstallFolgende Variablen müssen jedes Mal gesetzt werden, wenn Sie mit Freesurfer arbeiten:
export FREESURFER_HOME=figure-materials-1freesurfer _installation_directoryfigure-materials-2
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=figure-materials-3pathfigure-materials-4/enigma/Freesurfer
FSL (für FSLeyes). Optionale6-https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation-ICV-Pipeline-Dateien
http://enigma.ini.usc.edu/protocols/imaging-protocols/ICV-Pipeline können auf zwei Arten ausgeführt werden: 1) mit docker/singularity. Sie benötigen keine zusätzliche Software; 2) ohne Docker/Singularität - dies beinhaltet das manuelle Ausführen des ICV-Skripts (calculate_icv.py). Sie benötigen die folgende zusätzliche Software:
Python-Version figure-materials-5=3.5
Python-Modul pandas
Python-Modul fire
Python-Modul tabulate
Python-Modul Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*2019 oder neuerhttps://au.mathworks.com/Eine akademische Lizenz ist erforderlich
Singularity3.7 oder höherhttps://www.sylabs.io/docs/Bevorzugt für High Performance Computing (HPC)-Cluster
SPM12http://www.fil.ion.ucl.ac.uk/spm/software/spm12/Stellen Sie sicher, dass sich spm12 und alle Unterordner in Ihrem MATLAB-Pfad befinden
SUIT Toolbox3.4http://www.diedrichsenlab.org/imaging/suit_download.htmStellen Sie sicher, dass Sie die SUIT-Toolbox im Verzeichnis spm12/toolbox ablegen
Fehlerbehebungshandbuch und Beispiele fürhttp://enigma.ini.usc.edu/protocols/imaging-protocols/ Tutorial-Handbuch
und Video-http://enigma.ini.usc.edu/protocols/imaging-protocols/Das Handbuch und die begleitende Live-Demonstration bieten detaillierte Schritt-für-Schritt-Anleitungen, wie die Pipeline von Anfang bis Ende ausgeführt wird.
*Nicht frei verfügbar; eine akademische Lizenz ist erforderlich
die Segmentierungsausgabe

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

Zerebelläre Morphometriestrukturelle MRTKleinhirn-Parzellierungvoxelbasierte MorphometrieGraue-Substanz-VolumenFriedreich-AtaxieQualitätskontrolleanatomische ParzellierungSUIT-PipelineACAPULCO-Parzellierung
Eine standardisierte Pipeline zur Untersuchung der Morphometrie der menschlichen zerebellären grauen Substanz mittels struktureller Magnetresonanztomographie
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.