Summary
En standardiserad pipeline presenteras för undersökning av storhjärnans gråämnesmorfometri. Rörledningen kombinerar högupplösta, toppmoderna metoder för optimerad och automatiserad cerebellum parcellation och voxelbaserad registrering av lillhjärnan för volymetrisk kvantifiering.
Abstract
Flera forskningslinjer ger övertygande bevis för en roll av cerebellum i ett brett spektrum av kognitiva och affektiva funktioner, som går långt utöver dess historiska samband med motorisk kontroll. Strukturella och funktionella neuroimagingstudier har ytterligare förfinat förståelsen av cerebellums funktionella neuroanatomi utöver dess anatomiska uppdelningar, vilket belyser behovet av undersökning av enskilda cerebellära underenheter i hälsosam variation och neurologiska sjukdomar. Detta dokument presenterar en standardiserad pipeline för att undersöka cerebellum grå substansmorfometri som kombinerar högupplösta, toppmoderna metoder för optimerad och automatiserad cerebellum parcellation (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) och voxelbaserad registrering av lillhjärnan (Spatially Unbiased Infra-tentorial Template; SUIT) för volymetrisk kvantifiering.
Rörledningen har bred tillämplighet på en rad neurologiska sjukdomar och är helt automatiserad, med manuell intervention som endast krävs för kvalitetskontroll av utgångarna. Pipelinen är fritt tillgänglig, med omfattande medföljande dokumentation, och kan köras på Mac-, Windows- och Linux-operativsystem. Pipelinen tillämpas i en kohort av individer med Friedreich-ataxi (FRDA), och representativa resultat, liksom rekommendationer om inferentiella statistiska analyser på gruppnivå, tillhandahålls. Denna pipeline kan underlätta tillförlitlighet och reproducerbarhet över hela fältet, vilket i slutändan ger ett kraftfullt metodologiskt tillvägagångssätt för att karakterisera och spåra cerebellära strukturella förändringar i neurologiska sjukdomar.
Introduction
Lillhjärnan är en del av hjärnan som historiskt förknippats med motorisk kontroll 1,2,3 och tros vara integrerat involverad i endast en liten uppsättning sällsynta sjukdomar, såsom ärftlig ataxi4. Konvergerande forskningslinjer från anatomiska spårningsstudier på icke-mänskliga primater, liksom studier av mänskliga lesioner och neuroimaging, ger emellertid övertygande bevis för cerebellumets roll i ett brett spektrum av kognitiva 5,6,7, affektiva 8,9,10,11 och andra icke-motoriska funktioner 7,12 (se 6 för granskning). Vidare är avvikelser i lillhjärnan alltmer inblandade i ett brett spektrum av neurologiska och psykiatriska störningar, inklusive Parkinsons sjukdom13, Alzheimers sjukdom14,15, epilepsi16,17, schizofreni18 och autismspektrumstörning19 . Därför har det blivit viktigt att införliva cerebellum i funktionella och strukturella modeller av mänskliga hjärnsjukdomar och normativ beteendevariabilitet.
Anatomiskt kan cerebellum delas längs sin överlägsna underlägsna axel i tre lober: främre, bakre och flockulonodulär. Lobben är vidare indelade i 10 lobuler betecknade med romerska siffror I-X20,21 (Figur 1). Lillhjärnan kan också grupperas i mittlinje (vermis) och laterala (halvklot) zoner, som respektive tar emot ingångar från ryggmärgen och hjärnbarken. Den främre loben, som består av lobuler I-V, har traditionellt förknippats med motoriska processer och har ömsesidiga förbindelser med cerebrala motorkortikor22. Den bakre loben, som består av lobuler VI-IX, är främst associerad med icke-motoriska processer11 och har ömsesidiga förbindelser med prefrontal cortex, bakre parietal och överlägsen temporal cerebral kortik 8,23. Slutligen har den flockulonodulära loben, som består av lobule X, ömsesidiga förbindelser med vestibulära kärnor som styr ögonrörelser och kroppsjämvikt under hållning och gång21.
En växande kropp av nyligen arbete med funktionell neuroimaging har ytterligare förfinat förståelsen för cerebellumets funktionella neuroanatomi bortom dess anatomiska uppdelningar. Till exempel har vilotillståndsteknologier för funktionell magnetisk resonanstomografi (fMRI) använts för att kartlägga mönstret för funktionella interaktioner mellan lillhjärnan och storhjärnan24. Dessutom, med hjälp av en uppgiftsbaserad parcellationsmetod, visade King och kollegor7 att lillhjärnan visar ett rikt och komplext mönster av funktionell specialisering över dess bredd, vilket framgår av distinkta funktionella gränser i samband med en mängd olika motoriska, affektiva, sociala och kognitiva uppgifter. Sammantaget belyser dessa studier vikten av att undersöka enskilda cerebellära subenheter för att utveckla fullständiga biologiska karakteriseringar av cerebellum involvering i både hälsosam variabilitet och neurologiska sjukdomar som kännetecknas av förändringar i cerebellär struktur och / eller funktion.
Det aktuella arbetet fokuserar på metoder för att kvantifiera lokala förändringar i cerebellär volym med hjälp av strukturell MR hos människa. I allmänhet finns det två grundläggande metoder för kvantifiering av regional hjärnvolym med hjälp av MR-data: funktionsbaserad segmentering och voxelbaserad registrering. Funktionsbaserade segmenteringsmetoder använder anatomiska landmärken och standardiserade atlaser för att automatiskt identifiera gränser mellan delregioner. Vanliga mjukvarupaket för segmentering inkluderar FreeSurfer25, BrainSuite26 och FSL-FIRST27. Dessa förpackningar ger emellertid endast grova parcellationer av lillhjärnan (t.ex. märkning av hela grå substansen och hela vita substansen på varje halvklot), vilket förbiser de enskilda cerebellära lobulerna. Dessa tillvägagångssätt är också benägna att felsegmentera, särskilt överinkludering av den omgivande vaskulaturen.
Nya maskininlärnings- och multiatlasmärkningsalgoritmer har utvecklats, som ger mer exakt och finkornig parcelering av lillhjärnan, inklusive automatisk klassificering av Cerebellar Lobules-algoritm med implicit multigränsutveckling (ACCLAIM28,29), Cerebellar Analysis Toolkit (CATK30), flera automatiskt genererade mallar (MAGeT31), snabb automatisk segmentering av det mänskliga lillhjärnan och dess lobuler (RASCAL 32 ), grafsnittssegmentering33 och CEREbellum-segmentering (CERES34). I ett nyligen genomfört papper som jämförde toppmoderna helautomatiska cerebellum-parcellationsmetoder visade sig CERES2 överträffa andra metoder i förhållande till guldstandard manuell segmentering av cerebellära lobuler35. Mer nyligen utvecklade Han och kollegor36 en djupinlärningsalgoritm som heter ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), som fungerar i nivå med CERES2, har bred tillämplighet på både friska och atrofierade cerebellums, finns i öppen källkod Docker och Singularity containerformat för "off-the-shelf" -implementering och är mer tidseffektiv än andra metoder. ACAPULCO paketerar automatiskt lillhjärnan i 28 anatomiska regioner.
Till skillnad från funktionsbaserad segmentering fungerar voxelbaserade registreringsmetoder genom att exakt mappa en MR till en mallbild. För att uppnå denna mappning måste voxlarna i originalbilden förvrängas i storlek och form. Storleken på denna distorsion ger effektivt ett mått på volymen vid varje voxel i förhållande till guldstandardmallen. Denna form av volymetrisk bedömning kallas voxelbaserad morfometri37. Voxelbaserade registreringsmetoder för hela hjärnan, till exempel FSL-FLIRT38/FNIRT39, SPM unified segmentation40 och CAT1241, används ofta för voxelbaserad morfometri. Dessa tillvägagångssätt står emellertid inte väl för cerebellum, vilket resulterar i dålig tillförlitlighet och validitet i infratentoriella regioner (cerebellum, hjärnstam42). För att ta hänsyn till dessa begränsningar utvecklades algoritmen SUIT (Spatially Unbiased Infra-tentorial Template) för att optimera cerebellumregistrering och förbättra noggrannheten hos voxelbaserad morfometri42,43.
Funktionsbaserad segmentering och voxelbaserade registreringsmetoder för uppskattning av regional cerebellär volym har grundläggande styrkor och svagheter. Segmenteringsmetoder är betydligt mer exakta för att kvantifiera volymen av anatomiskt definierade områden (t.ex. lobuler35). Gränserna mellan distinkta funktionella moduler i lillhjärnan kartlägger emellertid inte dess anatomiska folia och sprickor (motsvarande gyri och sulci i storhjärnan7). Eftersom registreringsbaserade metoder inte begränsas av anatomiska landmärken är finkornig rumslig inferens och högdimensionell strukturfunktionskartläggning av lillhjärnan möjlig44. Sammantaget kompletterar segmenterings- och registreringsmetoder varandra och kan användas för att svara på olika forskningsfrågor.
Här presenteras en ny standardiserad pipeline som integrerar dessa befintliga, validerade metoder för att tillhandahålla optimerad och automatiserad parcelering (ACAPULCO) och voxelbaserad registrering av lillhjärnan (SUIT) för volymetrisk kvantifiering (Figur 2). Pipelinen bygger på de etablerade metoderna för att inkludera kvalitetskontrollprotokoll, med hjälp av kvalitativ visualisering och kvantitativ extremfallsdetektering, och en snabb metod för att erhålla en uppskattning av intrakraniell volym (ICV) med freesurfer. Pipelinen är helt automatiserad, med manuella åtgärder som endast krävs för att kontrollera kvalitetskontrollutgångarna och kan köras på Mac-, Windows- och Linux-operativsystem. Rörledningen är fritt tillgänglig utan begränsningar för dess användning för icke-kommersiella ändamål och kan nås från ENIGMA Consortium Imaging Protocols webbsida (under "ENIGMA Cerebellum Volumetrics Pipeline"), efter ifyllandet av ett kort registreringsformulär45.
All nödvändig programvara listas i materialförteckningen, och detaljerade handledning, inklusive en live-demonstration, finns tillgängliga vid nedladdning av rörledningen, utöver protokollet som beskrivs nedan. Slutligen tillhandahålls representativa resultat, från implementeringen av pipelinen i en kohort av personer med Friedreich-ataxi (FRDA) och ålders- och könsmatchade friska kontroller, tillsammans med rekommendationer för statistiska inferentiella analyser på gruppnivå.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
OBS: De data som användes i denna studie var en del av ett projekt som godkänts av Monash University Human Research Ethics Committee (projekt 7810). Deltagarna gav skriftligt informerat samtycke. Pipelinen kan köras på Mac-, Windows- eller Linux-operativsystem, men ACAPULCO, SUIT och QC-pipelines har uttryckligen testats på operativsystemen Linux (Ubuntu) och Mac (Catalina, Big Sur v11.0.1).
1. Modul 1: ACAPULCO (anatomisk parcellation)
- Datainsamling
- Samla 3D T1-viktade MR-bilder av hela hjärnan med en upplösning på 1 mm3 eller mindre. Isotropa voxelmått (vanligtvis 1 mm x 1 mm x 1 mm) och en 3-Telsa (eller större) skanner rekommenderas. Rådgör med en bildspecialist på deras radiograficenter för att ställa in och skaffa data som uppfyller dessa specifikationer.
OBS: T2-viktade bilder är ibland användbara för volymetriska analyser; Pipelinen som presenteras här förlitar sig dock endast på T1-viktade data, och vissa av de verktyg som används är exklusiva för den här typen av data. Som sådan kan T2-viktade bilder inte användas. - Genomföra en visuell kvalitetsbedömning av bilder för att utesluta grova cerebellära missbildningar (t.ex. stora skador) eller väsentliga rörelseartefakter som förhindrar identifiering av stora cerebellära landmärken (t.ex. de stora anatomiska sprickorna). Uteslut inte automatiskt atrofierad cerebella, även om den är betydande.
- För gruppstudier, överväga också kvantitativa kvalitetsbedömningar med hjälp av fritt tillgängliga, standardiserade verktyg som MRIQC46 för att ytterligare identifiera problematiska data.
- Konvertera all data till NIFTI-GZ-format med ett verktyg som dcm2niix47.
- Samla 3D T1-viktade MR-bilder av hela hjärnan med en upplösning på 1 mm3 eller mindre. Isotropa voxelmått (vanligtvis 1 mm x 1 mm x 1 mm) och en 3-Telsa (eller större) skanner rekommenderas. Rådgör med en bildspecialist på deras radiograficenter för att ställa in och skaffa data som uppfyller dessa specifikationer.
- Rekommenderad dataorganisation
- Skaffa all nödvändig programvara som anges i materialförteckningen. Kontrollera att Docker48 eller Singularity49, Matlab50 och SPM1251 är installerade innan du kör pipelinen.
OBS: Omfattande skriftliga och videohandledningar som beskriver pipelinen finns också tillgängliga (se materialförteckningen). - När all nödvändig programvara är installerad skapar du mappar i arbetskatalogen och märker dem 'acapulco', 'kostym' och 'freesurfer'. Gör detta med kommandot mkdir från kommandoraden.
- Skapa en utdatamapp i katalogen 'acapulco'. I utdatamappen skapar du en katalog för varje ämne i studien som innehåller den T1-viktade bilden i NIFTI-GZ-format.
OBS: Det rekommenderas att behålla en kopia av originaldata någon annanstans.
- Skaffa all nödvändig programvara som anges i materialförteckningen. Kontrollera att Docker48 eller Singularity49, Matlab50 och SPM1251 är installerade innan du kör pipelinen.
- Anatomisk cerebellär parcellation med ACAPULCO
- Gå till materialförteckningen och ladda ned relevanta skript och behållare som krävs för att köra ACAPULCO (under acapulco-pipelinefiler). I katalogen "acapulco" placerar du containern (i) ACAPULCO Docker OR Singularity ("acapulco_0.2.1.tar.gz" respektive ".sif", ii) innehållet i QC_scripts-arkivet (3 filer: "QC_Master.R", "QC_Plots.Rmd" och "QC_Image_Merge.Rmd") och iii) "R.sif" (singularitet) ELLER "calculate_icv.tar" (docker) fil.
- Öppna en terminal och kör ACAPULCO-containern på kommandoraden på en enda avbildning (ersätt <<ämne>> i följande). Vänta i ~ 5 minuter tills bearbetningen är klar.
- Skriv kommandot med Docker:
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/< > - Använd Singularity och skriv kommandot:
singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/< >.nii.gz -o output/< >
- Skriv kommandot med Docker:
- Loop över alla ämnen/skanningar i kohorten. Se materialförteckningen för en länk till enigma Imaging Protocols webbplats för nedladdning av pipelinen (under ENIGMA Cerebellum Volumetrics Pipeline) och handledningshandboken som innehåller exempel på hur man skapar en for-loop för bearbetning av flera ämnen seriellt.
- Efter bearbetningen letar du efter följande filer som genereras i de ämnesspecifika mapparna:
- Identifiera "<ämne>_n4_mni_seg_post_inverse.nii.gz": paketerad cerebellummask i original (ämnesutrymme).
- Identifiera "<ämne>_n4_mni_seg_post_volumes.csv": volymer (i mm3) för var och en av de 28 underenheter som genereras av acapulco;
- Identifiera representativa bilder (i katalogen "bilder"): sagittal, axiell och koronal.
- Statistisk detektering och kvalitetskontroll av avvikandevärden (QC)
- Från terminalen och i katalogen "acapulco", se till att innehållet i QC_scripts finns i katalogen "acapulco". Så här kör du QC-skripten:
- Skriv kommandot med Docker:
docker last calculate_icv.tar
docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
QC_Master.R-utgång/ - Använd Singularity och skriv kommandot:
singularitet exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
- Skriv kommandot med Docker:
- Från terminalen och i katalogen "acapulco", se till att innehållet i QC_scripts finns i katalogen "acapulco". Så här kör du QC-skripten:
- Undersöka QC-bilderna som genereras av ACAPULCO
OBS: Det finns en 3-stegsprocess för kvalitetskontroll av ACAPULCO-paketerade bilder.- Öppna "QC_Images.html" i en webbläsare och bläddra snabbt (~ 10 s per ämne) genom bilderna för att identifiera uppenbara fel eller systematiska problem. Notera ämnes-ID:t för misslyckade eller misstänkta paketerade bilder för uppföljning.
OBS: Se figur 3 för en guide om neuroanatomin hos cerebellära lobuler och figur 4, figur 5 och figur 6 i avsnittet med representativa resultat nedan för exempel på "bra" parcellationer, "subtila felpaketeringar" och "globala misslyckanden" parcellationer. - Öppna "Plots_for_Outliers.html" för att markera rutdiagrammen för kvantitativa statistiska extremvärden. Leta efter extremvärden (2.698 s.d över eller under medelvärdet) över eller under morrhåren i lådans tomter. Håll muspekaren över datapunkterna för att visa ämnes-ID:t. Identifiera de avvikande värden som betecknas med "1" i den relevanta kolumnen i filen "Outliers.csv" och notera det totala antalet segment som identifierats som extremvärden för varje ämne i den sista kolumnen i "Outliers.csv".
- Kontrollera manuellt att varje bild har ett eller flera avvikande värden. KRITISK: Använd en vanlig NIFTI-bildvisare (t.ex. FSLEyes eller MRICron) och lägg över ACAPULCO-masken på den ursprungliga T1w-bilden för att kontrollera kvaliteten på parcellationen skiva för skiva.
- För att generera överlagringar för detaljerad QC från kommandoraden med FSLEyes, i) ändra katalogen till katalogen "acapulco", ii) ange ämnet som ska visas (ersätt <ämne>):
subj= - Kopiera/klistra in följande kod på terminalen (utan att manuellt ändra {subj} eftersom detta har ställts in av föregående rad:
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
OBS: En bestämning måste göras om man ska inkludera det onormala segmentet eller inte, dvs. finns det ett parceleringsfel, eller är det bara normal variation i individens anatomi? Varje paketerad region beaktas individuellt, så några regioner kan uteslutas för en bild, medan resten kan behållas om det är korrekt. -
Behöver en eller flera paketerade regioner undantas från den slutliga datauppsättningen?
Om Ja (avvikande värden bekräftas), uteslut denna parcellation (er) från analysen genom att ersätta volymuppskattningen med NA i motsvarande cell i filen "Cerebel_vols.csv" för det ämnet. -
Leder parcellationsfel till att en del av lillhjärnan utesluts från masken?
Om Ja, (till exempel om vissa cerebellära lobuler saknas i masken eller verkar "avskurna") uteslut omedelbart ämnet från ytterligare analyser (dvs. fortsätt inte att köra SUIT-modulen på dessa ämnen).
- För att generera överlagringar för detaljerad QC från kommandoraden med FSLEyes, i) ändra katalogen till katalogen "acapulco", ii) ange ämnet som ska visas (ersätt <ämne>):
- Öppna "QC_Images.html" i en webbläsare och bläddra snabbt (~ 10 s per ämne) genom bilderna för att identifiera uppenbara fel eller systematiska problem. Notera ämnes-ID:t för misslyckade eller misstänkta paketerade bilder för uppföljning.
2. Modul 2: SUIT cerebellum-optimerad voxelbaserad morfometri
- Voxelbaserade morfometrianalyser med SUIT
KRITISK: Denna pipeline kräver att ACAPULCO-modulen redan har körts, eftersom den förlitar sig på generering av en ämnesspecifik cerebellär mask för optimering av registrering och normalisering av lillhjärnan till SUIT-mallen. Om den ämnesspecifika masken som genereras av ACAPULCO inte inkluderar hela lillhjärnan, motiverar detta uteslutning från SUIT-modulen. För instruktioner om hur du kör FRISTÅENDE SUIT, se52.- Skaffa all nödvändig programvara som anges i materialförteckningen. Kontrollera att SPM12-mappen och alla undermappar finns i MATLAB-sökvägen. Se till enigma_suit skript sparas i katalogen "spm12/toolbox" och läggs till i MATLAB-sökvägen. Om du vill kontrollera MATLAB-sökvägen skriver du pathtool i MATLAB-kommandofönstret och klickar sedan på Lägg till med undermappar för att lägga till relevanta mappar.
- Kör SUIT-pipelinen för ett eller flera ämnen. Vänta i ~ 15-20 min (om du använder det grafiska användargränssnittet [GUI]) och ~ 5-7 min om du kör från terminalen (bash / shell) för att bearbetningen ska slutföras.
- Om du vill använda GUI (ämnen kommer att köras i serie) skriver du kommandot från MATLAB-kommandofönstret:
suit_enigma_all - I det första popup-fönstret väljer du ämnesmapparna från katalogen "acapulco/output" som ska inkluderas i analysen. Klicka på de enskilda mapparna till höger om fönstret, eller högerklicka och välj alla. Tryck på Klar. I det andra popup-fönstret väljer du SUIT-katalogen, där analyserna ska skrivas.
- ELLER Anropa funktionen från MATLAB-kommandoraden för ett enda ämne, skriv kommandot:
suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir') - ELLER Ring funktionen från terminalfönstret, utanför MATLAB, för ett enda ämne genom att skriva kommandot:
matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
- Om du vill använda GUI (ämnen kommer att köras i serie) skriver du kommandot från MATLAB-kommandofönstret:
- Se materialförteckningen för en länk till enigma Imaging Protocols webbplats för nedladdning av pipelinen (under ENIGMA Cerebellum Volumetrics Pipeline) och handledningshandboken som innehåller exempel på hur man skapar en for-loop för bearbetning av flera ämnen seriellt.
- Leta efter följande punkter angående skriptet.
- Kontrollera att skriptet kopierar den N4-biaskorrigerade, MNI-justerade (styva kroppen) T1-bilden och ACAPULCO-cerebellummasken till utdatakatalogen.
- Se till att skriptet segmenterar den grå och vita substansen i lillhjärnan.
- Se till att skriptet korrigerar för överinkluderingsfel i parcellationen med ACAPULCO-masken.
- Se till att skriptet DARTEL normaliserar och omlät data till SUIT-utrymmet med jakobiansk modulering så att värdet för varje voxel är proportionellt mot dess ursprungliga volym.
- Kontrollera varje ämnes mapp för följande slutliga utdata: "wd<ämne>_seg1.nii" (grå materia) och "wd<ämne>_seg2.nii" (vit materia).
- Statistisk identifiering och kvalitetskontroll av avvikandevärden
- Inspektera visuellt de normaliserade, modulerade bilderna (wd*) för större fel. I MATLAB skriver du kommandot:
spm_display_4D - Välj manuellt "wd * seg1" -bilderna från kostymundermapparna eller navigera till katalogen "suit"; infoga '^wd.*seg1' i rutan Filter (inga citat) och tryck på Rec-knappen . Tryck på Klar.
- Bläddra igenom bilderna för att säkerställa att de alla är väl anpassade. Se figur 7 för korrekt normaliserade bilder från friska kontroller (A,B) och en individ med kraftigt atrofisk cerebellum (D).
OBS: I detta skede är anatomin mellan ämnen mycket likartad (eftersom de har registrerats i samma mall), och volymskillnader kodas istället av olika voxelintensiteter. Stora misslyckanden kommer att vara uppenbara, t.ex. tomma bilder, stora områden av saknad vävnad, ovanliga intensitetsgradienter (dvs ljusa voxels alla högst upp, mörka voxels alla längst ner). Dessa bilder bör undantas från efterföljande steg. - Kontrollera rumslig kovarians för avvikande värden. I MATLAB skriver du kommandot:
check_spatial_cov- Välj "wd * seg1" -bilderna enligt föregående steg. När du uppmanas till det väljer du följande alternativ: Prop-skalning: Ja; Variabel för att samvariera ut: Nej; Skiva (mm): - 48 , Mellanrum: 1.
- Titta på rutdiagrammen som visar den genomsnittliga rumsliga kovariansen för varje bild i förhållande till alla andra i exemplet. Identifiera datapunkter som är >2s.d. under medelvärdet i MATLAB-kommandofönstret. För dessa kontrollerar du bilden "_n4_mni.nii.gz" i SUIT-mappen för artefakter (rörelse, anatomiska avvikelser), bildkvalitetsproblem eller förbehandlingsfel.
- Om bildkvaliteten och förbearbetningen är acceptabla och visuell inspektion av de modulerade bilderna i föregående steg inte indikerar ett problem med segmentering och normalisering, behåll dessa data i exemplet. Annars utesluter du dessa data.
- Inspektera visuellt de normaliserade, modulerade bilderna (wd*) för större fel. I MATLAB skriver du kommandot:
3. MODUL 3 (tillval): ICV-uppskattning (Intrakraniell volym) med FreeSurfer
OBS: Denna modul kommer att använda FreeSurfer-rörledningen för att beräkna ICV. Den behöver inte köras om det finns befintliga Freesurfer-utdata för kohorten (vilken version som helst).
- Ställa in FreeSurfer
- Se till att FreeSurfer är ladda ner och installerat53. Gå till materialförteckningen och ladda ned relevanta skript för att köra den här modulen (under ICV-pipelinefiler). När du arbetar med FreeSurfer ställer du in följande variabler:
exportera FREESURFER_HOME=
källa $FREESURFER_HOME/SetUpFreeSurfer.sh - Ersätt
med följande:
export SUBJECTS_DIR=/enigma/Freesurfer
- Se till att FreeSurfer är ladda ner och installerat53. Gå till materialförteckningen och ladda ned relevanta skript för att köra den här modulen (under ICV-pipelinefiler). När du arbetar med FreeSurfer ställer du in följande variabler:
- Kör Freesurfer autorecon1
- För ett enda ämne, inifrån katalogen "freesurfer" (bearbetningstid ~ 20 min), skriv kommandot:
cd/enigma/freesurfer
recon-all -i .. /input/.nii.gz -s <ämne> -autorecon1 - Se självstudiehandboken för exempel på hur du skapar en for-loop för bearbetning av flera ämnen seriellt.
- För ett enda ämne, inifrån katalogen "freesurfer" (bearbetningstid ~ 20 min), skriv kommandot:
- Beräkning av ICV
- Dataorganisation
- I katalogen "freesurfer" placerar du behållaren (i) Docker OR Singularity som används i modul 1 ("calculate_icv.tar" respektive "R.sif") och (ii) xfm2det-skriptet (se materialförteckningen). Gör sedan en git-klon för att klona det ICV-skript som krävs:
git klon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
- I katalogen "freesurfer" placerar du behållaren (i) Docker OR Singularity som används i modul 1 ("calculate_icv.tar" respektive "R.sif") och (ii) xfm2det-skriptet (se materialförteckningen). Gör sedan en git-klon för att klona det ICV-skript som krävs:
- Kör ICV-extraktion (bearbetningstid ~ 5 min)
- Från katalogen "freesurfer", med behållare för singularitet ("R.sif") skriver du:
singularitet 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 - Från katalogen "freesurfer", med docker container, skriver du:
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 - Köra skript utan container – se materialförteckningen för ytterligare nödvändig programvara och beroenden. I katalogen "freesurfer" skriver du:
./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
OBS: Detta kommer att beräkna ICV för varje ämne och lägga till en kolumn med ICV i slutet av filen "Cerebel_vols.csv".
- Från katalogen "freesurfer", med behållare för singularitet ("R.sif") skriver du:
- Dataorganisation
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Cerebellum parcellation (ACAPULCO)
Kvalitetskontroll av cerebellum parcellated masker:
Följande exempel visar ACAPULCO-paketerade resultat och vägleder beslutsfattandet om a) kvaliteten på den paketerade masken på individnivå och b) efterföljande inkludering eller uteslutning av en viss lobule (er) från de statistiska analyserna. I slutändan är beslutet att inkludera eller utesluta ett ämne subjektivt; Här ges exempel på "goda parcellationer", "subtila parceleringsfel" och "globala misslyckanden" från en mängd olika friska och kliniska grupper.
Exempel på "goda parcellationer" presenteras i figur 4, inklusive i friska och kraftigt förtvinade cerebella. I figur 5 avbildas subtila över- och underinklusioner av enskilda cerebellumlobuler. Dessa är den vanligaste typen av parceleringsfel och kan inte upptäckas som statistiska avvikande värden i det kvantitativa QC-protokollet. Dessa typer av fel kräver i allmänhet uteslutning av de enskilda lobulerna som påverkas, medan resten av det parcelerade lillhjärnan inte påverkas och kan behållas. Däremot kräver "Globala misslyckanden", som visas i figur 6, fullständig uteslutning av ämnet.
Statistisk identifiering av avvikandevärden:
För att illustrera rörledningen kördes ACAPULCO på ett urval av 31 personer med FRDA (medelålder = 36,5 år; SD = 13,0 år, 14 kvinnor) och 37 ålders- och könsmatchade friska kontroller (HC) (medelålder = 37,1 år; SD=12,8 år, 17 honor) som tidigare beskrivits55. Över hela provet upptäcktes 18 lobuler som statistiska extremvärden (<1% av det totala provet). Efter att ha utfört detaljerad QC på bilderna togs 17 avvikande lobuler bort från analyser på gruppnivå genom att ta bort den enskilda lobulvolymen för respektive ämne från cerebellarvolymfilen på gruppnivå (dvs. filen "Cerebel_vols.csv"). Den återstående avvikelsen bedömdes inte vara ett segmenteringsfel utan snarare på grund av variation i individens cerebellumanatomi och behölls därför i analysen. Det fanns också två globala parcellationsfel (1 FRDA-patient). Basfrekvensen för uteslutning över alla cerebellumlobuler (dvs. globala parcellationsfel) var 1,5%. Tabell 1 visar uteslutningsgraden för var och en av de 28 anatomiska avkastningarna. Vänster lobule IX och höger lobule Crus Jag hade de högsta uteslutningsnivåerna.
Statistisk analys på gruppnivå:
Totalt inkluderades 66 försökspersoner (30 FRDA-patienter) i analysen på gruppnivå. Två-tailed Mann-Whitney oberoende prover tester utfördes för att testa för signifikanta skillnader i cerebellum lobule volymer mellan FRDA och HC. Resultaten visade signifikant minskad vit substans i corpus medullare i FRDA vs HC (p < 0,05, Bonferroni korrigerad för 28 jämförelser). Det fanns inga andra signifikanta skillnader mellan grupperna. Se kompletterande tabell S1 för volymerna av alla 28 cerebellära underenheter i provet.
Cerebellum voxel-baserade morfometrianalyser (SUIT)
Kvalitetskontroll:
Exempel på väljusterade bilder och exempel på uteslutningar för både friska kontroller och kliniska grupper, inklusive FRDA och Spinocerebellar ataxia pateints, visas i figur 7. SUIT-analyser utfördes på totalt 64 försökspersoner (28 FRDA; 36 HC) från provet som beskrivits ovan, efter uteslutning av ytterligare två försökspersoner på grund av ofullständig hel cerebellär täckning i lillhjärnans mask.
Efter att ha testat den rumsliga kovariansen för alla normaliserade bilder i provet i förhållande till varandra detekterades två skanningar som statistiska extremvärden baserat på deras genomsnittliga rumsliga kovarians med resten av provet (Figur 8). Visuell inspektion av både de ursprungliga och normaliserade bilderna indikerade emellertid att även om dessa individer hade en viss unik neuroanatomi, fanns det inga signifikanta artefakter i någon av bilderna och bearbetningsstegen slutfördes normalt. Som sådan behölls båda ämnena i analyserna.
Statistisk analys på gruppnivå:
Bilderna slätades ut med en Gaussisk kärna med 3 mm full bredd vid halv max (FWHM). Icke-parametriska permutationstester utfördes i SnPM för att testa signifikanta skillnader mellan grupper i cerebellum grå substansvolymer. För detta ändamål kördes 5 000 permutationer, med ett klusterbildande tröskelvärde på p < 0,001. Bilder maskerades uttryckligen med SUIT grå materia atlas för att begränsa inferensen till grå materia regioner. För att korrigera för huvudstorlek angavs intrakraniell volym som en kovariat i modellen. Slutlig inferens av gruppresultat utfördes vid p < 0,05, familjevis fel (FWE) klusternivå korrigerad.
Jämfört med HC visade FRDA signifikant minskad grå substansvolym i bilaterala främre lobuler I-V (vänster: x = -10, y = -46, z = -26; T = 5,61; Ke= 754; höger: x = 10, y = -38, z = -21; T = 6,83; Ke= 569); och i mediala bakre lobregioner, inklusive Vermis VI, som sträcker sig bilateralt till Lobule VI (x = 3, y = -65, z = -20; T = 7,25) och Vermis IX sträcker sig bilateralt till Lobule IX (x = 3, y = -65, z = -20; T = 6,46; Ke= 3974; Figur 9).
Figur 1: Det mänskliga cerebellum. (A) En utplattad representation av lillhjärnan och dess stora sprickor, lober och lobuler. Röd = främre lob (lobules I-V); grädde = bakre lob (lobules IV-IX); lila= flockulodulär lob. Lillhjärnan kan delas in i mittlinjen "vermis" och laterala "halvklot" zoner. Alla lobuler identifieras i vermis och halvklot. I lobule VII expanderar VIIAf i vermis på halvklotet för att bli Crus I, lobule VIIAt vid vermis blir Crus II på halvklotet och lobule VIIB behåller sin etikett både i vermis och halvklot. (B) Överst: Cerebellum platt karta som visar cerebellums anatomiska underenheter i olika färger. Botten: en bakre vy av cerebellum. Denna siffra anpassades från 56 och 57. Klicka här för att se en större version av denna figur.
Bild 2: Schematisk illustration av pipelinen. En högupplöst T1 MPRAGE-bild krävs. Det finns tre moduler: ACAPULCO, SUIT och ICV. Pipelinen är helt automatiserad (förutom manuella åtgärder som krävs för QC för utdata), är tillgänglig i Docker- och Singularity-containerformat och tar cirka 20 minuter att köra från början till slut, per ämne. Klicka här för att se en större version av denna figur.
Figur 3: ACAPULCO-parcellation som visar var och en av de 28 anatomiska underenheterna. Denna siffra anpassades från36. Förkortningar: CM = corpus medullare; Ver = vermis; R/L = höger/vänster. Klicka här för att se en större version av denna figur.
Figur 4: Exempel på "bra" lillhjärnans parcellationer. Sagittala (x = 0) och koronala (y = -57) skivor visas. (A, B) Sagittala och koronala skivor som visar paketerade masker från två friska cerebellära. Algoritmen har lokaliserat de enskilda underenhetsgränserna korrekt, och den har inte överinkluderat den tvärgående sinus i märkningen och kvantifieringen av Crus I. (C) En kraftigt förtvinad cerebellum hos en SCA2-patient. Här är atrofi uppenbar längs hela cerebellumets omfattning, sulci är breda och det finns mycket saknad vävnad. Det finns en liten överinkludering av vaskulaturen i de bakre loberna som är mer uttalad på höger sida (gul pil). Bortsett från denna överinkludering har ACAPULCO fungerat bra. Förkortningar: CM = corpus medullare; Ver = vermis; L/R = vänster/höger. Klicka här för att se en större version av denna figur.
Figur 5: Exempel på cerebellära felpaketeringar. ' (A) Sagittal skiva (x = 0) och koronal skiva (y = -57) som visar ett parceleringsfel hos en FRDA-patient. Algoritmen har inte fungerat bra längs mittlinjen, och underinkluderingar av Crus I och II (röd pil) är uppenbara längs den bakre utsträckningen. Dessa lobuler skulle uteslutas från efterföljande analyser på gruppnivå. (B) Sagittal skiva (x = 8), koronal skiva (y = -47) som visar ett parceleringsfel i en frisk cerebellär. Algoritmen har helt missat vänster lobule VIIIb (röda pilar). Denna lobule skulle uteslutas från efterföljande analyser på gruppnivå. (C) Sagittal skiva (x = -24) och koronal skiva (y = -47) som visar ett parceleringsfel i en frisk cerebellär. En del cerebellär atrofi är närvarande, och det finns en underinkludering av Crus I (röd pil). Förkortningar: FRDA = Friedreich ataxi; CM = corpus medullare; Ver = vermis; L/R = vänster/höger. Klicka här för att se en större version av denna figur.
Figur 6: Exempel på "globala misslyckanden" av cerebellär parcellation. (A) Sagittal skiva (x = 0) och koronal skiva (y = -57) som visar ett parceleringsfel. Här är lillhjärnan endast delvis segmenterad, och delar av occipitalloben har felaktigt märkts som lillhjärnan. Dessa typer av fel beror sannolikt på ett problem med originalbildens rubrik, vilket kommer att påverka ACAPULCO-affintransformationen av bilden till världskoordinat och efterföljande lokalisering av cerebellum. (B) Sagittal skiva (x = 0) och koronal skiva (x = -57) som visar ett parceleringsfel hos en person med FRDA. Här har CM blivit helt felsegmenterad. Algoritmen har märkt CM på baksidan av huvudet (röd oval), utanför hjärnan. Gränserna för den vita substansen har inte fångats och är felaktigt märkta som grå materia, vilket särskilt påverkar vänster lobulerna VIIIb och IX. Vänster lobule X har också missats (röd pil på koronal skiva). Dessa exempel motiverar omedelbar uteslutning från analyser på gruppnivå för ACAPULCO- och SUIT-analyser. Förkortningar: CM = corpus medullare; Ver = vermis; L/R = vänster/höger. Klicka här för att se en större version av denna figur.
Figur 7: Förvrängda och modulerade voxelbaserade morfometrikartor. (A, B) Väljusterad cerebellär grå substans från två HC. (C) Ett lillhjärnan från en HC som detekterades som en statistisk outlier men behölls i analysen. (D) En atrofierad cerebellum från en person med FRDA. Lillhjärnan har vridits korrekt till mallen; Detta skulle därför inte motivera uteslutning. (E) En uteslutning. Det finns en lutning i kontrast från toppen till botten av bilden som återspeglar ett fel i bearbetningen. (F) En hyperintensplanartefakt längst ned till höger på bilden av okänt ursprung kräver uteslutning. (G) Ett exempel på en kraftigt förtvinad cerebellär hos en SCA2-patient. Lillhjärnan har vridits korrekt till mallen; Det finns dock mycket saknad vävnad, vilket resulterar i låg kontrast. Detta skulle inte vara ett undantag. (H) Exempel på dålig maskering som kräver uteslutning. Förkortningar: VBM = voxelbaserad morfometri; HC = hälsosam kontroll; FRDA = Friedreich ataxi; SCA2 = Spinocerebellär ataxi 2. Klicka här för att se en större version av denna figur.
Figur 8: Rumslig kovarians för SUIT voxelbaserade morfometrikartor. Boxdiagram som illustrerar den rumsliga kovariansen hos de voxelbaserade morfometrikartorna för en kohort av 64 (28 FRDA) ämnen. Rumslig kovarians är ett mått på hur väl anpassad varje bild är i förhållande till alla andra bilder i provet. Data är tätt grupperade tillsammans med en genomsnittlig rumslig kovarianskorrelation på ~ 0,95. Här upptäcktes två extremvärden (1 FRDA, 1 HC), som >2 SD under medelvärdet. Förkortningar: FRDA = Friedreich ataxi; HC = hälsosam kontroll; SD = standardavvikelse; cont = kontroll. Klicka här för att se en större version av denna figur.
Figur 9. Mellangruppsresultat av en voxelbaserad morfometrianalys av cerebellär grå substansmorfometri. (A) Sagittal, (B) koronal och (C) saltkartorepresentationer av statistiska kartor på voxelnivå hos individer med FRDA kontra kontroller, som kontrollerar för ICV. Endast voxeller som överlever p < 0,05 FWE klusternivå korrigerad, visas. Färgfältet anger T-statistik. Förkortningar: FRDA = Friedreich ataxi; ICV = intrakraniell volym; FWE = familjemässigt fel. Klicka här för att se en större version av denna figur.
| Lobule | % uteslutna |
| CENTIMETER | 1.5 |
| Vänster Crus I | 2.9 |
| Vänster Crus II | 2.9 |
| Vänster I III | 2.9 |
| Vänster IV | 1.5 |
| Vänster IX | 4.51 |
| Vänster V | 2.9 |
| Vänster VI | 1.5 |
| Vänster VIIB | 1.5 |
| Vänster VIIIA | 1.5 |
| Vänster VIIIB | 2.9 |
| Vänster X | 2.9 |
| Rätt Crus I | 6.02 |
| Höger Crus II | 2.9 |
| Höger I III | 2.9 |
| Höger IV | 1.5 |
| Rätt IX | 2.9 |
| Höger V | 1.5 |
| Höger VI | 1.5 |
| Höger VIIB | 1.5 |
| Höger VIIIA | 2.9 |
| Höger VIIIB | 1.5 |
| Höger X | 1.5 |
| Vermis IX | 1.5 |
| Vermis VI | 2.9 |
| Vermis VII | 1.5 |
| Vermis VIII | 1.5 |
| Vermis X | 1.5 |
Tabell 1: Cerebellära anatomiska lobuler härledda från ACAPULCO och uteslutningsgrader (%) över ett urval av 31 personer med FRDA och 37 HCs. Förkortningar: FRDA = Friedreich ataxi; HC = friska kontroller.
Kompletterande tabell S1: Volymer (mm3) av 28 cerebellära anatomiska lobuler i Friedreich Ataxi och friska kontrollindivider.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Lillhjärnan är kritisk för ett brett spektrum av mänskliga motoriska3, kognitiva58, affektiva10 och språk 7,59 funktioner och är inblandad i många neurologiska och psykiatriska sjukdomar. Tillgången till ett standardiserat och lätt genomförbart tillvägagångssätt för kvantifiering av regionala cerebellära volymer kommer att bidra till alltmer detaljerad kartläggning av struktur-funktion i hela hjärnan, fullständig sjukdomsmodellering och förbättrade möjligheter att definiera och spåra cerebellära bidrag till hjärnsjukdomar. Denna standardiserade pipeline som beskrivs här kombinerar state-of-the-art metoder för automatisk cerebellum parcellation och finkornig rumslig profilering av cerebellär grå substansmorfometri i både hälsa och sjukdom.
Resultaten av tvärsnittscebellum parcellationsanalysen med ACAPULCO som presenteras här visade att personer med FRDA (vs HC) hade signifikant minskat volymerna av vit substans. Dessa resultat stöder tidigare studier av FRDA, som konsekvent visar tidig, robust och progressiv volymförlust av vit substans, särskilt i dentatkärnorna, i FRDA. Vidare har mönstret och omfattningen av progressiv neurodegeneration i de överlägsna och underlägsna cerebellära pedunclesna och dentatkärnorna visat sig skilja sig åt som en faktor för debutåldern för FRDA44. Resultaten från SUIT-analysen avslöjade ytterligare resultat. Specifikt fanns det signifikant volymförlust på voxelnivå i FRDA (jämfört med HC) i främre lobregioner som motsvarar bilaterala lobuler I-IV och höger V, som sträcker sig till lobule VI. Dessutom avslöjade SUIT-analysen signifikant volymförlust i FRDA (jämfört med HC) i de mediala bakre lobregionerna, inklusive lobule IX, X och Vermis. Detta mönster av skillnader mellan grupper är jämförbart med tidigare publicerat arbete i samma kohort av FRDA-patienter, med hjälp av en VBM-metod för hela hjärnan55.
Att definiera cerebellära avvikelser vid neurologiska och psykiatriska sjukdomar är ett högprioriterat forskningsområde med translationell påverkan. Avgörande för att spåra och behandla neurologiska sjukdomar - särskilt de där cerebellum är en primär plats för neurodegeneration - är utvecklingen av fullständiga biologiska karakteriseringar av cerebellum involvering. Pipelinen som presenteras häri möjliggör relationer mellan individuell cerebellär lobule grå substansmorfometri och kliniska åtgärder som används som "guldstandard" för kliniska slutpunkter för sjukdom som ska undersökas. Sådan forskning kan ha en betydande translationell inverkan. Till exempel, i utrymmet för sällsynta cerebellära sjukdomar, skulle identifieringen av en viss profil av cerebellär grå substansatrofi i en undergrupp av patienter som kartlägger eller förutsäger kliniska symtom få konsekvenser för att styra klinisk praxis. Införandet av SUIT-modulen möjliggör ytterligare intressanta forskningsfrågor som struktur-funktionskartläggning av lillhjärnan eller analys av funktionella gradienter i lillhjärnan60.
Allmänna rekommendationer för statistiska analyser på gruppnivå
ACAPULCO: Volymerna av varje cerebellär lobule (i mm3) för varje försöksperson registreras i Cerebel_vols.csv. Vid statistisk inferens av effekter på gruppnivå bör intrakraniell volym (ICV; även registrerad i Cerebel_vols.csv) kontrolleras för att ta hänsyn till variationer i huvudstorlek. Tröskelvärden för alfa-signifikans bör korrigeras för att ta hänsyn till inferens över flera lobuler.
SUIT: Grå materia cerebellär VBM kan utföras på wd<ämne>seg1.nii-bilderna med hjälp av standard MR-bearbetningsprogramvara som SPM eller FSL. Se CAT12-handboken för en utmärkt introduktion till VBM med SPM1254. ICV bör kontrolleras för att ta hänsyn till variationer i huvudstorlek.
För VBM i lillhjärnan rekommenderas det i allmänhet att använda en Gaussisk rumslig utjämningskärna med högst 3 mm full bredd vid halv max (FWHM). Lämplig statistisk korrigering måste tillämpas för att ta hänsyn till flera jämförelser mellan voxeller. I allmänhet rekommenderas att man använder icke-parametriska metoder (t.ex. SnPM eller FSL-Randomise).
Det mest kritiska steget för framgångsrik parcelering av lillhjärnan med ACAPULCO är allmän kvalitetskontroll av T1-bilderna före och efterbehandling. Det rekommenderas starkt att användaren kontrollerar om det finns dåliga kontrastbilder (t.ex. en inkonsekvent gradient över bilden) och kraftig lutning av huvudet och rörelseartefakter, som alla kan påverka algoritmens prestanda. Dessutom, medan ACAPULCO-algoritmen har tränats på atrofierad cerebellär, har den inte tränats på lesionsdata. Det förväntas att lesioner i hjärnbarken inte förväntas påverka algoritmens prestanda och efterföljande noggrannhet hos parcellationen; Stora infarkter i lillhjärnan skulle dock sannolikt ge parcellationsfel. Kvalitetskontroll av lillhjärnans mask efterbehandling är viktigt. Mindre parcellationsfel (t.ex. mindre under- och överinkluderingar av lillhjärnslobbuler) upptäcks ibland inte som statistiska extremvärden. Omvänt kan fall av felaktiga icke-avvikande värden inträffa där data ligger inom det normala intervallet, trots ett uppenbart parceleringsfel. Om ett ämne identifieras som en outlier är det viktigt att utföra uppföljning, detaljerad kvalitetskontroll av cerebellummasken skiva för skiva för att vägleda beslutsfattandet om huruvida man ska inkludera eller utesluta lobulen (erna) för det ämnet. Ett annat viktigt steg när du kör SUIT-pipelinen (modul 2) är att den kräver att ACAPULCO-modulen redan har körts. Specifikt kräver SUIT cerebellummasken som produceras i ACAPULCO för att köra cerebellumisolering och segmentering. Det är viktigt att cerebellummasken kvalitetskontrolleras för att säkerställa full cerebellär täckning.
Det finns vissa begränsningar för protokollet. För det första, medan ACAPULCO uppnår toppmodern noggrannhet för cerebellär grå substanspaketering, är den inte optimerad för paketering av vit materia; corpus medullare täcker huvuddelen av den vita substansen men ger inte ett mått på all vit substans. För det andra generaliserar de konvolutionella neurala nätverk som används för att lokalisera och segmentera cerebellum i ACAPULCO inte bra till bilder med olika kontraster eller bilder som inte användes vid träning. Till exempel, eftersom endast 3T-bilder användes i träning, är parcellationskvaliteten med bilder som förvärvats på en 1,5 T-skanner vanligtvis inte lika bra; Dessutom finns det ingen statistik med avseende på grundsanning som har utförts på dessa bilder. Slutligen kontrollerar rörledningen de förvirrande effekterna av huvudstorlek på cerebellumvolymuppskattningar genom att tillhandahålla en uppskattning av ICV som kan inkluderas som en regressor utan intresse för statistiska analyser på gruppnivå. Ett idealiskt tillvägagångssätt skulle emellertid vara att beräkna ICV-korrigerade cerebellumvolymer på individnivå innan QC körs, så att detekterade extremvärden återspeglar ett verkligt parcellationsfel och inte naturlig variation i försökspersonernas neuroanatomi (t.ex. att ha ett stort huvud).
Sammanfattningsvis presenterar vi en standardiserad pipeline för att undersöka cerebellum grå matermorfometri, som har bred tillämplighet på en rad neurologiska sjukdomar. Pipelinen är inrättad för att möjliggöra stora studier på flera ställen och "megaanalyser" och är allmänt tillgänglig för användning av forskargrupper för att underlätta tillförlitlighet och reproducerbarhet över hela fältet. I slutändan ger denna pipeline ett kraftfullt metodologiskt tillvägagångssätt för att ytterligare karakterisera och spåra cerebellära strukturella förändringar med sjukdomsprogression i neurologiska sjukdomar. En längsgående rörledning utvecklas för närvarande.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inga intressekonflikter att avslöja.
Acknowledgments
Arbetet som presenteras i detta manuskript finansierades av ett australian national health and medical research council (NHMRC) Ideas Grant: APP1184403.
Materials
| Name | Company | Catalog Number | Comments |
| ACAPULCO pipeline files | 0.2.1 | http://enigma.ini.usc.edu/protocols/imaging-protocols/ | Please make sure to use acapulco version 0.2.1 |
| Docker for Mac | https://docs.docker.com/desktop/mac/install/ | macOS must be version 10.14 or newer Docker requires sudo priviledges Docker imposes a memory (RAM) constraint on Mac OS. To increase the RAM, open Docker Desktop, go to Preferences and click on resources. Increase the Memory to the maximum |
|
| Docker for Windows | https://docs.docker.com/docker-for-windows/install/ | ||
| ENIGMA SUIT scripts | http://enigma.ini.usc.edu/protocols/imaging-protocols/ | ||
| FreeSurfer | 7 | https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall | Following variables need to be set everytime you work with Freesurfer: export FREESURFER_HOME=  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 =3.5Python 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 | |||
References
- Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
- Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
- 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).
- Manto, M., Gandini, J., Feil, K., Strupp, M.
- 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).
- Strick, P. L., Dum, R. P., Fiez, J. A.
- 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).
- Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
- Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, Pt 4 561-579 (1998).
- Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
- Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
- 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).
- 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).
- 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).
- 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).
- 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).
- Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
- 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).
- 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).
- 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).
- Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , Elsevier. 394-412 (2018).
- 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).
- 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).
- 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).
- Fischl, B.
- Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
- 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).
- 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).
- 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).
- Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
- Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
- 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).
- Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
- Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
- Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
- Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819 (2020).
- Ashburner, J., Friston, K. J.
- Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
- Andersson, J., Jenkinson, M., Smith, S. Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
- Ashburner, J., Friston, K. J.
- Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
- Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
- Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
- 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).
- Enigma. Structural imaging processing protocols. , Available from: http://enigma.ini.usc.edu/protocols/imaging-protocols/ (2021).
- MRIQC. Poldrack Lab, Stanford University. , Available from: https://mriqc.readthedocs.io/en/stable/ (2020).
- dcm2niix. Rorden Lab, University of South Carolina. , Available from: https://github.com/rordenlab/dcm2niix (2021).
- Docker. , Available from: https://docs.docker.com/ (2021).
- Singularity. Sylabs. , Available from: https://sylabs.io/singularity (2021).
- MATLAB. The MathWorks, Inc. , Available from: https://au.mathworks.com/ (2021).
- Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging. , Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020).
- Diedrichsen Lab, University of Western Ontario. , Available from: http://www.diedrichsenlab.org/imaging/suit.htm (2021).
- FreeSurfer download and install. , Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020).
- Gaser, C., Dahnke, R. CAT: A computational anatomy toolbox for SPM. , Available from: http://www.neuro.uni-jena.de/cat/ (2020).
- 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).
- Schmahmann, J. D.
- Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402 (2015).
- Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
- Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
- Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S.
