Name: Eine standardisierte Pipeline zur Untersuchung der Morphometrie der menschlichen zerebellären grauen Substanz mittels struktureller Magnetresonanztomographie (Video) | JoVE Journal
Uploaded: 2022-02-04T14:00:00.000+00:00
Duration: 11 min 50 s
Description: Erfahren Sie eine standardisierte Pipeline zur Morphometrie der zerebellären grauen Substanz mittels struktureller MRT. Diese automatisierte Methode ermöglicht präzise Volumenquantifizierung für neurologische Krankheitsstudien.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

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)
<ol><li>Datensammlung<ol>
<li>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.</li>
		<li>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.</li>
		<li>Berücksichtigen Sie für Gruppenstudien auch quantitative Qualitätsbewertungen mit frei verfügbaren, standardisierten Tools wie MRIQC46, um problematische Daten weiter zu identifizieren.</li>
		<li>Konvertieren Sie alle Daten mit einem Tool wie dcm2niix47 in das NIFTI-GZ-Format.</li>
	</ol></li>
	<li>Empfohlene Datenorganisation<ol>
<li>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).</li>
		<li>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.</li>
		<li>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.</li>
	</ol></li>
	<li>Anatomische Kleinhirnpaketierung mit ACAPULCO<ol>
<li>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.</li>
		<li>Öffnen Sie ein Terminal, und führen Sie den ACAPULCO-Container über die Befehlszeile auf einem einzelnen Image aus (ersetzen Sie im Folgenden <<Betreff>>). Warten Sie ~ 5 Minuten, bis die Verarbeitung abgeschlossen ist.<ol>
<li>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/<<subject>>/<<subject>>.nii.gz -o output/<<subject>>
</li>
			<li>Geben Sie mit Singularität den folgenden Befehl ein: singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<<subject>>/<<subject>>.nii.gz -o output/<<subject>>
</li>
		</ol>
</li>
		<li>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.</li>
		<li>Suchen Sie nach der Verarbeitung nach den folgenden Dateien, die in den fachspezifischen Ordnern generiert wurden:<ol>
<li>Identifizieren Sie "<subject>_n4_mni_seg_post_inverse.nii.gz": paketierte Kleinhirnmaske im Original (Betreffraum).</li>
			<li>Identifizieren Sie "<Subjekt>_n4_mni_seg_post_volumes.csv": Volumen (in mm3) für jede der 28 von Acapulco erzeugten Untereinheiten;</li>
			<li>Identifizieren Sie repräsentative Bilder (im Verzeichnis "Bilder"): sagittal, axial und koronal.</li>
		</ol>
</li>
	</ol></li>
	<li>Statistische Ausreißererkennung und Qualitätskontrolle (QC)<ol>
<li>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:<ol>
<li>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/
</li>
			<li>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
</li>
		</ol>
</li>
	</ol></li>
	<li>Untersuchung der von ACAPULCO erzeugten QC-Bilder HINWEIS: Es gibt einen 3-stufigen Prozess zur Qualitätsprüfung der ACAPULCO-Paketbilder.<ol>
<li>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.</li>
		<li>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".</li>
		<li>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.<ol>
<li>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 <Thema>): subj=<subject_name>
</li>
			<li>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.</li>
			<li>
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.</li>
			<li>
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).</li>
		</ol>
</li>
	</ol></li>
</ol>2. Modul 2: SUIT-Kleinhirn-optimierte Voxel-basierte Morphometrie
<ol><li>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.<ol>
<li>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.</li>
		<li>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.<ol>
<li>Um die grafische Benutzeroberfläche zu verwenden (Themen werden in Serie ausgeführt), geben Sie im MATLAB-Befehlsfenster den folgenden Befehl ein: suit_enigma_all
</li>
			<li>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.</li>
			<li>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')
</li>
			<li>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"
</li>
		</ol>
</li>
		<li>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.</li>
		<li>Achten Sie auf die folgenden Punkte in Bezug auf das Skript.<ol>
<li>Stellen Sie sicher, dass das Skript das N4-Bias-korrigierte, MNI-ausgerichtete (Rigid-Body) T1-Bild und die ACAPULCO-Kleinhirnmaske in das Ausgabeverzeichnis kopiert.</li>
			<li>Stellen Sie sicher, dass das Skript die graue und weiße Substanz des Kleinhirns segmentiert.</li>
			<li>Stellen Sie sicher, dass das Skript mithilfe der ACAPULCO-Maske Fehler bei der Übereinbindung in der Parzellierung korrigiert.</li>
			<li>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.</li>
			<li>Überprüfen Sie den Ordner jedes Betreffs auf die folgenden endgültigen Ausgaben: "wd<subject>_seg1.nii" (graue Substanz) und "wd<subject>_seg2.nii" (weiße Substanz).</li>
		</ol>
</li>
	</ol></li>
	<li>Statistische Ausreißererkennung und Qualitätskontrolle<ol>
<li>Überprüfen Sie die normalisierten, modulierten Bilder (wd*) visuell auf größere Fehler. Geben Sie in MATLAB den folgenden Befehl ein: spm_display_4D
</li>
		<li>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.</li>
		<li>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.</li>
		<li>Überprüfen Sie die räumliche Kovarianz auf Ausreißer. Geben Sie in MATLAB den folgenden Befehl ein: check_spatial_cov
		<ol>
<li>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.</li>
			<li>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 "<subj>_n4_mni.nii.gz" im Ordner SUIT auf Artefakte (Bewegung, anatomische Anomalien), Probleme mit der Bildqualität oder Vorverarbeitungsfehler.</li>
			<li>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.</li>
		</ol>
</li>
	</ol></li>
</ol>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.
<ol><li>FreeSurfer einrichten<ol>
<li>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=<freesurfer_installation_ Verzeichnis> Quelle $FREESURFER_HOME/SetUpFreeSurfer.sh
</li>
		<li>Ersetzen Sie <Pfad> wie folgt: export SUBJECTS_DIR=<Pfad>/enigma/Freesurfer
</li>
	</ol>
</li>
	<li>Freesurfer autorecon1 laufen lassen<ol>
<li>Geben Sie für ein einzelnes Thema aus dem Verzeichnis "freesurfer" (Verarbeitungszeit ~ 20 min) den folgenden Befehl ein: CD <Pfad>/Enigma/FreeSurfer recon-all -i .. /input/<subject>.nii.gz -s <subject> -autorecon1
</li>
		<li>Im Tutorial-Handbuch finden Sie Beispiele zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.</li>
	</ol>
</li>
	<li>Berechnung des ICV<ol>
<li>Dateiorganisation<ol>
<li>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
</li>
		</ol>
</li>
		<li>Ausführen der ICV-Extraktion (Verarbeitungszeit ~ 5 min)<ol>
<li>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
</li>
			<li>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
</li>
			<li>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.</li>
		</ol>
</li>
	</ol>
</li>
</ol>

Die Autoren haben keine Interessenkonflikte offenzulegen.

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...

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.

<table><tbody><tr><td>ACAPULCO Pipeline-Dateien </td><td>0.2.1</td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td> <td>Bitte stellen Sie sicher, dass Sie acapulco Version 0.2.1</td></tr><tr><td>verwenden Docker für Mac</td><td></td><td>https://docs.docker.com/desktop/mac/install/</td> <td>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</td></tr><tr><td>Docker für Windows</td><td></td><td>https://docs.docker.com/docker-for-windows/install/</td><td></td></tr> <tr><td>ENIGMA SUIT Skripte</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td></td></tr> <tr><td>FreeSurfer</td><td>7</td><td>https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td><td>Folgende Variablen müssen jedes Mal gesetzt werden, wenn Sie mit Freesurfer arbeiten: export FREESURFER_HOME=<img alt="equation" src="/files/ftp_upload/63340/lesser.png">freesurfer _installation_directory<img alt="equation" src="/files/ftp_upload/63340/greater.png"> source $FREESURFER_HOME/SetUpFreeSurfer.sh</td></tr><tr><td colspan="4">export SUBJECTS_DIR=<img alt="equation" src="/files/ftp_upload/63340/lesser.png">path<img alt="equation" src="/files/ftp_upload/63340/greater.png">/enigma/Freesurfer</td></tr><tr><td>FSL (für FSLeyes). Optionale</td><td></td><td>6-https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation-ICV-Pipeline-Dateien</td><td></td></tr><tr><td></td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td> <td>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 <img alt="equation" src="/files/ftp_upload/63340/greater.png">=3.5 Python-Modul pandas Python-Modul fire Python-Modul tabulate Python-Modul Colorama</td></tr><tr><td></td><td></td><td>https://github.com/Characterisation-Virtual-Laboratory/calculate_icv</td><td></td></tr><tr><td>MATLAB*</td><td>2019 oder neuer</td><td>https://au.mathworks.com/</td> <td>Eine akademische Lizenz ist erforderlich</td></tr><tr><td>Singularity</td><td>3.7 oder höher</td><td>https://www.sylabs.io/docs/</td> <td>Bevorzugt für High Performance Computing (HPC)-Cluster</td></tr><tr><td>SPM</td><td>12</td><td>http://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Stellen Sie sicher, dass sich spm12 und alle Unterordner in Ihrem MATLAB-Pfad befinden</td></tr><tr><td>SUIT Toolbox</td><td>3.4</td><td>http://www.diedrichsenlab.org/imaging/suit_download.htm</td><td>Stellen Sie sicher, dass Sie die SUIT-Toolbox im Verzeichnis spm12/toolbox ablegen</td></tr><tr><td>Fehlerbehebungshandbuch und Beispiele für</td><td></td> die Segmentierungsausgabe <td>http://enigma.ini.usc.edu/protocols/imaging-protocols/ Tutorial-Handbuch</td><td></td></tr> <tr><td>und Video-http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td></td><td></td><td>Das Handbuch und die begleitende Live-Demonstration bieten detaillierte Schritt-für-Schritt-Anleitungen, wie die Pipeline von Anfang bis Ende ausgeführt wird.</td></tr><tr><td>*Nicht frei verfügbar; eine akademische Lizenz ist erforderlich</td><td></td><td></td><td></td></tr></tbody></table>

eine standardisierte pipeline zur untersuchung der morphometrie der menschlichen zerebellären grauen substanz mittels struktureller magnetresonanztomographie

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

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.

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...

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.

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

Multiple lines of research provide compelling evidence for a role of the cerebellum in a wide array of cognitive and affective functions, going far beyond ...

Unsere Pipeline verwendet modernste Ansätze zur Quantifizierung des Volumens von Kleinhirn-Untereinheiten unter Verwendung menschlicher struktureller Magnetresonanzbilder. Der Prozess umfasst anatomische Parzellierung, Voxel-basierte Morphometrie und Qualitätskontrollprozesse. Unsere standardisierte Pipeline ist größtenteils automatisiert, im Docker- und Singularity-Format verfügbar und hat eine breite Anwendbarkeit auf eine Reihe von neurologischen Erkrankungen.Stellen Sie zunächst sicher, dass Docker oder Singularity, MATLAB und SPM12 installiert sind. Erstellen Sie dann mit dem Befehl make directory in der Befehlszeile Ordner im Arbeitsverzeichnis und beschriften Sie sie als acapulco, suit und freesurfer. Erstellen Sie als Nächstes im acapulco-Verzeichnis einen Ausgabeordner.Erstellen Sie im Ausgabeordner ein Verzeichnis für jedes Thema in der Studie, das das t1-gewichtete Bild im NIFTI gz-Format enthält. Für die anatomische Kleinhirnpaketierung laden Sie den acapulco-Container herunter und laden Sie dann die relevanten Skripte und Container herunter, die zum Ausführen von acapulco erforderlich sind. Platzieren Sie dann den acapulco Docker- oder Singularity-Container, den Inhalt des QCs_scripts-Archivs und den RCIF-Container oder -calculate_dicv.TAR-Datei im Acapulco-Verzeichnis. Öffnen Sie als Nächstes ein Terminal und geben Sie mit Singularity den angegebenen Befehl ein, um den Acapulco-Container auf einem einzelnen Image auszuführen. Warten Sie fünf Minuten, bis die Verarbeitung abgeschlossen ist.Wiederholen Sie dann alle Motive oder Scans in der Kohorte. Suchen Sie nach der Verarbeitung nach den Dateien, die in den fachspezifischen Ordnern generiert wurden. Identifizieren Sie die paketierte Kleinhirnmaske im Original und in den Volumina für jede der 28 von acapulco erzeugten Untereinheiten.Identifizieren Sie dann aus dem pics-Verzeichnis repräsentative sagittale, axiale und koronale Bilder. Stellen Sie für die statistische Ausreißererkennung und Qualitätskontrolle sicher, dass sich die Inhalte der QC-Skripte im acapulco-Verzeichnis befinden. Geben Sie dann mit Singularität den angegebenen Befehl ein.Um die von acapulco generierten QC-Bilder zu untersuchen, öffnen Sie QC_Images. HTML in einem Webbrowser und scrollen Sie schnell 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.Öffnen Sie als Nächstes Plots_for_Outliers. HTML, um das Kontrollkästchen Diagramme für quantitative statistische Ausreißer zu aktivieren. Identifizieren Sie die Ausreißer, die durch eine 1 in der entsprechenden Spalte in den Ausreißern gekennzeichnet sind.CSV-Datei. und notieren Sie die Gesamtzahl der Segmente, die als Ausreißer für jedes Thema identifiziert wurden, in der letzten Spalte unter Ausreißer.csv. Überprüfen Sie manuell jedes Bild mit einem oder mehreren Ausreißern.Wenn Sie einen Standard-NIFTI-Bildbetrachter verwenden, überlagern Sie die Acapulco-Maske auf dem ursprünglichen t1-gewichteten Bild, um die Qualität der Parzellierung Slice für Slice zu überprüfen. Wenn ein oder mehrere paketierte Regionen aus dem endgültigen Datensatz ausgeschlossen werden müssen, schließen Sie diese Parzellierung von der Analyse aus, indem Sie die Volumenschätzung in der entsprechenden Zelle dieses Subjekts durch NA ersetzen. Wenn Parzellationsfehler dazu führen, dass ein Teil des Kleinhirns von der Maske ausgeschlossen wird, schließen Sie das Subjekt sofort von weiteren Analysen aus.Stellen Sie bei voxelbasierten Morphometrieanalysen mit SUIT sicher, dass sich der SPM12-Ordner und alle Unterordner im MATLAB-Pfad befinden. Stellen Sie außerdem sicher, dass die enigma_suit Skripts im SPM12-Toolboxverzeichnis gespeichert und dem MATLAB-Pfad hinzugefügt werden. Um den MATLAB-Pfad zu überprüfen, geben Sie pathtool in das MATLAB-Befehlsfenster ein und klicken Sie auf Mit Unterordnern hinzufügen, um die entsprechenden Ordner hinzuzufügen.Geben Sie als Nächstes über die grafische Benutzeroberfläche suit_enigma_all in das MATLAB-Befehlsfenster ein, um die SUIT-Pipeline für ein oder mehrere Themen auszuführen. Wählen Sie im ersten Popup-Fenster die Betreffordner aus dem acapulco-Ausgabeverzeichnis 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 dann auf Fertig. Wählen Sie im zweiten Popup-Fenster das SUIT-Verzeichnis aus. Um die Funktion über die MATLAB-Befehlszeile für einen einzelnen Betreff aufzurufen, geben Sie den angegebenen Befehl ein.Wenn beim Ausführen von SUIT über die Befehlszeile die Verzeichnisse SPM12 oder enigma_suit nicht dauerhaft im MATLAB-Pfad gespeichert sind, muss dieser Schritt der Befehlszeile hinzugefügt werden. Um die Funktion aus dem Terminalfenster außerhalb von MATLAB für einen einzelnen Betreff aufzurufen, geben Sie den angezeigten Befehl ein. Überprüfen Sie den Ordner jedes Betreffs auf die endgültigen Ausgaben.Um die normalisierten modulierten Bilder visuell auf größere Fehler zu untersuchen, geben Sie spm_display_4d in MATLAB ein. Um als Nächstes die gewünschten Bilder auszuwählen, navigieren Sie zum SUIT-Verzeichnis und geben Sie den angegebenen Befehl in das Filterfeld ein. Drücken Sie dann die rekursive Taste, gefolgt von Fertig.Scrollen Sie durch die Bilder, um sicherzustellen, dass sie alle gut ausgerichtet sind. Um als Nächstes die räumliche Kovarianz auf Ausreißer zu überprüfen, geben Sie check_spatial_cov in MATLAB ein. Wählen Sie dann die modulierten Bilder von früher aus und setzen Sie Prop, wenn Sie dazu aufgefordert werden.Skalierung auf ja, Variable auf Kovarianz, auf Nein, Slice auf 48 und Gap auf 1. Sehen Sie sich schließlich das Boxdiagramm an, das die mittlere räumliche Kovarianz jedes Bildes relativ zu allen anderen Bildern in der Stichprobe anzeigt. Identifizieren Sie die Datenpunkte, die mehr als zwei Standardabweichungen unter dem Mittelwert liegen, im MATLAB-Befehlsfenster.Überprüfen Sie für diese Datenpunkte die entsprechenden Bilder im SUIT-Ordner auf Artefakte und Probleme mit der Bildqualität. oder Fehler bei der Vorverarbeitung. Hier ist ein stark verkümmertes Kleinhirn von einem spino-zerebellären Ataxie 2 Patienten gezeigt.Trotz des Gewebeverlustes, der an den Rändern zu sehen ist, hat SUIT dieses Bild ziemlich gut zur Vorlage verzerrt. Dies würde einen Ausschluss nicht rechtfertigen. Hier gibt es einen deutlichen Farbverlauf von oben nach unten des Kleinhirns und das Bild ist ziemlich schrottig, was einen Ausschluss rechtfertigt.Schließlich hat in diesem Beispiel die Maskierung nicht gut funktioniert. Die Kanten sind nicht sauber und das Bild ist glatter als diejenigen, die normalerweise aus der SUIT-Pipeline kommen. Dies würde einen Ausschluss rechtfertigen.Beispiele für gute Parzellationen, einschließlich gesunder und stark verkümmerter Kleinhirn, werden hier gezeigt, während Beispiele für Fehlparzellierungen mit subtilen Über- und Untereinschlüssen einzelner Kleinhirnläppchen hier zu sehen sind. Diese Art von Fehlern erfordert im Allgemeinen den Ausschluss der einzelnen betroffenen Läppchen, während der Rest des paketierten Kleinhirns beibehalten werden kann. Im Gegensatz dazu erfordern globale Misserfolge einen vollständigen Ausschluss des Subjekts.Als acapulco an einer Stichprobe von 31 Personen mit Friedreich-Ataxie und 37 gesunden Kontrollen durchgeführt wurde, hatten das linke Läppchen IX und das rechte Läppchen Crus I die höchsten Ausschlussraten. Der Vergleich der Volumina von 28 anatomischen Kleinhirnläppchen bei Friedreich-Ataxie und gesunden Kontrollpersonen zeigte bei Friedreich-Ataxie eine signifikant reduzierte weiße Substanz im Korpusmedullar. Es gab keine anderen signifikanten Unterschiede zwischen den Gruppen.Beispiele für gut ausgerichtete Bilder sowohl von gesunden Kontrollen als auch von Friedreich-Ataxie werden hier gezeigt, während Beispiele für Ausschlüsse hier zu sehen sind. Nach dem Testen der räumlichen Kovarianz aller normalisierten Bilder wurden zwei Scans als statistische Ausreißer basierend auf ihrer mittleren räumlichen Kovarianz mit dem Rest der Stichprobe erkannt. Nicht-parametrische Permutationstests wurden in SNPM durchgeführt, um signifikante Unterschiede zwischen den Gruppen im Volumen der grauen Substanz des Kleinhirns zu testen.Die Ergebnisse der SUIT-Analyse zeigten, dass Friedreich-Ataxie-Patienten das Volumen der grauen Substanz in den bilateralen vorderen Läppchen I bis V und in medialen hinteren Lappenregionen einschließlich Vermis VI und Vermis signifikant reduziert hatten IX.It entscheidend ist, die Kleinhirnmasken manuell zu überprüfen, um sicherzustellen, dass eine vollständige Kleinhirnabdeckung erreicht wurde, und auch die Masken auf Über- und Untereinschlüsse von Kleinhirnläppchen zu untersuchen. Diese Pipeline ermöglicht statistische Analysen auf Gruppenebene mit mehreren Standorten, die daran interessiert sind, die Struktur der grauen Substanz des Kleinhirns zu untersuchen. Andere Techniken, wie die funktionelle Konnektivität, können auch verwendet werden, um die Konnektivität zwischen einzelnen Kleinhirnläppchen und dem Großhirn zu untersuchen.

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

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Dieser Artikel beschreibt Techniken zur hochauflösenden funktionellen Kernspintomografie mit 1,2 mm Probenahme in der menschlichen Mittelhirn und subkortikalen Strukturen mit einem 3T Scanner durchführen. Die Verwendung dieser Techniken, um topographische Karten der visuellen Stimulation in der menschlichen Colliculus superior (SC) zu lösen ist als ein Beispiel gegeben.

Hochauflösende Functional Magnetic Resonance Imaging Methods for Human Mittelhirn

Läsion Explorer (LE) ist eine regional entwickelt, um Hirngewebe und subkortikalen Hyper Läsion Volumetrie von strukturellen MRT der Alzheimer-Krankheit und normalen älteren erhalten halbautomatisch, Bildverarbeitungs-Pipeline. Um ein hohes Maß an Genauigkeit und Zuverlässigkeit zu gewährleisten, ist das folgende eine Video-geführt, standardisiertes Protokoll für LE manuellen Verfahren.

Läsion Explorer: Ein Video-geführt, standardisiertes Protokoll für genaue und zuverlässige MRI-abgeleiteten Volumetrics in der Alzheimer-Krankheit und Normale Ältere

Mit Hilfe von MRT-Scans (Mensch), 3D-Bildgebungssoftware und immunhistologischer Analyse dokumentieren wir Veränderungen an den Seitenventrikeln des Gehirns. Die longitudinale 3D-Kartierung von Volumenänderungen des lateralen Ventrikels und die Charakterisierung periventrikulärer zellulärer Veränderungen, die im menschlichen Gehirn aufgrund von Alterung oder Krankheit auftreten, werden dann an Mäusen modelliert.

3D-Modellierung der Seitenventrikel und histologische Charakterisierung Periventrikuläre Tissue in Mensch und Maus

Dieses Whitepaper beschreibt ein statistisches Modell für Volumetrische MRI-Daten-Analyse, die "Wechselpunkt" identifiziert, wenn Hirnatrophie im Premanifest Chorea Huntington beginnt. Ganz-Brain Mapping von die wechselpunkte erfolgt basierend auf Gehirn Volumen mit einer Atlas-basierte Segmentierung-Pipeline von T1-gewichteten Bildern erzielt.

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit

Dieses Protokoll beschreibt den Prozess der strukturellen T1-gewichteten MRT-Aufnahmen, die graue Substanz Regionen abzugrenzen, die für die Quantifizierung von Volumen der grauen Substanz verwendet werden können sieben verschiedene automatisierte Segmentierungstools zuweisen.

Automatische Segmentierung der kortikalen grauen Zellen von T1-gewichteten MRT-Aufnahmen

Multiple Sklerose ist eine entzündliche demyelinisierende Krankheit ohne Heilung. Die Analyse von Hirngewebe liefert wichtige Hinweise auf das Verständnis der Pathogenese der Krankheit. Hier diskutieren wir die Methodik und die nachgelagerte Analyse von MS-Gehirngewebe, das durch ein einzigartiges Schnellautopsieprogramm in der Cleveland Clinic gesammelt wurde.

Umfassendes Autopsieprogramm für Personen mit Multipler Sklerose

Dies ist eine 3T-Magnetresonanztomographie-Studie, die darauf abzielt, Volumenunterschiede zwischen Cannabis-induzierten Psychose-Patienten und nicht-psychotischen chronischen Cannabiskonsumenten zu untersuchen.

Gehirnmorphologie von Cannabiskonsumenten mit oder ohne Psychose: Eine MrT-Pilotstudie

Dieses Protokoll zeigt, wie Neuromelanin-empfindliche Magnetresonanztomographen der Substantia nigra gewonnen werden können.

Standardisierte Datenerfassung für Neuromelanin-sensitive Magnetresonanztomographie der Substantia nigra

Dieses Protokoll beschreibt Methoden zur Durchführung von Magnetresonanztomographie, Clearing und Immunmarkierung intakter Mausgehirne mit iDISCO+, gefolgt von einer detaillierten Beschreibung der Bildgebung mittels Lichtblattmikroskopie und nachgeschalteten Analysen mit NuMorph.

Ganzhirn-Einzelzellbildgebung und Analyse intakter neonataler Mausgehirne mittels MRT, Gewebereinigung und Lichtblattmikroskopie

Diese Studie integrierte Magnetresonanztomographie - arterielle Spin-Markierungsbilder, um einen zerebralen Blutflussatlas (CBF) für zerebrale Funktionsregionen abzuleiten. Der Vergleich typischer gesunder und chronischer zerebraler Ischämie-CBF-Atlanten ergab signifikante Unterschiede in den regionalen CBF-Verteilungen, die eine schnelle, nicht-invasive Beurteilung der funktionellen CBF ermöglichten, um die Diagnose und Bewertung von Therapeutika zu unterstützen.

Konstruktion und Anwendung eines zerebralen funktionellen regionenbasierten zerebralen Blutflussatlas unter Verwendung von Magnetresonanztomographie-Arterienspinmarkierung

Erfahren Sie eine standardisierte Pipeline zur Morphometrie der zerebellären grauen Substanz mittels struktureller MRT. Diese automatisierte Methode ermöglicht präzise Volumenquantifizierung für neurologische Krankheitsstudien.

Eine standardisierte Pipeline zur Untersuchung der Morphometrie der menschlichen zerebellären grauen Substanz mittels struktureller Magnetresonanztomographie (Video) | JoVE Journal

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

Weitere Videos entdecken