Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Un pipeline standardisé pour l’examen de la morphométrie de la matière grise cérébelleuse humaine à l’aide de l’imagerie par résonance magnétique structurelle

4.1K vues

⸱

DOI :

10.3791/63340

⸱

4 février 2022

 ,  ,  ,  ,  ,  , 
1Department of Neuroscience, Central Clinical School, Monash University, 2Department of Biomedical Engineering, The Johns Hopkins University, 3Department of Psychiatry, National Institute of Mental Health & Neuro Sciences (NIMHANS), 4Faculty of Computer Science, Dalhousie University, 5Department of Electrical and Computer Engineering, The Johns Hopkins University, 6Department of Computer Science, The Johns Hopkins University, 7Brain and Mind Institute, Department for Statistical and Actuarial Sciences, Department for Computer Science, Western University, 8Monash Biomedical Imaging, Monash University

Dans cet article

Résumé

Un pipeline normalisé est présenté pour l’examen de la morphométrie de la matière grise du cervelet. Le pipeline combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet et l’enregistrement du cervelet à base de voxel pour la quantification volumétrique.

Résumé

De multiples axes de recherche fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives et affectives, allant bien au-delà de son association historique avec le contrôle moteur. Les études de neuroimagerie structurale et fonctionnelle ont affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques, soulignant la nécessité d’examiner les sous-unités cérébelleuses individuelles dans la variabilité saine et les maladies neurologiques. Cet article présente un pipeline standardisé pour l’examen de la morphométrie de la matière grise du cervelet qui combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) et l’enregistrement du cervelet à base de voxel (modèle infra-tentorial spatialement non biaisé; SUIT) pour la quantification volumétrique.

Le pipeline a une large applicabilité à une gamme de maladies neurologiques et est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour le contrôle de la qualité des résultats. Le pipeline est disponible gratuitement, accompagné d’une documentation d’accompagnement substantielle, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est appliqué dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA), et des résultats représentatifs, ainsi que des recommandations sur les analyses statistiques inférentielles au niveau du groupe, sont fournis. Ce pipeline pourrait faciliter la fiabilité et la reproductibilité dans l’ensemble du domaine, fournissant ainsi une approche méthodologique puissante pour caractériser et suivre les changements structurels cérébelleux dans les maladies neurologiques.

Introduction

Le cervelet est une partie du cerveau historiquement associée au contrôle moteur 1,2,3 et on pense qu’il n’est pleinement impliqué que dans un petit ensemble de maladies rares, telles que les ataxies héréditaires4. Cependant, les lignes de recherche convergentes issues d’études de traçage anatomique chez des primates non humains, ainsi que d’études sur les lésions humaines et la neuroimagerie, fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives 5,6,7, affectives 8,9,10,11 et d’autres fonctions non motrices 7,12 (voir 6  pour examen). En outre, les anomalies du cervelet sont de plus en plus impliquées dans un large éventail de troubles neurologiques et psychiatriques, y compris la maladie de Parkinson13, la maladie d’Alzheimer14,15, l’épilepsie16,17, la schizophrénie18 et les troubles du spectre autistique19 . Par conséquent, il est devenu essentiel d’incorporer le cervelet dans les modèles fonctionnels et structurels des maladies du cerveau humain et de la variabilité comportementale normative.

Anatomiquement, le cervelet peut être divisé le long de son axe supérieur à inférieur en trois lobes: antérieur, postérieur et floculonodulaire. Les lobes sont subdivisés en 10 lobules désignés par des chiffres romains I-X20,21 (Figure 1). Le cervelet peut également être regroupé en zones médianes (vermis) et latérales (hémisphère), qui reçoivent respectivement des entrées de la moelle épinière et du cortex cérébral. Le lobe antérieur, composé de lobules I-V, a traditionnellement été associé à des processus moteurs et présente des connexions réciproques avec les cortex moteurs cérébraux22. Le lobe postérieur, composé de lobules VI-IX, est principalement associé aux processus non moteurs11 et présente des connexions réciproques avec le cortex préfrontal, le cortex pariétal postérieur et le cortex cérébral temporal supérieur 8,23. Enfin, le lobe floculonodulaire, comprenant le lobule X, a des connexions réciproques avec les noyaux vestibulaires qui régissent les mouvements oculaires et l’équilibre du corps pendant la posture et la démarche21.

Un nombre croissant de travaux récents utilisant la neuroimagerie fonctionnelle a affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques. Par exemple, des techniques d’imagerie par résonance magnétique fonctionnelle (IRMf) à l’état de repos ont été utilisées pour cartographier le modèle d’interactions fonctionnelles entre le cervelet et le cerveau24. De plus, en utilisant une approche de parcellation basée sur les tâches, King et ses collègues7 ont démontré que le cervelet présente un modèle riche et complexe de spécialisation fonctionnelle dans toute son étendue, mis en évidence par des limites fonctionnelles distinctes associées à une variété de tâches motrices, affectives, sociales et cognitives. Collectivement, ces études soulignent l’importance d’examiner les sous-unités cérébelleuses individuelles afin de développer des caractérisations biologiques complètes de l’implication du cervelet dans la variabilité saine et les maladies neurologiques caractérisées par des altérations de la structure et/ou de la fonction cérébelleuses.

Le présent travail se concentre sur les méthodes de quantification des changements locaux dans le volume cérébelleux à l’aide de l’IRM structurelle chez l’homme. En général, il existe deux approches fondamentales pour quantifier le volume cérébral régional à l’aide de données IRM : la segmentation basée sur les caractéristiques et l’enregistrement basé sur le voxel. Les approches de segmentation basées sur les caractéristiques utilisent des repères anatomiques et des atlas standardisés pour identifier automatiquement les frontières entre les sous-régions. Les progiciels grand public pour la segmentation incluent FreeSurfer25, BrainSuite26 et FSL-FIRST27. Cependant, ces emballages ne fournissent que des parcellations grossières du cervelet (par exemple, étiqueter toute la matière grise et toute la substance blanche dans chaque hémisphère), négligeant ainsi les lobules cérébelleux individuels. Ces approches sont également sujettes à une mauvaise segmentation, en particulier à la surinclusion du système vasculaire environnant.

De nouveaux algorithmes d’apprentissage automatique et d’étiquetage multi-atlas ont été développés, qui fournissent une parcellation plus précise et plus fine du cervelet, y compris la classification automatique de l’algorithme de lobules cérébelleux à l’aide de l’évolution multilimite implicite (ACCLAIM 28,29), la boîte à outils d’analyse cérébelleuse (CATK30), les modèles générés automatiquement multiples (MAGeT31), la segmentation automatique rapide du cervelet humain et de ses lobules (RASCAL32 ), segmentation graphique33 et segmentation CEREbellum (CERES34). Dans un article récent comparant les approches de parcellation du cervelet entièrement automatisées de pointe, CERES2 s’est avéré surpasser les autres approches par rapport à la segmentation manuelle de référence des lobules cérébelleux35. Plus récemment, Han et ses collèguesde 36 ont développé un algorithme d’apprentissage profond appelé ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), qui fonctionne sur un pied d’égalité avec CERES2, a une large applicabilité aux cervelets sains et atrophiés, est disponible en format de conteneur Docker et Singularity open-source pour une mise en œuvre « prête à l’emploi » et est plus rapide que d’autres approches. ACAPULCO répartit automatiquement le cervelet en 28 régions anatomiques.

Contrairement à la segmentation basée sur les fonctionnalités, les approches d’enregistrement basées sur le voxel fonctionnent en mappant précisément une IRM à une image modèle. Pour réaliser ce mappage, les voxels de l’image originale doivent être déformés en taille et en forme. L’ampleur de cette distorsion fournit effectivement une mesure du volume à chaque voxel par rapport au modèle d’étalon-or. Cette forme d’évaluation volumétrique est connue sous le nom de « morphométrie à base de voxel »37. Les approches d’enregistrement basées sur le voxel du cerveau entier, telles que FSL-FLIRT38/FNIRT39, SPM unified segmentation40 et CAT1241, sont couramment utilisées pour la morphométrie à base de voxel. Cependant, ces approches ne tiennent pas bien compte du cervelet, ce qui entraîne une fiabilité et une validité médiocres dans les régions infratentorielles (cervelet, tronc cérébral42). Pour tenir compte de ces limitations, l’algorithme SUIT (Spatially Unbiased Infra-tentorial Template) a été développé pour optimiser l’enregistrement du cervelet et améliorer la précision de la morphométrie à base de voxel42,43.

La segmentation basée sur les caractéristiques et les approches d’enregistrement basées sur le voxel pour l’estimation du volume cérébelleux régional ont des forces et des faiblesses fondamentales. Les approches de segmentation sont beaucoup plus précises pour quantifier le volume des zones anatomiquement définies (p. ex., lobules35). Cependant, les limites entre les modules fonctionnels distincts du cervelet ne correspondent pas à ses folias anatomiques et à ses fissures (équivalents aux gyri et sulci du cerveau7). Comme les approches basées sur l’enregistrement ne sont pas limitées par des repères anatomiques, une inférence spatiale plus fine et une cartographie structure-fonction à haute dimension du cervelet sontpossibles 44. Prises ensemble, les approches de segmentation et d’enregistrement sont complémentaires et peuvent être utilisées pour répondre à différentes questions de recherche.

Ici, un nouveau pipeline standardisé est présenté, qui intègre ces approches existantes et validées pour fournir une parcellation optimisée et automatisée (ACAPULCO) et un enregistrement du cervelet à base de voxel (SUIT) pour la quantification volumétrique (Figure 2). Le pipeline s’appuie sur les approches établies pour inclure des protocoles de contrôle de la qualité, en utilisant la visualisation qualitative et la détection quantitative des valeurs aberrantes, ainsi qu’une méthode rapide pour obtenir une estimation du volume intracrânien (ICV) à l’aide de Freesurfer. Le pipeline est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour vérifier les sorties de contrôle qualité, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est disponible gratuitement sans restriction quant à son utilisation à des fins non commerciales et peut être consulté à partir de la page Web ENIGMA Consortium Imaging Protocols (sous « ENIGMA Cerebellum Volumetrics Pipeline »), après avoir rempli un bref formulaire d’inscription45.

Tous les logiciels requis sont répertoriés dans la table des matériaux, et des didacticiels détaillés, y compris une démonstration en direct, sont disponibles lors du téléchargement du pipeline, en plus du protocole décrit ci-dessous. Enfin, des résultats représentatifs sont fournis, issus de la mise en œuvre du pipeline dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA) et de témoins sains appariés selon l’âge et le sexe, ainsi que des recommandations pour des analyses inférentielles statistiques au niveau du groupe.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

REMARQUE : Les données utilisées dans cette étude faisaient partie d’un projet approuvé par le Comité d’éthique de la recherche humaine de l’Université Monash (projet 7810). Les participants ont donné leur consentement éclairé par écrit. Alors que le pipeline peut être exécuté sur les systèmes d’exploitation Mac, Windows ou Linux, ACAPULCO, SUIT et les pipelines QC ont été explicitement testés sur les systèmes d’exploitation Linux (Ubuntu) et Mac (Catalina, Big Sur v11.0.1).

1. Module 1 : ACAPULCO (parcellation anatomique)

  1. Collecte de données
    1. Recueillez des images IRM pondérées en T1 3D de l’ensemble du cerveau à une résolution de 1 mm3 ou moins. Les dimensions isotropes du voxel (généralement 1 mm x 1 mm x 1 mm) et un scanner 3-Telsa (ou supérieur) sont recommandés. Consultez un spécialiste en imagerie de son centre de radiographie pour mettre en place et acquérir des données qui répondent à ces spécifications.
      REMARQUE: Les images pondérées en T2 sont parfois utiles pour les analyses volumétriques; toutefois, le pipeline présenté ici repose uniquement sur des données pondérées T1, et certains des outils utilisés sont exclusifs à ce type de données. En tant que telles, les images pondérées en T2 ne peuvent pas être utilisées.
    2. Entreprendre une évaluation de la qualité visuelle des images afin d’exclure les malformations cérébelleuses grossières (p. ex., les grandes lésions) ou les artefacts de mouvement importants qui empêchent l’identification des principaux repères cérébelleux (p. ex., les principales fissures anatomiques). N’excluez pas automatiquement la cervelet atrophié, même s’il est substantiel.
    3. Pour les études de groupe, envisagez également des évaluations quantitatives de la qualité à l’aide d’outils normalisés et disponibles gratuitement, tels que MRIQC46, afin d’identifier davantage les données problématiques.
    4. Convertissez toutes les données au format NIFTI-GZ à l’aide d’un outil tel que dcm2niix47.
  2. Organisation des données recommandée
    1. Procurez-vous tous les logiciels nécessaires comme indiqué dans le tableau des matériaux. Assurez-vous que Docker48 ou Singularity49, Matlab50 et SPM1251 sont installés avant d’exécuter le pipeline.
      REMARQUE : Des didacticiels écrits et vidéo détaillés décrivant le pipeline sont également disponibles (voir le Tableau des matériaux).
    2. Une fois tous les logiciels nécessaires installés, créez des dossiers dans le répertoire de travail et étiquetez-les « acapulco », « suit » et « freesurfer ». Pour ce faire, utilisez la commande mkdir de la ligne de commande.
    3. Dans le répertoire 'acapulco', créez un dossier de sortie . Dans le dossier de sortie , créez un répertoire pour chaque sujet de l’étude contenant l’image pondérée T1 au format NIFTI-GZ.
      REMARQUE: Il est recommandé de conserver une copie des données originales ailleurs.
  3. Parcellation cérébelleuse anatomique à l’aide d’ACAPULCO
    1. Accédez à la table des matériaux et téléchargez les scripts et conteneurs pertinents requis pour exécuter ACAPULCO (sous les fichiers de pipeline acapulco). Dans le répertoire 'acapulco', placez le conteneur (i) ACAPULCO Docker OR Singularity ('acapulco_0.2.1.tar.gz' ou '.sif', respectivement), (ii) le contenu de l’archive QC_scripts (3 fichiers: 'QC_Master.R', 'QC_Plots.Rmd' et 'QC_Image_Merge.Rmd'), et (iii) 'R.sif' (singularité) OU 'calculate_icv.tar' (docker).
    2. Ouvrez un terminal et, à partir de la ligne de commande, exécutez le conteneur ACAPULCO sur une seule image (remplacez <> dans ce qui suit). Attendez environ 5 minutes pour que le traitement se termine.
      1. À l’aide de Docker, tapez la commande :
        docker load --input acapulco_0.2.1.tar.gz
        docker run -v $PWD:$PWD -w $PWD -t --user $(id -u):$(id -g) --rm acapulco:latest -i output/<>/<>.nii.gz -o output/<>
      2. À l’aide de Singularité, tapez la commande :
        singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
    3. Boucle à travers tous les sujets / scans de la cohorte. Consultez la table des matériaux pour un lien vers le site Web ENIGMA Imaging Protocols pour télécharger le pipeline (sous ENIGMA Cerebellum Volumetrics Pipeline) et le manuel du didacticiel contenant des exemples de création d’une boucle for pour le traitement en série de plusieurs sujets.
    4. Après le traitement, recherchez les fichiers suivants générés dans les dossiers spécifiques à l’objet :
      1. Identifiez « _n4_mni_seg_post_inverse.nii.gz »: masque de cervelet parcellé dans l’original (espace sujet).
      2. Identifier « _n4_mni_seg_post_volumes.csv »: volumes (en mm3) pour chacune des 28 sous-unités générées par l’acapulco;
      3. Identifiez les images représentatives (dans le répertoire 'pics'): sagittales, axiales et coronales.
  4. Détection statistique des valeurs aberrantes et contrôle de la qualité (CQ)
    1. Depuis le terminal et dans le répertoire 'acapulco', assurez-vous que le contenu de QC_scripts se trouve dans le répertoire 'acapulco'. Pour exécuter les scripts QC :
      1. À l’aide de Docker, tapez la commande :
        calculate_icv.tar de chargement docker
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        sortie QC_Master.R/
      2. À l’aide de Singularité, tapez la commande :
        singularité exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. Examen des images QC générées par ACAPULCO
    REMARQUE: Il existe un processus en 3 étapes pour vérifier la qualité des images parcellées ACAPULCO.
    1. Ouvrez le 'QC_Images.html' dans un navigateur Web et faites défiler rapidement (~ 10 s par sujet) les images pour identifier les échecs évidents ou les problèmes systématiques. Notez les ID d’objet des images parcellées défaillantes ou suspectes pour le suivi.
      REMARQUE: Voir la figure 3 pour un guide sur la neuroanatomie des lobules cérébelleux et la figure 4, la figure 5 et la figure 6 dans la section des résultats représentatifs ci-dessous pour des exemples de « bonnes » parcellations, de « mauvaises parcellations subtiles » et de « défaillance globale ».
    2. Ouvrez le 'Plots_for_Outliers.html' pour cocher les cases des tracés pour les valeurs statistiques quantitatives aberrantes. Recherchez les valeurs aberrantes (2,698 s.d au-dessus ou en dessous de la moyenne) au-dessus ou au-dessous des moustaches des diagrammes de boîte. Passez le curseur de la souris sur les points de données pour afficher l’ID d’objet. Identifiez les valeurs aberrantes signalées par un « 1 » dans la colonne correspondante du fichier « Valeurs aberrantes .csv » et notez le nombre total de segments identifiés comme valeurs aberrantes pour chaque sujet dans la dernière colonne de « Valeurs aberrantes .csv ».
    3. Inspectez manuellement chaque image ayant une ou plusieurs valeurs aberrantes. CRITIQUE : À l’aide d’une visionneuse d’images NIFTI standard (par exemple, FSLEyes ou MRICron), superposez le masque ACAPULCO sur l’image T1w d’origine pour vérifier la qualité de la parcellation tranche par tranche.
      1. Pour générer des superpositions pour le QC détaillé à partir de la ligne de commande à l’aide de FSLEyes, i) remplacez le répertoire par le répertoire 'acapulco', ii) spécifiez l’objet à afficher (remplacez ) :
        subj=
      2. Copiez/collez le code suivant sur le terminal (sans modifier manuellement {subj} car il a été défini par la ligne précédente :
        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 aléatoire
        REMARQUE: Il faudra déterminer s’il faut inclure le segment anormal ou non, c’est-à-dire s’il y a une erreur de parcellation ou s’il s’agit simplement d’une variabilité normale de l’anatomie de l’individu? Chaque région parcellée est considérée individuellement, de sorte que quelques régions peuvent être exclues pour une image, tandis que le reste peut être conservé si elle est correcte.
      3. Une ou plusieurs régions parcellées doivent-elles être exclues de l’ensemble de données final ?
        Si oui (valeur aberrante confirmée), exclure cette (ces) parcellation(s) de l’analyse en remplaçant l’estimation du volume par NA dans la cellule correspondante du fichier « Cerebel_vols.csv » pour ce sujet.
      4. Les erreurs de parcellation entraînent-elles l’exclusion d’une partie du cervelet du masque?
        Si oui (par exemple, si des lobules cérébelleux particuliers sont absents du masque ou semblent « coupés »), excluez immédiatement le sujet des analyses ultérieures (c’est-à-dire ne pas exécuter le module SUIT sur ces sujets).

2. Module 2 : Morphométrie à base de voxel optimisée pour le cervelet SUIT

  1. Analyses morphométriques à base de voxel à l’aide de SUIT
    CRITIQUE: Ce pipeline nécessite que le module ACAPULCO ait déjà été exécuté, car il repose sur la génération d’un masque cérébelleux spécifique au sujet pour optimiser l’enregistrement et la normalisation du cervelet dans le modèle SUIT. Si le masque spécifique au sujet généré par ACAPULCO n’inclut pas l’ensemble du cervelet, cela justifie l’exclusion du module SUIT. Pour obtenir des instructions sur l’exécution de SUIT autonome, reportez-vous àla section 52.
    1. Procurez-vous tous les logiciels nécessaires répertoriés dans le tableau des matériaux. Assurez-vous que le dossier SPM12 et tous les sous-dossiers se trouvent dans le chemin d’accès MATLAB. Assurez-vous enigma_suit scripts sont enregistrés dans le répertoire 'spm12/toolbox' et ajoutés au chemin MATLAB. Pour vérifier le chemin d’accès MATLAB, tapez pathtool dans la fenêtre de commande MATLAB, puis cliquez sur Ajouter avec des sous-dossiers pour ajouter les dossiers appropriés.
    2. Exécutez le pipeline SUIT pour un ou plusieurs sujets. Attendez ~15-20 min (si vous utilisez l’interface utilisateur graphique [GUI]) et ~5-7 min si vous exécutez à partir du terminal (bash/shell) pour que le traitement se termine.
      1. Pour utiliser l’interface graphique (les sujets seront exécutés en série), dans la fenêtre de commande MATLAB, tapez la commande :
        suit_enigma_all
      2. Dans la première fenêtre contextuelle, sélectionnez les dossiers d’objet dans le répertoire 'acapulco/output' à inclure dans l’analyse. Cliquez sur les dossiers individuels sur le côté droit de la fenêtre ou cliquez avec le bouton droit de la souris et sélectionnez tout. Appuyez sur Terminé. Dans la deuxième fenêtre contextuelle, sélectionnez le répertoire SUIT, où les analyses seront écrites.
      3. OU Appelez la fonction à partir de la ligne de commande MATLAB pour un seul sujet, tapez la commande :
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OU Appelez la fonction depuis la fenêtre du terminal, en dehors de MATLAB, pour un seul sujet en tapant la commande :
        matlab -nodisplay -nosplash -r « suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit »
    3. Consultez la table des matériaux pour un lien vers le site Web ENIGMA Imaging Protocols pour télécharger le pipeline (sous ENIGMA Cerebellum Volumetrics Pipeline) et le manuel du didacticiel contenant des exemples de création d’une boucle for pour le traitement en série de plusieurs sujets.
    4. Recherchez les points suivants concernant le script.
      1. Assurez-vous que le script copie l’image T1 corrigée des biais N4, alignée sur MNI (corps rigide) et le masque de cervelet ACAPULCO dans le répertoire de sortie.
      2. Assurez-vous que le script segmente la matière grise et blanche du cervelet.
      3. Assurez-vous que le script corrige les erreurs de surinclusion dans la parcellation à l’aide du masque ACAPULCO.
      4. Assurez-vous que le script DARTEL normalise et recoupe les données dans l’espace SUIT avec modulation jacobienne afin que la valeur de chaque voxel soit proportionnelle à son volume d’origine.
      5. Vérifiez dans le dossier de chaque sujet les résultats finaux suivants : 'wd_seg1.nii' (matière grise) et 'wd_seg2.nii' (substance blanche).
  2. Détection statistique des valeurs aberrantes et contrôle de la qualité
    1. Inspectez visuellement les images normalisées et modulées (wd*) pour détecter les défaillances majeures. Dans MATLAB, tapez la commande :
      spm_display_4D
    2. Sélectionnez manuellement les images 'wd*seg1' dans les sous-dossiers de la combinaison ou accédez au répertoire 'suit'; insérez '^wd.*seg1' dans la zone Filtre (pas de guillemets) et appuyez sur le bouton Rec . Appuyez sur Terminé.
    3. Faites défiler les images pour vous assurer qu’elles sont toutes bien alignées. Voir la figure 7 pour des images correctement normalisées provenant de témoins sains (A, B) et d’une personne atteinte d’un cervelet fortement atrophique (D).
      REMARQUE: À ce stade, l’anatomie entre les sujets est très similaire (car ils ont été enregistrés dans le même modèle), et les différences de volume sont plutôt codées par des intensités de voxel différentes. Les défaillances majeures seront évidentes, p. ex. images vierges, grandes zones de tissu manquant, gradients d’intensité inhabituels (c.-à-d. voxels brillants tout en haut, voxels sombres tout en bas). Ces images doivent être exclues des étapes suivantes.
    4. Vérifiez la covariance spatiale pour les valeurs aberrantes. Dans MATLAB, tapez la commande :
      check_spatial_cov
      1. Sélectionnez les images 'wd*seg1' comme à l’étape précédente. Lorsque vous y êtes invité, sélectionnez les options suivantes : Mise à l’échelle des accessoires : Oui ; Variable à covary out: Non; Tranche (mm): - 48 , Espace: 1.
      2. Regardez le boxplot affichant la covariance spatiale moyenne de chaque image par rapport à toutes les autres de l’échantillon. Identifiez les points de données >2s.d. sous la moyenne dans la fenêtre de commande MATLAB. Pour ce faire, inspectez l’image « _n4_mni.nii.gz » dans le dossier SUIT à la recherche d’artefacts (mouvement, anomalies anatomiques), de problèmes de qualité d’image ou d’erreurs de prétraitement.
      3. Si la qualité de l’image et le prétraitement sont acceptables et que l’inspection visuelle des images modulées à l’étape précédente n’indique pas de problème de segmentation et de normalisation, conservez ces données dans l’échantillon. Sinon, excluez ces données.

3. MODULE 3 (facultatif) : Estimation du volume intracrânien (ICV) à l’aide de FreeSurfer

REMARQUE : Ce module utilisera le pipeline FreeSurfer pour calculer ICV. Il n’est pas nécessaire de le réexécuter s’il existe des sorties Freesurfer pour la cohorte (n’importe quelle version).

  1. Configuration de FreeSurfer
    1. Assurez-vous que FreeSurfer est téléchargé et installé53. Accédez à la table des matériaux et téléchargez les scripts pertinents pour exécuter ce module (sous fichiers de pipeline ICV). Lorsque vous travaillez avec FreeSurfer, définissez les variables suivantes :
      export FREESURFER_HOME=répertoire
      source $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Remplacez comme suit :
      export SUBJECTS_DIR=
  2. Exécution de Freesurfer autorecon1
    1. Pour un seul sujet, à partir du répertoire 'freesurfer' (temps de traitement ~20 min), tapez la commande:
      cd
    2. Consultez le manuel du didacticiel pour obtenir des exemples de création d’une boucle for pour le traitement en série de plusieurs sujets.
  3. Calcul de l’ICV
    1. Organisation des données
      1. Dans le répertoire 'freesurfer', placez le conteneur (i) Docker OR Singularity utilisé dans le module 1 ('calculate_icv.tar' ou 'R.sif', respectivement) et (ii) le script xfm2det (voir la table des matériaux). Ensuite, faites un clone git pour cloner le script ICV requis :
        https://github.com/Characterisation-Virtual-Laboratory/calculate_icv de clone git
    2. Extraction ICV en cours d’exécution (temps de traitement ~ 5 min)
      1. Dans le répertoire 'freesurfer', avec conteneur de singularité ('R.sif'), tapez :
        singularité exec --cleanenv -B $PWD:$PWD R.sif calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/freesurfer --acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv calculate_icv
      2. Dans le répertoire 'freesurfer', avec conteneur docker, tapez :
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/chemin/vers/Freesurfer --
        acapulco_dir=/chemin/vers/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Exécution d’un script sans conteneur - consultez la table des matériaux pour plus de logiciels et de dépendances requis. Dans le répertoire 'freesurfer', tapez :
        ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/chemin/vers/freesurfer --
        acapulco_dir=/chemin/vers/acapulco/QC/Cerebelvolsfile --
        output_csv_name=Cerebel_vols.csv calculate_icv
        REMARQUE: Cela calculera le ICV pour chaque sujet et ajoutera une colonne avec ICV à la fin du fichier 'Cerebel_vols.csv'.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Parcellation du cervelet (ACAPULCO)

Contrôle de la qualité des masques parcellés au cervelet:
Les exemples suivants illustrent les extrants parcellés d’ACAPULCO et guident la prise de décision concernant a) la qualité du masque parcellé au niveau individuel et b) l’inclusion ou l’exclusion ultérieure d’un ou de plusieurs lobules particuliers des analyses statistiques. En fin de compte, la décision d’inclure ou d’exclure un sujet est subjective; des exemples...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Le cervelet est essentiel à un large éventail de fonctions motrices humaines3,cognitives 58,affectives 10 etlinguistiques 7,59 et est impliqué dans de nombreuses maladies neurologiques et psychiatriques. La disponibilité d’une approche normalisée et facilement réalisable pour la quantification des volumes cérébelleux régionaux contribuera à une cartographie de plus en plus détaillée de la str...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont aucun conflit d’intérêts à divulguer.

Remerciements

Le travail présenté dans ce manuscrit a été financé par une subvention Ideas Grant: APP1184403 de l’Australian National Health and Medical Research Council (NHMRC).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Dossiers pipeline ACAPULCO  ;0.2.1http://enigma.ini.usc.edu/protocols/imaging-protocols/Assurez-vous d’utiliser la version 0.2.1
de Docker pour Machttps://docs.docker.com/desktop/mac/install/macOS doit être de version 10.14 ou plus récente
Docker nécessite sudo priviledges
Docker impose une contrainte de mémoire (RAM) à Mac OS. Pour augmenter la RAM, ouvrez Docker Desktop, allez dans Préférences et cliquez sur ressources. Augmentez la mémoire au maximum
Docker pour Windowshttps://docs.docker.com/docker-for-windows/install/
scriptshttp://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer7https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstallLes variables suivantes doivent être définies à chaque fois que vous travaillez avec Freesurfer :
export FREESURFER_HOME=figure-materials-1freesurfer _installation_directoryfigure-materials-2
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=figure-materials-3pathfigure-materials-4/enigma/Freesurfer
FSL (pour FSLeyes). Fichiers de pipelinefacultatifs de 6https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
http://enigma.ini.usc.edu/protocols/imaging-protocols/ Vous n’aurez pas besoin de logiciel supplémentaire ; 2) sans docker/singularity - cela implique d’exécuter le script ICV (calculate_icv.py) manuellement. Vous aurez besoin des logiciels supplémentaires suivants :
version de Python figure-materials-5=3.5
Module Python pandas
Module Python fire
Module Python tabulate
Module Python Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*2019 ou plusrécenthttps://au.mathworks.com/Une licence académique est requise
Singularity3.7 ou plus récenthttps://www.sylabs.io/docs/Préféré pour les clusters de calcul haute performance (HPC)
SPM12http://www.fil.ion.ucl.ac.uk/spm/software/spm12/Assurez-vous que spm12 et tous les sous-dossiers se trouvent dans votre chemin MATLAB
SUIT Toolbox3.4http://www.diedrichsenlab.org/imaging/suit_download.htmAssurez-vous de placer la boîte à outils SUIT dans le répertoire spm12/toolbox
Manuel de dépannage et exempleshttp://enigma.ini.usc.edu/protocols/imaging-protocols/
Tutoriel manuel et vidéohttp://enigma.ini.usc.edu/protocols/imaging-protocols/Le manuel et la démonstration en direct qui l’accompagne fournissent des instructions détaillées, étape par étape, sur la façon de faire fonctionner le pipeline du début à la fin.
*Non disponible gratuitement ; une licence académique est requise
ENIGMA SUIT ICV Le pipeline ICV peut être exécuté de deux manières : 1) avec docker/singularity. de sortie de segmentation

Références

  1. Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
  2. Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
  3. Manto, M., Oulad Ben Taib, N. The contributions of the cerebellum in sensorimotor control: what are the prevailing opinions which will guide forthcoming studies. Cerebellum. 12 (3), 313-315 (2013).
  4. Manto, M., Gandini, J., Feil, K., Strupp, M. Cerebellar ataxias: an update. Current Opinion in Neurology. 33 (1), 150-160 (2020).
  5. Schmahmann, J. D. Disorders of the cerebellum: ataxia, dysmetria of thought, and the cerebellar cognitive affective syndrome. The Journal of Neuropsychiatry and Clinical Neurosciences. 16 (3), 367-378 (2004).
  6. Strick, P. L., Dum, R. P., Fiez, J. A. Cerebellum and nonmotor function. Annual Review of Neuroscience. 32, 413-434 (2009).
  7. King, M., Hernandez-Castillo, C. R., Poldrack, R. A., Ivry, R. B., Diedrichsen, J. Functional boundaries in the human cerebellum revealed by a multi-domain task battery. Nature Neuroscience. 22 (8), 1371-1378 (2019).
  8. Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
  9. Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, Pt 4 561-579 (1998).
  10. Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
  11. Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
  12. Guell, X., Gabrieli, J. D. E., Schmahmann, J. D. Triple representation of language, working memory, social and emotion processing in the cerebellum: convergent evidence from task and seed-based resting-state fMRI analyses in a single large cohort. Neuroimage. 172, 437-449 (2018).
  13. Lewis, M. M., et al. The role of the cerebellum in the pathophysiology of Parkinson's disease. The Canadian Journal of Neurological Sciences. 40 (3), 299-306 (2013).
  14. Möller, C., et al. Different patterns of gray matter atrophy in early- and late-onset Alzheimer's disease. Neurobiology of Aging. 34 (8), 2014-2022 (2013).
  15. Colloby, S. J., O'Brien, J. T., Taylor, J. P. Patterns of cerebellar volume loss in dementia with Lewy bodies and Alzheimer׳s disease: A VBM-DARTEL study. Psychiatry Research. 223 (3), 187-191 (2014).
  16. McDonald, C. R., et al. Subcortical and cerebellar atrophy in mesial temporal lobe epilepsy revealed by automatic segmentation. Epilepsy Research. 79 (2-3), 130-138 (2008).
  17. Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
  18. Nopoulos, P. C., Ceilley, J. W., Gailis, E. A., Andreasen, N. C. An MRI study of cerebellar vermis morphology in patients with schizophrenia: evidence in support of the cognitive dysmetria concept. Biological Psychiatry. 46 (5), 703-711 (1999).
  19. Stoodley, C. J. Distinct regions of the cerebellum show gray matter decreases in autism, ADHD, and developmental dyslexia. Frontiers in Systems Neuroscience. 8, 92(2014).
  20. Larsell, O. The development of the cerebellum in man in relation to its comparative anatomy. The Journal of Comparative Neurology. 87 (2), 85-129 (1947).
  21. Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , Elsevier. 394-412 (2018).
  22. Kelly, R. M., Strick, P. L. Cerebellar loops with motor cortex and prefrontal cortex of a nonhuman primate. Journal of Neuroscience. 23 (23), 8432-8444 (2003).
  23. Schmahmann, J. D., Pandya, D. N. Anatomical investigation of projections to the basis pontis from posterior parietal association cortices in rhesus monkey. The Journal of Comparative Neurology. 289 (1), 53-73 (1989).
  24. Buckner, R. L., Krienen, F. M., Castellanos, A., Diaz, J. C., Yeo, B. T. The organization of the human cerebellum estimated by intrinsic functional connectivity. Journal of Neurophysiology. 106 (5), 2322-2345 (2011).
  25. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  26. Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
  27. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. Neuroimage. 56 (3), 907-922 (2011).
  28. Bogovic, J. A., Bazin, P. L., Ying, S. H., Prince, J. L. Automated segmentation of the cerebellar lobules using boundary specific classification and evolution. Information Processing in Medical Imaging. 23, 62-73 (2013).
  29. Bogovic, J. A., Prince, J. L., Bazin, P. L. A Multiple object geometric deformable model for image segmentation. Computer Vision and Image Understanding: CVIU. 117 (2), 145-157 (2013).
  30. Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
  31. Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
  32. Weier, K., Fonov, V., Lavoie, K., Doyon, J., Collins, D. L. Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL)--implementation and application of the patch-based label-fusion technique with a template library to segment the human cerebellum. Human Brain Mapping. 35 (10), 5026-5039 (2014).
  33. Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
  34. Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
  35. Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
  36. Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819(2020).
  37. Ashburner, J., Friston, K. J. Voxel-based morphometry--the methods. Neuroimage. 11 (6), 805-821 (2000).
  38. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
  39. Andersson, J., Jenkinson, M., Smith, S. Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
  40. Ashburner, J., Friston, K. J. Unified segmentation. Neuroimage. 26 (3), 839-851 (2005).
  41. Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
  42. Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
  43. Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
  44. Harding, I. H., et al. Brain structure and degeneration staging in Friedreich ataxia: Magnetic resonance imaging volumetrics from the ENIGMA-Ataxia Working Group. Annals of Neurology. 90 (4), 570-583 (2021).
  45. Enigma. Structural imaging processing protocols. , Available from: http://enigma.ini.usc.edu/protocols/imaging-protocols/ (2021).
  46. MRIQC. Poldrack Lab, Stanford University. , Available from: https://mriqc.readthedocs.io/en/stable/ (2020).
  47. dcm2niix. Rorden Lab, University of South Carolina. , Available from: https://github.com/rordenlab/dcm2niix (2021).
  48. Docker. , Available from: https://docs.docker.com/ (2021).
  49. Singularity. Sylabs. , Available from: https://sylabs.io/singularity (2021).
  50. MATLAB. The MathWorks, Inc. , Available from: https://au.mathworks.com/ (2021).
  51. Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging. , Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020).
  52. Diedrichsen Lab, University of Western Ontario. , Available from: http://www.diedrichsenlab.org/imaging/suit.htm (2021).
  53. FreeSurfer download and install. , Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020).
  54. Gaser, C., Dahnke, R. CAT: A computational anatomy toolbox for SPM. , Available from: http://www.neuro.uni-jena.de/cat/ (2020).
  55. Selvadurai, L. P., et al. Cerebral and cerebellar grey matter atrophy in Friedreich ataxia: the IMAGE-FRDA study. Journal of Neurology. 263 (11), 2215-2223 (2016).
  56. Schmahmann, J. D. The cerebellum and cognition. Neuroscience Letters. 688, 62-75 (2019).
  57. Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402(2015).
  58. Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
  59. Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
  60. Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S. Functional gradients of the cerebellum. Elife. 7, 36652(2018).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

Morphométrie cérébelleuseIRM structurelleparcellisation du cerveletmorphométrie basée sur les voxelsvolume de la substance griseataxie de Friedreichcontrôle qualitéparcellisation anatomiquepipeline SUITparcellisation ACAPULCO
Un pipeline standardisé pour l’examen de la morphométrie de la matière grise cérébelleuse humaine à l’aide de l’imagerie par résonance magnétique structurelle
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.