Misurare la connettività nella Primaria via visiva in albinismo umano per mezzo del tensore di diffusione Imaging e Trattografia

Summary

Questo manoscritto descrive algoritmi deterministici e probabilistici per la sostanza bianca (WM) ricostruzione, usato per esaminare le differenze di radiazioni ottiche (OR) la connettività tra albinismo e controlli. Anche se trattografia probabilistico segue il vero corso di fibre nervose più da vicino, trattografia deterministico è stato eseguito per confrontare l'affidabilità e la riproducibilità di entrambe le tecniche.

Abstract

In albinismo, il numero di ipsilaterale sporgenti cellule gangliari della retina (RGCs) è notevolmente ridotta. La retina e chiasma ottico sono stati proposti come siti candidati per misrouting. Dal momento che una correlazione tra il numero di laterali genicolato nucleo (LGN) relè neuroni ed è stato dimostrato dimensioni LGN, e sulla base di riduzioni precedentemente riportati nei volumi LGN in albinismo umano, suggeriamo che le proiezioni in fibra da LGN alla corteccia visiva primaria (V1) sono anche ridotto. Studiando differenze strutturali nel sistema visivo di albinismo può migliorare la comprensione del meccanismo di misrouting e successive applicazioni cliniche. dati diffusione e trattografia sono utili per la mappatura della OR (radiazioni ottiche). Questo manoscritto descrive due algoritmi per il o la ricostruzione al fine di confrontare la connettività del cervello in albinismo e scanner MRI controls.An con una bobina testa a 32 canali è stato utilizzato per acquisire scansioni strutturali. Una sequenza 3D-MPRAGE T1 pesate con 1 mm³ dimensioni voxel isotropico è stato usato per generare immagini ad alta risoluzione per V1 segmentazione. densità protonica multipla (PD) immagini pesate sono stati acquisiti coronale per destra e sinistra LGN localizzazione. Di imaging del tensore di diffusione (DTI) scansioni sono state acquisite con 64 direzioni di diffusione. Sia deterministici e probabilistici metodi di monitoraggio sono stati eseguiti e confrontati con LGN come maschera seme e V1 come maschera obbiettivo. Anche se DTI fornisce relativamente scarsa risoluzione spaziale, e precisa delineazione di OR può essere difficile a causa della sua bassa densità di fibre, trattografia ha dimostrato di essere vantaggioso sia nella ricerca e clinicamente. statistiche territoriali basati Tract (TBSS) hanno rivelato aree di ridotto significativamente l'integrità della sostanza bianca all'interno o in pazienti con albinismo rispetto ai controlli. confronti a coppie hanno rivelato una significativa riduzione dei LGN alla connettività V1 in albinismo rispetto ai controlli. Confrontando entrambi gli algoritmi di monitoraggio hanno rivelato risultati comuni, rafforzare l'affidabilitàdella tecnica.

Introduction

L'albinismo è una condizione genetica principalmente caratterizzata da ipopigmentazione palese osservata in individui affetti. E 'causata da mutazioni ereditarie a geni coinvolti nella sintesi della melanina ^1. L'albinismo appare in due forme principali: albinismo oculo-cutaneo (OCA), un autosomica carattere recessivo che presenti caratteristiche sia oculari e cutanee; e albinismo oculare (OA), una caratteristica X-linked più prevalente nei maschi e caratterizzata principalmente da sintomi oculari ^2. La melanina in epitelio pigmentato retinico (RPE) è di fondamentale importanza per il corretto sviluppo del percorso visivo centrale. La sua assenza in albinismo si traduce quindi in disabilità visive, tra cui fotofobia, nistagmo, ridotta acuità visiva e la perdita della visione binoculare ^2-3. L'acuità visiva è stato collegato alla morfologia della fovea, che viene alterato in albinismo ^4. Negli esseri umani, una linea della retina di decussazione si trova lungo il confine nasotemporal attraverso la fovea, con fibre di retina nasaleattraversare per l'altro emisfero e quelli della retina temporale che si estende ipsilaterale. Il grado di riduzione della funzionalità visiva in albinismo è stato collegato al livello di ipopigmentazione. In particolare, la pigmentazione è inversamente proporzionale allo spostamento nella retina temporale della linea di decussation ^5. Come conseguenza dello spostamento in linea decussazione nella retina temporale, attraversamento delle fibre del nervo ottico aumenta - una caratteristica comune in tutte le specie ^3.

Studi di risonanza magnetica strutturale sugli esseri umani hanno dimostrato più stretti chiasmi ottica in albinismo rispetto ai controlli, che è probabilmente il risultato di un aumento della traversata del RGCs osservati in albinismo ^6-8. La retina e chiasma ottico esprimere spunti di guida assonale come la famiglia dei recettori Ef ei loro ligandi ⁹ e sono quindi siti candidati per misrouting ^10.

Uno studio sulle scimmie con glaucoma indotto ha rivelato un significativo dicembreRease del numero di neuroni relè parvalbumin-immunoreattive LGN LGN e il volume ^11. Questo suggerisce una correlazione tra la dimensione LGN e il numero di traiettorie materia bianca (WM) che viaggiano attraverso l'OR a V1. Uno studio post mortem su albinismo umano ha rivelato anche più piccolo LGN con fusi M e P strati ^12. Ad alta risoluzione risonanza magnetica strutturale confermato significativa riduzione del volume di LGN in albinismo ^8. Presi insieme, questi risultati suggeriscono che il volume è diminuito LGN può causare un numero ridotto di neuroni nel LGN, e, a sua volta in una riduzione della connettività tra LGN e V1.

Esaminare i modelli di connettività anatomica negli esseri umani è stato limitato. Dissezione, iniezione tracciante e l'induzione della lesione sono tecniche invasive che possono essere utilizzati solo post mortem, e di solito coinvolgono un piccolo numero di pazienti. Studi precedenti utilizzando carbocyanine tingere iniezioni DII hanno dimostrato la connettività neuronale tra V1 e V2 (visual c secondariaortex) ^13, così come all'interno del complesso ippocampale in post-mortem cervelli umani aldeide-fisso ^14. Fibre di etichettatura in questo modo è limitato a distanze di solo decine di millimetri dal punto di iniezione ^14. l'imaging del tensore di diffusione, DTI, è una modalità di risonanza magnetica sviluppato nei primi mesi-metà degli anni 1990 per identificare la direzione del tratto di fibra e di organizzazione. È un metodo non invasivo che permette mappatura delle grandi vie WM nel cervello vivente. DTI è sensibile alla diffusione delle molecole di acqua nei tessuti biologici ^15. Nel cervello, la diffusione di acqua è anisotropo (non uniforme) a causa di ostacoli quali membrane e mielina. WM ha anisotropia elevata diffusione, significa la diffusione è maggiore parallelo che perpendicolare all'orientamento delle fibre ^16. anisotropia frazionaria (FA) è una quantità scalare che descrive la preferenza di molecole di diffondere in modo anisotropo. valori di FA vanno da 0-1, da bassa ad alta anisotropy (liquido cerebrospinale (CSF) 16.

Streamline (deterministica) e il monitoraggio in fibra probabilistica sono due diversi algoritmi per la ricostruzione percorso 3D. trattografia deterministico utilizza un metodo di propagazione di linea, che collega voxel vicini in una regione semi di definito. Due criteri stop utilizzati in questo algoritmo sono l'angolo di rotazione e il valore FA. Pertanto, tratto tracciando tra voxel vicini è improbabile che ad ampi angoli di svolta. L'algoritmo permetterebbe quindi progredisce anche solo se la FA in un voxel supera una soglia determinata, limitando la sua efficacia nel definirne accuratamente percorsi vicino materia grigia, dove gocce anisotropia. Trattografia probabilistica, invece, produce una mappa connettività descrive la probabilità di un voxel di essere parte di un tratto tra due regioni di interesse (ROI) e quindi progredisce nella materia grigia come V1 ^17. Utilizzando questa applicazione la risonanza magnetica, strutture chiave come il WMO può essere delineata, come dimostrato in studi precedenti ^18-20.

Questo studio utilizza quindi i dati di diffusione e trattografia per esplorare l'effetto di misrouting assonale sulla connettività retino-genicolo-corticale. Sulla base di riduzioni precedentemente riportati nei volumi LGN in albinismo umano ^8, si prevede che le proiezioni in fibra da LGN a V1 sono anche ridotti (Figura 1).

Protocol

Etica Dichiarazione: Lo studio di ricerca in corso è stato approvato dai partecipanti umani Review Committee (HPRC) alla York University, Toronto. Tutti i partecipanti hanno dato consenso informato scritto.

1. Fatto salvo Preparazione

Nota: i partecipanti Undici con OCA, di età compresa tra 36 ± 4 anni (6 femmine) sono stati confrontati a dieci controlli appaiati per età, di età compresa tra 32 ± 4 anni (6 femmine). Storia partecipante viene registrato nella tabella 1.

1. Chiedi ad ogni partecipante di compilare e firmare un modulo di consenso che elenca le linee guida di sicurezza MRI e protocollo di imaging.
2. Per ogni partecipante, fornire tappi per le orecchie. Posizione supina e partecipante a capofitto nel magnete, e punto di riferimento sopra gli occhi a livello sopracciglio. la testa del partecipante sicuro con cuscini per ridurre il movimento della testa. Dare al partecipante una peretta per l'avviso del paziente.

2. MRI parametri strutturali

e_content "> Nota: Tutto l'imaging viene acquisita su uno scanner MRI 3T usando una bobina di testa a 32 canali Durante una singola sessione per ogni soggetto.:

1. Acquisire un T1 ponderata anatomica alta risoluzione usando una sequenza 3D-MPRAGE copre l'intero cervello con i seguenti parametri: tempo di acquisizione 4 min 26 sec, campo di vista 256 mm 256 matrice, 192 fette con spessore di strato di 1 mm, con un con conseguente dimensione voxel isotropico di 1,0 mm ^3, TR = 1900 ms, TE (tempo di eco) = 2,52 ms con un tempo di inversione di 900 ms e l'angolo della medaglia di 9 °, 1 media, imaging parallelo (IPAT GRAPPA, fattore di accelerazione di 2) .
2. Acquisire una sequenza DTI copre la corteccia, con fette di orientamento trasversale seguenti commissura / commissura posteriore anteriore (AC-PC) la linea, utilizzando i seguenti parametri: tempo di acquisizione 8 min 5 sec, campo visivo 192 millimetri, 128 a matrice, voxel 1.5 1,5 millimetri in-plane, 56 contigui (senza gap) fette con 2 mm di spessore, TR = 6900 ms, TE = 86 ms, 64 direzioni, b-valore di 100Mm (immagine di riferimento a basso b-valore 0 sec / mm ^{2) 2,} 1 media, imaging parallelo (IPAT grappa) con un fattore di accelerazione di 3 0 s /.
3. Acquisire 30-40 immagini PD ponderati in un orientamento coronale, parallelo al tronco cerebrale, coprendo dall'estensione anteriore del ponte alla porzione posteriore del collicolo inferiore.
   1. Utilizzare l'eco Turbo rotazione (fast spin echo) sequenza di impulsi ed i seguenti parametri: tempo di acquisizione 1 min 29 sec per scansione, campo visivo 192 millimetri, 256 matrici, 30-40 fette con spessore di 1 mm, con conseguente dimensione voxel 0.75 0.75 1 mm ^3, TR = 3.000 msec, TE = 22 msec, fattore turbo 5, rifocalizzazione angolo di lancio di 120 °, 1 media, imaging parallelo (IPAT grappa) con un fattore di accelerazione di 2.
      Nota: S12 è stato scansionato utilizzando i seguenti parametri: campo di vista 180 mm, 512 a matrice, 30 fette con 1 mm a fette spesse, con conseguente dimensione voxel 0,4 x 0,4 x 1,0 mm ^3. Tutti gli altri parametri sono rimasti gli stessi. Acquisiztempo ION 2 min 47 sec.
4. Pre-processo di tutte le scansioni di conversione DICOM RAW in formato NIfTI utilizzando il dcm2nii programma.

3. LGN Delineazione

Nota: La LGN è una piccola struttura sottocorticale situato in profondità nel cervello, e quindi immagini PD ad alta risoluzione sono necessari per determinare i confini anatomici. In queste scansioni, la LGN appare come un'area ad alta intensità di segnale rispetto alle circostanti vie WM, facilitandone l'individuazione ^21. Il individuato anatomica LGN viene quindi utilizzato come regione seme per trattografia.

1. Mentre cieca appartenenza al gruppo, tracciare manualmente destra e sinistra maschere LGN tre volte ciascuno sulle immagini PD medi interpolati a due volte la risoluzione e la metà delle dimensioni voxel (originale matrice di 256 x 256, dimensioni 0,75 x 0,75 x 1 mm ³ voxel).
   1. Per ottenere immagini ad alta risoluzione PD utilizzare la funzione FLIRT liberamente disponibili e altri strumenti software all'interno del software di FMRIBLibrary (FSL, http://www.fmrib.ox.ac.uk/fsl/). Upsample, concatenare, movimento immagini PD corretti e medi per ogni partecipante, come precedentemente descritto altrove ^22.
   2. Caricare l'immagine PD alta risoluzione in FSLView e fare clic sulla scheda Strumenti per selezionare l'opzione singolo (o premere ) Per ingrandire l'immagine.
   3. Fare clic sulla scheda File per selezionare l'opzione Crea maschera, e utilizzare la barra degli strumenti in alto a sinistra dello schermo per rintracciare il LGN in ogni fetta. Se lo si desidera, modificare il contrasto dell'immagine trascinando lungo il min / max nella barra degli strumenti per facilitare il rilevamento LGN.
2. Unire queste regioni di interesse (ROI) in una maschera mediana utilizzando il comando fslmerge.
3. Combinare maschere mediani tutti i valutatori 'in un'unica maschera mediana utilizzando lo stesso comando.

4. V1 Segmentazione

1. Eseguire il comando "Recon-all" in FreeSurfer23 (v5.3.0) sul cervellos nello spazio anatomica nativa (immagini pesate in T1) per l'elaborazione automatizzata.
2. Convertire le uscite appropriate nella cartella appena creata mri (orig.mgz, brain.mgz, rawavg.mgz, T1.mgz) per NIfTI usando "mri_convert".
3. Utilizzare BET l'estrazione del cervello nella GUI FSL per correggere il cervello uscita cranio-spogliato (brain.nii.gz) nello spazio freesurfer se necessario. Scegli l'estrazione del cervello normale Run utilizzando l'opzione bet2 (default). Abbassare la soglia se l'immagine non è presente tessuto cerebrale, o aumentare se il tessuto cerebrale non è catturato (soglia di default 0.5). Selezionare l'immagine maschera cervello binario di uscita (questi ultimi possono essere utilizzati per le correzioni manuali) immagine cerebrale estratto in uscita e nelle opzioni avanzate.
4. Convertire uscita V1 parcellizzazione di una maschera volumetrico utilizzando i comandi "surf2volume" "label2surf" e.

5. Pre-Tracking iscrizioni

Nota: per i passi successivi, chiamare l'interfaccia grafica FSL per aprire ciascuno dei followinstrumenti g.

1. Utilizzare BET l'estrazione del cervello e selezionare il campo Bias & opzione di pulizia del collo a cranio-strip rawavg.nii.gz, si trova nella cartella mri creato da "Recon-all". Regolare la soglia come necessario.
2. Eseguire FLIRT registrazione lineare di portare il cervello a freesurfer e nello spazio nativo anatomica allo spazio di diffusione.
   1. Selezionare brain.nii.gz, uscita di Recon-tutto (spazio freesurfer), o il cervello di un soggetto estratto T1 (spazio anatomica nativo) come l'immagine in ingresso, e un Eddy corretti e il cervello estratto immagine pesata in diffusione (DWI) come riferimento Immagine. Quindi fare clic su "Go".
      Nota: Questo passaggio crea due uscite, il cervello di ingresso registrato per l'immagine di riferimento (.nii.gz) e una matrice di trasformazione (.mat). A parte la registrazione, quest'ultima file è necessario per trattografia quando lo spazio seme non è la diffusione. Utilizzare le matrici di uscita di trasformazione (.mat) creati in questa fase per trattografia come spiegato in 7.4.2.
3. Similea 5.2, eseguire la registrazione FLIRT lineare per portare il cervello PD partecipanti allo spazio e lo spazio freesurfer anatomica nativa.
4. Preparare maschere di semi per trattografia:
   1. Applicare FLIRT trasformazione da Utils nella registrazione toolbox FLIRT lineare. Utilizzare l'uscita .mat come la matrice di trasformazione, l'originale LGN maschera come l'ingresso e l'brain.nii.gz (spazio freesurfer) o T1_brain.nii.gz (spazio anatomica nativa) (vedi 5.2), come il volume di riferimento. Selezionare il metodo di più vicino prossimo interpolazione dalle opzioni avanzate.
5. Usando solo i file brain.nii.gz, preparare maschere di destinazione per trattografia:
   1. Registrati cervelli freesurfer allo spazio anatomica nativa e creare maschere di destinazione mediante l'applicazione di trasformazione alle maschere V1 (vedi 5.2, 5.4.1) mediante interpolazione Tri-lineare. Fai clic su "Go".

6. LGN Normalizzazione

1. Utilizzare FNIRT registrazione non-lineare come descritto in precedenza all'indirizzo http: //fsl.fmrib.ox.ac.uk / FSL / fslwiki / FNIRT per portare il cervello non estratti partecipanti nello spazio anatomica originaria spazio MNI, utilizzando il modello del cervello intero Montreal Neurological Institute (MNI152).
   Nota: la registrazione non lineare di immagini anatomiche originali è consigliato per questo passaggio, come le registrazioni sono stati più precisi quando FNIRT è stato applicato a non estratti T1 rispetto a flirtare su cervelli estratti.
2. Applicare la trasformazione di maschere LGN nello spazio anatomico (originale LGN precedentemente trasformato in spazio anatomica nativa in 5.4) usando Nearest Neighbor interpolazione come descritto al punto 5.4.1 per portare maschere per lo spazio MNI.
3. Media tutte le maschere LGN nello spazio MNI in entrambi i gruppi utilizzando il comando "3dMean" di AFNI.
4. Utilizzare "fslmaths -thr" per applicare una soglia alla maschera media nello spazio MNI.
5. Calcolare il raggio della maschera medio nello spazio MNI usando V = 4/3 πr ³ (assumere una sfera).
6. Registrare il centro di coordi di massanatiche di ogni singola maschera LGN nello spazio anatomico nativo utilizzando il comando "fslstats -C".
7. Creare ROI sferiche di volumi identici tra i partecipanti:
   1. Utilizzare "fslmaths" per creare un punto di ROI con le coordinate della maschera LGN individuale appropriata nello spazio anatomica nativa come riportato in 6.6
   2. Utilizzando "fslmaths", applica il raggio della maschera medio nello spazio MNI per creare una sfera attorno al punto ROI nello spazio anatomica nativa.
8. Utilizzare queste maschere standardizzate come semi per trattografia.

7. probabilistica Trattografia (FSL 5.0.4)

Nota: per i passi successivi, chiamare il Fdt_gui per accedere a ciascuno dei seguenti strumenti.

1. Correggere le distorsioni in DWIs con Eddy correzione attuale. Selezionare l'opzione di correzione attuale Eddy dal menu nella parte superiore della finestra Diffusione Toolbox e caricare il DWI come ingresso, lasciando il defaulVolume t riferimento (0).
2. Cervello estrarre le immagini con BET come descritto in 4.3.
3. Selezionare l'opzione tensori di diffusione DTIFIT ricostruzione dal menu. Specificare una directory di input contenente i seguenti file: i dati di diffusione ponderati, nodif_brain_mask (uscita di BET), bvec e bval (deve essere rinominato in bvecs e bvals; file di testo contenenti informazioni sui parametri di acquisizione di immagini diffusione, uscita DICOM alla conversione NIfTI di diffusione dati). Fai clic su "Go" per avviare dtifit, che si inserisce un modello tensore di diffusione ad ogni voxel, la creazione di file di post-elaborazione.
4. Avanti, selezionare l'opzione dal menu BedpostX (stima dei parametri di diffusione). Utilizzare la stessa directory di input come per DTIFIT. Fare clic su 'Vai' per generare tutti i file necessari per trattografia.
5. Dallo stesso menu, selezionare ProbtrackX per il monitoraggio probabilistica ed eseguirlo per ogni emisfero separatamente. Mantenere le opzioni predefinite di base (5.000 campioni, 0,2 curvatura e loopcheck applied) e selezionare modificati Eulero per il calcolo di linee di corrente probabilistici di opzioni avanzate per una maggiore precisione.
   1. Selezionare l'uscita di BedpostX contenente i file .merged come directory BEDPOSTX.
   2. Selezionare singola maschera come seme spazio e caricare la maschera LGN trasformato (in spazi anatomica nativo) come l'immagine del seme, T1 (cervello nello spazio anatomica nativa) a matrice di diffusione di trasformazione come il seme di diffusione trasformare, e V1 (nello spazio anatomica nativa) in "obiettivi opzionali" (tutti, ma maschere di esclusione) come il bersaglio.
   3. Utilizzare convenzione rete predefinita (accento circonflesso) e caricare il cervello nello spazio anatomica nativa (immagine T1) come immagine di riferimento superficie.
6. Ripetere ProbtrackX per il monitoraggio probabilistica utilizzando il ROI sferica standard (creato nel passaggio 6) come regioni di semi per trattografia come descritto in 7.5.2. Carica ROI nello stesso modo trasformato LGN (spazio anatomico) sono stati caricati in 7.5.2.
7. Eseguire nuovamente trattografia (7.5), questa voltacon il seme (non normalizzato) e le maschere di destinazione nello spazio freesurfer con l'aggiunta di maschera bianca controlaterale del freesurfer questione di confine come una maschera di esclusione, per evitare qualsiasi crossing over e garantire collegamenti diretti omolaterale. Selezionare l'opzione di superficie dalla casella degli strumenti e selezionare ProbtrackX freesurfer come convenzione mesh.
   Nota: È importante sottolineare che trattografia viene sempre eseguito dallo spazio di diffusione, ma Probtrackx per l'inseguimento probabilistica permette l'inserimento di semi e di destinazione maschere in uno spazio diverso, insieme ad una matrice di trasformazione allo spazio diffusione. In questo studio, trattografia probabilistico è stato eseguito con maschere sia anatomica nativa e spazio freesurfer (Figura 2).

8. deterministico Trattografia (DSI Studio)

1. Aprire Eddy corretto immagini diffusione ponderate in DSI Studio ²⁴ cliccando sul Passo 1: Immagini Open Source. Carico bvec e file BVAL su una finestra B-tabella che è automaticamente opened per creare un file sorgente (.src).
2. Caricare i file sorgente generato nella finestra di ricostruzione per modificare il valore predefinito ricostruito maschere del cervello, se necessario.
3. Quindi, selezionare DTI come metodo di ricostruzione ²⁵ ed eseguirlo sul file di origine per la produzione di file di informazioni di fibra (.fib).
4. Portare il cervello PD partecipanti di spazio di diffusione utilizzando FLIRT registrazione lineare.
5. Applicare la trasformazione di maschere LGN utilizzando più vicino interpolazione prossimo come descritto al punto 5.4.1.
6. Aprire .fib file nella finestra di monitoraggio del programma.
7. Eseguire il monitoraggio per ogni emisfero separatamente, utilizzando LGN nello spazio di diffusione, come il seme e Regione 17 (V1) da Brodmann atlante disponibili da DSI Studio come la regione terminative. Caricare la maschera LGN facendo clic sulla scheda Regioni e Open Regione. Selezionare l'opzione Seed sotto Digitare nell'elenco delle regioni sulla sinistra dello schermo. Per caricare la maschera V1 dalle atlante, clicca sul Atlas dalla barra degli strumenti in nell'elenco delle regioni eselezionare l'atlante appropriate.
8. In ogni esecuzione, impostare la controlaterale WM (chiamato sinistra / destra-cerebrale-bianco-materia) maschera dal atlante segmentazione freesurfer (vedi box Region List nella finestra di inseguimento) come una regione di evasione (ROA).
9. Ripetere tracking (8,7-8,8) utilizzando ROI sferica nello spazio di diffusione, invece di singoli LGN come regioni di semi per trattografia.
   Nota: I ROI sferica hanno lo stesso volume in tutte le materie e sono centrati sul centro di massa di ogni LGN.
10. Ripetere la normalizzazione LGN, sezione 6, solo che questa volta la registrazione cervelli nello spazio di diffusione allo spazio di serie MNI, e l'applicazione di trasformazioni LGN nello spazio di diffusione (originale LGN precedentemente trasformato in spazio di diffusione in 8,4-8,5) per portare maschere per lo spazio di serie MNI. Calcolare il volume della ROI sferica come il volume medio di tutti LGN tra i soggetti nello spazio MNI.
    Nota: i parametri di monitoraggio possono essere modificati dall'utente. Per la maggior parte piste, sono stati applicati i parametri di monitoraggio di default. Per alcuni individui (A5, A7, S12), soglia di anisotropia (default 0,14-0,15) è stato abbassato (0,10-0,12) e la soglia angolare (di default 60) è stato aumentato (65-85) per la visualizzazione più bello. Uno schema della tecnica è illustrata in figura 3.

9. Analisi statistica - TBSS (FSL)

Nota: statistica spaziale Tract-based è un voxelwise analisi statistica dei FA partecipanti maps16 ottenuto con dtifit26. E 'ampiamente utilizzato per le statistiche sui dati di diffusione. Questo approccio voxelwise di superare i potenziali problemi di allineamento e levigante visto in stile VBM analisi FA e offre tutta la ricerca del cervello, irraggiungibile attraverso approaches16 trattografia-based.

1. Eseguire "tbss_1_preproc" sui dati FA trova in una directory TBSS appena creata.
2. Eseguire "tbss_2_reg" - T per applicare registrazione non lineare, portando i dati FA di ciascun partecipante nello spazio comune (FMRIB58_FA,immagine di destinazione in TBSS).
3. Creare uno scheletro media FA con i centri di tutti i tratti comuni tra i partecipanti che utilizzano "tbss_3_postreg -S".
4. Correre "Tbss_4_prestats 0,2" per proiettare allineato mappa FA di ogni partecipante sullo scheletro media di tutte le mappe FA allineati.
5. Creare file design.con e design.mat, assicurando che l'ordine della matrice è coerente con l'ordine in cui TBSS pre-elaborato i dati FA.
6. Run "randomizzare", utilizzando l'opzione T2, che è raccomandato per TBSS in quanto agisce su uno scheletro (una ridotta sottoinsieme dei dati 3D), e 5.000 pre-mutazioni, che dà p-value più accurati.

10. Analisi statistica - SPSS

1. Estrazione valori di FA da deterministico dei dati
   Nota: i valori FA deterministico-based sono state derivate da file di testo statistica uscita DSI Studio. Questi valori rappresentano la media di FA nei tratti generati, which in questo caso corrisponde alla regione del OR.
   1. monitoraggio fibra Esegui in DSI studio.
   2. Salvare i file di testo 'Statistiche' create da DSI Studio per ogni set generato di tratti e registrare i valori 'FA significa' da loro.
2. Estrazione valori di FA da probabilistica dei dati
   Nota: i valori probabilistica basata FA derivano dai file di output fdt_paths ProbtrackX2. Sono immagini densità tratto 3D che in questo studio coprono l'area corrispondente alla OR.
   1. Utilizzare FLIRT registrazione lineare per portare i file fdt_paths di ogni partecipante allo spazio di diffusione.
   2. Binarizzare le maschere di output utilizzando "fslmaths - bin".
   3. Per ogni partecipante, moltiplicare la maschera per la loro mappa FA da dtifit usando "fslmaths -mul".
   4. Eseguire il comando "fslmeants" per trovare la media FA da ogni maschera tratto.
3. Le analisi con SPSS (Usando deterministica e probabilistica esecuzione
   Dati)
   Nota: L'analisi statistica viene effettuata utilizzando SPSS 20 per Mac. Dal momento che l'emisfero è una variabile all'interno dello stesso soggetto, un modello lineare generalizzato (GENLIN), con la quale gli effetti in ogni lato del cervello può essere guardato separatamente, viene applicata. In particolare, viene utilizzata l'equazione di stima generalizzate (GEE).
   1. In prove separate, impostare ciascuno dei media FA e semplificare conteggio (waytotal o la percentuale generate linee di corrente, PGsl) come variabile dipendente.
      Nota: In questo studio, snellire conteggio si basa su valori way-totale. Waytotal descrive il numero totale di linee di corrente generati che non sono state respinte da criteri di inclusione / esclusione ^27. Il numero di linee di corrente generati (NGSL), che si riferisce al numero totale di linee di corrente inviati, è uguale al numero di voxel nella maschera seme moltiplicato per il numero di campioni prelevati da ciascun voxel (5000 in questo caso). linee di corrente generati percentuali (PGsl), waytotal divisi per NGSL volte 100, è una misura di Conne successoctivity tra il seme e il bersaglio.
   2. Studiare l'influenza del gruppo e del genere su LGN alla connettività V1 modificando le variabili indipendenti in tutte le prove.
      Nota: Effetti principali, nonché a due e tre vie interazioni sono stati studiati. È importante notare che questi singoli test non sono condizionati a vicenda, così il significato di un effetto principale o interazione è indipendente dall'altra.
   3. Utilizzare l'età come covariata per tutte le prove. Inoltre, utilizzare il volume LGN come covariata per le prove con media FA e waytotal come le variabili dipendenti, ma omettere dal test con PGsl come variabile dipendente.
      Nota: il volume del cervello totale è risultato essere un covariate insignificante ed è stato quindi omesso statistiche.
   4. Selezionare il metodo di correzione di Bonferroni per regolare per confronti multipli ²⁸ (livello di significatività p <0.05).

Results

Questa sezione fornisce una sintesi dei risultati ottenuti utilizzando due diversi algoritmi di trattografia, deterministica e probabilistica. Volumi LGN nello spazio PD in cui le maschere sono stati originariamente disegnati, così come in tutti gli altri spazi utilizzati in questo studio, sono registrate nella tabella 2, e LGN tracing è illustrato nella figura 4. I risultati qui riportati si basano sulle piste che hanno usato una sfera ...

Discussion

WM alterato e, più in particolare, è diminuita la connettività in albinismo rispetto ai controlli erano attesi. Così, la riduzione FA nell'emisfero destro di albinismo rispetto ai controlli, nonché la diminuzione della connettività nei pazienti di sesso maschile con albinismo qui riportati sono in linea con la nostra previsione. Genere e dell'emisfero effetti non sono del tutto chiare, anche se la ricerca sul cervello sano che suggerisce diminuito WM complessità nell'emisfero sinistro dei maschi rispetto all...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Magnetom Tim Trio 3T MRI	Siemens (Erlangen, Germania)
FMRIB' s Libreria software (FSL)			http://www.fmrib.ox.ac.uk/fsl/
FreeSurfer			http://surfer.nmr.mgh.harvard.edu
DSI Studio			http://dsi-studio.labsolver.org
SPSS