È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Una pipeline standardizzata per l'esame della morfometria della materia grigia cerebellare umana utilizzando la risonanza magnetica strutturale

4.1K visualizzazioni

⸱

DOI:

10.3791/63340

⸱

4 febbraio 2022

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

In questo articolo

Sommario

Viene presentata una pipeline standardizzata per l'esame della morfometria della materia grigia del cervelletto. La pipeline combina approcci ad alta risoluzione e all'avanguardia per la parcellazione ottimizzata e automatizzata del cervelletto e la registrazione basata su voxel del cervelletto per la quantificazione volumetrica.

Abstract

Molteplici linee di ricerca forniscono prove convincenti per un ruolo del cervelletto in una vasta gamma di funzioni cognitive e affettive, andando ben oltre la sua associazione storica con il controllo motorio. Studi di neuroimaging strutturale e funzionale hanno ulteriormente affinato la comprensione della neuroanatomia funzionale del cervelletto al di là delle sue divisioni anatomiche, evidenziando la necessità di esaminare le singole subunità cerebellari nella variabilità sana e nelle malattie neurologiche. Questo documento presenta una pipeline standardizzata per l'esame della morfometria della materia grigia del cervelletto che combina approcci ad alta risoluzione e all'avanguardia per la parcellazione ottimizzata e automatizzata del cervelletto (Automatic Cerebellum Anatomical Parcellation using U-Net Local Constrained Optimization; ACAPULCO) e registrazione basata su voxel del cervelletto (Spatially Unbiased Infra-tentorial Template; SUIT) per la quantificazione volumetrica.

La pipeline ha un'ampia applicabilità a una serie di malattie neurologiche ed è completamente automatizzata, con un intervento manuale richiesto solo per il controllo di qualità degli output. La pipeline è disponibile gratuitamente, con una documentazione di accompagnamento sostanziale e può essere eseguita su sistemi operativi Mac, Windows e Linux. La pipeline viene applicata in una coorte di individui con atassia di Friedreich (FRDA) e vengono forniti risultati rappresentativi, nonché raccomandazioni su analisi statistiche inferenziali a livello di gruppo. Questa pipeline potrebbe facilitare l'affidabilità e la riproducibilità in tutto il campo, fornendo in definitiva un potente approccio metodologico per caratterizzare e tracciare i cambiamenti strutturali cerebellari nelle malattie neurologiche.

Introduzione

Il cervelletto è una parte del cervello storicamente associata al controllo motorio 1,2,3 e si pensa che sia integralmente coinvolto solo in una piccola serie di malattie rare, come le atassie ereditarie4. Tuttavia, le linee convergenti di ricerca degli studi di tracciamento anatomico nei primati non umani, così come gli studi sulle lesioni umane e sul neuroimaging, forniscono prove convincenti di un ruolo del cervelletto in una vasta gamma difunzioni cognitive 5,6,7, affettive 8,9,10,11 e altre funzioni non motorie 7,12 (vedere 6  per la revisione). Inoltre, le anomalie del cervelletto sono sempre più implicate in una vasta gamma di disturbi neurologici e psichiatrici, tra cui il morbo di Parkinson13, il morbo di Alzheimer14,15, l'epilessia 16,17, la schizofrenia18 e il disturbo dello spettro autistico19 . Pertanto, è diventato essenziale incorporare il cervelletto in modelli funzionali e strutturali di malattie del cervello umano e variabilità comportamentale normativa.

Anatomicamente, il cervelletto può essere diviso lungo il suo asse superiore a inferiore in tre lobi: anteriore, posteriore e flocculonodulare. I lobi sono ulteriormente suddivisi in 10 lobuli indicati con numeri romani I-X20,21 (Figura 1). Il cervelletto può anche essere raggruppato in zone di linea mediana (vermi) e laterale (emisfero), che ricevono rispettivamente input dal midollo spinale e dalla corteccia cerebrale. Il lobo anteriore, comprendente i lobuli I-V, è stato tradizionalmente associato ai processi motori e ha connessioni reciproche con le cortecce motorie cerebrali22. Il lobo posteriore, comprendente i lobuli VI-IX, è principalmente associato ai processi non motori11 e ha connessioni reciproche con la corteccia prefrontale, le cortecce cerebrali parietali posteriori e temporali superiori 8,23. Infine, il lobo flocculonodulare, comprendente il lobulo X, ha connessioni reciproche con i nuclei vestibolari che governano i movimenti oculari e l'equilibrio del corpo durante la posizione e l'andatura21.

Un crescente corpo di lavori recenti che utilizzano il neuroimaging funzionale ha ulteriormente perfezionato la comprensione della neuroanatomia funzionale del cervelletto al di là delle sue divisioni anatomiche. Ad esempio, le tecniche di risonanza magnetica funzionale (fMRI) a riposo sono state utilizzate per mappare il modello di interazioni funzionali tra il cervelletto e il cervello24. Inoltre, utilizzando un approccio di parcellazione basato su attività, King e colleghi7 hanno dimostrato che il cervelletto mostra un modello ricco e complesso di specializzazione funzionale attraverso la sua ampiezza, evidenziato da confini funzionali distinti associati a una varietà di compiti motori, affettivi, sociali e cognitivi. Collettivamente, questi studi evidenziano l'importanza di esaminare le singole subunità cerebellari per sviluppare caratterizzazioni biologiche complete del coinvolgimento del cervelletto sia nella variabilità sana che nelle malattie neurologiche caratterizzate da alterazioni della struttura e/o della funzione cerebellare.

Il presente lavoro si concentra sui metodi per quantificare i cambiamenti locali nel volume cerebellare utilizzando la risonanza magnetica strutturale nell'uomo. In generale, ci sono due approcci fondamentali alla quantificazione del volume cerebrale regionale utilizzando i dati mrI: segmentazione basata su funzionalità e registrazione basata su voxel. Gli approcci di segmentazione basati sulle funzionalità utilizzano punti di riferimento anatomici e atlanti standardizzati per identificare automaticamente i confini tra le sottoregioni. I pacchetti software tradizionali per la segmentazione includono FreeSurfer25, BrainSuite26 e FSL-FIRST27. Tuttavia, queste confezioni forniscono solo parcellazioni grossolane del cervelletto (ad esempio, etichettando l'intera materia grigia e l'intera materia bianca in ciascun emisfero), trascurando così i singoli lobuli cerebellari. Questi approcci sono anche soggetti a una cattiva segmentazione, in particolare all'eccessiva inclusione della vascolarizzazione circostante.

Sono stati sviluppati nuovi algoritmi di apprendimento automatico e di etichettatura multi-atlante, che forniscono una parcellazione più accurata e granulare del cervelletto, tra cui la classificazione automatica dei lobuli cerebellari utilizzando l'evoluzione multi-limite implicita (ACCLAIM28,29), Cerebellar Analysis Toolkit (CATK30), Multiple Automatically Generated Templates (MAGeT31), Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL32 ), la segmentazione ataglio grafico 33 e la segmentazione del CERVELLETTO (CERES34). In un recente articolo che confronta gli approcci di parcellazione del cervelletto completamente automatizzati all'avanguardia, CERES2 ha scoperto di superare altri approcci relativi alla segmentazione manuale gold standard dei lobuli cerebellari35. Più recentemente, Han e colleghi36 hanno sviluppato un algoritmo di deep learning chiamato ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with localmente con ottimizzazione vincolata), che funziona alla pari con CERES2, ha un'ampia applicabilità sia ai cervelletti sani che atrofizzati, è disponibile in formato contenitore Open Source Docker e Singularity per l'implementazione "off-the-shelf" ed è più efficiente in termini di tempo rispetto ad altri approcci. ACAPULCO parcella automaticamente il cervelletto in 28 regioni anatomiche.

A differenza della segmentazione basata su funzionalità, gli approcci di registrazione basati su voxel operano mappando con precisione una risonanza magnetica a un'immagine modello. Per ottenere questa mappatura, i voxel nell'immagine originale devono essere distorti in termini di dimensioni e forma. L'entità di questa distorsione fornisce effettivamente una misura del volume ad ogni voxel rispetto al modello gold standard. Questa forma di valutazione volumetrica è nota come «morfometria basata su voxel»37. Gli approcci di registrazione basati su voxel per l'intero cervello, come FSL-FLIRT38 / FNIRT39, SPM unified segmentation40 e CAT1241, sono comunemente usati per la morfometria basata su voxel. Tuttavia, questi approcci non spiegano bene il cervelletto, con conseguente scarsa affidabilità e validità nelle regioni infratentoriali (cervelletto, troncocerebrale 42). Per tenere conto di queste limitazioni, l'algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) è stato sviluppato per ottimizzare la registrazione del cervelletto e migliorare l'accuratezza della morfometria basata su voxel42,43.

La segmentazione basata su funzionalità e gli approcci di registrazione basati su voxel per la stima del volume cerebellare regionale hanno punti di forza e di debolezza fondamentali. Gli approcci di segmentazione sono sostanzialmente più accurati per quantificare il volume delle aree anatomicamente definite (ad esempio, i lobuli35). Tuttavia, i confini tra moduli funzionali distinti del cervelletto non si mappano sulle sue folia anatomiche e fessure (equivalenti a gyri e sulci del cervello7). Poiché gli approcci basati sulla registrazione non sono vincolati da punti di riferimento anatomici, è possibile un'inferenza spaziale a grana più fine e una mappatura struttura-funzione ad alta dimensione del cervelletto44. Nel loro insieme, gli approcci di segmentazione e registrazione sono complementari tra loro e possono essere utilizzati per rispondere a diverse domande di ricerca.

Qui viene presentata una nuova pipeline standardizzata, che integra questi approcci esistenti e convalidati per fornire una parcellazione ottimizzata e automatizzata (ACAPULCO) e la registrazione basata su voxel del cervelletto (SUIT) per la quantificazione volumetrica (Figura 2). La pipeline si basa sugli approcci stabiliti per includere protocolli di controllo della qualità, utilizzando la visualizzazione qualitativa e il rilevamento quantitativo dei valori anomali e un metodo rapido per ottenere una stima del volume intracranico (ICV) utilizzando Freesurfer. La pipeline è completamente automatizzata, con l'intervento manuale richiesto solo per il controllo delle uscite del controllo qualità, e può essere eseguita su sistemi operativi Mac, Windows e Linux. La pipeline è liberamente disponibile senza restrizioni del suo utilizzo per scopi non commerciali ed è accessibile dalla pagina web ENIGMA Consortium Imaging Protocols (sotto "ENIGMA Cerebellum Volumetrics Pipeline"), dopo la compilazione di un breve modulo di registrazione45.

Tutto il software richiesto è elencato nella Tabella dei materiali e tutorial dettagliati, inclusa una dimostrazione dal vivo, sono disponibili al momento del download della pipeline, oltre al protocollo descritto di seguito. Infine, vengono forniti risultati rappresentativi, dall'implementazione della pipeline in una coorte di persone con atassia di Friedreich (FRDA) e controlli sani abbinati all'età e al sesso, insieme a raccomandazioni per analisi statistiche inferenziali a livello di gruppo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

NOTA: I dati utilizzati in questo studio facevano parte di un progetto approvato dal Comitato etico per la ricerca umana della Monash University (progetto 7810). I partecipanti hanno fornito il consenso informato scritto. Mentre la pipeline può essere eseguita su sistemi operativi Mac, Windows o Linux, ACAPULCO, SUIT e le pipeline QC sono state esplicitamente testate su sistemi operativi Linux (Ubuntu) e Mac (Catalina, Big Sur v11.0.1).

1. Modulo 1: ACAPULCO (parcellazione anatomica)

  1. Raccolta dei dati
    1. Raccogli immagini MRI 3D pesate T1 dell'intero cervello ad una risoluzione di 1 mm3 o meno. Si consigliano dimensioni voxel isotrope (in genere 1 mm x 1 mm x 1 mm) e uno scanner 3-Telsa (o superiore). Consultare uno specialista di imaging presso il proprio centro di radiografia per impostare e acquisire dati che soddisfino queste specifiche.
      NOTA: le immagini pesate T2 sono talvolta utili per le analisi volumetriche; tuttavia, la pipeline qui presentata si basa solo su dati ponderati T1 e alcuni degli strumenti utilizzati sono esclusivi per questo tipo di dati. Pertanto, le immagini pesate T2 non possono essere utilizzate.
    2. Effettuare una valutazione della qualità visiva delle immagini per escludere malformazioni cerebellari grossolane (ad esempio, lesioni di grandi dimensioni) o artefatti di movimento sostanziali che impediscono l'identificazione dei principali punti di riferimento cerebellari (ad esempio, le principali fessure anatomiche). Non escludere automaticamente cerebella atrofizzata, anche se sostanziale.
    3. Per gli studi di gruppo, prendere in considerazione anche le valutazioni quantitative della qualità utilizzando strumenti standardizzati liberamente disponibili come MRIQC46 per identificare ulteriormente i dati problematici.
    4. Converti tutti i dati in formato NIFTI-GZ utilizzando uno strumento come dcm2niix47.
  2. Organizzazione dei dati consigliata
    1. Ottenere tutto il software necessario come elencato nella Tabella dei materiali. Assicurati che Docker48 o Singularity49, Matlab50 e SPM1251 siano installati prima di eseguire la pipeline.
      NOTA: sono disponibili anche ampi tutorial scritti e video che descrivono la pipeline (vedere la Tabella dei materiali).
    2. Una volta installato tutto il software necessario, crea cartelle nella directory di lavoro ed etichettale come "acapulco", "suit" e "freesurfer". Fallo usando il comando mkdir dalla riga di comando.
    3. Nella directory 'acapulco', creare una cartella di output . Nella cartella di output , creare una directory per ogni soggetto dello studio contenente l'immagine ponderata T1 in formato NIFTI-GZ.
      NOTA: si consiglia di conservare una copia dei dati originali altrove.
  3. Parcellazione anatomica cerebellare con ACAPULCO
    1. Vai alla Tabella dei materiali e scarica gli script e i contenitori pertinenti necessari per eseguire ACAPULCO (sotto i file della pipeline acapulco). Nella directory 'acapulco', inserire (i) il contenitore ACAPULCO Docker OR Singularity (rispettivamente 'acapulco_0.2.1.tar.gz' o '.sif'), (ii) il contenuto dell'archivio QC_scripts (3 file: 'QC_Master.R', 'QC_Plots.Rmd' e 'QC_Image_Merge.Rmd') e (iii) 'R.sif' (singolarità) O 'calculate_icv.tar' (docker).
    2. Aprire un terminale e dalla riga di comando eseguire il contenitore ACAPULCO su una singola immagine (sostituire <> nel seguente modo). Attendere ~ 5 minuti per il completamento dell'elaborazione.
      1. Utilizzando Docker, digitare il comando:
        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. Usando Singolarità, digita il comando:
        singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
    3. Loop attraverso tutti i soggetti / scansioni nella coorte. Vedere la Tabella dei materiali per un collegamento al sito Web ENIGMA Imaging Protocols per scaricare la pipeline (in ENIGMA Cerebellum Volumetrics Pipeline) e il manuale tutorial contenente esempi di come creare un for-loop per l'elaborazione seriale di più soggetti.
    4. Dopo l'elaborazione, cercare i seguenti file generati nelle cartelle specifiche dell'oggetto:
      1. Identificare "_n4_mni_seg_post_inverse.nii.gz": maschera di cervelletto parcellata nell'originale (spazio soggetto).
      2. Identificare "_n4_mni_seg_post_volumes.csv": volumi (in mm3) per ciascuna delle 28 subunità generate da acapulco;
      3. Identifica le immagini rappresentative (nella directory "pics"): sagittale, assiale e coronale.
  4. Rilevamento statistico dei valori anomali e controllo qualità (QC)
    1. Dal terminale e nella directory 'acapulco', assicurarsi che il contenuto di QC_scripts sia nella directory 'acapulco'. Per eseguire gli script QC:
      1. Utilizzando Docker, digitare il comando:
        calculate_icv.tar di caricamento docker
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        Uscita QC_Master.R/
      2. Usando Singolarità, digita il comando:
        singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. Esame delle immagini QC generate da ACAPULCO
    NOTA: Esiste un processo in 3 fasi per il controllo della qualità delle immagini parcellate ACAPULCO.
    1. Apri il "QC_Images.html" in un browser Web e scorri rapidamente (~ 10 s per soggetto) le immagini per identificare errori evidenti o problemi sistematici. Prendere nota degli ID oggetto di immagini parcellate non riuscite o sospette per il follow-up.
      NOTA: Vedere la Figura 3 per una guida sulla neuroanatomia dei lobuli cerebellari e la Figura 4, la Figura 5 e la Figura 6 nella sezione dei risultati rappresentativi di seguito per esempi di parcellazioni "buone", parcellazioni "sottili" e "fallimento globale".
    2. Apri il 'Plots_for_Outliers.html' per selezionare i boxplot per i valori anomali statistici quantitativi. Cerca i valori anomali (2.698 s.d sopra o sotto la media) sopra o sotto i baffi dei box plot. Passa il mouse sopra i punti dati per visualizzare l'ID soggetto. Identifica i valori anomali indicati da un "1" nella colonna pertinente nel file "Valori anomali.csv" e annota il numero totale di segmenti identificati come valori anomali per ciascun soggetto nella colonna finale in "Valori anomali.csv".
    3. Ispezionare manualmente ogni immagine con uno o più valori anomali. CRITICO: Utilizzando un visualizzatore di immagini NIFTI standard (ad esempio, FSLEyes o MRICron), sovrapporre la maschera ACAPULCO all'immagine T1w originale per verificare la qualità della parcellazione fetta per fetta.
      1. Per generare sovrapposizioni per QC dettagliato dalla riga di comando utilizzando FSLEyes, i) modificare la directory nella directory 'acapulco', ii) specificare l'oggetto da visualizzare (sostituire ):
        subj=
      2. Copia/incolla il seguente codice sul terminale (senza modificare manualmente {subj} poiché questo è stato impostato dalla riga precedente:
        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
        NOTA: Sarà necessario determinare se includere o meno il segmento anormale, cioè c'è un errore di parcellazione o è solo normale variabilità nell'anatomia dell'individuo? Ogni regione parcellata è considerata singolarmente, quindi alcune regioni possono essere escluse per un'immagine, mentre il resto può essere mantenuto se corretto.
      3. Una o più regioni parcellate devono essere escluse dal set di dati finale?
        Se Sì (è confermato il valore anomalo), escludere questa parcellazione dall'analisi sostituendo la stima del volume con NA nella cella corrispondente del file «Cerebel_vols.csv» per tale soggetto.
      4. Gli errori di parcellazione comportano l'esclusione di parte del cervelletto dalla maschera?
        Se Sì, (ad esempio, se particolari lobuli cerebellari mancano dalla maschera o appaiono "tagliati"), escludere immediatamente il soggetto da ulteriori analisi (cioè, non procedere all'esecuzione del modulo SUIT su tali soggetti).

2. Modulo 2: Morfometria basata su voxel ottimizzata per il cervelletto SUIT

  1. Analisi morfometriche basate su Voxel con SUIT
    CRITICO: Questa pipeline richiede che il modulo ACAPULCO sia già stato eseguito, in quanto si basa sulla generazione di una maschera cerebellare specifica per soggetto per l'ottimizzazione della registrazione e la normalizzazione del cervelletto al modello SUIT. Se la maschera specifica per soggetto generata da ACAPULCO non include l'intero cervelletto, ciò giustifica l'esclusione dal modulo SUIT. Per istruzioni sull'esecuzione di SUIT standalone, vedere52.
    1. Ottenere tutto il software necessario elencato nella Tabella dei materiali. Assicurati che la cartella SPM12 e tutte le sottocartelle si trovino nel percorso MATLAB. Assicurati che enigma_suit script vengano salvati nella directory 'spm12/toolbox' e aggiunti al percorso MATLAB. Per controllare il percorso MATLAB, digita pathtool nella finestra di comando matlab, quindi fai clic su Aggiungi con sottocartelle per aggiungere le cartelle pertinenti.
    2. Eseguire la pipeline SUIT per uno o più soggetti. Attendere ~ 15-20 minuti (se si utilizza l'interfaccia utente grafica [GUI]) e ~ 5-7 minuti se in esecuzione dal terminale (bash / shell) per il completamento dell'elaborazione.
      1. Per utilizzare la GUI (i soggetti verranno eseguiti in serie), dalla finestra di comando di MATLAB, digitare il comando:
        suit_enigma_all
      2. Nella prima finestra pop-up, selezionare le cartelle oggetto dalla directory 'acapulco/output' da includere nell'analisi. Fare clic sulle singole cartelle sul lato destro della finestra oppure fare clic con il pulsante destro del mouse e selezionare tutto. Premere Fine. Nella seconda finestra pop-up, selezionare la directory SUIT, in cui verranno scritte le analisi.
      3. OPPURE Chiama la funzione dalla riga di comando matlab per un singolo soggetto, digita il comando:
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OPPURE Chiama la funzione dalla finestra del terminale, al di fuori di MATLAB, per un singolo soggetto digitando il comando:
        matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
    3. Vedere la Tabella dei materiali per un collegamento al sito Web ENIGMA Imaging Protocols per scaricare la pipeline (in ENIGMA Cerebellum Volumetrics Pipeline) e il manuale tutorial contenente esempi di come creare un for-loop per l'elaborazione seriale di più soggetti.
    4. Cerca i seguenti punti relativi allo script.
      1. Assicurarsi che lo script copi l'immagine T1 N4 con correzione di polarizzazione, allineata MNI (corpo rigido) e la maschera del cervelletto ACAPULCO nella directory di output.
      2. Assicurarsi che la scrittura segmenti la materia grigia e bianca del cervelletto.
      3. Assicurarsi che lo script corregga gli errori di sovrainclusione nella parcellazione utilizzando la maschera ACAPULCO.
      4. Assicurarsi che lo script DARTEL normalizzi e riduca i dati nello spazio SUIT con modulazione jacobiana in modo che il valore di ciascun voxel sia proporzionale al suo volume originale.
      5. Controllare la cartella di ciascun soggetto per i seguenti output finali: 'wd_seg1.nii' (materia grigia) e 'wd_seg2.nii' (sostanza bianca).
  2. Rilevamento statistico dei valori anomali e controllo qualità
    1. Ispezionare visivamente le immagini normalizzate e modulate (wd*) per rilevare eventuali guasti gravi. In MATLAB, digita il comando:
      spm_display_4D
    2. Selezionare manualmente le immagini 'wd*seg1' dalle sottocartelle della tuta o passare alla directory 'suit'; inserire '^wd.*seg1' nella casella Filtro (senza virgolette) e premere il pulsante Rec . Premere Fine.
    3. Scorri le immagini per assicurarti che siano tutte ben allineate. Vedere la Figura 7 per immagini correttamente normalizzate da controlli sani (A,B) e da un individuo con un cervelletto fortemente atrofico (D).
      NOTA: In questa fase, l'anatomia tra soggetti è molto simile (in quanto sono stati registrati nello stesso modello) e le differenze di volume sono invece codificate da diverse intensità voxel. I principali fallimenti saranno evidenti, ad esempio immagini vuote, ampie aree di tessuto mancante, gradienti di intensità insoliti (ad esempio, voxel luminosi tutti in alto, voxel scuri tutti in basso). Queste immagini dovrebbero essere escluse dai passaggi successivi.
    4. Controlla la covarianza spaziale per i valori anomali. In MATLAB, digita il comando:
      check_spatial_cov
      1. Seleziona le immagini 'wd*seg1' come da passaggio precedente. Quando richiesto, selezionare le seguenti opzioni: Ridimensionamento dell'oggetto di scena: Sì; Variabile da covary out: No; Fetta (mm): - 48 , Gap: 1.
      2. Guarda il boxplot che mostra la covarianza spaziale media di ogni immagine rispetto a tutte le altre nel campione. Identifica i punti dati che sono >2s.d. sotto la media nella finestra di comando di MATLAB. Per questi, ispezionare l'immagine "_n4_mni.nii.gz" nella cartella SUIT per individuare artefatti (movimento, anomalie anatomiche), problemi di qualità dell'immagine o errori di pre-elaborazione.
      3. Se la qualità dell'immagine e la pre-elaborazione sono accettabili e l'ispezione visiva delle immagini modulate nel passaggio precedente non indica un problema con la segmentazione e la normalizzazione, conservare questi dati nel campione. In caso contrario, escludere questi dati.

3. MODULO 3 (opzionale): stima del volume intracranico (ICV) utilizzando FreeSurfer

NOTA: questo modulo utilizzerà la pipeline FreeSurfer per calcolare ICV. Non è necessario eseguirlo nuovamente se esistono output Freesurfer esistenti per la coorte (qualsiasi versione).

  1. Configurazione di FreeSurfer
    1. Assicurarsi che FreeSurfer sia scaricato e installato53. Vai alla Tabella dei materiali e scarica gli script pertinenti per eseguire questo modulo (sotto i file della pipeline ICV). Quando si lavora con FreeSurfer, impostare le seguenti variabili:
      esporta FREESURFER_HOME=
      source $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Sostituire nel modo seguente:
      export SUBJECTS_DIR=
  2. Esecuzione di Freesurfer autorecon1
    1. Per un singolo soggetto, dall'interno della directory 'freesurfer' (tempo di elaborazione ~20 min), digita il comando:
      cd
    2. Vedere il manuale di esercitazione per esempi su come creare un ciclo preliminare per l'elaborazione seriale di più soggetti.
  3. Calcolo dell'ICV
    1. Organizzazione dei dati
      1. Nella directory 'freesurfer', inserire il (i) contenitore Docker OR Singularity utilizzato nel Modulo 1 ('calculate_icv.tar' o 'R.sif', rispettivamente) e (ii) lo script xfm2det (vedere la Tabella dei materiali). Quindi, esegui un clone git per clonare lo script ICV richiesto:
        git clone https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
    2. Esecuzione dell'estrazione ICV (tempo di elaborazione ~ 5 min)
      1. Dalla directory 'freesurfer', con contenitore singularity ('R.sif'), digitare:
        singularity exec --cleanenv -B $PWD:$PWD R.sif calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/freesurfer --acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv calculate_icv
      2. Dalla directory 'freesurfer', con contenitore docker, digitare:
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/Freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Esecuzione di script senza contenitore: vedere la Tabella dei materiali per ulteriori software e dipendenze necessari. Dalla directory 'freesurfer', digita:
        ./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
        NOTA: questo calcolerà l'ICV per ogni soggetto e aggiungerà una colonna con ICV alla fine del file 'Cerebel_vols.csv'.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Parcellazione del cervelletto (ACAPULCO)

Controllo di qualità delle maschere parcellate al cervelletto:
I seguenti esempi dimostrano i risultati parcellizzati ACAPULCO e guidano il processo decisionale su a) la qualità della maschera parcellata a livello individuale e b) la successiva inclusione o esclusione di un particolare lobulo (s) dalle analisi statistiche. In definitiva, la decisione di includere o escludere un soggetto è soggettiva; esempi di "buone...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Il cervelletto è fondamentale per una vasta gamma di funzioni motorieumane 3, cognitive58, affettive10 e linguaggio 7,59 ed è implicato in molte malattie neurologiche e psichiatriche. La disponibilità di un approccio standardizzato e facilmente implementabile per la quantificazione dei volumi cerebellari regionali contribuirà a una mappatura struttura-funzione "intero cervello" sempre più det...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno conflitti di interesse da divulgare.

Ringraziamenti

Il lavoro presentato in questo manoscritto è stato finanziato da un Australian National Health and Medical Research Council (NHMRC) Ideas Grant: APP1184403.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
File della pipeline ACAPULCO 0.2.1http://enigma.ini.usc.edu/protocols/imaging-protocols/Assicurati di utilizzare acapulco versione 0.2.1
Docker per Machttps://docs.docker.com/desktop/mac/install/macOS deve essere la versione 10.14 o successiva
Docker richiede sudo priviledges
Docker impone un vincolo di memoria (RAM) su Mac OS. Per aumentare la RAM, apri Docker Desktop, vai su Preferenze e fai clic su risorse. Aumentare la memoria al massimo
Docker per Windowshttps://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT scriptshttp://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer7https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstallLe seguenti variabili devono essere impostate ogni volta che si lavora con 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 (per FSLeyes). File di
http://enigma.ini.usc.edu/protocols/imaging-protocols/ Non avrai bisogno di software aggiuntivo; 2) senza docker/singolarità: ciò comporta l'esecuzione manuale dello script ICV (calculate_icv.py). Avrai bisogno del seguente software aggiuntivo:
Versione Python figure-materials-5=3.5
Modulo Python pandas
Modulo Python fire
Modulo Python tabulate
Modulo Python Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*2019 o più recentehttps://au.mathworks.com/È richiesta una licenza accademica
Singularity3.7 o più recentehttps://www.sylabs.io/docs/Preferito per i cluster HPC (High Performance Computing)
SPM12http://www.fil.ion.ucl.ac.uk/spm/software/spm12/Assicurati che spm12 e tutte le sottocartelle siano nel tuo percorso
MATLAB SUIT Toolbox3.4http://www.diedrichsenlab.org/imaging/suit_download.htmAssicurati di posizionare SUIT toolbox nella directory spm12/toolbox
Risoluzione dei problemi manuali ed esempihttp://enigma.ini.usc.edu/protocols/imaging-protocols/
Manuale tutorial e videohttp://enigma.ini.usc.edu/protocols/imaging-protocols/Il manuale e la relativa dimostrazione dal vivo forniscono istruzioni dettagliate su come eseguire la pipeline dall'inizio alla fine.
*Non disponibile gratuitamente; è richiesta
pipeline ICV opzionali a 6 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation La pipeline ICV può essere eseguita in due modi: 1) con docker/singularity. di output di segmentazione una licenza accademica

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Esplora altri articoli

Morfometria cerebellareMRI strutturaleparcellizzazione del cervellettomorfometria basata sui voxelvolume della sostanza grigiaatassia di Friedreichcontrollo di qualitàparcellizzazione anatomicapipeline SUITparcellizzazione ACAPULCO
Una pipeline standardizzata per l'esame della morfometria della materia grigia cerebellare umana utilizzando la risonanza magnetica strutturale
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.