Name: Una pipeline standardizzata per lesame della morfometria della materia grigia cerebellare umana utilizzando la risonanza magnetica strutturale (Video) | JoVE Journal
Uploaded: 2022-02-04T14:00:00.000+00:00
Duration: 11 min 50 s
Description: Scopri una pipeline standardizzata per analizzare la morfometria della materia grigia cerebellare umana mediante risonanza magnetica strutturale ad alta risoluzione. Questo metodo automatizzato facilita studi su malattie neurologiche.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

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)
<ol><li>Raccolta dei dati<ol>
<li>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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>Converti tutti i dati in formato NIFTI-GZ utilizzando uno strumento come dcm2niix47.</li>
	</ol></li>
	<li>Organizzazione dei dati consigliata<ol>
<li>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).</li>
		<li>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.</li>
		<li>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.</li>
	</ol></li>
	<li>Parcellazione anatomica cerebellare con ACAPULCO<ol>
<li>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).</li>
		<li>Aprire un terminale e dalla riga di comando eseguire il contenitore ACAPULCO su una singola immagine (sostituire <<subject>> nel seguente modo). Attendere ~ 5 minuti per il completamento dell'elaborazione.<ol>
<li>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/<<subject>>/<<subject>>.nii.gz -o output/<<subject>>
</li>
			<li>Usando Singolarità, digita il comando: singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<<subject>>/<<subject>>.nii.gz -o output/<<subject>>
</li>
		</ol>
</li>
		<li>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.</li>
		<li>Dopo l'elaborazione, cercare i seguenti file generati nelle cartelle specifiche dell'oggetto:<ol>
<li>Identificare "<soggetto>_n4_mni_seg_post_inverse.nii.gz": maschera di cervelletto parcellata nell'originale (spazio soggetto).</li>
			<li>Identificare "<soggetto>_n4_mni_seg_post_volumes.csv": volumi (in mm3) per ciascuna delle 28 subunità generate da acapulco;</li>
			<li>Identifica le immagini rappresentative (nella directory "pics"): sagittale, assiale e coronale.</li>
		</ol>
</li>
	</ol></li>
	<li>Rilevamento statistico dei valori anomali e controllo qualità (QC)<ol>
<li>Dal terminale e nella directory 'acapulco', assicurarsi che il contenuto di QC_scripts sia nella directory 'acapulco'. Per eseguire gli script QC:<ol>
<li>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/
</li>
			<li>Usando Singolarità, digita il comando: singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
</li>
		</ol>
</li>
	</ol></li>
	<li>Esame delle immagini QC generate da ACAPULCO NOTA: Esiste un processo in 3 fasi per il controllo della qualità delle immagini parcellate ACAPULCO.<ol>
<li>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".</li>
		<li>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".</li>
		<li>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.<ol>
<li>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 <soggetto>): subj=<subject_name>
</li>
			<li>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.</li>
			<li>
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.</li>
			<li>
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).</li>
		</ol>
</li>
	</ol></li>
</ol>2. Modulo 2: Morfometria basata su voxel ottimizzata per il cervelletto SUIT
<ol><li>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.<ol>
<li>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.</li>
		<li>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.<ol>
<li>Per utilizzare la GUI (i soggetti verranno eseguiti in serie), dalla finestra di comando di MATLAB, digitare il comando: suit_enigma_all
</li>
			<li>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.</li>
			<li>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')
</li>
			<li>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"
</li>
		</ol>
</li>
		<li>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.</li>
		<li>Cerca i seguenti punti relativi allo script.<ol>
<li>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.</li>
			<li>Assicurarsi che la scrittura segmenti la materia grigia e bianca del cervelletto.</li>
			<li>Assicurarsi che lo script corregga gli errori di sovrainclusione nella parcellazione utilizzando la maschera ACAPULCO.</li>
			<li>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.</li>
			<li>Controllare la cartella di ciascun soggetto per i seguenti output finali: 'wd<subject>_seg1.nii' (materia grigia) e 'wd<subject>_seg2.nii' (sostanza bianca).</li>
		</ol>
</li>
	</ol></li>
	<li>Rilevamento statistico dei valori anomali e controllo qualità<ol>
<li>Ispezionare visivamente le immagini normalizzate e modulate (wd*) per rilevare eventuali guasti gravi. In MATLAB, digita il comando: spm_display_4D
</li>
		<li>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.</li>
		<li>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.</li>
		<li>Controlla la covarianza spaziale per i valori anomali. In MATLAB, digita il comando: check_spatial_cov
		<ol>
<li>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.</li>
			<li>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 "<subj>_n4_mni.nii.gz" nella cartella SUIT per individuare artefatti (movimento, anomalie anatomiche), problemi di qualità dell'immagine o errori di pre-elaborazione.</li>
			<li>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.</li>
		</ol>
</li>
	</ol></li>
</ol>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).
<ol><li>Configurazione di FreeSurfer<ol>
<li>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=<freesurfer_installation_ directory> source $FREESURFER_HOME/SetUpFreeSurfer.sh
</li>
		<li>Sostituire <path> nel modo seguente: export SUBJECTS_DIR=<path>/enigma/Freesurfer
</li>
	</ol>
</li>
	<li>Esecuzione di Freesurfer autorecon1<ol>
<li>Per un singolo soggetto, dall'interno della directory 'freesurfer' (tempo di elaborazione ~20 min), digita il comando: cd <path>/enigma/freesurfer recon-all -i .. /input/<subject>.nii.gz -s <subject> -autorecon1
</li>
		<li>Vedere il manuale di esercitazione per esempi su come creare un ciclo preliminare per l'elaborazione seriale di più soggetti.</li>
	</ol>
</li>
	<li>Calcolo dell'ICV<ol>
<li>Organizzazione dei dati<ol>
<li>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
</li>
		</ol>
</li>
		<li>Esecuzione dell'estrazione ICV (tempo di elaborazione ~ 5 min)<ol>
<li>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
</li>
			<li>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
</li>
			<li>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'.</li>
		</ol>
</li>
	</ol>
</li>
</ol>

Gli autori non hanno conflitti di interesse da divulgare.

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...

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.

<table><tbody><tr><td>File della pipeline ACAPULCO </td><td>0.2.1</td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td> <td>Assicurati di utilizzare acapulco versione 0.2.1</td></tr><tr><td>Docker per Mac</td><td></td><td>https://docs.docker.com/desktop/mac/install/</td> <td>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</td></tr><tr><td>Docker per Windows</td><td></td><td>https://docs.docker.com/docker-for-windows/install/</td><td></td></tr> <tr><td>ENIGMA SUIT scripts</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td></td></tr> <tr><td>FreeSurfer</td><td>7</td><td>https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td><td>Le seguenti variabili devono essere impostate ogni volta che si lavora con Freesurfer: export FREESURFER_HOME=<img alt="equation" src="/files/ftp_upload/63340/lesser.png">freesurfer _installation_directory<img alt="equation" src="/files/ftp_upload/63340/greater.png"> source $FREESURFER_HOME/SetUpFreeSurfer.sh</td></tr><tr><td colspan="4">export SUBJECTS_DIR=<img alt="equazione" src="/files/ftp_upload/63340/lesser.png">path<img alt="equation" src="/files/ftp_upload/63340/greater.png">/enigma/Freesurfer</td></tr><tr><td>FSL (per FSLeyes). File di</td><td></td><td></td> pipeline ICV opzionali a 6 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation <td></td></tr><tr><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td> La pipeline ICV può essere eseguita in due modi: 1) con docker/singularity.<td></td><td> 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 <img alt="equation" src="/files/ftp_upload/63340/greater.png">=3.5 Modulo Python pandas Modulo Python fire Modulo Python tabulate Modulo Python Colorama</td></tr><tr><td></td><td></td><td>https://github.com/Characterisation-Virtual-Laboratory/calculate_icv</td><td></td></tr><tr><td>MATLAB*</td><td>2019 o più recente</td><td>https://au.mathworks.com/</td> <td>È richiesta una licenza accademica</td></tr><tr><td>Singularity</td><td>3.7 o più recente</td><td>https://www.sylabs.io/docs/</td> <td>Preferito per i cluster HPC (High Performance Computing)</td></tr><tr><td>SPM</td><td>12</td><td>http://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Assicurati che spm12 e tutte le sottocartelle siano nel tuo percorso</td></tr><tr><td>MATLAB SUIT Toolbox</td><td>3.4</td><td>http://www.diedrichsenlab.org/imaging/suit_download.htm</td><td>Assicurati di posizionare SUIT toolbox nella directory spm12/toolbox</td></tr><tr><td>Risoluzione dei problemi manuali ed esempi</td><td></td> di output di segmentazione <td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td></td></tr> <tr><td>Manuale tutorial e video</td><td></td><td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td><td>Il manuale e la relativa dimostrazione dal vivo forniscono istruzioni dettagliate su come eseguire la pipeline dall'inizio alla fine.</td></tr><tr><td>*Non disponibile gratuitamente; è richiesta</td><td></td><td></td><td></td> una licenza accademica</tr></tbody></table>

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

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

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.

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...

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.

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

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

La nostra pipeline utilizza approcci all'avanguardia per quantificare il volume delle subunità cerebellari utilizzando immagini di risonanza magnetica strutturale umana. Il processo comprende la parcellazione anatomica, la morfometria basata su voxel e i processi di controllo qualità. La nostra pipeline standardizzata è per lo più automatizzata, disponibile in formato Docker e Singularity e ha un'ampia applicabilità a una serie di malattie neurologiche.Per iniziare, assicurati che Docker o Singularity, MATLAB e SPM12 siano installati. Quindi, utilizzando il comando make directory nella riga di comando, creare cartelle nella directory di lavoro ed etichettarle acapulco, suit e freesurfer. Successivamente, 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 nel formato NIFTI gz. Per la parcellazione anatomica cerebellare, scaricare il contenitore acapulco, quindi scaricare gli script e i contenitori pertinenti necessari per eseguire acapulco. Quindi posizionare il contenitore Docker o Singularity acapulco, il contenuto dell'archivio QCs_scripts e il contenitore o calculate_dicv RCIF.tar nella directory acapulco. Quindi, aprire un terminale e utilizzando Singularity, digitare il comando indicato per eseguire il contenitore acapulco su una singola immagine. Attendere cinque minuti per il completamento dell'elaborazione.Quindi, passa attraverso tutti i soggetti o le scansioni nella coorte. Dopo l'elaborazione, cercare i file generati nelle cartelle specifiche dell'oggetto. Identificare la maschera del cervelletto parcellato in originale e volumi per ciascuna delle 28 subunità generate da acapulco.Quindi, dalla directory delle foto, identifica le immagini sagittali, assiali e coronali rappresentative. Per il rilevamento statistico dei valori anomali e il controllo della qualità, assicurarsi che il contenuto degli script QC si trovi nella directory acapulco. Quindi, utilizzando Singolarità, digitare il comando indicato.Per esaminare le immagini QC generate da acapulco, aprire QC_Images. html in un browser Web e scorrere rapidamente 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.Quindi, apri Plots_for_Outliers. html per selezionare i box plot per i valori anomali statistici quantitativi. Identificare i valori anomali indicati da un 1 nella colonna pertinente nei valori anomali.csv. e annotare il numero totale di segmenti identificati come valori anomali per ciascun soggetto nella colonna finale in Outliers.csv. Ispezionare manualmente ogni immagine con uno o più valori anomali.Se si utilizza un visualizzatore di immagini NIFTI standard, sovrapporre la maschera acapulco sull'immagine originale pesata t1 per verificare la qualità della parcellazione fetta per fetta. Se una o più regioni parcellate devono essere escluse dal set di dati finale, escludere questa parcellazione dall'analisi sostituendo la stima del volume con NA nella cella corrispondente di quel soggetto. Se gli errori di parcellazione comportano l'esclusione di parte del cervelletto dalla maschera, escludere immediatamente il soggetto da ulteriori analisi.Per le analisi morfometriche basate su voxel che utilizzano SUIT, assicurati che la cartella SPM12 e tutte le sottocartelle si trovino nel percorso MATLAB. Inoltre, assicurati che gli script enigma_suit vengano salvati nella directory della casella degli strumenti SPM12 e aggiunti al percorso MATLAB. Per controllare il percorso MATLAB, digita pathtool nella finestra di comando matlab e fai clic su Aggiungi con sottocartelle per aggiungere le cartelle pertinenti.Successivamente, utilizzando l'interfaccia utente grafica, digitare suit_enigma_all nella finestra di comando MATLAB per eseguire la pipeline SUIT per uno o più soggetti. Nella prima finestra popup, selezionare le cartelle oggetto dalla directory di output acapulco da includere nell'analisi. Fare clic sulle singole cartelle sul lato destro della finestra o fare clic con il pulsante destro del mouse e selezionare tutto.Quindi, premere Fine. Nella seconda finestra popup, selezionare la directory SUIT. Per chiamare la funzione dalla riga di comando matlab per un singolo soggetto, digitare il comando indicato.Quando si esegue SUIT dalla riga di comando, se le directory SPM12 o enigma_suit non vengono salvate in modo permanente nel percorso MATLAB, tale passaggio deve essere aggiunto alla riga di comando. Per chiamare la funzione dalla finestra del terminale all'esterno di MATLAB per un singolo soggetto, digita il comando mostrato. Controlla la cartella di ogni soggetto per gli output finali.Per ispezionare visivamente le immagini modulate normalizzate per rilevare errori gravi, digitare spm_display_4d in MATLAB. Successivamente, per selezionare le immagini richieste, passare alla directory SUIT e digitare il comando indicato nella casella di filtro. Quindi, premere il pulsante ricorsivo, quindi Fatto.Scorri le immagini per assicurarti che siano tutte ben allineate. Successivamente, per verificare la presenza di valori anomali della covarianza spaziale, digitare check_spatial_cov in MATLAB. Quindi, selezionare le immagini modulate da prima e, quando richiesto, impostare Prop.ridimensionamento a sì, Variabile a covarianza a no, Slice a 48 e Gap a 1. Infine, guarda il box plot che mostra la covarianza spaziale media di ogni immagine rispetto a tutte le altre nel campione. Identifica i punti dati che sono più di due deviazioni standard al di sotto della media nella finestra di comando di MATLAB.Per questi punti dati, ispezionare le immagini appropriate nella cartella SUIT per artefatti, problemi di qualità dell'immagine. o errori di pre-elaborazione. Qui è mostrato un cervelletto fortemente atrofizzato da un paziente con atassia spino-cerebellare 2.Nonostante la perdita di tessuto vista intorno ai bordi, SUIT ha deformato questa immagine al modello abbastanza bene. Ciò non giustificherebbe un'esclusione. Qui, c'è un chiaro gradiente dall'alto verso il basso del cervelletto e l'immagine è piuttosto ruvida, giustificando un'esclusione.Infine, in questo esempio, il mascheramento non ha funzionato bene. I bordi non sono puliti e l'immagine è più liscia di quelle che in genere escono dalla pipeline SUIT. Ciò giustificherebbe un'esclusione.Esempi di buone parcellazioni, tra cui cerebella sana e fortemente atrofizzata, sono mostrati qui, mentre esempi di comparcellazioni errate con sottili inclusioni eccessive e insufficienti di singoli lobuli del cervelletto possono essere visti qui. Questi tipi di errori richiedono generalmente l'esclusione dei singoli lobuli interessati, mentre il resto del cervelletto parcellato può essere mantenuto. Al contrario, i fallimenti globali richiedono una completa esclusione del soggetto.Quando acapulco è stato eseguito su un campione di 31 persone con atassia di Friedreich e 37 controlli sani, il lobulo SINISTRO IX e il lobulo destro Crus I avevano i più alti tassi di esclusione. Il confronto dei volumi di 28 lobuli anatomici cerebellari nell'atassia di Friedreich e in individui sani di controllo ha mostrato una significativa riduzione della sostanza bianca nel corpo midollare nell'atassia di Friedreich. Non c'erano altre differenze significative tra i gruppi.Esempi di immagini ben allineate da entrambi i controlli sani e dall'atassia di Friedreich sono mostrati qui, mentre esempi di esclusioni possono essere visti qui. Dopo aver testato la covarianza spaziale di tutte le immagini normalizzate, due scansioni sono state rilevate come valori anomali statistici in base alla loro covarianza spaziale media con il resto del campione. Test di permutazione non parametrica sono stati effettuati in SNPM per testare differenze significative tra i gruppi nei volumi di materia grigia del cervelletto.I risultati dell'analisi SUIT hanno mostrato che i pazienti con atassia di Friedreich avevano significativamente ridotto il volume della materia grigia nel lobulo anteriore bilaterale da I a V e nelle regioni del lobo posteriore mediale tra cui Vermis VI e Vermis IX.It è fondamentale controllare manualmente le maschere cerebellari per garantire che sia stata raggiunta una copertura cerebellare completa e ispezionare anche le maschere per sovra e sotto-inclusioni di lobuli cerebellari. Questa pipeline facilita l'esecuzione di analisi statistiche a livello di gruppo multi-sito che sono interessate a esaminare la struttura della materia grigia del cervelletto. Altre tecniche, come la connettività funzionale, possono anche essere utilizzate per esplorare la connettività tra i singoli lobuli cerebellari e il cervello.

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

Research

Ricerca

JoVE Journal

Neuroscience

Neuroscienze

Questo articolo descrive le tecniche per eseguire ad alta risoluzione risonanza magnetica funzionale, con 1,2 mm di campionamento mesencefalo umano e strutture subcorticali utilizzando uno scanner 3T. L'uso di queste tecniche per risolvere le mappe topografiche di stimolazione visiva nella umano collicolo superiore (SC) è dato come un esempio.

Ad alta risoluzione magnetica funzionale per immagini Metodi risonanza per mesencefalo umano

Lesione Explorer (LE) è una elaborazione delle immagini gasdotto semi-automatico sviluppato per ottenere tessuto cerebrale regionale e subcorticali volumetria iperintensità della lesione da MRI strutturale della malattia di Alzheimer e normale anziani. Per garantire un elevato livello di precisione e affidabilità, il seguente è un protocollo standardizzato di video-guidata per procedure manuali di LE.

Lesione Explorer: un video-guida, standardizzato protocollo preciso e affidabile Volumetrics MRI-derivati ​​nella malattia di Alzheimer e normale Anziani

Utilizzando scansioni MRI (umane), software di imaging 3D e analisi immunoistologica, documentiamo i cambiamenti nei ventricoli laterali del cervello. La mappatura 3D longitudinale delle variazioni di volume del ventricolo laterale e la caratterizzazione dei cambiamenti cellulari periventricolari che si verificano nel cervello umano a causa dell'invecchiamento o della malattia vengono quindi modellati nei topi.

Modellazione 3D del laterale ventricoli e istologica Caratterizzazione del Tissue periventricolare di esseri umani e il mouse

Questo articolo descrive un modello statistico per analisi di dati di MRI volumetrica, che identifica il "punto di svolta" quando l'atrofia del cervello inizia in pre malattia di Huntington. Intero-cervello mapping dei punti di cambiamento viene realizzato sulla base dei volumi di cervello ottenute tramite una pipeline di segmentazione basata su Atlante delle immagini di T1-weighted.

Segmentazione del intero-cervello e analisi del punto di svolta di anatomico del cervello MRI — applicazione in premanifesti sulla malattia di Huntington

Questo protocollo descrive il processo di applicazione di sette strumenti di diversa segmentazione automatizzata a scansioni di T1-weighted MRI strutturale di definire le aree di materia grigia che possono essere utilizzati per la quantificazione del volume della materia grigia.

Segmentazione automatica di materia grigia corticale da immagini di T1-Weighted MRI

La sclerosi multipla è una malattia demielinante infiammatoria senza cura. L'analisi del tessuto cerebrale fornisce importanti indizi per comprendere la patogenesi della malattia. Qui discutiamo la metodologia e l'analisi a valle del tessuto cerebrale MS raccolti attraverso un programma di autopsia rapida unico in funzione presso la Cleveland Clinic.

Programma completo di autopsia per persone con sclerosi multipla

Questo è uno studio di risonanza magnetica 3T che mira a studiare le differenze di volume della materia grigia tra i pazienti con psicosi indotta dalla cannabis e i consumatori cronici di cannabis non psicotici.

Morfologia cerebrale dei consumatori di cannabis con o senza psicosi: uno studio pilota di risonanza magnetica

Questo protocollo mostra come acquisire dati di risonanza magnetica sensibile alla neuromelanina della substantia nigra.

Acquisizione dati standardizzata per la risonanza magnetica sensibile alla neuromelanina della Substantia Nigra

Questo protocollo descrive i metodi per condurre la risonanza magnetica, la pulizia e l'immunomarcatura di cervelli di topo intatti utilizzando iDISCO +, seguita da una descrizione dettagliata dell'imaging utilizzando la microscopia a foglio di luce e analisi a valle utilizzando NuMorph.

Imaging a singola cellula dell'intero cervello e analisi di cervelli di topo neonatale intatti mediante risonanza magnetica, pulizia dei tessuti e microscopia a foglio luminoso

Questo studio ha integrato la risonanza magnetica e le immagini di marcatura dello spin arterioso per derivare l'atlante del flusso sanguigno cerebrale (CBF) per le regioni funzionali cerebrali. Il confronto tra gli atlanti CBF tipici di ischemia cerebrale sana e cronica ha rivelato differenze significative nelle distribuzioni regionali di CBF, consentendo valutazioni rapide e non invasive del CBF funzionale per aiutare nella diagnosi e valutare le terapie.

Costruzione e applicazione dell'atlante del flusso sanguigno cerebrale basato sulla regione funzionale cerebrale utilizzando la risonanza magnetica-marcatura dello spin arterioso

Scopri una pipeline standardizzata per analizzare la morfometria della materia grigia cerebellare umana mediante risonanza magnetica strutturale ad alta risoluzione. Questo metodo automatizzato facilita studi su malattie neurologiche.

Una pipeline standardizzata per lesame della morfometria della materia grigia cerebellare umana utilizzando la risonanza magnetica strutturale (Video) | JoVE Journal

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

Esplora altri video