Co-analyse van hersenstructuur en functie met behulp van fMRI en Diffusie-gewogen beeldvorming

Summary

We beschrijven een nieuwe benadering voor gelijktijdige analyse van hersenfunctie en structuur met behulp van magnetische resonantie beeldvorming (MRI). Wij beoordelen de hersenen structuur met een hoge resolutie diffusie-gewogen beeldvorming en witte stof vezels tractografie. In tegenstelling tot de standaard structurele MRI, deze technieken stellen ons in staat anatomische connectiviteit rechtstreeks betrekking hebben op de functionele eigenschappen van de hersenen netwerken.

Abstract

De studie van complexe computationele systemen wordt vergemakkelijkt door netplannen, zoals schema. Dergelijke mapping is bijzonder verhelderend bij het bestuderen van de hersenen, de functionele rol die een hersengebied voldoet kan grotendeels worden bepaald door de verbindingen met andere hersengebieden. In dit rapport beschrijven we een nieuwe, niet-invasieve benadering voor bijbehorende hersenstructuur en functie met magnetische resonantie imaging (MRI). Deze benadering, een combinatie van structurele beeldvorming van lange afstand glasvezelverbindingen en functionele imaging data wordt geïllustreerd in twee verschillende cognitieve domeinen, visuele aandacht en gezicht waarneming. Structurele beeldvorming wordt uitgevoerd met diffusie-gewogen beeldvorming (DWI) en vezels tractografie, die de diffusie van watermoleculen langs witte stof vezelbanen in de hersenen (figuur 1) volgen. Door het visualiseren van deze vezels traktaten, zijn wij in staat om de lange afstand verbindende architectuur van de hersenen te onderzoeken. De resultaten vergelijken favoraschijnlijk met een van de meest gebruikte technieken in DWI, diffusion tensor imaging (DTI). DTI is niet in staat om complexe configuraties van vezels traktaten op te lossen, het beperken van het nut ervan voor de bouw van gedetailleerde, anatomische geïnformeerde modellen van de hersenfunctie. In tegenstelling, onze analyses te reproduceren bekend neuroanatomie met precisie en nauwkeurigheid. Dit voordeel is deels te wijten aan data-acquisitie procedures: terwijl veel DTI protocollen maatregel diffusie in een klein aantal richtingen (bijvoorbeeld 6 of 12), gebruiken we een diffusie spectrum beeldvorming (DSI) ^{1, 2} protocol dat diffusie beoordeelt in 257 richtingen en op een afstand van magnetische gradiënten. Bovendien DSI gegevens kunnen we meer geavanceerde methoden voor de reconstructie van verkregen data. In twee experimenten (visuele aandacht en het gezicht perceptie), tractografie blijkt dat co-actieve gebieden van de menselijke hersenen zijn anatomisch verbonden, het ondersteunen van bestaande hypothesen dat ze functionele netwerken te vormen. DWI stelt ons in staat om een ​​"circuit diAgram "en te reproduceren op individuele-subject basis, voor het doel van de controle taakrelevante hersenactiviteit in netwerken van belang.

Protocol

1. Apparatuur voor MR Data Acquisition

Figuren 2 en 3 samen te vatten een aantal keuzes worden gemaakt in diffusie MRI acquisitie, data reconstructie, en vezels tracking. Houd in gedachten dat deze keuzes vaak afwegingen te betrekken, en de beste keuze kan afhangen van iemands onderzoeksdoelstellingen. Bijvoorbeeld, DSI en multi-shell HARDI (zie figuur 2) gebruiken meestal een hogere "b-waarden" (dat wil zeggen, sterker diffusie gewicht) dan DTI. Daardoor Deze methoden hebben betere hoekresolutie, die nodig is voor het oplossen of crossing "kussen" vezels (bijvoorbeeld vezels curve naar elkaar contact maken in een raaklijn voor buigen weer weg). Echter deze winst in hoekresolutie vaak ten koste van lagere signaal-ruisverhouding (SNR) in EPI data (figuur 3). Onderzoekers willen het belang van deze trade-off voor hun specifieke doelstellingen te overwegen:Als een studie concentreert zich op een aantal belangrijke vezels traktaten waarvan trajecten niet kruisen of parallel aan andere traktaten, dan is een lage-richting DTI-scan met een hoge SNR kan ideaal zijn. Beeldvorming van de inferieure longitudinale fasciculus zouden kunnen betekenen dat geval. Daarentegen kan het verlies van SNR een aanvaardbaar gevolg als een onderzoeker wil een traktaat te volgen door middel van complexe kruisingen.

Een soortgelijke afweging betreft de correctie van hoofd beweging, wervelstromen en niet-lineaire beeldvervorming. DWI protocollen gebruik echo-planar imaging (EPI, zie Tabel 1), die gevoelig zijn voor magnetische veldinhomogeniteiten ontstaan ​​door luchtbellen in de sinussen, fysiologische ruis en andere factoren ^3. Deze inhomogeniteiten resulteren in ongewenste beeldvervorming, met name in de inferieure temporale kwab en orbito-frontale cortex, die de geldigheid en betrouwbaarheid van de vezels het bijhouden van de resultaten in deze gebieden vermindert. Extra vervormingen worden gemaakt door eddy valutats, een product van snelle MR gradiënt schakelen ^4. Deelnemers 'hoofd beweging is een andere factor die de beeldkwaliteit degradeert en kan een negatieve invloed tractografie. Huidige methoden kan corrigeren zowel hoofd beweging en beeld verstoringen in lage b-waarde gegevens, zoals DTI, maar deze methoden zijn niet uitgebreid tot een hogere resolutie methoden zoals DSI. De moeilijkheid om beeldcorrectie methoden DSI data vloeit voort uit het lage SNR hierboven beschreven (Figuur 3). Voor fiber tracking in hersengebieden die gevoelig zijn voor EPI vervorming, kan het best een laag directionaliteit DTI of een andere techniek die beeldvervorming kan worden gecorrigeerd gebruiken. Anderzijds, als hoge hoekresolutie gehele hersenen is gewenst, kunnen onderzoekers kiezen DSI, HARDI of soortgelijke technieken. Tuch (2004) ⁵ stelt onderzoekers interleave T2 beelden zonder diffusie weging gedurende een scan DSI, die benchmarks voor bewegingscorrectie (bijvoorbeeld see ref. 6). In alle gevallen moeten onderzoekers zich bewust zijn van de negatieve gevolgen van het hoofd van beweging tijdens acquisitie: het is aan te raden om goed opgeleide deelnemers te gebruiken en om de beweging te minimaliseren door het gebruik van beet bars, neus bewakers, padding of andere waarborgen.

De resultaten die hier gebruik van een 257-richting diffusie spectrum imaging (DSI) protocol, met gradiënten variëren van b = 300 tot 7000 (zie parameters in tabel 1). De diffusie spectrum beeldvorming (DSI) sequentie vereist moderne MR scanapparatuur met bepaalde functies die nodig zijn voor het verzamelen van deze hoge resolutie diffusie gegevens. We merken op dat de tijd eisen van deze reeks aanzienlijk zijn: ongeveer 43 minuten op een Siemens Tim Trio scanner. Na uitgebreide empirische toetsing, voelen we dat de kwaliteit van deze gegevens de duur en scannen kosten te rechtvaardigen, maar in het kiezen van de overname protocol, gebruikers moeten zorgvuldig hun onderzoek doelstellingen af ​​te wegen tegen de capacities en het comfort van de deelnemers. We merken ook op dat van goede kwaliteit DSI gegevens zijn verzameld in slechts 10 minuten met geavanceerde acquisitie technieken ^7.

1. 3 Tesla MR scanner veldsterkte: 3T moet het signaal voor de hoge hoekrichting DSI scan bereiken.
2. 32-kanaals phased-array head coil: Een hoofd-spoel met hoge gevoeligheid en een uitstekende signaal-ruisverhouding is nodig om de DSI verzamelen. Acht-en 12-kanaals signaal coils geven minder aan het oppervlak van de hersenen, dus deze spoelen kan verhoogd scantijd nauwkeurige kartering van projectie gebieden ondersteunen vereisen.
3. Hoofd stabilisatie: Als gevolg van de lange duur van het DSI scannen volgorde, en omdat beweging correctie kan niet worden toegepast op de DSI gegevens, uitstekende chef-stabilisatie is noodzakelijk om te controleren beweging van het onderwerp. Beweging regelt variërend van padding en tape om een ​​hapje-bar, zijn vacuümzak, of thermoplastisch masker aanbevolen om subjectieve stabiliserents 'hoofden. Meer dan 2 mm van translatie of 2 ° van de rotatiebeweging in elke richting is overdreven en kan worden grond voor uitzondering van gegevens.
4. FMRI presentatie-apparatuur: Voor analyses met behulp van functionele zaden, extra uitrusting voor fMRI scanning is vereist. Afhankelijk van het type gebieden worden gelokaliseerd, dit omvat meestal een MR compatibel scherm (zoals projector systeem van MR compatibele LCD), een knop response systeem, audiosysteem en presentatie experiment computer gesynchroniseerd met de scanner acquisitie.

2. Scannen Procedure

1. Deelnemers te informeren over de aard van de scans te voeren en het verkrijgen van geïnformeerde toestemming. Benadruk de noodzaak om het hoofd beweging (vooral tijdens de lange DSI scan) te minimaliseren. Bieden de deelnemers de keuze van een film of andere video voor entertainment tijdens de DSI scan. Voor functionele scannen van gedrags-taken, instrueren onderwerpen om het scherm voor taak-releva monitorennt stimuli en reageren zoals vereist.
2. Na screening voor MR contra-indicaties, comfortabel stabiliseren deelnemers 'hoofd met behulp van een van de hierboven beschreven methoden, en schuif de patiënt bed in de scanner.
3. Voer de eerste scout scans en kalibratie.
4. Stel de slice recept voor de DSI scan parallel aan een denkbeeldige lijn tussen de voorste en achterste commisures. Zorg ervoor dat de schijfjes voor de DSI scan de hele hersenen te dekken.
5. Voer de DSI scan terwijl het onderwerp ontspant in de scanner of horloges entertainment op de presentatie-systeem.
6. Onmiddellijk na de voltooiing van de DSI-scan, het verzamelen van een T1-gewogen anatomische scan (bijv. MPRAGE) voor later gebruik in co-registratie (dat wil zeggen, het uitlijnen van) de DSI gegevens met andere anatomische of functionele gegevens.
7. Optioneel verzamelen fMRI data in dezelfde sessie met behulp van standaard EPI pulsreeksen.
8. Indien nodig, uit te voeren fMRI scanning in een aparte scan sessie. Collect een MPRAGE in beide sessies de co-registratie van de datasets te vergemakkelijken.

3. Anatomische MRI Processing

Voor oppervlakte analyse van fMRI data en automatische segmentatie met FreeSurfer, zoals hieronder beschreven, een hoge resolutie T1-gewogen anatomisch beeld met uitstekende wit-grijze stof contrast vereist. Dit beeld geeft een gemeenschappelijke referentie ruimte voor het analyseren van functionele en diffusie-gewogen beeldvorming gegevens. In de meeste moderne MRI-scanners, zal dit beeld worden aangeduid als een MPRAGE (Magnetisatie Voorbereid RApid Gradient Echo) beeld. De meeste moderne MPRAGE sequenties voldoende kwaliteit data in een enkele scan (parameters in tabel 1). Indien nodig kunnen twee of meer scans worden gemiddeld tot grijswit stof contrast voor segmentatie verbeteren. Hieronder leggen we uit hoe DWI en fMRI data, die meestal worden verzameld met verschillende voxel maten en verschillende oorsprong punten, kunnen automatisch worden uitgelijnd en geresampled voorgelijktijdig bekijken met de MPRAGE.

Gedetailleerde beschrijvingen van de FreeSurfer anatomische MRI verwerking stroom is te vinden op de FreeSurfer wiki ( http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki ); FreeSurfer uitgang bevat meerdere corticale oppervlak voorstellingen, evenals verkaveling van de corticale anatomische kenmerken en segmentatie van subcorticale structuren. Wij raden het uitvoeren van de AFNI / SUMA script @ SUMA_Make_Spec_FS op FreeSurfer uitgang, die deze uitgang omzet in bestandsformaten die eenvoudig kunnen worden verwerkt met behulp van gereedschap van AFNI / SUMA, FSL, SPM, en andere neuroimaging softwarepakketten. Zo kunnen bijvoorbeeld co-registratie van beelden worden uitgevoerd met een van de verschillende programma's, zoals 3dAllineate (AFNI / SUMA), FLIRT (FSL), bbregister (FreeSurfer), of de SPM Coregister functie.

1. Voer anatomische segmentatie en corticale oppervlakte-reconstructie by het indienen van T1-gewogen anatomische afbeelding om geautomatiseerde algoritme FreeSurfer's (recon-all).
2. Import FreeSurfer verwerking resulteert in SUMA met @ SUMA_Make_Spec_FS script. Deze stap creëert nifti-formaat versies van alle volumes in de FreeSurfer uitvoer, met inbegrip van een intensiteit-genormaliseerde, schedel-gestripte versie van de input anatomische afbeelding. Wij noemen dit bewerkte anatomische beeld als de Surface Volume, volgens AFNI / SUMA terminologie, de nifti versie van deze afbeelding gemaakt door @ SUMA_Make_Spec_FS is vernoemd brain.nii.
3. Lijn de DSI B0 afbeelding om de daaruit voortvloeiende Surface Volume (gebruik nifti-formaat versie van deze afbeelding, genaamd brain.nii, in de SUMA directory).
4. Sla de 12-punts affine transformatie matrix voor gebruik bij volgende co-registraties.

4. Functionele MRI (fMRI) Verwerking

Functionele MRI analyse kan definiëren gebieden van belang (ROI) voor het genereren of post-hoc selectie van vezels. Elke echo-planaire beeldvorming (EPI) pulssequenties met parameters geoptimaliseerd voor de specifieke fMRI experimenten worden gebruikt. Ook een groot aantal softwarepakketten voor fMRI verwerking en analyse bestaan, zoals AFNI / SUMA (NIMH, NIH) ^{8, 9,} BrainVoyager (Brain Innovation) ^10, FSL (FMRIB, Oxford University) ^{11, 12} en SPM ( Wellcome Trust Center for Neuroimaging, University College London) ^13. De "fMRI verwerking en analyse" van figuur 4 geeft een analyse op basis van de route AFNI / SUMA softwarepakket. Voor meer gedetailleerde gebruiksinstructies verwijzen wij lezers om de uitstekende tutorials en andere educatieve materialen op de AFNI / SUMA website ( http://afni.nimh.nih.gov ).

Het uiteindelijke doel van hersenfunctieonderzoek voor vezel-tracking verschilt van standaard functionele analyse lokalisatie, waarbij de nadruk ligt vaak het vinden van de locus van de maximale activering.Goede statistische procedure vereist onderzoekers om alfa-niveaus vooraf op te geven voor statistische contrasten, maar onderzoekers moeten overwegen het feit dat de keuze van de statistische drempels de ruimtelijke omvang van functionele activering beïnvloeden, en dus de omvang van de vezel beëindiging velden.

1. Corrigeren voor onder het hoofd beweging in fMRI elk individu gegevens, met behulp van de gemiddelde beeld van de eerste scanner draaien als het referentiebeeld.
2. Optioneel uit te voeren slice overname tijdcorrectie, in het bijzonder bij gebruik van een snelle event-gerelateerde taak design.
3. Corrigeer tussen reeksen verschillen in signaal basislijn door het normaliseren van de tijdreeksen voor elke voxel binnen elke run.
   1. Druk elke voxel tijd-series als percentage verandering ten opzichte van die voxel de gemiddelde tijd voor een bepaalde termijn, met behulp van een programma zoals 3dcalc (AFNI / SUMA) of fslmaths (FSL).
   2. Alternatief z-transform elke voxel time-series voor elke run, gebaseerd op het signaal gemiddelde en stAndard afwijking in de tijd.
4. Co-registreren elke verwerkte EPI ren naar de Surface Volume (brain.nii) dataset gegenereerd door FreeSurfer (zie hierboven).
5. Aaneenschakelen alle EPI loopt in de tijd voor een bepaald individu.
6. Kaart elk EPI lopen naar de oppervlakte met behulp van 3dVol2Surf (AFNI / SUMA), het produceren van een NIML oppervlakte dataset voor elke run.
   1. Gebruik de gladde witte stof en pial oppervlakken als referentie oppervlakken voor de mapping, deze kunnen worden beschouwd als die de grijs / witte stof grens en het oppervlak van cortex respectievelijk.
   2. Gemiddeld het signaal over de afstand tussen deze twee oppervlakken.
7. Optioneel glad EPI gegevens over de corticale oppervlak met behulp van SurfSmooth (AFNI / SUMA).
8. Afzonderlijke regressoren voor perioden die overeenstemt met elk van de experimentele condities die het onderwerp.
9. Verzend deze regressoren (samen met regressoren van geen belang) om een ​​algemeen lineair model (GLM)analyse van de functionele gegevens.
10. Contrast bèta gewichten voor verschillende regressoren om een ​​"functionele kaart" van de statistische waarden geven over het oppervlak
11. Voeg desgewenst beta-gewicht waarden voor meerdere deelnemers in een groep niveau variantieanalyse (ANOVA), bij gebruik van een factorieel ontwerp.
12. Leid thresholded functionele kaarten om statistisch significante effecten te bekijken, waarbij een familywise foutenpercentage (Gaussian random field theory) ¹⁴ of valse ontdekking tarief (FDR) ^{15, 16} aanpassingen te corrigeren voor meervoudige vergelijkingen.
13. Creëren gebieden van belang (ROI) die later zullen worden gebruikt voor tractografie zaaien van aangrenzende gebieden van aanzienlijke functionele activering op het oppervlak markeren elk gebied scheiden.
    1. Automatisch segment en label ROI met behulp van een ruimtelijke clustering-algoritme, zoals SurfClust (AFNI / SUMA).
    2. U kunt ook, met de hand-draw ROI met behulp van SUMA's Tekenen ROI functie.
14. Vouw ROI's in de witte stof met behulp van 3dSurf2Vol (AFNI / SUMA), om contact te maximaliseren met stroomlijnt tijdens tractografie.
    1. Net als in stap 6, gebruik dan de gladde witte stof en pial oppervlakken voor het in kaart brengen.
    2. Stel f_p1_fr = -0,5 in om de ROI onder de grijs / witte stof grens groeien met 50% van de grijze stof dikte bij elk oppervlak knooppunt.
    3. Set f_pn_fr = 1 om de ROI groeien in de tegenovergestelde richting van de pial oppervlak.
15. Gebruik de AFNI programma cat_matvec aan de inverse van de 12-punts affiene transformatie matrix gegenereerd bij het uitlijnen van de B0 afbeelding om de Surface Volume (brain.nii) te vinden.
16. niiApply de omgekeerde matrix om functionele ROI's om ze af te stemmen op DSI data.

5. Verwerking van Diffusion Weighted Imaging gegevens

Diffusie-gewogen beeldvorming is een algemene term voor witte stof beeldvormende technieken, omvat veel verschillende combinations van data-acquisitie en reconstructie methoden. Misschien is de meest gebruikte methode, aangeduid als diffusie tensor imaging (DTI) ^{17, 18,} ​​gebaseerd op 5-10 minuten data acquisitie meten diffusie in 6 of 12 richtingen. Op basis van deze gegevens worden diffusie patronen meestal gemodelleerd met een eenvoudig model tensor, die zeer geschikt is voor het detecteren van een dominant diffusie richting. Deze beperking betekent dat DTI niet goed presteren imaging vezels die elkaar of "kiss" op een punt kruisen. Crossing en kussen vezels zijn beter gedetecteerd met een combinatie van hoge-resolutie acquisitie en reconstructie methoden, zoals hoge hoekige resolutie diffusie imaging (HARDI) ^19-21, diffusie spectrum beeldvorming (DSI) ^{1, 2,} en gegeneraliseerde q-ball beeldvorming ( GQI) ^22-24.

Een 257-richting multi-shell DSI volgorde draaien op Siemens 3T-scanners werd gebruikt voor de verwerving van de hier gepresenteerde resultaten (paramrameters in Tabel 1). Verkregen gegevens gereconstrueerd met GQI methode ²⁴ die diffusie patronen modellen in elke voxel een oriëntatie verdelingsfunctie (ODF) dat gelijktijdige diffusie kan detecteren in meerdere richtingen. Andere hoge-hoek resolutie diffusie sequenties moeten soortgelijke resultaten. Merk op dat correcte reconstructie van ODF moet de onderzoeker het invoeren van een gradiënt tabel (ook aangeduid als een b-tabel) DSI Studio, de verwerking en DWI tractografie programma hier gebruikt. (Gedetailleerde aanwijzingen voor het gebruik DSI Studio is te vinden op de website van de software, http://dsi-studio.labsolver.org .) Deze tabel geeft de richting van de gradiënt en de magnetische veldsterkte voor elk van de verworven DWI volumes. De gradiënt tafel hangt af van de MR overname protocol en wordt automatisch uit DICOM-afbeeldingen door DSI Studio. Wij adviseren echter dat de onderzoekers deze autom vergelijkenatisch geëxtraheerd gradiënt tabel met de standaard tabel voor DWI hun scanner protocol.

1. Indien nodig, zet MR beelden te. DCM (DICOM) formaat met behulp van mri_convert (FreeSurfer).
2. Identificeer welke afbeelding (en) in de dataset zijn B0 afbeeldingen (echo-planaire beelden verzameld met geen diffusie weging).
3. Converteer de B0 afbeelding (en) te nifti formaat met behulp van AFNI programma to3d.
4. In DSI Studio, open DICOM beelden en combineren tot een bron (. Src) bestand te maken.
5. Geef een gradiënt tabel (zie hierboven).
6. Controleer of de standaard reconstructie masker alle grijze stof omvat, zonder inbegrip van de lege ruimte, schedel, of niet-hersenweefsel. Bewerk het masker als dat nodig is.
7. U kunt ook een reconstructie masker door het uitvoeren van AFNI programma 3dAutomask op het B0 afbeelding.
8. Kies een hoge resolutie reconstructie model: DSI, GQI of GQI variant.
9. Maak een vezel informatie bestand (. Fib) aan de opdrachtgever diffusie richting (en) te vertegenwoordigen inelke voxel.

6. Het evalueren van Data Quality en Tracking Parameters Whole-brain tractografie

Tracking vezels met een whole-brain zaad is een snelle en effectieve manier om de algemene kwaliteit van de gegevens te beoordelen. Het geeft ook een kans om de juiste waarden te beslissen voor de wereldwijde metingen, met name de anisotropie drempel gebruikt als stopcriterium in tractografie. Deze procedure is noodzakelijk om een ​​evenwicht te vinden tussen het verbeteren van de dekking in de vezel tracking proces en het verminderen van ruis te slaan. Bijzondere aandacht dient te worden genomen in de vaststelling van belangrijke volgen parameters, zoals de hoek drempel en het bijhouden van drempels.

Het is belangrijk op te merken dat de relatieve anisotropie van de verschillende traktaten kan variëren tussen individuen, afhankelijk van de biologische factoren als leeftijd en witte stof integriteit, evenals externe factoren zoals hardwarekalibratie tussen de sessies. Hieronder stellen wij meerdere methoden om het evenwicht volgendrempels tussen datasets. Te allen tijde, controleren de kwaliteit van het bijhouden van de resultaten door ze te vergelijken met bekende neuroanatomie. Kan bijvoorbeeld vezels die de interhemisferische spleet te steken buiten bekende interhemi verbindingen (dat wil zeggen, corpus callosum, anterieure en posterieure commissuren) geven aan dat het volgen drempel te laag is en moet worden verhoogd, of kan het bewijs van het hoofd van bewegingsartefacten.

In tegenstelling tot het volgen drempel bereiken, dienen hoek drempel invariant voor een bepaald individu over sessies, omdat vezels traktaten niet in kromming op de korte termijn, als ooit. Ook moet darmkanaal kromming relatief constant over individuen, in de afwezigheid van grote verschillen in hersengrootte of morfologie. Toch moet erop worden gelet bij het instellen initiële waarden van deze parameter. Vezels die onwaarschijnlijk trajecten zoals haarspeldbochten volgt aangeven dat de hoek drempel te hoog.

1. Maak eende hersenen als geheel zaad regio.
2. Stel een eerste volgen drempelwaarde te maskeren lage signaal voxels.
3. Instelhoek drempel om vezels curve tot n graden in een enkele stap.
4. Stel volgen stapgrootte in mm.
5. Stel de gewenste aantal vezels of zaad punten.
6. Voer de hersenen als geheel tractografie de algehele ODF reconstructie kwaliteit te controleren.
7. Om te beginnen, kiest u een mediaan (aan de overkant van datasets) tracking drempel.
   1. Plaats een whole-brain trk bestand in TrackVis, een vezel-darmkanaal visualisatie en analyse programma (Martinos Center for Biomedical Imaging, Massachusetts General Hospital) ^25.
   2. Laad de grijze stof (GM) volumes in de SUMA directory (lh / rh.ribbon.nii) als ROI.
   3. Stel de GM ROI als filters op de baan groep accepteren alleen vezels die de uiteinden in een van de ROI.
   4. Controleer dat de meeste vezels (90-100%) in het trk bestand blijven in de gefilterde spoor groep.
   5. Herhaal eens nodig bijstellen van het bijhouden van drempel in DSI Studio elke keer.
8. Verder controleren of de tracking drempel maskers uit voxels in de lege ruimte (dat wil zeggen, aan de randen van de hersenen en in het intra-gyral ruimte) zonder voxels, die duidelijk liggen in de witte stof te verwijderen.
9. Optioneel evenwicht van de tracking drempel over datasets (dat wil zeggen, verschillende sessies en / of deelnemers).
   1. Stel een tracking drempel naar wens in een dataset via de DSI interface van Studio.
   2. Wijzig de naam van. Fib bestand gemaakt door DSI Studio met een. Mat extensie en de invoer in MATLAB, volgens de instructies op de DSI Studio website ( http://dsi-studio.labsolver.org ).
   3. Maak een histogram van de waarden die u wilt drempel.
   4. Zet de kaart waarden in z-scores.
   5. Vind de z-score van de tracking drempel die u in eerste instantie in het DSI Studio Interface.
   6. De stappen bd voor alle andere datasets, vinden de tracking drempel die overeenkomt met de z-score gevonden in stap e.
   7. Als een cross-check voor de stappen af, volgen een reeks controle vezels van een anatomische ROI op de occipitale pool met 500.000 zaden.
   8. Controleer dat deze procedure produceert ongeveer evenveel vezels in datasets (+ - 100 vezels).

7. Lokaal beperkt tractografie

In tegenstelling tot de hersenen als geheel tractografie, lokaal beperkt tractografie maakt gebruik van ROI-Booleaanse bewerkingen zoals vermelding volumes waardoor vezels moeten dan niet passeren. Daardoor plaatselijk beperkt tractografie biedt hogere gevoeligheid en meer controle voor het volgen select vezels plaats. Whole-brain tractografie undersamples in alle mogelijke zaad punten, vanwege de hoge kosten van computationele ontpittingswerkzaamheden en beperkte computer videogeheugen. (Het possible dat deze beperkingen worden verlicht in de toekomst door veranderingen in tractografie algoritmen, extra geheugen of andere factoren.) Door undersampling, whole-brain tractografie levert vaak resultaten die zijn voorgespannen naar de dominante paden diffusie in de hersenen. Gebruiker geleverde ROI pakken dit probleem aan door beperkte doelgroep regio's met een hoge dichtheid van zaad punten, waardoor het makkelijker wordt om moeilijk te detecteren vangen vezels traktaten.

1. Maak een whole-brain zaad regio in DSI Studio.
2. Laad een of meer nifti regio-of-interest (ROI)-bestanden.
3. Optioneel laden van een regio van vermijding (ROA) bestand naar voxels waarin vezels moeten niet door te geven.
4. Stel anisotropie drempel en hoek drempel zoals hierboven beschreven.
5. Voer het volgen.
6. Controleer de kwaliteit door het vergelijken van vezels tracks naar anatomische details.

8. Endpoint Dichtheid Analyse

1. Laad nifti ROI's en trk bestanden into TrackVis.
2. Voer Booleaanse operaties tussen regio's.
3. Sla de resultaten van elke operatie als een nieuw trk bestand.
4. Gebruik de track_transform (Diffusion ToolKit) functie om ruimtelijk trk bestanden om te zetten naar de Surface Volume (brain.nii) bestand.
5. Laad de getransformeerde trk bestand en Surface Volume (brain.nii) in TrackVis te inspecteren.
6. Laad trk en ROI-bestanden in MATLAB kwantitatieve connectiviteit schattingen te maken.
7. Vind de {x / y / z} zwaartepunt van een ROI.
8. Als een maatregel van connectiviteit Bereken het aantal vezels in een eindpunten ROI, genormaliseerd door ROI volume.
9. Als alternatief berekent de Euclidische afstand tussen vezel en eindpunten ROI zwaartepunt, als maat voor de specificiteit en samenhang van connectiviteit traktaat dat ROI.

9. Representatieve resultaten

Hoge resolutie diffusie-gewogen beeldvorming en vezels tractografie kan worden toegepast op allerleineurowetenschappelijke vragen. Onze focus in dit artikel is voor detail de koppeling van structurele connectiviteit methoden met functionele neuroimaging. Wij constateren echter dat de eventuele toepassing van DWI zorgvuldige evaluatie van tractografie resultaten vereist, gezien het feit dat de data-acquisitie-protocol, wederopbouw-methode, en tractografie parameters kunnen belangrijke, onafhankelijke effecten op het eindproduct uit te oefenen. Figuur 5 illustreert een optimale en suboptimale resultaten met behulp van de hersenen als geheel tractografie. Alle drie beelden zijn gebaseerd op hetzelfde 257-richting DWI dataset van een deelnemer, optimale resultaten worden getoond in het linker paneel. In contrast, het middelste paneel toont het effect van veel te milde tractografie parameters (FA en hoek drempels). Het rechter paneel toont de vermindering in kwaliteit die resulteert van een enkel-tensor model de DWI reconstrueren.

We zijn twee voorbeelden van hoe tractografie resultaten kunnen bevestigen en informeren interpretatiop functionele beelddata. Deze experimenten te beoordelen cognitieve processen die het ontstaan ​​van functionele zaad regio's toegestaan: namelijk het gezicht perceptie en visuele aandacht. Deze zaad gebieden kunnen worden gebruikt om vragen van witte stof verbindingen te testen binnen een cognitief netwerk. Figuur 6 toont een voorbeeld van gebieden geactiveerd tijdens een gezicht waarneming taak. Onderwerpen foto's van gezichten en alledaagse voorwerpen bekeken terwijl het ondergaan van fMRI scanning. Twee ventro-temporale regio's, in het midden spoelvormig gyrus (MFG) en inferieure occipitale gyrus (IOG), significant groter BOLD respons toonden voor gezichten dan voor objecten. Deze twee functioneel gedefinieerde gebieden werden vervolgens gebruikt als zaad regio's in tractografie (zoals vermeld in Secties 6-7 hierboven). Figuur 6A toont de grote bundel vezels stroomlijnt (in rood) dat deze twee gebieden van belang verbinding in de temporale kwab, over een afstand van ongeveer 12 cm. Let op de strakke verpakking van de vezels en small graad van vezel kromming over deze afstand. Dit is typisch een-op-een-verbindingen in functionele netwerken over lange afstanden (zie bijvoorbeeld ref. 26). Figuur 6B toont de IOG functionele zaad gebied (aangegeven in geel) samen met de individuele vezel eindpunten (rode stippen) . De vezel eindpunten liggen verspreid over het ROI. Deze connectiviteit patroon suggereert dat deze regio's direct, lange afstand verbindingen die snelle communicatie ten grondslag kunnen liggen in het gezicht perceptie netwerk.

Ons tweede voorbeeld (figuur 7) geeft het verband tussen visuele cortex sensorische gebieden en regio aandachtscontroletraining in de posterieure pariëtale cortex (PPC). In dit geval werden de twee functionele activeringen (occipitale en pariëtale gebieden) die via onafhankelijke sets fMRI gegevens uit dezelfde personen. Pariëtale activeringen werden gegenereerd via een aandacht verschuiven taak tussen 6 locaties in de visuAl veld (voor details, zie ref ^27.), terwijl de occipitale gebieden werden gedefinieerd met behulp van standaard gezichtsveld meridiaan mapping ^28, die werd gebruikt om de grenzen tussen functionele zaad regio's van de visuele cortex (V1 - V3) te markeren. Figuur 7A toont de geschatte locaties van V1, V2, V3 en zaad gebieden (rood, groen, blauw en respectievelijk), het zaad PPC regio gemerkt IPS-1 en vezelbanen dat deze gebieden verbinden. Traktaten zijn gekleurd door de occipitale ROI waaruit ze werden gezaaid. In tegenstelling tot de lange rechte vezels in de temporale kwab (Figuur 6), deze witte stof traktaten betrekking op een kortere afstand (variërend van 3 - 5 cm) en zijn dus meer U-vormig en minder dicht opeengepakte als ze reizen van de occipitale kwab de parietale kwab. Figuur 7B toont de functioneel gedefinieerde gebieden in IPS (bruin), V1 (rood), V2 (groen), en V3 (blauw) van de corticale oppervlak langs de fiber eindpunten in elke regio. Let op desegregatie van geschriften in de occipitale kwab door zaad regio, in contrast met de grote mate van eindpunt interdigitatie in IPS-1. Dit suggereert dat onze PPC regio (vastgesteld door fMRI activiteit tijdens een selectieve aandachtstaak) een convergentie gebied van de hersenen, met structurele verbindingen naar verschillende knooppunten van sensorische cortex. Deze verbinding patroon toestaan ​​voor het uitzenden van signalen van aandacht voorspanning van hogere corticale gebieden moduleren activiteit begin cortices; deze signalen helpen verbeteren doel representaties in visuele cortex ^{29, 30.}

Figuur 1. Schematische weergave van de belangrijkste begrippen in de diffusie-gewogen beeldvorming (DWI) panel A:. In een homogene medium, diffusie op willekeurige momenten optreedt als gevolg van de Brownse beweging. Voor grote aantallen watermoleculen verspreiding isotroop, dat wil zeggen de totale diffusie patroon bolvormig is. Panel B: diffusie van watermoleculen in axonen en in de tussenruimtes van axonale bundels wordt beperkt door axonale wanden en andere draagconstructies. Zo diffusie langs vezelbanen anisotroop: het is veel groter traject langs de vezel traktaat dan in andere richtingen. Paneel C: hoge resolutie DWI methoden te gebruiken modellen zoals de oriëntatie verdelingsfunctie (ODF) om anisotrope diffusie modelleren in complexe configuraties van witte stof traktaten. Zoals in dit voorbeeld, kan ODF onderscheiden afzonderlijke diffusie trajecten meerdere vezelbanen kruisen op een punt. Crossings waarbij twee of drie verschillende vezels traktaten zijn gebruikelijk in de hersenen.

Figuur 2. Fiber-tracking onderzoek kan worden uitgevoerd in een aantal manieren. Het belangrijkste keuzen acquisitie protocol, reconstructietechniek en tractografie methode. In de huidige, op papier, we Ùse een diffusie-spectrum beeldvorming (DSI) ^{1, 2} protocol voor acquisitie, veralgemeende Q-sampling beeldvorming (GQI) ²⁴ voor de wederopbouw, en FACT deterministische tractografie ^{40, 41.} We benadrukken vooral model-free en hybride reconstructietechnieken, welke oriëntatie verdelingsfuncties (ODF, zie figuur 1) genereren diffusie vertegenwoordigen in elke voxel. Onderzoekers kunnen kiezen uit verschillende pijpleidingen op basis van budget, beschikbare tijd, de behoefte aan hoge hoek resolutie, en het belang van het corrigeren voor hoofd beweging en niet-lineaire beeldvervorming. Dit cijfer is niet een volledige lijst van alle levensvatbare acquisitie, wederopbouw, en tractografie methoden. Zie Seunarine & Alexander ⁴² voor een uitstekend overzicht van reconstructie technieken.

Figuur 3. Interacties van diffusie MRI acquisitie variabelen, scanduur, en abiliteit naar glasvezel kruisingen op te lossen. High diffusie contrast nodig is voor het oplossen van vezels in complexe kruising configuraties. Dit contrast afhankelijk van verschillende factoren, zoals het aantal gradiëntrichtingen (dwz het aantal mogelijke vezeloriëntaties) en b-waarde (wat de mate van diffusie coëfficiënt). Hier vertegenwoordigen typische effecten van toenemende b-waarden en het aantal gradiëntrichtingen. Deze tabel bevat slechts trends weergeeft, en individuele technieken kunnen verschillende effecten op scanduur, signaal-ruisverhouding (SNR) en contrast diffusie. In het algemeen kan contrast worden verbeterd door zowel het aantal gradiëntrichtingen en de omvang van b-waarden. Bij hogere b-waarden, echter de signaal-ruisverhouding van diffusie-gewogen beelden verminderd en scantijd is vaak verhoogd.

Figuur 4. Grafische summary anatomische MRI, DWI-MRI, fMRI en processtromen. Zwarte tekst beschrijft de aard van alle verwerkingsstappen, terwijl tekst groen geeft software die gebruikt kunnen worden. Stippellijnen en vakjes geven optionele stappen, die niet van toepassing op alle projecten. In dit voorbeeld wordt de verwerking uitgevoerd in de AFNI / SUMA pakket (behalve DSI Studio of TrackVis aangegeven). Vergelijkbare functies in andere neuroimaging analyse pakketten kunnen vaak worden vervangen. Veel van de stappen weergegeven in deze diagrammen al dan niet gedeeltelijk geconsolideerd door de softwareontwikkelaars in handige scripts: wij bijzonder verwijzen de lezers naar de FreeSurfer wederopbouw alle pijplijn ( http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable ) . We merken bovendien dat verschillende software pakketten volledige verwerking pijpleidingen voor DWI gegevens te verstrekken, maar deze pakketten verschillen in hun sterke en zwakke punten, En sommige zijn exclusief hulpmiddelen voor het werken met een hoge hoekige resolutie diffusie MRI data. Klik hier om een grotere afbeelding te bekijken .

Figuur 5. Illustratie van hele hersenen tractografie met verschillende reconstructie werkwijzen en tractografie parameters. Alle beelden werden afgeleid van dezelfde gegevensset, een 257-richting diffusie spectrum imaging (DSI) sequentie met meerdere b-waarden (7000 s / mm ^2, 5 schalen). Paneel A: optimale resultaten, bereikt door het gebruik van een hoge resolutie, ODF-gebaseerde reconstructie methode. Een relatief hoge tracking drempelwaarde van 0,06 werd gekozen om vezels alleen sterk anisotroop voxels genereren en een hoek van 55 ° drempel werd geselecteerd om de vorming van vezels met biologisch onrealistisch kromming (dwz "looping" vezels) weg. Noot de duidelijke afbakening van de hemisferen, gescheiden door de longitudinale spleet; er ook rekening mee hoe fiber bundeling volgt sulcal / gyral contouren verwacht. Panel B: dezelfde reconstructiemethode werd als in (A), maar FA en hoek drempels milder ingesteld tijdens tractografie (0,03 en 85 °, respectievelijk). Ongepast volgen parameters kunnen leiden tot het genereren van grote aantallen "junk" vezels, die ware informatie over anatomische structuur te verbergen. Zie hoofdstuk 5, "Evaluatie van Data Quality en Tracking Parameters Whole Brain-tractografie", voor advies over geschikte parameter keuzes. Paneel C: gegevens werden gereconstrueerd met een enkele tensor model, een van de meest gebruikte methoden in DWI. Met geschikte parameters volgen (hetzelfde als A) de single-tensor model reproduceert belangrijke vele bekende vezelbanen en gyral contouren enigszins zichtbaar in de sagittale. Echter, het produceert ook meer valse positieven dan de ODF-model: note vezels reizen horizontale ly over de interhemisferische spleet. Klik hier om een grotere afbeelding te bekijken .

Figuur 6. Tractografie resultaten van een experiment gezicht waarneming. Panel (A) toont stroomlijnt gevolg van tractografie tussen functionele ROI geïdentificeerd uit een gezicht waarneming experiment. Algemene ruimten van inferieure occipitale gyrus (IOG) en mid-spoelvormig gyrus (MFG) zijn aangegeven met gele ovalen. Paneel (B) toont de IOG eindpunten van de vezels die in paneel (A) weergegeven op vergrote ventrale Gezien de posterieure temporale corticale oppervlak. De ROI rendered in geel het resultaat van een gezicht waarnemen functionele MRI experiment. Let op de grote overeenkomst tussen functioneel gedefinieerde activering en vezels eindpunten bij IOG. Deze vezels volgen vanuit het MFG, een hersengebied betrokken gezicht waarneming.p :/ / www.jove.com/files/ftp_upload/4125/4125fig6large.jpg "target =" _blank "> Klik hier om een grotere afbeelding te bekijken.

Figuur 7. Tractografie resultaten van een visuele aandacht experiment. Panel (A) toont de stroomlijnen gevolg van tractografie tussen functionele ROI geïdentificeerd uit een visuele aandacht experiment ^27. Algemene gebieden posterieure pariëtale cortex (IPS-1) en visuele cortex (V1d, V2d, en V3D) worden door gekleurde ovalen. Vezels traktaten worden weergegeven in de overeenkomstige kleuren: rood voor V1d, groen voor V2d, en blauw voor V3D. Paneel (B) toont de eindpunten van de vezels die in paneel (A) weergegeven op een vergroot zijaanzicht van het achterste (parietale en occipitale) corticale oppervlak. Kleur conventies overeenkomen met die van het paneel (A). Gebieden van belang als gevolg van een visuele aandacht functionele MRI experiment worden weergegeven op de corticale oppervlakte. Alle drie sets van geschriften / eindpunten samen in de IPS-1 regio, die wordt beschouwd als een prioriteit kaart van visuele aandacht die de bron van aandacht biasing signalen naar doelen in visuele cortex te bevatten. Tracts in IPS-1 zijn grotendeels interdigitated, terwijl de achterhoofdsknobbel uiteinden van deze vezels traktaten zijn duidelijk gescheiden door regio van visuele cortex.

MR Scan	Parameters
DSI	257 richting diffusie spectrum beeldvorming (DSI) scan met behulp van een tweemaal-heroriëntatie spin-echo EPI sequentie en meerdere q-waarden met een 43 min acquisitie tijd (TR = 9916 ms, TE = 157 ms, voxelgrootte = 2,4 x 2,4 x 2,4 mm , FoV = 231 x 231 mm, b-max = 7.000 s / mm 2, 5 schalen)
Anatomisch	T1-gewogen sequentie MPRAGE (1 mm x 1 mm x 1 mm, 176 sagittale plakken, TR = 1,870, TI = 1,100, FA = 8 °, GRAPPA = 2)
fMRI	T2 *-gewogen echo-planar imaging (EPI) pulssequentie (31 schuine axiale plakjes, in-plane resolutie 2 mm x 2 mm, 3 mm plakdikte, geen ruimte, herhalingstijd [TR] = 2000 ms, echotijd [TE ] = 29 ms, flip hoek = 90 °, GRAPPA = 2, matrix size = 96 x 96, gezichtsveld [FOV] = 192 mm)

Tabel 1. Neuroimaging acquisitie parameters.

Discussion

High-resolution DWI en vezels tractografie zorgen voor een krachtige aanpak voor de behandeling van de verbindende structuur van de menselijke hersenen. Hier presenteren we bewijs dat deze structurele architectuur zinvol is gerelateerd aan de hersenfunctie, beoordeeld door fMRI. Met tractografie zaden gebaseerd op fMRI taak activatie we bewijs gevonden dat hersengebieden die co-actief zijn bij visuele aandacht zijn anatomisch connectedconsistent met voorkennis van functionele neuroanatomie (Figuur 7). O...