Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Een gestandaardiseerde pijplijn voor het onderzoeken van menselijke cerebellaire grijze stofmorfometrie met behulp van structurele magnetische resonantie beeldvorming

4.1K weergaven

⸱

DOI:

10.3791/63340

⸱

4 februari 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 dit artikel

Samenvatting

Een gestandaardiseerde pijplijn wordt gepresenteerd voor het onderzoeken van cerebellum grijze stof morfometrie. De pijplijn combineert state-of-the-art benaderingen met hoge resolutie voor geoptimaliseerde en geautomatiseerde cerebellumverkaveling en voxelgebaseerde registratie van het cerebellum voor volumetrische kwantificering.

Samenvatting

Meerdere onderzoekslijnen leveren overtuigend bewijs voor een rol van het cerebellum in een breed scala aan cognitieve en affectieve functies, die veel verder gaan dan de historische associatie met motorische controle. Structurele en functionele neuroimagingstudies hebben het begrip van de functionele neuroanatomie van het cerebellum verder verfijnd dan de anatomische delingen, wat de noodzaak benadrukt van het onderzoek van individuele cerebellaire subeenheden in gezonde variabiliteit en neurologische ziekten. Dit artikel presenteert een gestandaardiseerde pijplijn voor het onderzoeken van cerebellum grijze stof morfometrie die hoge resolutie, state-of-the-art benaderingen combineert voor geoptimaliseerde en geautomatiseerde cerebellum parcellation (Automatische Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) en voxel-gebaseerde registratie van het cerebellum (Spatially Unbiased Infra-tentorial Template; SUIT) voor volumetrische kwantificering.

De pijplijn is breed toepasbaar op een reeks neurologische aandoeningen en is volledig geautomatiseerd, met handmatige interventie die alleen nodig is voor kwaliteitscontrole van de uitgangen. De pijplijn is vrij beschikbaar, met substantiële bijbehorende documentatie, en kan worden uitgevoerd op Mac-, Windows- en Linux-besturingssystemen. De pijplijn wordt toegepast in een cohort van personen met Friedreich-ataxie (FRDA) en representatieve resultaten, evenals aanbevelingen voor inferentiële statistische analyses op groepsniveau, worden verstrekt. Deze pijplijn zou de betrouwbaarheid en reproduceerbaarheid in het hele veld kunnen vergemakkelijken, wat uiteindelijk een krachtige methodologische benadering biedt voor het karakteriseren en volgen van cerebellaire structurele veranderingen in neurologische aandoeningen.

Inleiding

Het cerebellum is een deel van de hersenen dat historisch geassocieerd is met motorische controle 1,2,3 en wordt verondersteld integraal betrokken te zijn bij slechts een kleine reeks zeldzame ziekten, zoals erfelijke ataxie4. Convergerende onderzoekslijnen uit anatomische traceringsstudies bij niet-menselijke primaten, evenals studies naar menselijke laesies en neuroimaging, leveren echter overtuigend bewijs voor een rol van het cerebellum in een breed scala van cognitieve 5,6,7, affectieve 8,9,10,11 en andere niet-motorische functies 7,12 (zie6  ter beoordeling). Bovendien zijn afwijkingen van het cerebellum in toenemende mate betrokken bij een breed scala aan neurologische en psychiatrische aandoeningen, waaronder de ziekte van Parkinson13, de ziekte van Alzheimer14,15, epilepsie16,17, schizofrenie18 en autismespectrumstoornis19 . Daarom is het essentieel geworden om het cerebellum op te nemen in functionele en structurele modellen van menselijke hersenziekten en normatieve gedragsvariabiliteit.

Anatomisch kan het cerebellum langs zijn superieure as worden verdeeld in drie lobben: voorste, achterste en flocculonodudulaire. De lobben zijn verder onderverdeeld in 10 lobben aangeduid met Romeinse cijfers I-X20,21 (figuur 1). Het cerebellum kan ook worden gegroepeerd in middellijn (vermis) en laterale (hemisfeer) zones, die respectievelijk inputs ontvangen van het ruggenmerg en de hersenschors. De voorkwab, bestaande uit lobules I-V, is van oudsher geassocieerd met motorische processen en heeft wederzijdse verbindingen met cerebrale motorische cortices22. De achterkwab, bestaande uit lobules VI-IX, is voornamelijk geassocieerd met niet-motorische processen11 en heeft reciproke verbindingen met de prefrontale cortex, posterieure pariëtale en superieure temporale cerebrale cortices 8,23. Ten slotte heeft de flocculonodulaire kwab, bestaande uit lobule X, reciproke verbindingen met vestibulaire kernen die oogbewegingen en lichaamsevenwicht regelen tijdens houding en gang21.

Een groeiend aantal recente werken met behulp van functionele neuroimaging heeft het begrip van de functionele neuroanatomie van het cerebellum verder verfijnd dan de anatomische divisies. Zo zijn er bijvoorbeeld rusttoestand functionele magnetische resonantie beeldvorming (fMRI) technieken gebruikt om het patroon van functionele interacties tussen het cerebellum en cerebrum in kaart tebrengen 24. Bovendien toonden King en collega's7 met behulp van een taakgebaseerde verkavelingsbenadering aan dat het cerebellum een rijk en complex patroon van functionele specialisatie over de hele breedte vertoont, wat blijkt uit verschillende functionele grenzen die verband houden met een verscheidenheid aan motorische, affectieve, sociale en cognitieve taken. Gezamenlijk benadrukken deze studies het belang van het onderzoeken van individuele cerebellaire subeenheden om volledige biologische karakteriseringen van cerebellumbetrokkenheid te ontwikkelen bij zowel gezonde variabiliteit als neurologische ziekten die worden gekenmerkt door veranderingen in de cerebellaire structuur en / of functie.

Het huidige werk richt zich op methoden voor het kwantificeren van lokale veranderingen in cerebellaire volume met behulp van structurele MRI bij mensen. Over het algemeen zijn er twee fundamentele benaderingen voor de kwantificering van regionaal hersenvolume met behulp van MRI-gegevens: op kenmerken gebaseerde segmentatie en voxel-gebaseerde registratie. Op functies gebaseerde segmentatiebenaderingen maken gebruik van anatomische oriëntatiepunten en gestandaardiseerde atlassen om automatisch grenzen tussen subregio's te identificeren. Mainstream softwarepakketten voor segmentatie zijn FreeSurfer25, BrainSuite26 en FSL-FIRST27. Deze pakketten bieden echter alleen grove verkavelingen van het cerebellum (bijvoorbeeld het labelen van de hele grijze stof en de hele witte stof in elke hemisfeer), waardoor de afzonderlijke cerebellaire lobben over het hoofd worden gezien. Deze benaderingen zijn ook gevoelig voor missegmentatie, met name overinclusie van de omringende vasculatuur.

Er zijn nieuwe machine learning- en multi-atlas-etiketteringsalgoritmen ontwikkeld, die een nauwkeurigere en fijnmazigere verkaveling van het cerebellum bieden, waaronder automatische classificatie van cerebellaire lobbenalgoritme met behulp van impliciete multi-boundary evolution (ACCLAIM28,29), Cerebellaire analysetoolkit (CATK30), meerdere automatisch gegenereerde sjablonen (MAGeT31), snelle automatische segmentatie van het menselijke cerebellum en zijn lobules (RASCAL32 ), graph-cut segmentation33 en CEREbellum Segmentation (CERES34). In een recent artikel waarin state-of-the-art volledig geautomatiseerde cerebellum parcellation benaderingen werden vergeleken, bleek CERES2 beter te presteren dan andere benaderingen ten opzichte van goudstandaard handmatige segmentatie van de cerebellaire lobben35. Meer recent ontwikkelden Han en collega's36 een deep-learning algoritme genaamd ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), dat op gelijke voet presteert met CERES2, een brede toepasbaarheid heeft op zowel gezonde als geatrofieerde cerebellums, beschikbaar is in open-source Docker- en Singularity-containerformaat voor 'off-the-shelf' implementatie en tijdefficiënter is dan andere benaderingen. ACAPULCO verkaveld het cerebellum automatisch in 28 anatomische gebieden.

In tegenstelling tot feature-based segmentatie, werken voxel-gebaseerde registratiebenaderingen door een MRI nauwkeurig toe te wijzen aan een sjabloonafbeelding. Om deze toewijzing te bereiken, moeten de voxels in de oorspronkelijke afbeelding worden vervormd in grootte en vorm. De grootte van deze vervorming biedt effectief een maat voor het volume bij elke voxel ten opzichte van de gouden standaardsjabloon. Deze vorm van volumetrische beoordeling staat bekend als 'voxel-gebaseerde morfometrie'37. Whole-brain voxel-gebaseerde registratiebenaderingen, zoals FSL-FLIRT38 / FNIRT39, SPM unified segmentation40 en CAT1241, worden vaak gebruikt voor voxel-gebaseerde morfometrie. Deze benaderingen houden echter geen goed rekening met het cerebellum, wat resulteert in slechte betrouwbaarheid en validiteit in infratentoriale gebieden (cerebellum, hersenstam42). Om rekening te houden met deze beperkingen, werd het SUIT -algoritme (Spatially Unbiased Infra-tentorial Template) ontwikkeld om de cerebellumregistratie te optimaliseren en de nauwkeurigheid van voxel-gebaseerde morfometrie42,43 te verbeteren.

Feature-based segmentatie en voxel-gebaseerde registratiebenaderingen voor de schatting van regionaal cerebellair volume hebben fundamentele sterke en zwakke punten. Segmentatiebenaderingen zijn aanzienlijk nauwkeuriger voor het kwantificeren van het volume van anatomisch gedefinieerde gebieden (bijv. Lobules35). Grenzen tussen verschillende functionele modules van het cerebellum zijn echter niet in kaart gebracht op zijn anatomische folia en fissuren (equivalent aan gyri en sulci van het cerebrum7). Aangezien op registratie gebaseerde benaderingen niet worden beperkt door anatomische oriëntatiepunten, is fijnmaziger ruimtelijke inferentie en hoogdimensionale structuurfunctiekartering van het cerebellum mogelijk44. Segmentatie- en registratiebenaderingen zijn samen complementair aan elkaar en kunnen worden gebruikt om verschillende onderzoeksvragen te beantwoorden.

Hier wordt een nieuwe gestandaardiseerde pijplijn gepresenteerd, die deze bestaande, gevalideerde benaderingen integreert om geoptimaliseerde en geautomatiseerde verkaveling (ACAPULCO) en voxel-gebaseerde registratie van het cerebellum (SUIT) voor volumetrische kwantificering te bieden (figuur 2). De pijplijn bouwt voort op de gevestigde benaderingen om kwaliteitscontroleprotocollen op te nemen, met behulp van kwalitatieve visualisatie en kwantitatieve uitschietersdetectie, en een snelle methode voor het verkrijgen van een schatting van het intracraniale volume (ICV) met behulp van Freesurfer. De pijplijn is volledig geautomatiseerd, met handmatige interventie die alleen nodig is voor het controleren van de kwaliteitscontrole-uitgangen, en kan worden uitgevoerd op Mac-, Windows- en Linux-besturingssystemen. De pijplijn is vrij beschikbaar zonder beperkingen van het gebruik ervan voor niet-commerciële doeleinden en is toegankelijk via de ENIGMA Consortium Imaging Protocols-webpagina (onder "ENIGMA Cerebellum Volumetrics Pipeline"), na het invullen van een kort registratieformulier45.

Alle vereiste software wordt vermeld in de tabel met materialen en gedetailleerde zelfstudies, inclusief een live demonstratie, zijn beschikbaar bij het downloaden van de pijplijn, naast het hieronder beschreven protocol. Ten slotte worden representatieve resultaten verstrekt, van de implementatie van de pijplijn in een cohort van mensen met Friedreich-ataxie (FRDA) en leeftijds- en geslachtsgematchte gezonde controles, naast aanbevelingen voor statistische inferentiële analyses op groepsniveau.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

OPMERKING: De gegevens die in deze studie werden gebruikt, maakten deel uit van een project dat was goedgekeurd door de Monash University Human Research Ethics Committee (project 7810). Deelnemers gaven schriftelijke geïnformeerde toestemming. Hoewel de pijplijn kan worden uitgevoerd op Mac-, Windows- of Linux-besturingssystemen, zijn ACAPULCO, SUIT en de QC-pijplijnen expliciet getest op Linux (Ubuntu) en Mac (Catalina, Big Sur v11.0.1) besturingssystemen.

1. Module 1: ACAPULCO (anatomische verkaveling)

  1. Dataverzameling
    1. Verzamel 3D T1-gewogen MRI-beelden van de hele hersenen met een resolutie van 1 mm3 of minder. Isotrope voxelafmetingen (meestal 1 mm x 1 mm x 1 mm) en een scanner van 3 Telsa (of meer) worden aanbevolen. Raadpleeg een beeldvormingsspecialist in hun radiografiecentrum om gegevens op te zetten en te verkrijgen die aan deze specificaties voldoen.
      OPMERKING: T2-gewogen afbeeldingen zijn soms nuttig voor volumetrische analyses; De pijplijn die hier wordt gepresenteerd, is echter alleen gebaseerd op T1-gewogen gegevens en sommige van de gebruikte tools zijn exclusief voor dit type gegevens. Als zodanig kunnen T2-gewogen afbeeldingen niet worden gebruikt.
    2. Voer een visuele kwaliteitsbeoordeling van afbeeldingen uit om grove cerebellaire misvormingen (bijv. Grote laesies) of substantiële bewegingsartefacten uit te sluiten die de identificatie van belangrijke cerebellaire oriëntatiepunten (bijv. De grote anatomische fissuren) voorkomen. Sluit atrofische cerebella niet automatisch uit, zelfs niet als deze aanzienlijk is.
    3. Overweeg voor groepsstudies ook kwantitatieve kwaliteitsbeoordelingen met behulp van vrij beschikbare, gestandaardiseerde hulpmiddelen zoals MRIQC46 om problematische gegevens verder te identificeren.
    4. Converteer alle gegevens naar NIFTI-GZ-indeling met behulp van een tool zoals dcm2niix47.
  2. Aanbevolen gegevensorganisatie
    1. Verkrijg alle benodigde software zoals vermeld in de Tabel met Materialen. Zorg ervoor dat Docker48 of Singularity49, Matlab50 en SPM1251 zijn geïnstalleerd voordat de pijplijn wordt uitgevoerd.
      OPMERKING: Uitgebreide geschreven en videozelfstudies die de pijplijn beschrijven zijn ook beschikbaar (zie de tabel met materialen).
    2. Zodra alle benodigde software is geïnstalleerd, maakt u mappen in de werkmap en labelt u ze 'acapulco', 'suit' en 'freesurfer'. Doe dit met de opdracht mkdir vanaf de opdrachtregel.
    3. Maak in de map 'acapulco' een uitvoermap . Maak in de uitvoermap een map voor elk onderwerp in het onderzoek met de T1-gewogen afbeelding in NIFTI-GZ-indeling.
      OPMERKING: Het wordt aanbevolen om een kopie van de originele gegevens elders te bewaren.
  3. Anatomische cerebellaire verkaveling met ACAPULCO
    1. Ga naar de tabel met materialen en download de relevante scripts en containers die nodig zijn om ACAPULCO (onder acapulco pipeline files) uit te voeren. Plaats in de map 'acapulco' de (i) ACAPULCO Docker OR Singularity container (respectievelijk 'acapulco_0.2.1.tar.gz' of '.sif'), (ii) de inhoud van het QC_scripts archief (3 bestanden: 'QC_Master.R', 'QC_Plots.Rmd' en 'QC_Image_Merge.Rmd'), en (iii) 'R.sif' (singulariteit) OF 'calculate_icv.tar' (docker) bestand.
    2. Open een terminal en voer vanaf de opdrachtregel de ACAPULCO-container uit op één installatiekopie (vervang <> in het volgende). Wacht tot ~ 5 minuten voordat de verwerking is voltooid.
      1. Typ de opdracht met Docker:
        docker load --ingang 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. Typ met Singularity de opdracht:
        singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
    3. Loop over alle onderwerpen / scans in het cohort. Zie de tabel met materialen voor een koppeling naar de ENIGMA Imaging Protocols-website voor het downloaden van de pijplijn (onder ENIGMA Cerebellum Volumetrics Pipeline) en de zelfstudiehandleiding met voorbeelden van het maken van een for-loop voor het serieel verwerken van meerdere onderwerpen.
    4. Zoek na verwerking naar de volgende bestanden die zijn gegenereerd in de onderwerpspecifieke mappen:
      1. Identificeer "_n4_mni_seg_post_inverse.nii.gz": verkaveld cerebellummasker in origineel (onderwerpruimte).
      2. Identificeer "_n4_mni_seg_post_volumes.csv": volumes (in mm3) voor elk van de 28 subeenheden gegenereerd door acapulco;
      3. Identificeer representatieve afbeeldingen (in de map 'pics'): sagittale, axiale en coronale.
  4. Statistische uitschieters detectie en kwaliteitscontrole (QC)
    1. Zorg er vanaf de terminal en in de 'acapulco' directory voor dat de inhoud van QC_scripts in de 'acapulco' directory staat. Ga als volgt te werk om de QC-scripts uit te voeren:
      1. Typ de opdracht met Docker:
        laadvermogen calculate_icv.tar
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        QC_Master.R uitgang/
      2. Typ met Singularity de opdracht:
        singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. Onderzoek van de QC-beelden gegenereerd door ACAPULCO
    OPMERKING: Er is een 3-stappenproces voor het controleren van de kwaliteit van de ACAPULCO-verkavelde afbeeldingen.
    1. Open de 'QC_Images.html' in een webbrowser en blader snel (~ 10 s per onderwerp) door de afbeeldingen om duidelijke fouten of systematische problemen te identificeren. Noteer de onderwerp-ID's van mislukte of verdachte verpakte afbeeldingen voor follow-up.
      OPMERKING: Zie figuur 3 voor een gids over de neuroanatomie van de cerebellaire lobben en figuur 4, figuur 5 en figuur 6 in de sectie representatieve resultaten hieronder voor voorbeelden van 'goede' verkavelingen, 'subtiele misverkavelingen' en 'globale mislukking' verkavelingen.
    2. Open de 'Plots_for_Outliers.html' om de boxplots aan te vinken op kwantitatieve statistische uitschieters. Zoek naar uitschieters (2.698 s.d boven of onder het gemiddelde) boven of onder de snorharen van de boxplots. Plaats de muisaanwijzer op de gegevenspunten om de onderwerp-ID weer te geven. Identificeer de uitschieters die worden aangeduid met een '1' in de relevante kolom in het bestand 'Uitschieters.csv' en noteer het totale aantal segmenten dat als uitschieters voor elk onderwerp is geïdentificeerd in de laatste kolom in 'Uitschieters.csv'.
    3. Inspecteer handmatig elke afbeelding met een of meer uitschieters. KRITIEK: Gebruik een standaard NIFTI-beeldviewer (bijv. FSLEyes of MRICron) om het ACAPULCO-masker op de originele T1w-afbeelding te leggen om de kwaliteit van de verkaveling plak voor plak te controleren.
      1. Om overlays voor gedetailleerde QC te genereren vanaf de opdrachtregel met FSLEyes, i) wijzigt u de map in de map 'acapulco', ii) geeft u het onderwerp op dat moet worden weergegeven (vervang ):
        subj=
      2. Kopieer en plak de volgende code naar de terminal (zonder {subj} handmatig te wijzigen, omdat deze door de vorige regel is ingesteld:
        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
        OPMERKING: Er moet worden bepaald of het abnormale segment moet worden opgenomen of niet, d.w.z. is er een pakketgevingsfout of is het gewoon normale variabiliteit in de anatomie van het individu? Elke verkavelde regio wordt afzonderlijk beschouwd, dus een paar regio's kunnen worden uitgesloten voor een afbeelding, terwijl de rest kan worden behouden als dit correct is.
      3. Moeten een of meer verkavelde regio's worden uitgesloten van de uiteindelijke dataset?
        Zo ja (uitschieter is bevestigd), sluit u deze pakketlation(s) uit van de analyse door de volumeschatting te vervangen door NA in de overeenkomstige cel van het bestand 'Cerebel_vols.csv' voor dat onderwerp.
      4. Leiden verkavelingsfouten ertoe dat een deel van het cerebellum wordt uitgesloten van het masker?
        Zo ja (bijvoorbeeld als bepaalde cerebellaire lobben ontbreken in het masker of 'afgesneden' lijken), sluit u het onderwerp onmiddellijk uit van verdere analyses (d.w.z. ga niet verder met het uitvoeren van de SUIT-module op die onderwerpen).

2. Module 2: SUIT cerebellum-geoptimaliseerde voxel-gebaseerde morfometrie

  1. Op Voxel gebaseerde morfometrie-analyses met SUIT
    KRITIEK: Deze pijplijn vereist dat de ACAPULCO-module al is uitgevoerd, omdat deze afhankelijk is van het genereren van een onderwerpspecifiek cerebellair masker voor optimalisatie van de registratie en normalisatie van het cerebellum naar de SUIT-sjabloon. Als het door ACAPULCO gegenereerde onderwerpspecifieke masker niet het hele cerebellum omvat, garandeert dit uitsluiting van de SUIT-module. Voor instructies over het zelfstandig uitvoeren van SUIT, zie52.
    1. Verkrijg alle benodigde software die wordt vermeld in de Tabel met Materialen. Zorg ervoor dat de map SPM12 en alle submappen zich in het MATLAB-pad bevinden. Zorg ervoor enigma_suit scripts worden opgeslagen in de map 'spm12/toolbox' en worden toegevoegd aan het MATLAB-pad. Als u het MATLAB-pad wilt controleren, typt u pathtool in het MATLAB-opdrachtvenster en klikt u vervolgens op Toevoegen met submappen om de relevante mappen toe te voegen.
    2. Voer de SUIT-pijplijn uit voor een of meer onderwerpen. Wacht tot ~ 15-20 minuten (als u de grafische gebruikersinterface [GUI] gebruikt) en ~ 5-7 minuten als u vanaf de terminal (bash / shell) wordt uitgevoerd om de verwerking te voltooien.
      1. Als u de GUI wilt gebruiken (onderwerpen worden in serie uitgevoerd), typt u in het MATLAB-opdrachtvenster de opdracht:
        suit_enigma_all
      2. Selecteer in het eerste pop-upvenster de onderwerpmappen uit de map 'acapulco/output' om in de analyse op te nemen. Klik op de afzonderlijke mappen aan de rechterkant van het venster of klik met de rechtermuisknop en selecteer alles. Druk op Gereed. Selecteer in het tweede pop-upvenster de SUIT-directory, waar de analyses worden geschreven.
      3. OF Roep de functie aan vanaf de MATLAB-opdrachtregel voor een enkel onderwerp, typ de opdracht:
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OF Roep de functie aan vanuit het terminalvenster, buiten MATLAB, voor een enkel onderwerp door de opdracht te typen:
        matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
    3. Zie de tabel met materialen voor een koppeling naar de ENIGMA Imaging Protocols-website voor het downloaden van de pijplijn (onder ENIGMA Cerebellum Volumetrics Pipeline) en de zelfstudiehandleiding met voorbeelden van het maken van een for-loop voor het serieel verwerken van meerdere onderwerpen.
    4. Zoek naar de volgende punten met betrekking tot het script.
      1. Zorg ervoor dat het script de N4 bias-gecorrigeerde, MNI-uitgelijnde (rigid-body) T1-afbeelding en het ACAPULCO cerebellummasker naar de uitvoermap kopieert.
      2. Zorg ervoor dat het schrift de grijze en witte stof van het cerebellum segmenteert.
      3. Zorg ervoor dat het script corrigeert voor overinclusiefouten in de verkaveling met behulp van het ACAPULCO-masker.
      4. Zorg ervoor dat het script DARTEL de gegevens normaliseert en resliceert in de SUIT-ruimte met Jacobiaanse modulatie, zodat de waarde van elke voxel evenredig is met het oorspronkelijke volume.
      5. Controleer de map van elk onderwerp op de volgende einduitgangen: 'wd_seg1.nii' (grijze massa) en 'wd_seg2.nii' (witte stof).
  2. Detectie van statistische uitschieters en kwaliteitscontrole
    1. Inspecteer de genormaliseerde, gemoduleerde beelden (wd*) visueel op grote storingen. Typ de opdracht in MATLAB:
      spm_display_4D
    2. Selecteer handmatig de 'wd*seg1'-afbeeldingen in de submappen van het pak of navigeer naar de map 'suit'; plaats '^wd.*seg1' in het vak Filter (geen aanhalingstekens) en druk op rec knop. Druk op Gereed.
    3. Blader door de afbeeldingen om er zeker van te zijn dat ze allemaal goed zijn uitgelijnd. Zie figuur 7 voor correct genormaliseerde beelden van gezonde controles (A,B) en een persoon met een sterk atrofisch cerebellum (D).
      OPMERKING: In dit stadium lijkt de anatomie tussen proefpersonen erg op elkaar (omdat ze op dezelfde sjabloon zijn geregistreerd) en volumeverschillen worden in plaats daarvan gecodeerd door verschillende voxelintensiteiten. Grote mislukkingen zullen duidelijk zijn, bijvoorbeeld lege afbeeldingen, grote gebieden met ontbrekend weefsel, ongewone intensiteitsgradiënten (d.w.z. heldere voxels allemaal aan de bovenkant, donkere voxels allemaal aan de onderkant). Deze afbeeldingen moeten worden uitgesloten van volgende stappen.
    4. Controleer ruimtelijke covariantie op uitschieters. Typ de opdracht in MATLAB:
      check_spatial_cov
      1. Selecteer de 'wd*seg1'-afbeeldingen volgens de vorige stap. Selecteer desgevraagd de volgende opties: Prop schalen: Ja; Variabele om uit te komen: Nee; Plak (mm): - 48 , Tussenruimte: 1.
      2. Kijk naar de boxplot die de gemiddelde ruimtelijke covariantie van elke afbeelding weergeeft ten opzichte van alle andere in het voorbeeld. Identificeer gegevenspunten die >2s.d. onder het gemiddelde in het MATLAB-opdrachtvenster. Controleer hiervoor de afbeelding "_n4_mni.nii.gz" in de MAP SUIT op artefacten (beweging, anatomische afwijkingen), problemen met de beeldkwaliteit of fouten bij het voorbewerken.
      3. Als de beeldkwaliteit en voorbewerking acceptabel zijn en visuele inspectie van de gemoduleerde afbeeldingen in de vorige stap niet wijst op een probleem met segmentatie en normalisatie, bewaar deze gegevens dan in het monster. Sluit anders deze gegevens uit.

3. MODULE 3 (optioneel): Intracranial Volume (ICV) schatting met behulp van FreeSurfer

OPMERKING: Deze module gebruikt de FreeSurfer-pijplijn om ICV te berekenen. Het hoeft niet opnieuw te worden uitgevoerd als er bestaande Freesurfer-uitgangen zijn voor het cohort (elke versie).

  1. FreeSurfer instellen
    1. Zorg ervoor dat FreeSurfer is gedownload en geïnstalleerd53. Ga naar de tabel met materialen en download de relevante scripts om deze module uit te voeren (onder ICV-pijplijnbestanden). Wanneer u met FreeSurfer werkt, stelt u de volgende variabelen in:
      FREESURFER_HOME=
      source $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Vervang door:
      export SUBJECTS_DIR=
  2. Freesurfer autorecon1 uitvoeren
    1. Voor een enkel onderwerp, vanuit de map 'freesurfer' (verwerkingstijd ~ 20 min), typt u de opdracht:
      cd
    2. Zie de handleiding voor voorbeelden van het maken van een for-loop voor het serieel verwerken van meerdere onderwerpen.
  3. Berekening van ICV
    1. Data organisatie
      1. Plaats in de map 'freesurfer' de (i) Docker OF Singularity-container die wordt gebruikt in module 1 (respectievelijk 'calculate_icv.tar' of 'R.sif') en (ii) xfm2det-script (zie de tabel met materialen). Doe vervolgens een git-kloon om het vereiste ICV-script te klonen:
        git kloon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
    2. ICV-extractie uitvoeren (verwerkingstijd ~ 5 min)
      1. Typ in de map 'freesurfer', met singulariteitscontainer ('R.sif'):
        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. Typ vanuit de map 'freesurfer', met dockercontainer:
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/pad/naar/Freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Script uitvoeren zonder container - zie de tabel met materialen voor aanvullende vereiste software en afhankelijkheden. Typ in de map 'freesurfer':
        ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/path/to/freesurfer --
        acapulco_dir=/pad/naar/acapulco/QC/Cerebelvolsfile --
        output_csv_name=Cerebel_vols.csv calculate_icv
        OPMERKING: Hiermee wordt de ICV voor elk onderwerp berekend en wordt een kolom met ICV toegevoegd aan het einde van het bestand 'Cerebel_vols.csv'.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Cerebellum verkaveling (ACAPULCO)

Kwaliteitscontrole van cerebellum verkavelde maskers:
De volgende voorbeelden tonen de ACAPULCO-gekapitaliseerde outputs en begeleiden de besluitvorming over a) de kwaliteit van het verkavelde masker op individueel niveau en b) de daaropvolgende opname of uitsluiting van een bepaalde lobule (s) uit de statistische analyses. Uiteindelijk is de beslissing om een onderwerp op te nemen of uit te sluiten subjectief; voorbeelden ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het cerebellum is van cruciaal belang voor een breed scala aan menselijke motorische3, cognitieve58, affectieve10 en taal 7,59 functies en is betrokken bij vele neurologische en psychiatrische ziekten. De beschikbaarheid van een gestandaardiseerde en gemakkelijk implementeerbare aanpak voor de kwantificering van regionale cerebellaire volumes zal bijdragen aan het steeds gedetailleerder in ka...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben geen belangenconflicten te onthullen.

Dankbetuigingen

Het werk dat in dit manuscript wordt gepresenteerd, is gefinancierd door een Ideeënbeurs van de Australian National Health and Medical Research Council (NHMRC): APP1184403.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ACAPULCO pipeline files 0.2.1http://enigma.ini.usc.edu/protocols/imaging-protocols/Zorg ervoor dat u acapulco versie 0.2.1 gebruikt
Docker voor Machttps://docs.docker.com/desktop/mac/install/macOS moet versie 10.14 of nieuwer zijn
Docker vereist sudo-privileges
Docker stelt een geheugen (RAM) beperking op Mac OS. Om het RAM te verhogen, opent u Docker Desktop, gaat u naar Voorkeuren en klikt u op resources. Verhoog het geheugen tot het maximum
Docker voor 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/DownloadAndInstallVolgende variabelen moeten elke keer worden ingesteld wanneer u met Freesurfer werkt:
export FREESURFER_HOME=figure-materials-1freesurfer _installatie_directoryfigure-materials-2
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=figure-materials-3padfigure-materials-4/enigma/Freesurfer
FSL (voor FSLeyes). Optioneel6https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
ICV pipeline bestandenhttp://enigma.ini.usc.edu/protocols/imaging-protocols/ICV-pijplijn kan op twee manieren worden uitgevoerd: 1) met docker/singulariteit. U hebt geen extra software nodig; 2) zonder docker/singulariteit- dit omvat het handmatig uitvoeren van het ICV-script (calculate_icv.py). U hebt de volgende extra software nodig:
Python-versie figure-materials-5=3.5
Python-module pandas
Python-module fire
Python-module tabulate
Python-module Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*2019 of nieuwerhttps://au.mathworks.com/Een academische licentie is vereist
Singulariteit3.7 of nieuwerhttps://www.sylabs.io/docs/Verkies voor high performance computing (HPC) clusters
SPM12http://www.fil.ion.ucl.ac.uk/spm/software/spm12/Zorg ervoor dat spm12 en alle submappen in uw MATLAB-pad staan
SUIT Toolbox3.4http://www.diedrichsenlab.org/imaging/suit_download.htmZorg ervoor dat u de SUIT-toolbox in de spm12/toolbox-map plaatst
Handleiding voor probleemoplossing en voorbeelden van segmentatie-uitvoerhttp://enigma.ini.usc.edu/protocols/imaging-protocols/
Handleiding en video met tutorialhttp://enigma.ini.usc.edu/protocols/imaging-protocols/Handleiding en bijbehorende live demonstratie bieden gedetailleerde stapsgewijze instructies voor het uitvoeren van de pijplijn van begin tot eind.
*Niet vrij beschikbaar; een academische licentie is vereist

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

Cerebellaire morfometriestructurele MRIcerebellum-parcelleringvoxelgebaseerde morfometrievolumegrootte grijze stofziekte van Friedreichkwaliteitscontroleanatomische parcelleringSUIT-pipelineACAPULCO-parcellering
Een gestandaardiseerde pijplijn voor het onderzoeken van menselijke cerebellaire grijze stofmorfometrie met behulp van structurele magnetische resonantie beeldvorming
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.