Verschillen in grijze stof meten met voxel-gebaseerde morfometrie: De muzikale hersenen
1. Rekruteer 40 muzikanten en 40 niet-muzikanten.
- Muzikanten moeten ten minste 10 jaar formele muzikale training hebben. Training met elk muziekinstrument is acceptabel. Muzikanten moeten ook actief hun instrument minstens een uur per dag oefenen.
- Controle-subjecten mogen weinig tot geen formele training hebben in het bespelen van een muziekinstrument.
- Alle deelnemers moeten rechtshandig zijn.
- Alle deelnemers mogen geen geschiedenis hebben van neurologische, psychiatrische of hartaandoeningen.
- Alle deelnemers mogen geen metaal in hun lichaam hebben dat ze niet kunnen verwijderen om ervoor te zorgen dat ze MRI-veilig zijn.
2. Pre-scan procedures
- Vul de pre-scan documenten in.
- Wanneer deelnemers binnenkomen voor hun fMRI-scan, laat ze eerst een metaalscreeningsformulier invullen om er zeker van te zijn dat ze geen contra-indicaties hebben voor MRI, een incidentele bevindingenformulier dat toestemming geeft voor hun scan om door een radioloog te worden bekeken, en een toestemmingsformulier dat de risico's en voordelen van het onderzoek beschrijft.
- Bereid de deelnemers voor om in de scanner te gaan door alle metaal van hun lichaam te verwijderen, inclusief riemen, portefeuilles, telefoons, haarspeldjes, munten en alle sieraden.
3. Plaats de deelnemer in de scanner.
- Geef de deelnemer oordopjes om hun oren te beschermen tegen het geluid van de scanner en koptelefoons om te dragen zodat ze de experimentator tijdens de scan kunnen horen, en laat ze op het bed gaan liggen met hun hoofd in de spoel.
- Geef de deelnemer de noodknopspeler en instrueer hen om deze te knijpen in geval van nood tijdens de scan.
- Gebruik schuimkussens om het hoofd van de deelnemer in de spoel vast te zetten om overmatige beweging tijdens de scan te voorkomen, en herinner de deelnemer dat het heel belangrijk is om zo stil mogelijk te blijven tijdens de scan, omdat zelfs de kleinste bewegingen de beelden vervagen.
4. Gegevensverzameling
- Verzamel een hoog-resolutie anatomische scan van de hele hersenen. Deze scan moet een T1-wegingssequentie zijn zoals een Magnetisatie Prepared Rapid Gradient Echo (MP-RAGE) met isotrope 1 mm voxels.
5. Gegevensanalyse
- Verwijder de schedel van elke anatomische hersenscan met behulp van geautomatiseerde software. Controleer de schedelstrip voor kwaliteit.
- Maak een onderzoeksspecifiek grijze stof template met behulp van een iteratieve proces van lineaire en niet-lineaire registratie (Figuur 1).
- Gebruik geautomatiseerde software om de hersenen van elke proefpersoon te segmenteren in witte stof, grijze stof en CSF op basis van de intensiteit op elk voxel.
- Voer een lineaire affine transformatie uit met 12 vrijheidsgraden om de hersenen van elke proefpersoon te registreren naar een standaard atlasruimte, zoals de MNI152 atlas.
- Vervorm het grijze stofbeeld van elke proefpersoon in deze ruimte en gemiddeld ze allemaal samen.
- Spiegel dit beeld van links naar rechts en gemiddeld de spiegelbeelden samen om het grijze stof template hersenen te produceren.
- Registreer de hersenen van elke proefpersoon opnieuw naar dit template met behulp van een niet-lineaire transformatie.
- Gemiddeld alle nieuw getransformeerde hersenen samen.
- Maak een spiegelbeeld van deze nieuwe template en gemiddeld de twee spiegelbeelden samen om een definitief grijze stof template voor dit onderzoek te produceren.
Figuur 1: Creatie van een onderzoeksspecifiek grijze stof template. Met behulp van iteratieve lineaire en niet-lineaire transformaties wordt elke hersenen geregistreerd naar een gemeenschappelijke ruimte en gemiddeld samen om een onderzoeksspecifiek grijze stof template hersenen te creëren.
- Registreer het grijze stofbeeld van elke proefpersoon naar het template en verwerk vooraf.
- Gebruik een niet-lineaire transformatie om de hersenen van elke proefpersoon te registreren naar het onderzoeksspecifiek template.
- Om te compenseren voor de hoeveelheid waarin elke hersenstructuur is uitgerekt om in de templateruimte te passen, vermenigvuldig met een maatstaf van hoeveel vervorming er is gedaan. Deze maatstaf wordt de Jacobian van het vervormingsveld genoemd. Deze stap is om rekening te houden met het feit dat structuren er misschien uitzien alsof ze meer grijze stof hebben, gewoon omdat ze meer zijn uitgerekt door het niet-lineaire registratieproces.
- Versmijdel de gegevens met behulp van een Gaussiaanse kernel met een Full Width Half Maximum (FWHM) van 10 mm.
- Deze uitgelijnde, versmijdelde hersenen zullen dienen als de uiteindelijke gegevens voor voxel-gebaseerde analyse.
- Gebruik het Algemeen Lineair Model om het verschil tussen de groepen op elk voxel te analyseren.
- Model elk groep van hersenen met een afzonderlijke regressor, en bereken een contrast dat de twee groepen vergelijkt, waardoor statistische kaarten worden gegenereerd die de waarschijnlijkheid van verschillen op elk voxel kwantificeren.
- Drempel de statistische kaarten om statistisch significante clusters te identificeren.
- Gebruik een correctietechniek voor meerdere vergelijkingen zoals False Discovery Rate (FDR) om te controleren voor het feit
Bron: Laboratoria van Jonas T. Kaplan en Sarah I. Gimbel - University of Southern California
Ervaring vormt de hersenen. Het is goed begrepen dat onze hersenen anders zijn als gevolg van leren. Hoewel veel ervaringsgerelateerde veranderingen zich manifesteren op microscopisch niveau, bijvoorbeeld door neurochemische aanpassingen in het gedrag van individuele neuronen, kunnen we ook anatomische veranderingen in de structuur van de hersenen op macroschappelijk niveau onderzoeken. Een beroemd voorbeeld van dit soort veranderingen komt uit het geval van de Londense taxichauffeurs, die naast het leren van de complexe routes van de stad een groter volume vertonen in de hippocampus, een hersenstructuur die een rol speelt in de navigatie-geheugen.1
Veel traditionele methoden om de hersenanatomie te onderzoeken vereisen nauwgezette tracering van anatomische interessegebieden om hun grootte te meten. Met moderne neuroimagingtechnieken kunnen we nu de anatomie van de hersenen tussen groepen mensen vergelijken met behulp van geautomatiseerde algoritmen. Hoewel deze technieken niet gebruikmaken van de geavanceerde kennis die menselijke neuroanatomen bij de taak kunnen brengen, zijn ze snel en gevoelig voor zeer kleine anatomische verschillen. In een structurele magnetische resonantiebeeld van de hersenen, staat de intensiteit van elk volumetrisch pixel, of voxel, in relatie tot de dichtheid van de grijze stof in die regio. Bijvoorbeeld, in een T1-gewogen MRI-scan, worden zeer heldere voxels gevonden op plaatsen waar er witte stofvezelbundels zijn, terwijl donkerdere voxels overeenkomen met grijze stof, waar de cellichamen van neuronen zich bevinden. De techniek van het kwantificeren en vergelijken van de hersenstructuur op voxel-basis wordt voxel-based morphometry, of VBM, genoemd.2 In VBM registreren we eerst alle hersenen naar een gemeenschappelijke ruimte, waarbij we grove verschillen in anatomie gladstrijken. We vergelijken vervolgens de intensiteitswaarden van de voxels om gelokaliseerde, kleine verschillen in dichtheid van grijze stof te identificeren.
In dit experiment zullen we de VBM-techniek demonstreren door de hersenen van muzikanten te vergelijken met die van niet-muzikanten. Muzikanten zijn bezig met intens motorisch, visueel en akoestisch training. Er is bewijs uit meerdere bronnen dat de hersenen van mensen die muzikale training hebben doorlopen functioneel en structureel anders zijn dan die van mensen die dat niet hebben gedaan. Hier volgen we Gaser en Shlaug3 en Bermudez et al.4 in het gebruik van VBM om deze structurele verschillen in de hersenen van muzikanten te identificeren.
1. Rekruteer 40 muzikanten en 40 niet-muzikanten.
- Muzikanten moeten ten minste 10 jaar formele muzikale training hebben. Training met elk muziekinstrument is acceptabel. Muzikanten moeten ook actief hun instrument minstens een uur per dag oefenen.
- Controle-subjecten mogen weinig tot geen formele training hebben in het bespelen van een muziekinstrument.
- Alle deelnemers moeten rechtshandig zijn.
- Alle deelnemers mogen geen geschiedenis hebben van neurologische, psychiatrische of hartaandoeningen.
- Alle deelnemers mogen geen metaal in hun lichaam hebben dat ze niet kunnen verwijderen om ervoor te zorgen dat ze MRI-veilig zijn.
2. Pre-scan procedures
- Vul de pre-scan documenten in.
- Wanneer deelnemers binnenkomen voor hun fMRI-scan, laat ze eerst een metaalscreeningsformulier invullen om er zeker van te zijn dat ze geen contra-indicaties hebben voor MRI, een incidentele bevindingenformulier dat toestemming geeft voor hun scan om door een radioloog te worden bekeken, en een toestemmingsformulier dat de risico's en voordelen van het onderzoek beschrijft.
- Bereid de deelnemers voor om in de scanner te gaan door alle metaal van hun lichaam te verwijderen, inclusief riemen, portefeuilles, telefoons, haarspeldjes, munten en alle sieraden.
3. Plaats de deelnemer in de scanner.
- Geef de deelnemer oordopjes om hun oren te beschermen tegen het geluid van de scanner en koptelefoons om te dragen zodat ze de experimentator tijdens de scan kunnen horen, en laat ze op het bed gaan liggen met hun hoofd in de spoel.
- Geef de deelnemer de noodknopspeler en instrueer hen om deze te knijpen in geval van nood tijdens de scan.
- Gebruik schuimkussens om het hoofd van de deelnemer in de spoel vast te zetten om overmatige beweging tijdens de scan te voorkomen, en herinner de deelnemer dat het heel belangrijk is om zo stil mogelijk te blijven tijdens de scan, omdat zelfs de kleinste bewegingen de beelden vervagen.
4. Gegevensverzameling
- Verzamel een hoog-resolutie anatomische scan van de hele hersenen. Deze scan moet een T1-wegingssequentie zijn zoals een Magnetisatie Prepared Rapid Gradient Echo (MP-RAGE) met isotrope 1 mm voxels.
5. Gegevensanalyse
- Verwijder de schedel van elke anatomische hersenscan met behulp van geautomatiseerde software. Controleer de schedelstrip voor kwaliteit.
- Maak een onderzoeksspecifiek grijze stof template met behulp van een iteratieve proces van lineaire en niet-lineaire registratie (Figuur 1).
- Gebruik geautomatiseerde software om de hersenen van elke proefpersoon te segmenteren in witte stof, grijze stof en CSF op basis van de intensiteit op elk voxel.
- Voer een lineaire affine transformatie uit met 12 vrijheidsgraden om de hersenen van elke proefpersoon te registreren naar een standaard atlasruimte, zoals de MNI152 atlas.
- Vervorm het grijze stofbeeld van elke proefpersoon in deze ruimte en gemiddeld ze allemaal samen.
- Spiegel dit beeld van links naar rechts en gemiddeld de spiegelbeelden samen om het grijze stof template hersenen te produceren.
- Registreer de hersenen van elke proefpersoon opnieuw naar dit template met behulp van een niet-lineaire transformatie.
- Gemiddeld alle nieuw getransformeerde hersenen samen.
- Maak een spiegelbeeld van deze nieuwe template en gemiddeld de twee spiegelbeelden samen om een definitief grijze stof template voor dit onderzoek te produceren.
Figuur 1: Creatie van een onderzoeksspecifiek grijze stof template. Met behulp van iteratieve lineaire en niet-lineaire transformaties wordt elke hersenen geregistreerd naar een gemeenschappelijke ruimte en gemiddeld samen om een onderzoeksspecifiek grijze stof template hersenen te creëren.
- Registreer het grijze stofbeeld van elke proefpersoon naar het template en verwerk vooraf.
- Gebruik een niet-lineaire transformatie om de hersenen van elke proefpersoon te registreren naar het onderzoeksspecifiek template.
- Om te compenseren voor de hoeveelheid waarin elke hersenstructuur is uitgerekt om in de templateruimte te passen, vermenigvuldig met een maatstaf van hoeveel vervorming er is gedaan. Deze maatstaf wordt de Jacobian van het vervormingsveld genoemd. Deze stap is om rekening te houden met het feit dat structuren er misschien uitzien alsof ze meer grijze stof hebben, gewoon omdat ze meer zijn uitgerekt door het niet-lineaire registratieproces.
- Versmijdel de gegevens met behulp van een Gaussiaanse kernel met een Full Width Half Maximum (FWHM) van 10 mm.
- Deze uitgelijnde, versmijdelde hersenen zullen dienen als de uiteindelijke gegevens voor voxel-gebaseerde analyse.
- Gebruik het Algemeen Lineair Model om het verschil tussen de groepen op elk voxel te analyseren.
- Model elk groep van hersenen met een afzonderlijke regressor, en bereken een contrast dat de twee groepen vergelijkt, waardoor statistische kaarten worden gegenereerd die de waarschijnlijkheid van verschillen op elk voxel kwantificeren.
- Drempel de statistische kaarten om statistisch significante clusters te identificeren.
- Gebruik een correctietechniek voor meerdere vergelijkingen zoals False Discovery Rate (FDR) om te controleren voor het feit
Onze hersenen worden gevormd door ervaringen, wat resulteert in veranderingen in corticale volume.
Bijvoorbeeld, bepaalde competenties, zoals het leren en beheersen van een tweede taal, hebben aangetoond dat ze de dichtheid van grijze stof verhogen, waar cellichames verblijven, met name in structuren zoals de frontale kwab.
Voor moderne vooruitgang, om de grootte van een specifiek gebied te meten, moesten wetenschappers de regio van belang zorgvuldig traceren - een zeer vervelende taak. Nu bestaan er gevoeligere neuroimagingtechnieken - bekend als voxel-based morphometry, VBM - om kleine volumetrische verschillen in neuroanatomie vast te leggen.
Gebaseerd op eerder werk van Gaser en Shlaug, evenals Bermudez en collega's, demonstreert deze video hoe structuur magnetische resonantiebeelden worden verzameld en VBM wordt gebruikt om de intensiteitswaarden van voxels in de hersenen van individuen met verschillende ervaringen te identificeren - deskundige muzikanten vergeleken met degenen met zeer beperkte training - evenals in andere gevallen van expertise, zoals schaken.
In dit experiment worden twee groepen deelnemers - formeel opgeleide muzikanten en controles zonder dergelijke training - gevraagd om in een MRI-scanner te liggen terwijl structurele beelden van hun hersenen worden verzameld.
Bijzondere regio's kunnen vervolgens worden gedefinieerd met behulp van een geautomatiseerde aanpak, gebaseerd op de intensiteit van volumetrische pixels, voxels genaamd. Bijvoorbeeld, zeer heldere clusters geven de locatie van witte-stofvezelbundels aan, terwijl donkere voxels overeenkomen met gebieden met dichte grijze stof.
Na deze segmentatie voor elke hersenen, worden de beelden getransformeerd - geregistreerd op een standaardatlas, een gemeenschappelijke ruimte om vergelijkingen tussen subjecten mogelijk te maken.
Vaak kan dit registratieproces een afbeelding uitrekken, waardoor sommige structuren lijken alsof ze meer grijze stof hebben dan ze werkelijk hebben.
Daarom moet de sjabloon worden vermenigvuldigd met een maatstaf van hoeveel warping is uitgevoerd, een Jacobian-determinant genoemd, om de herhaalde rek te compenseren, en vervolgens worden alle grove verschillen in anatomie gladgestreken.
Nadat de transformaties zijn toegepast, wordt de afhankelijke variabele berekend als de verschillen in grijze stof dichtheid tussen de hersenen van muzikanten vergeleken met niet-muzikant controles.
Vanwege het verhoogde gebruik van complexe auditieve verwerking bij bekwame muzikanten, wordt verwacht dat deze groep een verhoogde grijze stof dichtheid zal vertonen in auditieve hersengebieden, zoals de superieure temporale kwab en Heschl's gyrus, vergeleken met de controlegroep.
Voorafgaand aan het experiment, werf 40 muzikanten die actief elk instrument 1 uur per dag oefenen en minimaal 10 jaar formele muziekopleiding hebben, evenals 40 niet-muzikanten controles die weinig tot geen goede training hebben.
Op de dag van hun scan, verwelkom elke deelnemer in het laboratorium en verifieer dat ze voldoen aan de veiligheidsvereisten terwijl ze de noodzakelijke toestemmingsformulieren invullen.
Verwijs naar een ander fMRI-project in deze collectie voor meer details over hoe u individuen kunt voorbereiden om de scankamer en de scanner in te gaan.
Instrueer de deelnemer nu om stil in de scanner te liggen en begin met het scannen van de hele hersenen door een hoog-resolutie, T1-gewogen anatomische sequentie te verzamelen, zoals Magnetisatie Voorbereide-Rapid Gradient Echo met 1 mm isotrope voxels.
Volg het beeldverzamelprotocol, stuur de deelnemer weg en begin met de analyse.
Om met de voorverwerking te beginnen, isoleer de hersenen van de schedel voor elke scan en controleer de kwaliteit van de strip.
Voor deze studie, maak een specifiek grijze stof sjabloon door eerst de hersenen van elk onderwerp te segmenteren in witte en grijze stof en hersenvocht, CSF, op basis van de intensiteit van elke voxel. Let op, de software onderscheidt automatisch heldere voxels als witte stof, donkere voxels als grijze stof en gebieden binnen de ventrikels als CSF.
Voer een lineaire affine transformatie uit met 12 vrijheidsgraden, om de hersenen van elk onderwerp te registreren in een standaard atlas ruimte. Warp de grijze stof afbeelding van elke onderwerp in deze ruimte, en gemiddeld ze allemaal samen.
Spiegel vervolgens dit van links naar rechts, en gemiddeld de afbeeldingen opnieuw samen om de initiële grijze stof sjabloon te produceren.
Voer vervolgens een niet-lineaire transformatie uit om de hersenen van elke onderwerp opnieuw te registreren naar de grijze stof figuur, en gemiddeld deze samen. Maak een gespiegelde kopie van deze nieuwe afbeelding, en gemiddeld de twee weer samen om een definitieve, studie-specifieke, grijze stof sjabloon te produceren.
Registreer nu de hersenen van elke onderwerp naar de laatste grijze stof figuur met behulp van een niet-lineaire transformatie, en vermenigvuldig met een Jacobian maatstaf van hoeveel warping is uitgevoerd om de hoeveelheid die elke hersenstructuur is uitgerekt om de sjabloonruimte te passen te compenseren.
Versmijdel vervolgens de gegevens met behulp van een Gaussiaanse kernel met een Full-Width Half Maximum van 10 mm om de overlap van vergelijkbare hersenvoxels over alle onderwerpen te vergroten.
Nadat de voorverwerking is voltooid, modeleer elke groep hersenen met een afzonderlijke regressor. Bereken een contrast dat de twee groepen vergelijkt om statistische kaarten te genereren die de waarschijnlijkheid van verschillen bij elke voxel kwantificeren.
Voer ten slotte een correctietechniek voor meerdere vergelijkingen uit, zoals een False Discovery Rate met een q-waarde van 0,01, om de duizenden gelijktijdige statistische tests die zijn uitgevoerd, onder controle te houden. Deze waarde zal de snelheid van valse positieven boven een drempel van 1% schatten.
Hier onthulde de VBM-analyse significante bilaterale toenames in grijze stof dichtheid in de superieure temporale kwab van de hersenen van de muzikanten vergeleken met
De VBM-analyse onthulde significant gelokaliseerde toenames in grijze stof dichtheid in de hersenen van musici in vergelijking met niet-muzikale controles. Deze verschillen werden gevonden in de superieure temporale lobben aan beide kanten. De grootste, meest significante cluster bevond zich aan de rechterkant en omvat de achterste porties van Heschl's gyrus (Figuur 2). Heschl's gyrus is de locatie van de primaire auditieve cortex, en de omringende cortexsen zijn betrokke...
De VBM-techniek heeft het potentieel om gelokaliseerde verschillen in grijze stof tussen groepen mensen aan te tonen, of in verband met een meting die varieert binnen een groep mensen. Naast het vinden van structurele verschillen die verband houden met verschillende vormen van training, kan deze techniek anatomische verschillen onthullen die geassocieerd zijn met een breed scala aan neuropsychologische aandoeningen zoals depressie,5 dyslexie,6 of schizofrenie.7
Chapters in this video
0:00
Overview
1:19
Experimental Design
3:04
Running the Experiment
4:08
Data Analysis and Results
6:53
Applications
8:44
Summary
Videos from this collection: