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

Het overkoepelende doel van het volgende experiment is om de hersenstructuur en -functie gelijktijdig te analyseren met behulp van magnetische resonantiebeeldvorming. Dit wordt bereikt door gebruik te maken van hoogveld-MRI om de structuur van de witte stof in de hersenen in beeld te brengen met diffusiespectrumbeeldvorming (DSI) en om de hersenfunctie te meten met BOLD fMRI. De DSI-gegevens worden vervolgens verwerkt om multidirectionele diffusieschattingen te genereren voor elk punt in de hersenen.

Daarnaast worden de fMRI-gegevens geanalyseerd om gebieden van belang (regions of interest) te produceren voor het genereren of selecteren van virtuele witte stofvezels. Vervolgens worden de gebieden van belang uitgelijnd met de DSI-gegevens, zodat de functionele en structurele gegevens zich in een gemeenschappelijke beeldruimte bevinden. Ten slotte wordt tractografie uitgevoerd op diffusiegegevens om de banen van witte stof te schatten die functionele gebieden van belang met elkaar verbinden. De verkregen resultaten tonen de mate van anatomische connectiviteit tussen hersengebieden waarvan wordt verondersteld dat ze functioneel verbonden zijn.

Gebaseerd op fMRI-taakgegevens. Recente convergerende bewijzen suggereren dat complexe cognitieve operaties worden uitgevoerd door netwerken van vele hersengebieden die in samenhang werken, in plaats van door één enkel unitair gebied. Om deze computationele systemen volledig te specificeren, is het noodzakelijk om de relatie tussen hun functionele en structurele eigenschappen te begrijpen door functionele MRI te combineren.

Met diffusie-gewogen MR-beeldvorming kan men de netwerkconnectiviteit onderzoeken en hoe dit leidt tot complex menselijk gedrag. Het belangrijkste voordeel van deze diffusie-MRI-pipeline ten opzichte van standaardmethoden, zoals diffusietensorbeeldvorming, is dat de combinatie van diffusie-gewogen beeldvorming met een hoge hoekresolutie en modelvrije reconstructie ons in staat stelt om complexe vezelconfiguraties in de hersenen beter in kaart te brengen. De implicaties van deze techniek strekken zich uit tot de karakterisering van neuropsychologische aandoeningen.

Neem bijvoorbeeld aangeboren prosopagnosie, waarbij personen een beperking vertonen in gezichtsherkenning. Met behulp van standaard diffusie-MRI is aangetoond dat witte stof-vezelbanen nabij gebieden voor gezichtsverwerking zijn gedegradeerd in vergelijking met normale controles. Door structurele en functionele MRI te combineren, kunnen structurele tekortkomingen in de vezels worden geïdentificeerd, specifiek bij de verbindende knooppunten in het netwerk voor gezichtsverwerking.

Deze methode kan ook worden toegepast in een klinische context, zoals bij neurochirurgische planning. Chirurgen maken gebruik van functionele mapping om grijze stof te identificeren die geassocieerd is met belangrijke cognitieve functies, om zo eventuele incidentele schade tijdens de operatie te minimaliseren. Met aanvullende structurele informatie, zoals diffusiegewogen beeldvorming, kunnen zij ook de schade aan kritieke witte stofstructuren die deze functionele gebieden verbinden, minimaliseren.

Over het algemeen zullen personen die nieuw zijn met deze methode moeite hebben met het feit dat er geen enkel softwarepakket bestaat om alle noodzakelijke stappen van de procedure uit te voeren. Gebruikers moeten daarom schakelen tussen meerdere programma's, terwijl ze een gemeenschappelijk afbeeldingsformaat handhaven met een consistente oriëntatie en uitlijning. Ons protocol bevat gedetailleerde instructies om gebruikers door deze procedure te leiden.

Analyses van dit type, waarbij structuur en functie in combinatie worden bekeken, zijn een natuurlijke uitbreiding van functionele beeldexperimenten die hersengebieden in kaart hebben gebracht. Bij relevante taken waren de meeste eerdere benaderingen niet in staat om informatie over structurele connectiviteit te verschaffen, en dat is precies wat we in dit protocol toevoegen aan onze aanpak. Er wordt een Siemens drie Tesla-scanner gebruikt om een 257-richting diffusiespectrum-imaging of DSI-scan uit te voeren met een 32-kanaals phased array hoofdspoel; de hoge veldsterkte en de 32-kanaals spoel zijn noodzakelijk om het signaal te bereiken voor deze scan met hoge hoekresolutie.

De meest gebruikte methode voor diffusieweging-beeldvorming is diffusietensorbeeldvorming of DTI, met een scan van vijf tot 10 minuten waarbij doorgaans 64 of minder richtingen worden gemeten. Een beperking van DTI is de moeilijkheid om kruisende en elkaar rakende vezels te onderscheiden; deze worden beter gedetecteerd met een combinatie van acquisitie met een hoge resolutie en reconstructiemethoden zoals DSI. Let op dat het DSI-protocol ongeveer 45 tot 50 minuten aan beeldvorming vereist en dat bewegingscorrectie niet kan worden toegepast op DSI-gegevens. Daarom is het raadzaam om beweging te minimaliseren door het gebruik van beetblokken, schuimrubberen kussens of andere stabilisatietechnieken, en om hooggetrainde deelnemers in te zetten. Voor taakgebaseerde fMRI is aanvullende apparatuur vereist, zoals een MR-compatibel beeldscherm en een knoppenresponssysteem.

Verkrijg vóór het scannen geïnformeerde toestemming en screen op MR-contra-indicaties. Instrueer de deelnemer vervolgens over de aard van de uit te voeren scans, waarbij de nadruk moet liggen op de noodzaak om tijdens de DSI-scan stil te blijven liggen. Zodra de deelnemer klaar is om te beginnen, wordt het hoofd van de deelnemer comfortabel gestabiliseerd, waarna het bed in de scanner wordt geschoven om de initiële scout-scans en kalibratie uit te voeren.

Lijn vervolgens de coupes voor de DSI-scan uit op de commissura anterior en posterior en zorg ervoor dat de coupes voor de DSI-scan de gehele hersenrun bestrijken. Voer de DSI-scan uit terwijl het subject ontspant in de scanner of een film bekijkt op het presentatiesysteem. Verzamel na de DSI-scan een T1-gewogen anatomische scan voor later gebruik bij de coregistratie van de DSI-gegevens met andere anatomische of functionele gegevens in dezelfde of een aparte scansessie.

Verwrijf daarnaast taakgebaseerde fMRI-gegevens voor functionele scanning van gedragstaken. Instrueer de proefpersonen om het scherm te monitoren op taakrelevante stimuli en om indien vereist te reageren. Als de fMRI op een andere dag wordt uitgevoerd, dient er een nieuwe T1-gewogen anatomische scan te worden gemaakt.

Deze verwerkingsmethode maakt gebruik van oppervlaktegebaseerde analyse van fMRI-gegevens om ROI's voor tractografie te genereren en maakt een betere visualisatie mogelijk van de overeenkomsten tussen de eindpunten van de tractografie en functionele ROI's. Om de verwerking te starten, dient eerst de verkregen T1-gewogen afbeelding te worden ingevoerd in het geautomatiseerde algoritme van FreeSurfer, dat anatomische segmentatie van grijze en witte stof en reconstructie van het cortico-oppervlak uitvoert. De output bevat ook een verwerkte versie van het anatomische volume waarvan de oppervlakken zijn gemaakt, aangeduid als het oppervlaktevolume.

Pre-process vervolgens de fMRI-data in een acne. Importeer daarna de output van FreeSurfer in de summa a acne-software en map de gepreprocesste functionele data op de resulterende oppervlakken. Analyseer de fMRI-data om statistische kaarten te genereren, waaruit functioneel gedefinieerde ROI's voor T-tractografie kunnen worden gemaakt.

Breid deze op het oppervlak gebaseerde functionele ROI's vervolgens uit naar de witte stof door middel van dilatatie om het contact met stroomlijnen tijdens tractografie te maximaliseren. Transformeer tot slot de gedilateerde ROI's van oppervlakte- naar volumecoördinaten en exporteer deze als NifTI-bestanden om de diffusiegegevens te verwerken. Identificeer eerst welke DICOM-beelden in de dataset andere B0- of baseline-beelden zijn en converteer deze naar het NifTI-formaat.

Open vervolgens in DSI studio de DSI DICOM-beelden en combineer deze om een bronbestand te maken en voeg een gradiënttabel toe. Pas daarna het standaardreconstructiemasker toe op het baseline-beeld en zorg ervoor dat dit alle grijze stof omvat zonder lege ruimte, de schedel of niet-hersenweefsel in te sluiten. Pas het masker indien nodig aan.

Kies hier een reconstructiemodel met een hoge resolutie met behulp van A-D-S-I-G-Q-I of GQI-variantie. De GQI-optie wordt gebruikt. Maak vervolgens een vezelinformatiebestand aan om de belangrijkste diffusierichtingen in elk voxel weer te geven.

Vervolgens moeten de functionele ROI's worden getransformeerd naar de DSI-ruimte. Gebruik apni om de DSIB-nulafbeelding uit te lijnen met het anatomische oppervlaktevolume in nifty-formaat. Inverteer de resulterende 12-punts ALINE-transformatiematrix met behulp van het a acne-programma cat mat.

Pas vervolgens de geïnverteerde matrix toe op functionele ROI's om deze naar de DSI-ruimte te transformeren. Het volgen van vezels met een whole-brain seed is een snelle en effectieve manier om de algemene datakwaliteit te beoordelen. Het biedt daarnaast de mogelijkheid om waarden voor globale parameters te bepalen, zoals de tracking-drempelwaarde; begin hiermee door een whole-brain seed-regio te creëren.

Stel vervolgens een initiële drempelwaarde voor het tracking-filter in om voxels met een laag signaal te maskeren, samen met de hoekdrempelwaarde. Stel daarnaast de stapgrootte van de tracking in millimeters in en het gewenste aantal vezels of startpunten. Voer nu een tractografie van de gehele hersenen uit om de algehele kwaliteit van de ODF-reconstructie te controleren.

Bepaal vervolgens een optimale tracking-drempelwaarde door iteratief whole brain tracking uit te voeren en de tracking-drempelwaarde aan te passen. Vind een drempelwaarde die het aandeel vezels dat de grijze stof bereikt maximaliseert door de overlap tussen whole brain tractography en een grijze stof-masker te visualiseren in track; ruisachtige vezels worden geminimaliseerd wanneer 90 tot 100% van de vezels de grijze stof bereikt. Controleer daarnaast of de tracking-drempelwaarde voxels en lege ruimte maskeert. Controleer bijvoorbeeld of de longitudinale fissuur wordt gemaskeerd zonder voxels te verwijderen die duidelijk in de witte stof liggen; doe dit als controle in track met een set controlevezels vanuit een anatomische ROI bij de occipitale pool met een groot aantal seeds, bijvoorbeeld 500 000.

Controleer of deze procedure nu, nadat de optimale tractografieparameters zijn gekozen, ongeveer hetzelfde aantal vezels produceert over de verschillende datasets. Voer vervolgens ROI-beperkte T-tractografie uit om hypothesen te testen over de connectiviteit tussen functioneel gedefinieerde hersengebieden. Begin met het laden van het fib-bestand en maak een seed-regio van de gehele hersenen aan in DSI Studio. Laad vervolgens één of meer nifty-bestanden van functioneel gedefinieerde regio's van interesse en stel deze in als ROI's in de regio-instellingen van DSI Studio.

ROIs vereisen dat streamlines erdoorheen lopen; stel de tracking en de hoekdrempel in met behulp van eerder geoptimaliseerde parameters en voer de tracking uit. Sla ten slotte de output van de tractografie op als TRK-bestanden. Voer vervolgens een endpoint-densiteitsanalyse uit, waarmee structurele connectiviteitscorrespondenties met precieze ruimtelijke locaties van taakgerelateerde functionele activatie kunnen worden gemeten.

Laad ter beginne de NIfTI ROI's en TRK-bestanden in de TrackVis-software, voer booleaanse bewerkingen uit tussen regio's en sla de resultaten van elke bewerking op als een nieuw TRK-bestand. Gebruik de functies van de Diffusion Toolkit om TRK-bestanden ruimtelijk te transformeren van DSI-ruimte naar surface volume-ruimte, zodat vezelgegevens over een anatomische onderlaag met hoge resolutie kunnen worden bekeken. Laad het getransformeerde TRK-bestand en het surface volume in TrackVis om de resultaten te inspecteren als een maat voor connectiviteit. Bereken het totale aantal vezeleindpunten in een ROI, genormaliseerd naar het ROI-volume.

Hier zien we een illustratie van optimale en suboptimale resultaten met behulp van whole brain tractography. Alle drie de afbeeldingen zijn gebaseerd op dezelfde DWI-dataset met 257 richtingen van één deelnemer. De optimale resultaten worden hier getoond.

In tegenstelling hiermee tonen de hier getoonde resultaten het effect van overmatig ruimhartige t-tractografieparameters. Hier zien we de afname in kwaliteit die voortvloeit uit het gebruik van een enkel tensor-model om de DWI-gegevens te reconstrueren. In deze figuur zien we een voorbeeld van regio's die geactiveerd werden tijdens een gezichtsperceptietaak waarbij afbeeldingen van gezichten en alledaagse objecten werden bekeken.

Tijdens de fMRI-scan vertoonden twee ventrale temporale regio's in het midden, de gyrus fusiformis en de gyrus occipitalis inferior, significant sterkere BOLD-responsen voor gezichten dan voor objecten. De hier weergegeven figuur toont de verbindingen tussen de visuele cortex, sensorische regio's en een regio voor aandachtcontrole in de posterieure pariëtale cortex. Dit paneel toont de bijbenaderde locaties van de seed-regio's V1, V2 en V3, respectievelijk in rood, groen en blauw.

De PPC-seedregio aangeduid als IPS 1 en de vezelbanen die deze regio's verbinden; de banen zijn gekleurd naar de occipitale ROI waarvan ze afkomstig waren. Paneel B toont de functioneel gedefinieerde regio's in de IPS in bruin, V1 in rood, V2 in groen en V3 in blauw op het corticale oppervlak, samen met de vezeleindpunten in elke regio. Zodra de methode beheerst is, kan de gegevensverwerving voor één deelnemer in 30 tot 90 minuten worden voltooid.

De geautomatiseerde anatomische oppervlaktereconstructie duurt doorgaans 16 uur, terwijl diffusiegewogen gegevens in minder dan een uur kunnen worden verwerkt. De tijd voor het verwerken en analyseren van FMRI-gegevens varieert afhankelijk van de gedragstaak en de experimentele procedures. De tijdseisen voor tractografie variëren eveneens van minuten tot uren, afhankelijk van de trackingparameters en de beperkingen van de regio van interesse.

Bij het uitvoeren van deze procedure is het belangrijk om te onthouden dat tractografie-resultaten vatbaar kunnen zijn voor zowel fout-positieven als fout-negatieven. Evalueer uw resultaten voor vezeltracking altijd in de context van eerdere neuroanatomische bevindingen, of maak na deze procedure gebruik van convergerende methodologieën, zoals functionele connectiviteitsanalyse. Andere methoden, zoals patroonclassificatie van vezellocaties, gedetailleerde ruimtelijke analyse van eindpuntverdelingen en longitudinale scanning van de integriteit van de witte stof, kunnen worden uitgevoerd om de relatie met de hersenstructuur en -functie verder te onderzoeken.

Deze techniek heeft de weg vrijgemaakt voor onderzoekers in het veld van de cognitieve neurowetenschappen om structuur-functie-relaties non-invasief te onderzoeken bij gezonde mensen en klinische populaties. Structurele connectiviteit tussen hersengebieden kan dienen om hypothesen te beperken over de informatiestroom via hersennetwerken die complex menselijk gedrag aansturen. Na het bekijken van deze video zou u de belangrijkste stappen moeten begrijpen bij het reconstrueren van diffusiegewogen beelddata en het uitvoeren van vezeltractografie.

U dient tevens het belang te begrijpen van het uitvoeren van kwaliteitscontroles en iteratieve parametertests om uw resultaten van de vezeltracking te optimaliseren. Ten slotte zou u na het bekijken van deze video een beter inzicht moeten hebben in hoe anatomische connectiviteit kan worden gerelateerd aan functionele eigenschappen van hersennetwerken.