Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego

26.3K wyświetleń

⸱

DOI:

10.3791/4125

⸱

8 listopada 2012

 ,  ,  ,  ,  ,  , 
1Center for the Neural Basis of Cognition, 2Department of Psychology, University of Pittsburgh, 3Department of Psychology, Carnegie Mellon University , 4Department of Bioengineering, University of Pittsburgh

W tym artykule

Podsumowanie

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Strukturę mózgu oceniamy za pomocą wysokorozdzielczego obrazowania dyfuzyjnego oraz traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego MRI, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z właściwościami funkcjonalnymi sieci mózgowych.

Streszczenie

Badania nad złożonymi systemami obliczeniowymi są ułatwione dzięki mapom sieciowym, takim jak schematy obwodów. Takie mapowanie jest szczególnie informacyjne podczas badania mózgu, ponieważ funkcjonalna rola, jaką pełni dany obszar mózgu, może być w dużej mierze zdefiniowana przez jego połączenia z innymi obszarami mózgu. W niniejszym raporcie opisujemy nowatorskie, nieinwazyjne podejście do powiązania struktury i funkcji mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Podejście to, stanowiące kombinację obrazowania strukturalnego długodystansowych połączeń włókien oraz danych obrazowania funkcjonalnego, zostało zilustrowane w dwóch odrębnych domenach poznawczych: uwadze wzrokowej oraz percepcji twarzy. Obrazowanie strukturalne wykonuje się za pomocą obrazowania tensora dyfuzji (DWI) i traktografii włókien, które śledzą dyfuzję cząsteczek wody wzdłuż traktów włókien istoty białej w mózgu (Rysunek 1). Poprzez wizualizację tych traktów włókien jesteśmy w stanie badać długodystansową architekturę połączeń mózgu. Wyniki wypadają korzystnie w porównaniu z jedną z najszerzej stosowanych technik DWI, czyli obrazowaniem tensora dyfuzji (DTI). DTI nie jest w stanie rozdzielić złożonych konfiguracji traktów włókien, co ogranicza jego użyteczność w konstruowaniu szczegółowych, opartych na anatomii modeli funkcji mózgu. W przeciwieństwie do niej, nasze analizy odtwarzają znaną neuroanatomię z precyzją i dokładnością. Przewaga ta wynika częściowo z procedur akwizycji danych: podczas gdy wiele protokołów DTI mierzy dyfuzję w niewielkiej liczbie kierunków (np. 6 lub 12), my stosujemy protokół obrazowania widma dyfuzji (DSI)1, 2, który ocenia dyfuzję w 257 kierunkach i przy różnych wartościach gradientów magnetycznych. Co więcej, dane DSI pozwalają na zastosowanie bardziej zaawansowanych metod rekonstrukcji pozyskanych danych. W dwóch eksperymentach (uwaga wzrokowa i percepcja twarzy) traktografia wykazuje, że współaktywne obszary ludzkiego mózgu są połączone anatomicznie, co wspiera istniejące hipotezy, według których tworzą one sieci funkcjonalne. DWI pozwala nam stworzyć „schemat obwodów” i odtworzyć go dla każdego badanego z osobna w celu monitorowania aktywności mózgu związanej z zadaniem w wybranych sieciach.

Protokół

1. Sprzęt do akwizycji danych MR

Ryciny 2 i 3 podsumowują szereg wyborów, których należy dokonać podczas akwizycji danych dMRI, rekonstrukcji danych oraz śledzenia włókien. Należy pamiętać, że wybory te zazwyczaj wiążą się z kompromisami, a optymalne rozwiązanie może zależeć od celów badawczych. Na przykład DSI i wielopowłokowe HARDI (patrz Rycina 2) zazwyczaj wykorzystują wyższe „wartości b” (t.j. silniejsze ważenie dyfuzyjne) niż DTI. W rezultacie metody te oferują lepszą rozdzielczość kątową, która jest niezbędna do rozróżnienia włókien przecinających się lub „stykających” (t.j. włókien, które wyginają się ku sobie, stykając się w jednym punkcie stycznym, a następnie ponownie rozchodząc). Jednakże ten wzrost rozdzielczości kątowej często odbywa się kosztem niższego stosunku sygnału do szumu (SNR) w danych EPI (Rycina 3). Badacze powinni rozważyć istotność tego kompromisu w odniesieniu do swoich konkretnych celów: jeśli badanie koncentruje się na kilku głównych wiązkach włókien, których przebieg nie przecina się ani nie biegnie równolegle do innych wiązek, idealnym rozwiązaniem może być skan DTI o niskiej liczbie kierunków i wysokim SNR. Przykładem takiego przypadku może być obrazowanie pęczka podłużnego dolnego. Z kolei utrata SNR może być akceptowalną konsekwencją, jeśli badacz chce śledzić wiązkę przechodzącą przez złożone skrzyżowania.

Podobny kompromis wiąże się z korekcją ruchów głowy, prądów wirowych oraz nieliniowych zniekształceń obrazu. Protokoły DWI wykorzystują obrazowanie echo-planarne (EPI; patrz Tabela 1), które jest podatne na niejednorodności pola magnetycznego spowodowane pęcherzykami powietrza w zatokach, szumem fizjologicznym i innymi czynnikami3. Niejednorodności te prowadzą do niepożądanych zniekształceń obrazu, szczególnie w dolnym płacie skroniowym i korze oczodołowo-czołowej, co obniża ważność i niezawodność wyników śledzenia włókien w tych obszarach. Dodatkowe zniekształcenia są powodowane przez prądy wirowe, będące wynikiem szybkiego przełączania gradientów MR4. Ruchy głowy uczestników to kolejny czynnik obniżający jakość obrazu, który może negatywnie wpływać na traktografię. Obecne metody pozwalają na korekcję zarówno ruchów głowy, jak i zniekształceń obrazu w danych o niskiej wartości b, takich jak DTI; jednak metody te nie zostały rozszerzone na techniki o wyższej rozdzielczości, takie jak DSI. Trudność w stosowaniu metod korekcji obrazu do danych DSI wynika z niskiego SNR opisanego powyżej (Rysunek 3). W przypadku śledzenia włókien w obszarach mózgu podatnych na zniekształcenia EPI, najlepszym rozwiązaniem może być zastosowanie DTI o niskiej kierunkowości lub innej techniki, w której możliwe jest skorygowanie zniekształceń obrazu. Z drugiej strony, jeśli wymagana jest wysoka rozdzielczość kątowa w całym mózgu, badacze mogą zdecydować się na użycie DSI, HARDI lub podobnych technik. Tuch (2004)5 sugeruje, aby badacze przeplatać obrazy T2 bez ważenia dyfuzyjnego podczas skanowania DSI, co dostarcza punktów odniesienia do korekcji ruchu (na przykład patrz ref. 6). W każdym przypadku badacze powinni być świadomi niekorzystnego wpływu ruchów głowy podczas akwizycji: zaleca się angażowanie wysoko przeszkolonych uczestników oraz minimalizowanie ruchów poprzez stosowanie rynien zgryzowych, osłon nosa, podkładek lub innych zabezpieczeń.

Przedstawione tutaj wyniki uzyskano z zastosowaniem protokołu obrazowania widma dyfuzji (DSI) z 257 kierunkami, przy wartościach b od 300 do 7 000 (parametry przedstawiono w Tabeli 1). Sekwencja obrazowania widma dyfuzji (DSI) wymaga nowoczesnego sprzętu do skanowania MR z określonymi funkcjami niezbędnymi do gromadzenia tych wysokorozdzielczych danych dyfuzyjnych. Zauważamy, że wymagania czasowe tej sekwencji są znaczne: około 43 minut na skanerze Siemens Tim Trio. Po rozległych testach empirycznych uważamy, że jakość tych danych uzasadnia czas trwania i koszt skanowania; jednak przy wyborze protokołu akwizycji użytkownicy powinny starannie rozważyć swoje cele badawcze w odniesieniu do możliwości i komfortu uczestników. Odnotowujemy również, że wysokiej jakości dane DSI zostały zebrane w czasie zaledwie 10 minut przy użyciu zaawansowanych technik akwizycji7.

  1. Skaner MR o natężeniu pola 3 Tesli: 3T jest niezbędne do uzyskania sygnału wymaganego dla skanowania DSI o wysokiej rozdzielczości kątowej.
  2. 32-kanałowa cewka głowowa typu phased-array: Do zbierania danych DSI niezbędna jest cewka głowowa o wysokiej czułości i doskonałym stosunku sygnału do szumu. Cewki 8- i 12-kanałowe zapewniają słabszy sygnał na powierzchni mózgu; w konsekwencji cewki te mogą wymagać wydłużenia czasu skanowania, aby umożliwić dokładne mapowanie pól projekcyjnych.
  3. Stabilizacja głowy: Ze względu na długi czas trwania sekwencji skanowania DSI oraz fakt, że do danych DSI nie można zastosować korekcji ruchu, niezbędna jest doskonała stabilizacja głowy w celu ograniczenia ruchów badanego. Do stabilizacji głowy osób badanych zaleca się stosowanie środków kontroli ruchu, od wypełnień i taśm, po listwy zgryzowe, worki próżniowe lub maski termoplastyczne. Przesunięcie translacyjne powyżej 2 mm lub ruch rotacyjny powyżej 2° w dowolnym kierunku jest nadmierne i może być uznane za podstawę do wykluczenia danych.
  4. Sprzęt do prezentacji fMRI: W przypadku analiz z wykorzystaniem obszarów funkcjonalnych (seeds) wymagany jest dodatkowy sprzęt do skanowania fMRI. W zależności od rodzaju lokalizowanych obszarów, zestaw ten zazwyczaj obejmuje wyświetlacz kompatybilny z MR (taki jak system projekcyjny lub ekran LCD kompatybilny z MR), system przycisków odpowiedzi, system audio oraz komputer do prezentacji eksperymentu zsynchronizowany z akwizycją skanera.

2. Procedura skanowania

  1. Poinformuj uczestników o charakterze wykonywanych skanów i uzyskaj świadomą zgodę. Podkreśl konieczność zminimalizowania ruchów głową (zwłaszcza podczas długiego skanu DSI). Zaoferuj uczestnikom możliwość obejrzenia filmu lub innego materiału wideo w celach rozrywkowych podczas skanu DSI. W przypadku funkcjonalnego obrazowania zadań behawioralnych, poleć badanym monitorowanie ekranu w poszukiwaniu bodźców związanych z zadaniem i odpowiadanie zgodnie z instrukcjami.
  2. Po przesiewowym badaniu pod kątem przeciwwskazań do MR, stabilnie i komfortowo unieruchom głowę uczestnika, stosując jedną z opisanych powyżej metod, a następnie wsuń stół pacjenta do skanera.
  3. Wykonaj wstępne skany lokalizacyjne i kalibrację.
  4. Ustaw planowanie warstw dla skanu DSI równolegle do linii wyobrażonej łączącej przednią i tylną komisurę. Upewnij się, że warstwy skanu DSI obejmują cały mózg.
  5. Przeprowadź skan DSI, podczas gdy badany odpoczywa w skanerze lub ogląda materiały rozrywkowe w systemie prezentacji.
  6. Bezpośrednio po zakończeniu skanu DSI wykonaj anatomiczny skan T1-zależny (np. MPRAGE), aby w późniejszym czasie wykorzystać go do korejestracji (tj. dopasowania) danych DSI z innymi danymi anatomicznymi lub funkcjonalnymi.
  7. Opcjonalnie, w tej samej sesji zbierz dane fMRI, stosując standardowe sekwencje impulsów EPI.
  8. W razie potrzeby przeprowadź skanowanie fMRI w osobnej sesji. W obu sesjach wykonaj skan MPRAGE, aby ułatwić korejestrację zestawów danych.

3. Przetwarzanie anatomicznego obrazowania MRI

Do analizy powierzchniowej danych fMRI oraz automatycznej segmentacji za pomocą oprogramowania FreeSurfer, zgodnie z poniższym opisem, wymagany jest obraz anatomiczny T1-zależny o wysokiej rozdzielczości z doskonałym kontrastem między istotą białą a szarą. Obraz ten stanowi wspólną przestrzeń odniesienia dla analizy danych z obrazowania funkcjonalnego i dyfuzyjnego. W większości nowoczesnych skanerów MRI obraz ten będzie określany jako obraz MPRAGE (Magnetization Prepared RApid Gradient Echo). Większość nowoczesnych sekwencji MPRAGE pozwala na uzyskanie danych o wystarczającej jakości w ramach jednego skanu (parametry w Tabeli 1). W razie potrzeby można uśrednić dwa lub więcej skanów, aby poprawić kontrast między istotą szarą a białą na potrzeby segmentacji. Poniżej wyjaśniamy, w jaki sposób dane DWI i fMRI, które zazwyczaj są zbierane z różnymi rozmiarami wokseli i różnymi punktami początkowymi, mogą zostać automatycznie wyrównane i przepróbkowane w celu jednoczesnego wyświetlania wraz z obrazem MPRAGE.

Szczegółowe opisy strumienia przetwarzania anatomicznych obrazów MRI w programie FreeSurfer można znaleźć w wiki FreeSurfer (http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki); wyniki z FreeSurfer obejmują wiele reprezentacji powierzchni kory mózgowej, a także parcellację anatomicznych cech kory i segmentację struktur podkorowych. Zalecamy uruchomienie skryptu AFNI/SUMA @SUMA_Make_Spec_FS na wynikach z FreeSurfer, który konwertuje te dane do formatów plików możliwych do łatwego przetwarzania przy użyciu narzędzi z pakietów AFNI/SUMA, FSL, SPM oraz innych programów do neuroobrazowania. Na przykład korejestrację obrazów można przeprowadzić za pomocą jednego z kilku programów, takich jak 3dAllineate (AFNI/SUMA), FLIRT (FSL), bbregister (FreeSurfer) lub funkcji Coregister w SPM.

  1. Przeprowadź segmentację anatomiczną i rekonstrukcję powierzchni kory, przekazując obraz anatomiczny ważony T1 do zautomatyzowanego algorytmu FreeSurfer (recon-all).
  2. Zaimportuj wyniki przetwarzania FreeSurfer do SUMA, używając skryptu @SUMA_Make_Spec_FS. Krok ten tworzy wersje wszystkich wolumenów z wyjścia FreeSurfer w formacie NIFTI, w tym wersję obrazu anatomicznego wejściowego z normalizacją intensywności i usuniętą czaszką. Zgodnie z terminologią AFNI/SUMA, ten przetworzony obraz anatomiczny nazywamy Wolumenem Powierzchniowym (Surface Volume); wersja NIFTI tego obrazu utworzona przez @SUMA_Make_Spec_FS nazywa się brain.nii.
  3. Wyrównaj obraz DSI B0 do otrzymanego Wolumenu Powierzchniowego (użyj wersji tego obrazu w formacie NIFTI o nazwie brain.nii, znajdującej się w katalogu SUMA).
  4. Zapisz 12-punktową macierz transformacji afinicznej do wykorzystania w kolejnych korejestracjach.

4. Przetwarzanie obrazowania fMRI (funkcjonalnego rezonansu magnetycznego)

Analiza fMRI może służyć do definiowania obszarów zainteresowania (ROI) w celu generowania lub selekcji włókien post-hoc. Można wykorzystać dowolne sekwencje impulsów obrazowania echo-planarnego (EPI) z parametrami zoptymalizowanymi pod kątem konkretnych eksperymentów fMRI. Podobnie istnieje wiele pakietów oprogramowania do przetwarzania i analizy fMRI, takich jak AFNI/SUMA (NIMH, NIH) 8, 9, BrainVoyager (Brain Innovation) 10, FSL (FMRIB, Oxford University) 11, 12 oraz SPM (Wellcome Trust Center for Neuroimaging, University College London) 13. Sekcja „przetwarzanie i analiza fMRI” na Rysunku 4 przedstawia ścieżkę analizy opartą na pakiecie oprogramowania AFNI/SUMA. Po bardziej szczegółowe instrukcje dotyczące użytkowania odsyłamy czytelników do znakomitych samouczków i innych materiałów edukacyjnych dostępnych na stronie internetowej AFNI/SUMA (http://afni.nimh.nih.gov).

Ostateczny cel analizy fMRI w śledzeniu włókien różni się od standardowych analiz lokalizacji funkcjonalnej, w których nacisk często kładzie się na znalezienie miejsca maksymalnej aktywacji. Prawidłowa procedura statystyczna wymaga od badaczy wcześniejszego określenia poziomów alfa dla kontrastów statystycznych; badacze powinni jednak wziąć pod uwagę fakt, że wybór progów statystycznych wpłynie na zasięg przestrzenny aktywacji funkcjonalnej, a tym samym na zasięg pól zakończeń włókien.

  1. Koryguj ruchy głowy badanego w danych fMRI każdej osoby, używając obrazu średniego z pierwszego przebiegu skanera jako obrazu referencyjnego.
  2. Opcjonalnie przeprowadź korekcję czasu akwizycji warstw, szczególnie w przypadku zastosowania szybkiego projektu zadań zorientowanych na zdarzenia.
  3. Koryguj różnice w linii bazowej sygnału między przebiegami poprzez normalizację szeregów czasowych dla każdego woksela w obrębie każdego przebiegu.
    1. Wyraź szereg czasowy każdego woksela jako procentową zmianę względem średniej tego woksela w czasie dla danego przebiegu, korzystając z programu takiego jak 3dcalc (AFNI/SUMA) lub fslmaths (FSL).
    2. Alternatywnie, przeprowadź transformację z dla szeregu czasowego każdego woksela w każdym przebiegu, w oparciu o średnią sygnału i odchylenie standardowe w czasie.
  4. Współrejestruj każdy przetworzony przebieg EPI do zbioru danych Surface Volume (brain.nii) wygenerowanego przez FreeSurfer (patrz wyżej).
  5. Połącz wszystkie przebiegi EPI w czasie dla danej osoby.
  6. Mapuj każdy przebieg EPI na powierzchnię za pomocą 3dVol2Surf (AFNI/SUMA), tworząc zbiór danych powierzchniowych NIML dla każdego przebiegu.
    1. Użyj wygładzonych powierzchni istoty białej i pialnej jako powierzchni referencyjnych dla mapowania; można je uznawać odpowiednio za reprezentację granicy istoty szarej i białej oraz powierzchni kory.
    2. Oblicz średnią sygnału w odległości między tymi dwiema powierzchniami.
  7. Opcjonalnie wygładź dane EPI na powierzchni korowej za pomocą SurfSmooth (AFNI/SUMA).
  8. Stwórz oddzielne regresory dla przedziałów czasowych odpowiadających każdemu z warunków eksperymentalnych przedstawionych badanemu.
  9. Przekaż te regresory (wraz z regresorami nieistotnymi) do analizy ogólnego modelu liniowego (GLM) danych funkcjonalnych.
  10. Przeprowadź kontrast wag beta dla różnych regresorów, aby stworzyć „mapę funkcjonalną” wartości statystycznych na całej powierzchni.
  11. Opcjonalnie wprowadź wartości wag beta dla wielu uczestników do analizy wariancji (ANOVA) na poziomie grupy, jeśli zastosowano projekty factorialne.
  12. Wyprowadź przeprogowane mapy funkcjonalne, aby zobrazować statystycznie istotne efekty, stosując korektę błędu rodzinnego (teoria gaussowskich pól losowych) 14 lub stopnia fałszywych odkryć (FDR) 15, 16 w celu korekty wielokrotnych porównań.
  13. Stwórz obszary zainteresowania (ROI), które zostaną później wykorzystane do inicjacji traktografii, z sąsiadujących obszarów istotnej aktywacji funkcjonalnej na powierzchni poprzez etykietowanie każdego oddzielnego obszaru.
    1. Automatycznie segmentuj i etykietuj ROI za pomocą algorytmu klastrowania przestrzennego, takiego jak SurfClust (AFNI/SUMA).
    2. Alternatywnie, narysuj ROI ręcznie, korzystając z funkcji Draw ROI w programie SUMA.
  14. Rozszerz ROI do istoty białej za pomocą 3dSurf2Vol (AFNI/SUMA), aby zmaksymalizować kontakt z liniami przepływu podczas traktografii.
    1. Podobnie jak w kroku 6, użyj wygładzonych powierzchni istoty białej i pialnej do mapowania.
    2. Ustaw f_p1_fr = -0.5, aby rozszerzyć ROI poniżej granicy istoty szarej i białej o 50% grubości istoty szarej w każdym węźle powierzchni.
    3. Ustaw f_pn_fr=1, aby rozszerzyć ROI w kierunku przeciwnym do powierzchni pialnej.
  15. Użyj programu AFNI cat_matvec, aby znaleźć odwrotność 12-punktowej macierzy transformacji afinicznej wygenerowanej podczas dopasowania obrazu B0 do Surface Volume (brain.nii).
  16. Zastosuj niiApply dla odwróconej macierzy do funkcjonalnych ROI, aby dopasować je do danych DSI.

5. Przetwarzanie danych obrazowania ważonego dyfuzją

Obrazowanie tensora dyfuzji (diffusion-weighted imaging) to ogólne określenie technik obrazowania białej istoty, obejmujące wiele różnych kombinacji metod akwizycji i rekonstrukcji danych. Być może najczęściej stosowana metoda, określana jako obrazowanie tensora dyfuzji (DTI) 17, 18, opiera się na 5-10 minutowej akwizycji danych, mierząc dyfuzję w 6 lub 12 kierunkach. Na podstawie tych danych wzorce dyfuzji są zazwyczaj modelowane za pomocą prostego modelu tensorowego, który najlepiej nadaje się do wykrywania jednego dominującego kierunku dyfuzji. Ograniczenie to sprawia, że DTI nie sprawdza się w obrazowaniu włókien, które przecinają się wzajemnie lub stykają w jednym punkcie. Włókna przecinające się i stykające są lepiej wykrywane za pomocą kombinacji wysokorozdzielczej akwizycji i metod rekonstrukcji, takich jak obrazowanie dyfuzji o wysokiej rozdzielczości kątowej (HARDI) 19-21, obrazowanie widma dyfuzji (DSI) 1, 2 oraz uogólnione obrazowanie q-ball (GQI) 22-24.

Do pozyskania zaprezentowanych tutaj wyników wykorzystano sekwencję DSI o 257 kierunkach i wielu powłokach (multi-shell), przeprowadzoną na skanerach Siemens 3T (parametry w Tabeli 1). Pozyskane dane zrekonstruowano metodą GQI24, która modeluje wzorce dyfuzji w każdym wokselu za pomocą funkcji rozkładu orientacji (ODF), umożliwiającej wykrycie jednoczesnej dyfuzji w wielu kierunkach. Inne sekwencje dyfuzyjne o wysokiej rozdzielczości kątowej powinny przynieść podobne wyniki. Należy pamiętać, że poprawna rekonstrukcja ODF wymaga wprowadzenia przez badacza tabeli gradientów (nazywanej również tabelą b) do programu DSI Studio, który służy do przetwarzania DWI i traktografii i został tutaj zastosowany. (Szczegółowe instrukcje użytkowania programu DSI Studio można znaleźć na stronie internetowej oprogramowania: http://dsi-studio.labsolver.org.) Tabela ta zawiera kierunek gradientu i natężenie pola magnetycznego dla każdego z pozyskanych wolumenów DWI. Tabela gradientów zależy od protokołu akwizycji MR i jest automatycznie wyodrębniana z obrazów DICOM przez program DSI Studio. Zalecamy jednak, aby badacze porównali tę automatycznie wyodrębnioną tabelę gradientów ze standardową tabelą dla protokołu DWI swojego skanera.

  1. W razie potrzeby przekonwertuj obrazy MR na format .dcm (DICOM) przy użyciu programu mri_convert (FreeSurfer).
  2. Zidentyfikuj, które obrazy w zbiorze danych są obrazami B0 (t.j. obrazami echo-planarnymi zebranymi bez ważenia dyfuzyjnego).
  3. Przekonwertuj obrazy B0 na format NIFTI, korzystając z programu to3d z pakietu AFNI.
  4. W programie DSI Studio otwórz obrazy DICOM i połącz je w celu utworzenia pliku źródłowego (.src).
  5. Dostarcz tabelę gradientów (patrz wyżej).
  6. Sprawdź, czy domyślna maska rekonstrukcji obejmuje całą istotę szarą, nie uwzględniając pustej przestrzeni, czaszki ani tkanek pozamózgowych. W razie potrzeby zmodyfikuj maskę.
  7. Alternatywnie utwórz maskę rekonstrukcji, uruchamiając program 3dAutomask z pakietu AFNI na obrazie B0.
  8. Wybierz model rekonstrukcji o wysokiej rozdzielczości: DSI, GQI lub wariant GQI.
  9. Utwórz plik informacji o włóknach (.fib), aby przedstawić główny kierunek (lub kierunki) dyfuzji w każdym wokselu.

6. Ocena jakości danych i śledzenie parametrów za pomocą traktografii całego mózgu

Śledzenie włókien z użyciem ziarna obejmującego cały mózg jest szybkim i skutecznym sposobem oceny ogólnej jakości danych. Stanowi ono również okazję do ustalenia odpowiednich wartości parametrów globalnych, w szczególności progu anizotropii wykorzystywanego jako kryterium zatrzymania w traktografii. Procedura ta jest niezbędna, aby zachować równowagę między zwiększeniem zakresu śledzenia włókien a redukcją szumów. Szczególną uwagę należy zwrócić na ustawienie kluczowych parametrów śledzenia, takich jak próg kąta oraz progi śledzenia.

Należy zauważyć, że względna anizotropia różnych pęczków może różnić się między osobnikami, w zależności od czynników biologicznych, takich jak wiek i integralność białej substancji, a także czynników zewnętrznych, takich jak kalibracja sprzętu między sesjami. Poniżej sugerujemy kilka metod wyrównywania progów śledzenia (tracking thresholds) pomiędzy zbiorami danych. Należy zawsze sprawdzać jakość wyników śledzenia, porównując je ze znaną neuroanatomią. Na przykład włókna przecinające szczelinę międzyhemisferyczną poza znanymi połączeniami międzyhemisferycznymi (i.e., ciało modzelowate, komissura przednia i tylna) mogą wskazywać na zbyt niski próg śledzenia, który należy zwiększyć, lub mogą być dowodem na wystąpienie artefaktów wynikających z ruchu głowy.

W przeciwieństwie do progu śledzenia, próg kątowy powinien być niezmienny dla danej osoby we wszystkich sesjach, ponieważ wiązki włókien nie zmieniają swojej krzywizny w krótkim czasie, o ile w ogóle to robią. Podobnie, krzywizna wiązek powinna być względnie stała u różnych osób, przy braku istotnych różnic w wielkości lub morfologii mózgu. Niemniej jednak, należy zachować ostrożność przy ustawianiu początkowych wartości tego parametru. Włókna, które przyjmują mało prawdopodobne trajektorie, takie jak zakola w kształcie spinki do włosów, mogą wskazywać na zbyt wysoki próg kątowy.

  1. Utwórz obszar startowy (seed region) obejmujący cały mózg.
  2. Ustaw początkową wartość progu śledzenia (tracking threshold), aby zamaskować woksele o niskim sygnale.
  3. Ustaw próg kąta, aby umożliwić zakrzywienie włókien do n stopni w jednym kroku.
  4. Ustaw wielkość kroku śledzenia w mm.
  5. Ustaw pożądaną liczbę włókien lub punktów startowych.
  6. Przeprowadź traktografię całego mózgu, aby sprawdzić ogólną jakość rekonstrukcji ODF.
  7. Aby zacząć, wybierz medianowy (dla wszystkich zbiorów danych) próg śledzenia.
    1. Wczytaj plik trk całego mózgu do programu TrackVis, służącego do wizualizacji i analizy pęczków włókien (Martinos Center for Biomedical Imaging, Massachusetts General Hospital) 25.
    2. Wczytaj wolumeny istoty szarej (GM) z katalogu SUMA (lh/rh.ribbon.nii) jako obszary zainteresowania (ROI).
    3. Ustaw ROI istoty szarej jako filtry w grupie śledzenia, akceptując tylko te włókna, których oba końce znajdują się w jednym z ROI.
    4. Zweryfikuj, czy większość włókien (90-100%) z pliku trk pozostała w przefiltrowanej grupie śledzenia.
    5. Powtórz w razie potrzeby, za każdym razem dostosowując próg śledzenia w programie DSI Studio.
  8. Dodatkowo sprawdź, czy próg śledzenia maskuje woksele w pustej przestrzeni (t.j. wokół krawędzi mózgu i w przestrzeni wewnątrzzakrętowej) bez usuwania wokseli, które ewidentnie znajdują się w istocie białej.
  9. Opcjonalnie, wyrównaj próg śledzenia między zbiorami danych (t.j. różnymi sesjami i/lub uczestnikami).
    1. Ustaw pożądany próg śledzenia w jednym zbiorze danych za pomocą interfejsu DSI Studio.
    2. Zmień nazwę pliku .fib utworzonego przez DSI Studio na rozszerzenie .mat i zaimportuj go do programu MATLAB, zgodnie z instrukcjami na stronie internetowej DSI Studio (http://dsi-studio.labsolver.org).
    3. Utwórz histogram wartości, które chcesz poddać progowaniu.
    4. Przekształć wartości mapy na wyniki z (z-scores).
    5. Znajdź wynik z dla progu śledzenia, który początkowo ustawiono w interfejsie DSI Studio.
    6. Wykonaj kroki b-d dla wszystkich pozostałych zbiorów danych, znajdując próg śledzenia odpowiadający wynikowi z wyznaczonemu w kroku e.
    7. Jako weryfikację kroków a-f, prześledź zestaw włókien kontrolnych z anatomicznego ROI w biegunie potylicznym, używając 500 000 punktów startowych.
    8. Sprawdź, czy procedura ta daje w przybliżeniu taką samą liczbę włókien we wszystkich zbiorach danych (+- 100 włókien).

7. Traktografia z lokalnymi ograniczeniami

W przeciwieństwie do traktografii całego mózgu, traktografia z ograniczeniami lokalnymi wykorzystuje operacje Boole'a w oparciu o ROI, takie jak określanie obszarów, przez które włókna muszą przechodzić lub nie mogą przechodzić. W rezultacie traktografia z ograniczeniami lokalnymi oferuje wyższą czułość i większą kontrolę nad śledzeniem wybranych włókien będących przedmiotem zainteresowania. Traktografia całego mózgu nie zapewnia wystarczającego próbkowania przestrzeni możliwych punktów startowych (seed points) ze względu na wysoki koszt obliczeniowy operacji inicjowania oraz ograniczoną pamięć karty graficznej. (Jest możliwe, że ograniczenia te zostaną w przyszłości zniesione dzięki zmianom w algorytmach traktografii, zwiększeniu pojemności pamięci lub innym czynnikom). W wyniku niedostatecznego próbkowania traktografia całego mózgu często generuje wyniki obciążone błędem w stronę dominujących szlaków dyfuzyjnych w mózgu. ROI zdefiniowane przez użytkownika rozwiązują ten problem, zapewniając ograniczone regiony docelowe o wysokiej gęstości punktów startowych, co ułatwia uchwycenie trudnych do wykrycia pęczków włókien.

  1. Utwórz obszar ziarna obejmujący cały mózg w programie DSI Studio.
  2. Wczytaj jeden lub więcej plików NIFTI z obszarami zainteresowania (ROI).
  3. Opcjonalnie wczytaj plik obszaru unikania (ROA), aby wskazać woksele, przez które włókna NIE powinny przechodzić.
  4. Ustaw próg anizotropii oraz próg kąta zgodnie z powyższym opisem.
  5. Wykonaj traktografię.
  6. Sprawdź jakość, porównując przebieg włókien ze szczegółami anatomicznymi.

8. Analiza gęstości końcowej

  1. Wczytaj obszary zainteresowania (ROI) w formacie NIfTI oraz pliki trk do programu TrackVis.
  2. Wykonaj operacje boolowskie pomiędzy regionami.
  3. Zapisz wyniki każdej operacji jako nowy plik trk.
  4. Użyj funkcji track_transform (Diffusion ToolKit), aby przekształcić przestrzennie pliki trk do pliku objętości powierzchni (brain.nii).
  5. Wczytaj przekształcony plik trk oraz objętość powierzchni (brain.nii) do programu TrackVis w celu inspekcji.
  6. Wczytaj pliki trk i ROI do programu MATLAB, aby przeprowadzić ilościowe szacunki łączności.
  7. Wyznacz centroid {x/y/z} obszaru ROI.
  8. Jako jedną z miar łączności oblicz całkowitą liczbę końcówek włókien w ROI, znormalizowaną przez objętość ROI.
  9. Alternatywnie oblicz odległość euklidesową między końcówkami włókien a centroidem ROI, jako miarę specyfiki i spójności łączności traktu z tym ROI.

9. Reprezentatywne wyniki

Obrazowanie tensora dyfuzji o wysokiej rozdzielczości oraz traktografia włókien mogą być zastosowane w szerokim zakresie pytań neurobiologicznych. Celem niniejszej pracy jest szczegółowe omówienie łączenia metod konektywności strukturalnej z funkcjonalnym obrazowaniem neurologicznym. Należy jednak zauważyć, że każda aplikacja DWI wymaga starnej oceny wyników traktografii, ponieważ protokół akwizycji danych, metoda rekonstrukcji oraz parametry traktografii mogą wywierać znaczący, niezależny wpływ na końcowy rezultat. Rysunek 5 przedstawia optymalne i suboptymalne wyniki uzyskane za pomocą traktografii całego mózgu. Wszystkie trzy obrazy opierają się na tym samym zbiorze danych DWI z 257 kierunkami od jednego uczestnika; optymalne wyniki pokazano na lewym panelu. W przeciwieństwie do nich, środkowy panel pokazuje efekt zbyt liberalnych parametrów traktografii (progi FA i kątowe). Prawy panel obrazuje spadek jakości wynikający z zastosowania modelu pojedynczego tensora do rekonstrukcji danych DWI.

Przedstawiamy dwa przykłady tego, jak wyniki traktografii mogą potwierdzać i wspomagać interpretację danych z obrazowania funkcjonalnego. Eksperymenty te oceniają procesy poznawcze, które pozwoliły na stworzenie funkcjonalnych regionów ziarnistych (seed regions): mianowicie percepcję twarzy oraz uwagę wizualną. Regiony te mogą być wykorzystane do badania kwestii łączności istoty białej w obrębie sieci poznawczej. Rycina 6 przedstawia przykład regionów aktywowanych podczas zadania związanego z percepcją twarzy. Obiekty badania oglądały zdjęcia twarzy i przedmiotów codziennego użytku podczas skanowania fMRI. Dwa regiony brzuszno-skroniowe, w środkowym zakręcie wrzecionowatym (mFG) i dolnym zakręcie potylicznym (IOG), wykazały znacznie silniejsze odpowiedzi BOLD dla twarzy niż dla przedmiotów. Te dwa funkcjonalnie zdefiniowane regiony zostały następnie wykorzystane jako regiony ziarniste podczas traktografii (zgodnie z opisem w rozdziałach 6-7 powyżej). Rycina 6A pokazuje duży pęczek linii włókien (zaznaczony na czerwono), które łączą te dwa regiony zainteresowania w obrębie płata skroniowego na dystansie około 12 cm. Należy zwrócić uwagę na gęste upakowanie włókien i niewielki stopień ich zakrzywienia na tym odcinku. Taki wzorzec jest typowy dla połączeń jeden-do-jednego w obrębie sieci funkcjonalnych na dużych dystansach (patrz np. ref. 26). Rycina 6B przedstawia funkcjonalny region ziarnisty IOG (zaznaczony na żółto) wraz z poszczególnymi punktami końcowymi włókien (czerwone kropki). Punkty końcowe włókien są rozmieszczone w całym ROI. Taki wzorzec łączności sugeruje, że regiony te posiadają bezpośrednie, dalekosiężne połączenia, które mogą leżeć u podstaw szybkiej komunikacji w sieci percepcji twarzy.

Nasz drugi przykład (Rysunek 7) przedstawia połączenia między sensorycznymi obszarami kory wzrokowej a obszarem kontroli uwagi w tylnej części kory ciemieniowej (PPC). W tym przypadku dwa zestawy aktywacji funkcjonalnych (obszary potyliczne i ciemieniowe) uzyskano za pomocą niezależnych zestawów danych fMRI od tych samych osób. Aktywacje ciemieniowe wygenerowano za pomocą zadania polegającego na przesuwaniu uwagi między 6 lokalizacjami w polu widzenia (szczegóły w ref. 27), natomiast obszary potyliczne zdefiniowano za pomocą standardowego mapowania południków pola widzenia 28, które posłużyło do wyznaczenia granic między funkcjonalnymi obszarami nasion kory wzrokowej (V1 - V3). Rysunek 7A pokazuje przybliżone lokalizacje obszarów nasion V1, V2 i V3 (odpowiednio czerwony, zielony i niebieski), obszar nasion PPC oznaczony jako IPS-1 oraz wiązki włókien łączące te regiony. Wiązki są pokolorowane zgodnie z obszarem ROI potylicznym, z którego zostały zainicjowane. W przeciwieństwie do długich, prostych włókien w płacie skroniowym (Rysunek 6), te wiązki istoty białej obejmują krótszy dystans (zakres 3 - 5 cm) i są zatem bardziej w kształcie litery U oraz mniej ściśle upakowane podczas przebiegu z płata potylicznego do płata ciemieniowego. Rysunek 7B przedstawia funkcjonalnie zdefiniowane regiony w IPS (brązowy), V1 (czerwony), V2 (zielony) i V3 (niebieski) na powierzchni kory wraz z punktami końcowymi włókien w każdym regionie. Należy zwrócić uwagę na segregację wiązek w płacie potylicznym według obszaru nasion, w przeciwieństwie do dużego stopnia zazębienia punktów końcowych w IPS-1. Sugeruje to, że nasz obszar PPC (zidentyfikowany poprzez aktywność fMRI podczas zadania uwagi selektywnej) może być obszarem konwergencji w mózgu, z połączeniami strukturalnymi z wieloma różnymi węzłami kory sensorycznej. Taki wzorzec łączności może umożliwiać przesyłanie sygnałów stronniczości uwagi z wyższych regionów korowych w celu modulacji aktywności w korze pierwotnej; sygnały te pomagają wzmocnić reprezentacje celu w korze wzrokowej29, 30.

Schemat dyfuzji przedstawiający dyfuzję izotropową, anizotropową oraz ODF w miejscu skrzyżowania włókien.
Rycina 1. Schematyczne przedstawienie kluczowych pojęć w obrazowaniu dyfuzyjnym (DWI). Panel A: w ośrodku jednorodnym dyfuzja zachodzi w sposób losowy w wyniku ruchu Browna. Dla dużej liczby cząsteczek wody dyfuzja jest izotropowa, co oznacza, że zagregowany wzór dyfuzji ma kształt sferyczny. Panel B: dyfuzja cząsteczek wody wewnątrz aksonów oraz w przestrzeniach między pęczkami aksonalnymi jest ograniczona przez ściany aksonów i inne struktury podporowe. W związku z tym dyfuzja wzdłuż traktów włókien jest anizotropowa: jest znacznie większa wzdłuż trajektorii traktu niż w innych kierunkach. Panel C: wysokorozdzielcze metody DWI wykorzystują modele takie jak funkcja rozkładu orientacji (ODF) do modelowania dyfuzji anizotropowej w złożonych konfiguracjach traktów istoty białej. Jak widać na tym przykładzie, ODF mogą rozróżniać oddzielne ścieżki dyfuzji dla wielu traktów włókien przecinających się w jednym punkcie. Skrzyżowania obejmujące dwa lub trzy różne trakty włókien są powszechne w mózgu.

Schemat metod dMRI szczegółowo opisujący akwizycję (DWI, HARDI), rekonstrukcję i traktografię.
Rycina 2. Badania nad śledzeniem włókien mogą być przeprowadzane na kilka sposobów. Najważniejsze decyzje dotyczą protokołu akwizycji, techniki rekonstrukcji oraz metody traktografii. W niniejszej pracy zastosowano protokół obrazowania widma dyfuzji (DSI) 1, 2 do akwizycji, obrazowanie z uogólnionym próbkowaniem Q (GQI) 24 do rekonstrukcji oraz deterministyczną traktografię FACT40, 41. Szczególną uwagę zwracamy na bezmodelowe i hybrydowe techniki rekonstrukcji, które generują funkcje rozkładu orientacji (ODF; patrz Rycina 1) w celu reprezentacji dyfuzji w każdym wokselu. Badacze mogą wybierać różne schematy analizy w zależności od budżetu, dostępnego czasu, zapotrzebowania na wysoką rozdzielczość kątową oraz znaczenia korekcji ruchów głowy i nieliniowych zniekształceń obrazu. Niniejsza rycina nie stanowi wyczerpującego zestawienia wszystkich możliwych metod akwizycji, rekonstrukcji i traktografii. W celu uzyskania szczegółowego przeglądu technik rekonstrukcji należy zapoznać się z pracą Seunarine & Alexander42.

Tabela kierunków gradientu względem wartości b; wyjaśnienie kontrastu dyfuzyjnego, czasu trwania skanowania i stosunku sygnału do szumu.
Rycina 3. Interakcje zmiennych akwizycji dMRI, czasu trwania skanowania i zdolności do rozdzielania skrzyżowań włókien. Wysoki kontrast dyfuzyjny jest niezbędny do rozdzielania włókien w złożonych konfiguracjach skrzyżowań. Kontrast ten zależy od kilku czynników, w tym od liczby kierunków gradientu (tj. liczby możliwych orientacji włókien) oraz wartości b (która określa stopień ważenia dyfuzyjnego). Przedstawiono tutaj typowe efekty zwiększania wartości b oraz liczby kierunków gradientu. Należy pamiętać, że tabela ta wskazuje jedynie tendencje, a poszczególne techniki mogą mieć różny wpływ na czas trwania skanowania, stosunek sygnału do szumu (SNR) i kontrast dyfuzyjny. Generalnie kontrast można poprawić poprzez zwiększenie zarówno liczby kierunków gradientu, jak i wartości b. Jednak przy wyższych wartościach b stosunek sygnału do szumu obrazów ważonych dyfuzyjnie ulega pogorszeniu, a czas skanowania często ulega wydłużeniu.

Przetwarzanie obrazów MRI ważonych T1, DWI oraz fMRI; schemat blokowy etapów konwersji i analizy danych.
Rycina 4. Graficzne podsumowanie ścieżek przetwarzania anatomicznego MRI, DWI-MRI oraz fMRI. Tekst w kolorze czarnym opisuje charakter każdego etapu przetwarzania, natomiast tekst w kolorze zielonym wskazuje oprogramowanie, które można wykorzystać. Linie i ramki przerywane oznaczają etapy opcjonalne, które mogą nie mieć zastosowania we wszystkich projektach. W tym przykładzie przetwarzanie jest wykonywane w pakiecie AFNI/SUMA (z wyjątkiem miejsc, gdzie wskazano DSI Studio lub TrackVis). Często można zastąpić te funkcje odpowiednikami w innych pakietach do analizy neuroobrazowania. Wiele etapów przedstawionych na tych schematach zostało częściowo skonsolidowanych przez twórców oprogramowania w formie wygodnych skryptów: szczególnie polecamy czytelnikom potok recon-all w FreeSurfer (http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable). Dodatkowo zauważamy, że kilka pakietów oprogramowania oferuje kompletne potoki przetwarzania dla danych DWI; jednak pakiety te różnią się swoimi mocnymi i słabymi stronami, a niektóre nie zawierają narzędzi do pracy z danymi MRI dyfuzyjnego o wysokiej rozdzielczości kątowej. Kliknij tutaj, aby wyświetlić powiększoną rycinę.

Schemat modeli MRI dyfuzyjnego; ODF w porównaniu do pojedynczego tensora z progami FA/kąta; szlaki nerwowe.
Rysunek 5. Ilustracja traktografii całego mózgu z zastosowaniem różnych metod rekonstrukcji i parametrów traktografii. Wszystkie obrazy zostały pochodne z tego samego zestawu danych, sekwencji obrazowania widma dyfuzyjnego (DSI) w 257 kierunkach z wieloma wartościami b (7,000 s/mm2, 5 powłok). Panel A: optymalne wyniki, osiągnięte dzięki zastosowaniu wysokorozdzielczej metody rekonstrukcji opartej na ODF. Wybrano stosunkowo wysoki próg śledzenia wynoszący 0.06, aby generować włókna wyłącznie z silnie anizotropowych wokseli; wybrano również próg kąta 55°, aby zapobiec generowaniu włókien o biologicznie nierealistycznej krzywiźnie (i.e., włókien „zapętlonych”). Zwróć uwagę na wyraźne wyodrębnienie półkul, oddzielonych szczeliną podłużną; zauważ również, jak wiązki włókien podążają za oczekiwanymi konturami bruzd i zakrętów. Panel B: zastosowano tę samą metodę rekonstrukcji co w (A), ale progi FA i kąta ustawiono w sposób mniej rygorystyczny podczas traktografii (odpowiednio 0.03 i 85°). Niewłaściwe parametry śledzenia mogą prowadzić do generowania dużej liczby włókien „szumowych”, które przesłaniają prawdziwe informacje o strukturze anatomicznej. Patrz Sekcja 5, „Evaluating Data Quality and Tracking Parameters through Whole-Brain Tractography”, w celu uzyskania wskazówek dotyczących właściwego wyboru parametrów. Panel C: dane zrekonstruowano przy użyciu modelu pojedynczego tensora, jednej z najpowszechniej stosowanych metod w DWI. Przy odpowiednich parametrach śledzenia (takich samych jak w A), model pojedynczego tensora odtwarza wiele znanych głównych traktów włókien, a kontury zakrętów są częściowo widoczne w rzucie strzałkowym. Jednakże model ten generuje więcej wyników fałszywie dodatnich niż model ODF: zwróć uwagę na włókna przebiegające poziomo przez szczelinę między półkulami. Kliknij tutaj, aby wyświetlić powiększony rysunek.

Mapa mózgu w percepcji twarzy; połączenia IOG i FG; widok brzuszny RH; schemat neuronaukowy.
Rysunek 6. Wyniki traktografii z eksperymentu nad percepcją twarzy. Panel (A) przedstawia linie prądu (streamlines) uzyskane w wyniku traktografii pomiędzy funkcjonalnymi obszarami zainteresowania (ROI) zidentyfikowanymi w eksperymencie nad percepcją twarzy. Ogólne obszary zakrętu potylicznego dolnego (IOG) oraz środkowej części zakrętu wrzecionowatego (mFG) zaznaczono żółtymi owalami. Panel (B) przedstawia końce włókien IOG wskazane w panelu (A), wyświetlone na powiększonym widoku brzuszny tylnej powierzchni kory skroniowej. ROI przedstawione w kolorze żółtym jest wynikiem funkcjonalnego MRI w eksperymencie nad percepcją twarzy. Zwróć uwagę na dużą zgodność pomiędzy aktywacją zdefiniowaną funkcjonalnie a końcami włókien w IOG. Włókna te biegną z mFG, czyli regionu mózgu zaangażowanego w percepcję twarzy. Kliknij tutaj, aby wyświetlić powiększony rysunek.

Schemat mózgu dotyczący uwagi wzrokowej; widok boczny z zaznaczonymi obszarami IPS-1, V3d, V2d, V1d do celów badawczych.
Rysunek 7. Wyniki traktografii z eksperymentu dotyczącego uwagi wzrokowej. Panel (A) przedstawia linie prądowe (streamlines) uzyskane w wyniku traktografii pomiędzy funkcjonalnymi obszarami zainteresowania (ROI) zidentyfikowanymi w eksperymencie dotyczącym uwagi wzrokowej27. Ogólne obszary tylnej kory ciemieniowej (IPS-1) i kory wzrokowej (V1d, V2d oraz V3d) zaznaczono kolorowymi owalami. Przebiegi włókien przedstawiono w odpowiadających im kolorach: czerwonym dla V1d, zielonym dla V2d i niebieskim dla V3d. Panel (B) pokazuje punkty końcowe włókien wskazanych w panelu (A), wyświetlone na powiększonym widoku bocznym tylnej (ciemieniowej i potylicznej) powierzchni kory. Konwencje kolorystyczne są zgodne z tymi z panelu (A). Obszary zainteresowania wynikające z funkcjonalnego badania MRI uwagi wzrokowej są wyświetlone na powierzchni kory. Wszystkie trzy zestawy traktów/punktów końcowych zbiegają się w regionie IPS-1, który prawdopodobnie zawiera mapę priorytetów uwagi wzrokowej, mogącą być źródłem sygnałów kierujących uwagę na cele w korze wzrokowej. Trakty w IPS-1 są w dużej mierze przeplatające się, podczas gdy potyliczne końce tych traktów włókien są wyraźnie rozdzielone zgodnie z obszarem kory wzrokowej.

Skan MRParametry
DSISkan obrazowania spektrum dyfuzyjnego (DSI) w 257 kierunkach przy użyciu sekwencji spin-echo EPI z podwójną refokusacją i wieloma wartościami q, czas akwizycji 43 min (TR = 9,916 ms, TE = 157 ms, rozmiar woksela = 2.4 x 2.4 x 2.4 mm, FoV = 231 x 231 mm, b-max = 7,000 s/mm2, 5 powłok)
AnatomicznySekwencja MPRAGE ważona T1 (1 mm x 1 mm x 1 mm, 176 przekrojów strzałkowych, TR = 1,870, TI = 1,100, FA = 8°, GRAPPA = 2)
fMRISekwencja impulsowa obrazowania echo-planarnego (EPI) ważona T2* (31 skośnych przekrojów osiowych, rozdzielczość w płaszczyźnie 2 mm x 2 mm, grubość przekroju 3 mm, bez przerwy, czas repetycji [TR] = 2,000 ms, czas echa [TE] = 29 ms, kąt odchylenia = 90°, GRAPPA = 2, rozmiar macierzy = 96 x 96, pole widzenia [FOV] = 192 mm)

Tabela 1. Parametry akwizycji neuroobrazowania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Wysokorozdzielcze DWI oraz traktografia włókien stanowią potężne podejście do badania struktury połączeń ludzkiego mózgu. Przedstawiamy tutaj dowody na to, że architektura strukturalna ta jest istotnie powiązana z funkcją mózgu ocenianą za pomocą fMRI. Wykorzystując w traktografii obszary startowe (seeds) oparte na aktywacji fMRI podczas zadania, wykazaliśmy, że obszary mózgu współaktywowne podczas uwagi wzrokowej są połączone anatomicznie, co jest zgodne z wcześniejszą wiedzą z zakresu funkcjonalnej neuroanatomii (

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Nie zgłoszono konfliktów interesów.

Podziękowania

Wymień podziękowania i źródła finansowania. Praca jest wspierana przez NIH RO1-MH54246 (M. B.), National Science Foundation BCS0923763 (M.B.), Defense Advanced Research Projects Agency (DARPA) na podstawie kontraktu NBCHZ090439 (W. S.), Office of Naval Research (ONR) na podstawie przyznania N00014-11-1-0399 (W. S.) oraz Army Research Lab (ARL) na podstawie kontraktu W911NF-10-2-0022 (W. S.). Poglądy, opinie i/lub wnioski zawarte w niniejszej prezentacji są opiniami autorów i nie powinny być interpretowane jako reprezentujące oficjalne stanowiska lub politykę, wyrażoną lub dorozumianą, powyższych agencji lub Departamentu Obrony Stanów Zjednoczonych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Bibliografia

  1. Wedeen, V. anJ., Hagmann, P., Tseng, W. I., Reese, T. G., Weisskoff, R. M. Mapping complex tissue architecture with diffusion spectrum magnetic resonance imaging. Magnetic Resonance in Medicine. 54 (6), 1377-1386 (2005).
  2. Wedeen, V. J., Wang, R. P., Schmahmann, J. D., Benner, T., Tseng, W. Y. I., Dai, G., Pandya, D. N., et al. Diffusion spectrum magnetic resonance imaging (DSI) tractography of crossing fibers. NeuroImage. 41 (4), 1267-1277 (2008).
  3. Pipe, J. Pulse Sequences for Diffusion-weighted MRI. Diffusion MRI: From quantitative measurement to in-vivo neuroanatomy. , 1st, Elsevier. London. 12-35 (2009).
  4. Le Bihan, D., Poupon, C., Amadon, A., Lethimonnier, F. Artifacts and pitfalls in diffusion MRI. Journal of Magnetic Resonance Imaging: JMRI. 24 (3), 478-488 (2006).
  5. Tuch, D. S. Q-ball imaging. Magnetic Resonance in Medicine. 52 (6), 1358-1372 (2004).
  6. Sakaie, K. E., Lowe, M. J. An objective method for regularization of fiber orientation distributions derived from diffusion-weighted MRI. NeuroImage. 34 (1), 169-176 (2007).
  7. Reese, T. G., Benner, T., Wang, R., Feinberg, D. A., Wedeen, V. J. Halving imaging time of whole brain diffusion spectrum imaging and diffusion tractography using simultaneous image refocusing in EPI. Journal of Magnetic Resonance Imaging. 29 (3), 517-522 (2009).
  8. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Computers and Biomedical Research. 29 (3), 162-173 (1996).
  9. Cox, R. W., Hyde, J. S. Software tools for analysis and visualization of fMRI data. NMR in Biomedicine. 10 (4-5), 171-178 (1997).
  10. Goebel, R. BRAINVOYAGER: a program for analyzing and visualizing functional and structural magnetic resonance data sets. NeuroImage. 3, S604(1996).
  11. Smith, S. M., Jenkinson, M., Woolrich, M. W., Beckmann, C. F., Behrens, T. E. J., Johansen-Berg, H., Bannister, P. R., et al. Advances in functional and structural MR image analysis and implementation as FSL. NeuroImage. 23, Suppl 1. S208-S219 (2004).
  12. Woolrich, M. W., Jbabdi, S., Patenaude, B., Chappell, M., Makni, S., Behrens, T., Beckmann, C., et al. Bayesian analysis of neuroimaging data in FSL. NeuroImage. 45, Suppl 1. S173-S186 (2009).
  13. Friston, K. J. Statistical parametric mapping: the analysis of functional brain images. , Academic Press. (2007).
  14. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12 (5), 419-446 (2003).
  15. Benjamini, Y., Hochberg, Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society, Series B (Methodological. 57 (1), 289-300 (1995).
  16. Logan, B. R., Rowe, D. B. An evaluation of thresholding techniques in fMRI analysis. NeuroImage. 22, 95-108 (2004).
  17. Basser, P. J., Mattiello, J., LeBihan, D. Estimation of the effective self-diffusion tensor from the NMR spin echo. Journal of Magnetic Resonance, Series B. 103 (3), 247-254 (1994).
  18. Basser, P. J., Mattiello, J., LeBihan, D. MR diffusion tensor spectroscopy and imaging. Biophysical Journal. 66 (1), 259-267 (1994).
  19. Frank, L. R. Anisotropy in high angular resolution diffusion-weighted MRI. Magnetic Resonance in Medicine. 45 (6), 935-939 (2001).
  20. Frank, L. R. Characterization of anisotropy in high angular resolution diffusion-weighted MRI. Magnetic Resonance in Medicine. 47 (6), 1083-1099 (2002).
  21. Tuch, D. S., Reese, T. G., Wiegell, M. R., Makris, N., Belliveau, J. W., Wedeen, V. J. High angular resolution diffusion imaging reveals intravoxel white matter fiber heterogeneity. Magnetic Resonance in Medicine. 48 (4), 577-582 (2002).
  22. Descoteaux, M., Angelino, E., Fitzgibbons, S., Deriche, R. Regularized, fast, and robust analytical Q-ball imaging. Magnetic Resonance in Medicine. 58 (3), 497-510 (2007).
  23. Tuch, D. S. Q-ball imaging. Magnetic Resonance in Medicine. 52 (6), 1358-1372 (2004).
  24. Yeh, F. C., Wedeen, V. J., Tseng, W. -Y. I. Generalized Q-sampling imaging. IEEE Transactions on Medical Imaging. 29 (9), 1626-1635 (2010).
  25. Wang, R., Benner, T., Sorensen, A. G., Wedeen, V. J. Diffusion Toolkit: a software package for diffusion imaging data processing and tractography. Proc. Intl. Soc. Mag. Reson. Med. , 3720(2007).
  26. Sundaram, S. K., Kumar, A., Makki, M. I., Behen, M. E., Chugani, H. T., Chugani, D. C. Diffusion tensor imaging of frontal lobe in autism spectrum disorder. Cereb Cortex. 18 (11), 2659-2665 (2008).
  27. Greenberg, A. S., Verstynen, T., Chiu, Y. -C., Yantis, S., Schneider, W., Behrmann, M. Visuotopic Cortical Connectivity Underlying Attention Revealed with White-Matter Tractography. The Journal of Neuroscience. 32 (8), 2773-2782 (2012).
  28. Slotnick, S. D., Yantis, S. Efficient acquisition of human retinotopic maps. Human Brain Mapping. 18 (1), 22-29 (2003).
  29. Greenberg, A. S., Esterman, M., Wilson, D., Serences, J. T., Yantis, S. Control of spatial and feature-based attention in frontoparietal cortex. The Journal of Neuroscience. 30 (43), 14330-14339 (2010).
  30. Kastner, S., Ungerleider, L. G. Mechanisms of visual attention in the human cortex. Annual Review of Neuroscience. 23, 315-341 (2000).
  31. Bürgel, U., Amunts, K., Hoemke, L., Mohlberg, H., Gilsbach, J. M., Zilles, K. White matter fiber tracts of the human brain: Three-dimensional mapping at microscopic resolution, topography and intersubject variability. NeuroImage. 29 (4), 1092-1105 (2006).
  32. Behrens, T. E. J., Jbabdi, S. MR Diffusion Tractography. Diffusion MRI: From quantitative measurement to in-vivo neuroanatomy. , 1st, Elsevier. London. 333-352 (2009).
  33. Verstynen, T., Jarbo, K., Pathak, S., Schneider, W. In vivo mapping of microstructural somatotopies in the human corticospinal pathways. Journal of Neurophysiology. 105 (1), 336-346 (2011).
  34. Jarbo, K., Verstynen, T., Schneider, W. In vivo quantification of global connectivity in the human corpus callosum. NeuroImage. , In press (2012).
  35. Verstynen, T., Badre, D., Jarbo, K., Schneider, W. Microstructural organizational patterns in the human corticostriatal system. , Under review (2012).
  36. Wang, Y., Fernández-Miranda, J. C., Verstynen, T., Pathak, S., Schneider, W. Identifying human brain tracts with tractography and fiber microdissection: mapping connectivity of the middle longitudinal fascicle as the dorsal auditory pathway. , Under review (2012).
  37. Fernandez-Miranda, J. C., Engh, J. A., Pathak, S. K., Madhok, R., Boada, F. E., Schneider, W., Kassam, A. B. High-definition fiber tracking guidance for intraparenchymal endoscopic port surgery. Journal of Neurosurgery. 113 (5), 990-999 (2010).
  38. Fernandez-Miranda, J. C., Engh, J., Pathak, S., Wang, Y., Jarbo, K., Verstynen, T., Boada, F., Schneider, W., Friedlander, R. High-definition fiber tractography of the human brain: neuroanatomical validation and neurosurgical applications. , Under review (2012).
  39. Shin, S., Verstynen, T., Pathak, S., Jarbo, K., Hricik, A., Maserati, M., Beers, S., Puccio, A. M., Okonkwo, D., Schneider, W. High definition fiber tracking for assessment of neurologic deficit in a case of traumatic brain injury. Journal of Neurosurgery. , In press (2012).
  40. Mori, S., Crain, B. J., Chacko, V. P., Van Zijl, P. C. M. Three-dimensional tracking of axonal projections in the brain by magnetic resonance imaging. Annals of Neurology. 45 (2), 265-269 (1999).
  41. Tournier, J., Mori, S., Leemans, A. Diffusion tensor imaging and beyond. Magnetic Resonance in Medicine. 65 (6), 1532-1556 (2011).
  42. Seunarine, K. K., Alexander, D. C. Multiple Fibers: Beyond the Diffusion Tensor. Diffusion MRI: From quantitative measurement to in-vivo neuroanatomy. , 1st, Elsevier. London. (2009).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Obrazowanie widm dyfuzjifunkcjonalny rezonans magnetycznytraktografia w kienstruktura i funkcja m zguszlaki istoty bia ejczno funkcjonalnaanaliza neuroobrazowaparametry traktografiineuronauka poznawczaczno strukturalna
Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.