Wspólna analiza struktury i funkcji mózgu za pomocą fMRI i obrazowania zależnego od dyfuzji

Summary

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu za pomocą rezonansu magnetycznego (MRI). Oceniamy strukturę mózgu za pomocą obrazowania dyfuzyjnego o wysokiej rozdzielczości i traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego rezonansu magnetycznego, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z funkcjonalnymi właściwościami sieci mózgowych.

Abstract

Badanie złożonych systemów obliczeniowych jest ułatwione dzięki mapom sieci, takim jak schematy obwodów. Takie mapowanie jest szczególnie pouczające podczas badania mózgu, ponieważ funkcjonalna rola, jaką spełnia obszar mózgu, może być w dużej mierze zdefiniowana przez jego połączenia z innymi obszarami mózgu. W niniejszym raporcie opisano nowatorskie, nieinwazyjne podejście do powiązania struktury i funkcji mózgu za pomocą obrazowania metodą rezonansu magnetycznego (MRI). To podejście, będące połączeniem obrazowania strukturalnego połączeń światłowodowych dalekiego zasięgu i danych z obrazowania funkcjonalnego, jest zilustrowane w dwóch odrębnych domenach poznawczych: uwadze wzrokowej i percepcji twarzy. Obrazowanie strukturalne wykonuje się za pomocą obrazowania dyfuzyjnego (DWI) i traktografii światłowodowej, które śledzą dyfuzję cząsteczek wody wzdłuż szlaków włókien istoty białej w mózgu (ryc. 1). Wizualizując te szlaki światłowodowe, jesteśmy w stanie zbadać architekturę łączną mózgu o dużym zasięgu. Wyniki wypadają korzystnie w porównaniu z jedną z najczęściej stosowanych technik w DWI, obrazowaniem tensora dyfuzji (DTI). DTI nie jest w stanie rozwiązać złożonych konfiguracji szlaków światłowodowych, co ogranicza jego użyteczność do konstruowania szczegółowych, anatomicznie poinformowanych modeli funkcji mózgu. W przeciwieństwie do tego, nasze analizy odtwarzają znaną neuroanatomię z precyzją i dokładnością. Ta zaleta wynika częściowo z procedur gromadzenia danych: podczas gdy wiele protokołów DTI mierzy dyfuzję w niewielkiej liczbie kierunków (np. 6 lub 12), my stosujemy protokół obrazowania widma dyfuzyjnego (DSI)^{1, 2}, który ocenia dyfuzję w 257 kierunkach i przy różnych natężeniach gradientu magnetycznego. Co więcej, dane DSI pozwalają nam na zastosowanie bardziej wyrafinowanych metod rekonstrukcji pozyskanych danych. W dwóch eksperymentach (uwaga wzrokowa i percepcja twarzy) traktografia ujawnia, że współaktywne obszary ludzkiego mózgu są anatomicznie połączone, co potwierdza istniejące hipotezy, że tworzą one funkcjonalne sieci. DWI pozwala nam stworzyć "schemat obwodu" i odtworzyć go na podstawie indywidualnego podmiotu, w celu monitorowania aktywności mózgu istotnej dla danego zadania w sieciach zainteresowania.

Protocol

1. Sprzęt do akwizycji danych MR

Rysunki 2 i 3 podsumowują szereg wyborów, które należy podjąć w zakresie akwizycji dyfuzyjnego rezonansu magnetycznego, rekonstrukcji danych i śledzenia światłowodów. Należy pamiętać, że te wybory zazwyczaj wiążą się z kompromisami, a najlepszy wybór może zależeć od celów badawczych. Na przykład DSI i wielopowłokowa HARDI (patrz rysunek 2) zazwyczaj wykorzystują wyższe "wartości b" (tj. silniejsze obciążenie dyfuzyjne) niż DTI. W rezultacie, metody te mają lepszą rozdzielczość kątową, która jest niezbędna do rozwiązania krzyżujących się lub "całujących" włókien (tj. Włókien, które zakrzywiają się względem siebie, stykając się na jednej stycznej, zanim ponownie się zakrzywią). Jednak ten wzrost rozdzielczości kątowej jest często osiągany kosztem niższego stosunku sygnału do szumu (SNR) w danych EPI (ilustracja 3). Naukowcy mogą chcieć rozważyć znaczenie tego kompromisu dla ich konkretnych celów: jeśli badanie koncentruje się na kilku głównych odcinkach światłowodowych, których trajektorie nie przecinają się ani nie biegną równolegle do innych odcinków, wówczas skanowanie DTI w niskim kierunku z wysokim SNR może być idealne. Obrazowanie pęczka podłużnego dolnego może reprezentować taki przypadek. Z kolei utrata SNR może być akceptowalną konsekwencją, jeśli badacz chce podążać szlakiem przez skomplikowane skrzyżowania.

Podobny kompromis polega na korekcji ruchu głowy, prądów wirowych i nieliniowych zniekształceń obrazu. Protokoły DWI wykorzystują obrazowanie echoplanarne (EPI; patrz tabela 1), które jest podatne na niejednorodności pola magnetycznego spowodowane kieszeniami powietrznymi w zatokach, hałasem fizjologicznym i innymi czynnikami³. Te niejednorodności skutkują niepożądanymi zniekształceniami obrazu, szczególnie w dolnym płacie skroniowym i korze oczodołowo-czołowej, co zmniejsza ważność i wiarygodność wyników śledzenia włókien w tych obszarach. Dodatkowe zniekształcenia są powstawane przez prądy wirowe, będące produktem szybkiego przełączania gradientu MR⁴. Ruch głowy uczestników jest kolejnym czynnikiem, który pogarsza jakość obrazu i może negatywnie wpływać na traktografię. Obecne metody mogą korygować zarówno ruch głowy, jak i zniekształcenia obrazu w danych o niskiej wartości b, takich jak DTI; jednak metody te nie zostały rozszerzone na metody o wyższej rozdzielczości, takie jak DSI. Trudność w zastosowaniu metod korekcji obrazu do danych DSI wynika z opisanego powyżej niskiego sygnału do szumu (SNR) (ilustracja 3). Do śledzenia światłowodów w obszarach mózgu, które są podatne na zniekształcenia EPI, najlepszym rozwiązaniem może być użycie niskokierunkowego DTI lub innej techniki, dla której można skorygować zniekształcenia obrazu. Z drugiej strony, jeśli pożądana jest wysoka rozdzielczość kątowa w całym mózgu, naukowcy mogą zdecydować się na użycie DSI, HARDI lub podobnych technik. Tuch (2004)⁵ sugeruje, że badacze przeplatają obrazy T2 bez ważenia dyfuzji przez cały skan DSI, dostarczając punktów odniesienia dla korekcji ruchu (na przykład patrz odnośnik 6). We wszystkich przypadkach badacze powinni zdawać sobie sprawę z niekorzystnego wpływu ruchu głowy podczas akwizycji: zaleca się korzystanie z wysoko wyszkolonych uczestników i minimalizowanie ruchu poprzez stosowanie prętów do gryzienia, osłon nosa, wyściółki lub innych zabezpieczeń.

Przedstawione tutaj wyniki wykorzystują protokół obrazowania widma dyfuzji (DSI) w 257 kierunkach, z siłą gradientu od b=300 do 7,000 (zobacz parametry w Tabeli 1). Sekwencja obrazowania widma dyfuzyjnego (DSI) wymaga nowoczesnego sprzętu do skanowania MR z pewnymi funkcjami niezbędnymi do zbierania danych dyfuzyjnych o wysokiej rozdzielczości. Zwracamy uwagę, że wymagania czasowe tej sekwencji są znaczne: około 43 minuty na skanerze Siemens Tim Trio. Po szeroko zakrojonych testach empirycznych uważamy, że jakość tych danych uzasadnia czas trwania i koszt skanowania; Jednak przy wyborze protokołu akwizycji użytkownicy powinni dokładnie rozważyć swoje cele badawcze w stosunku do możliwości i komfortu uczestników. Zwracamy również uwagę, że dobrej jakości dane DSI zostały zebrane w ciągu zaledwie 10 minut dzięki zaawansowanym technikom akwizycji⁷.

1. 3 Skaner MR natężenia pola Tesli: 3T jest niezbędne do uzyskania sygnału wymaganego do skanowania DSI w kierunku kątowym.
2. 32-kanałowa cewka czołowa z matrycą fazową: Do zbierania danych DSI potrzebna jest cewka czołowa o wysokiej czułości i doskonałym stosunku sygnału do szumu. Cewki ośmio- i 12-kanałowe dostarczają mniej sygnału na powierzchni mózgu; W związku z tym 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 nie można zastosować korekcji ruchu do danych DSI, doskonała stabilizacja głowy jest niezbędna do kontrolowania ruchu obiektu. Do stabilizacji głów badanych zaleca się kontrolę ruchu, od wyściółki i taśmy po drążek do gryzienia, worek próżniowy lub maskę termoplastyczną. Więcej niż 2 mm ruchu translacyjnego lub 2° ruchu obrotowego w dowolnym kierunku jest nadmierne i może być uważane za podstawę do wyłączenia danych.
4. Sprzęt do prezentacji FMRI: Do analiz z wykorzystaniem funkcjonalnych nasion wymagany jest dodatkowy sprzęt do skanowania fMRI. W zależności od rodzaju regionów, które mają być zlokalizowane, zwykle obejmuje to wyświetlacz kompatybilny z MR (taki jak system projektora LCD kompatybilny z MR), system reakcji przycisków, system audio i komputer prezentacji eksperymentalnej zsynchronizowany z akwizycją skanera.

2. Procedura skanowania

1. Poinformuj uczestników o charakterze skanów, które mają zostać wykonane i uzyskaj świadomą zgodę. Podkreśl konieczność zminimalizowania ruchów głowy (szczególnie podczas długiego skanowania DSI). Zaproponuj uczestnikom wybór filmu lub innego filmu wideo dla rozrywki podczas skanowania DSI. W przypadku funkcjonalnego skanowania zadań behawioralnych poinstruuj badanych, aby monitorowali ekran pod kątem bodźców istotnych dla zadania i reagowali w razie potrzeby.
2. Po badaniu przesiewowym pod kątem przeciwwskazań do badania MR wygodnie ustabilizuj głowę uczestników za pomocą jednej z metod opisanych powyżej, a następnie wsuń łóżko pacjenta do skanera.
3. Wykonaj wstępne skanowanie zwiadowcze i kalibrację.
4. Ustaw receptę na plasterek dla skanu DSI równolegle do wyimaginowanej linii łączącej przedni i tylny wymiar. Upewnij się, że plastry do skanowania DSI pokrywają cały mózg.
5. Uruchom skanowanie DSI, gdy fotografowany obiekt relaksuje się w skanerze lub ogląda rozrywkę w systemie prezentacji.
6. Natychmiast po zakończeniu skanowania DSI należy pobrać skan anatomiczny T1-zależny (np. MPRAGE) do późniejszego wykorzystania we wspólnej rejestracji (tj. dopasowaniu) danych DSI do innych danych anatomicznych lub funkcjonalnych.
7. Opcjonalnie można zebrać dane fMRI podczas tej samej sesji przy użyciu standardowych sekwencji impulsów EPI.
8. W razie potrzeby przeprowadź skanowanie fMRI w osobnej sesji skanowania. Zbierz MPRAGE w obu sesjach, aby ułatwić współrejestrację zestawów danych.

3. Anatomiczne przetwarzanie MRI

Do analizy powierzchni danych fMRI i automatycznej segmentacji za pomocą FreeSurfer, jak opisano poniżej, wymagany jest obraz anatomiczny o wysokiej rozdzielczości T1 z doskonałym kontrastem między białą a szarą materią. Ten obraz stanowi wspólną przestrzeń odniesienia do analizowania funkcjonalnych i ważonych dyfuzją danych obrazowania. W większości nowoczesnych skanerów MRI obraz ten będzie określany jako obraz MPRAGE (Magnetization Prepared RApid Gradient Echo). Większość nowoczesnych sekwencji MPRAGE może dostarczyć wystarczającą jakość danych w jednym skanowaniu (parametry w Tabeli 1). W razie potrzeby można uśrednić dwa lub więcej skanów, aby poprawić kontrast istoty szarej i białej na potrzeby segmentacji. Poniżej wyjaśniamy, w jaki sposób dane DWI i fMRI, które są zwykle zbierane z różnymi rozmiarami wokseli i różnymi punktami początkowymi, mogą być automatycznie wyrównywane i ponownie próbkowane w celu jednoczesnego oglądania z MPRAGE.

Szczegółowe opisy strumienia przetwarzania anatomicznego MRI FreeSurfer można znaleźć na wiki FreeSurfer (http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki); Dane wyjściowe FreeSurfer obejmują wiele reprezentacji powierzchni korowych, a także parcelację cech anatomicznych kory korowej i segmentację struktur podkorowych. Zalecamy uruchomienie skryptu AFNI/SUMA @SUMA_Make_Spec_FS na wyjściu FreeSurfer, który konwertuje te dane wyjściowe na formaty plików, które można łatwo przetworzyć za pomocą narzędzi z pakietów AFNI/SUMA, FSL, SPM i innych pakietów oprogramowania do neuroobrazowania. Na przykład, korejestracja obrazów może być wykonana za pomocą jednego z kilku programów, takich jak 3dAllineate (AFNI/SUMA), FLIRT (FSL), bbregister (FreeSurfer) lub funkcja SPM Coregister.

1. Wykonaj segmentację anatomiczną i rekonstrukcję powierzchni kory mózgowej, przesyłając obraz anatomiczny zależny od T1 do automatycznego algorytmu FreeSurfer (recon-all).
2. Zaimportuj wyniki przetwarzania FreeSurfer do SUMA za pomocą skryptu @SUMA_Make_Spec_FS. Ten krok tworzy wersje w formacie NIFTI wszystkich woluminów w danych wyjściowych FreeSurfer, w tym znormalizowaną intensywnością, pozbawioną czaszki wersję wejściowego obrazu anatomicznego. Odnosimy się do tego przetworzonego obrazu anatomicznego jako objętości powierzchni, zgodnie z terminologią AFNI/SUMA; wersja NIFTI tego obrazu stworzona przez @SUMA_Make_Spec_FS nazywa się brain.nii.
3. Wyrównaj obraz DSI B0 do wynikowej objętości powierzchni (użyj wersji tego obrazu w formacie NIFTI, o nazwie brain.nii, w katalogu SUMA).
4. Zapisz 12-punktową macierz transformacji afinicznej do użycia w kolejnych korejestracjach.

4. Przetwarzanie funkcjonalnego MRI (fMRI)

Funkcjonalna analiza MRI może zdefiniować obszary zainteresowania (ROI) do generowania lub selekcji włókien post hoc. Można zastosować dowolne sekwencje impulsów obrazowania echoplanarnego (EPI) o parametrach zoptymalizowanych dla konkretnych eksperymentów fMRI. Podobnie, istnieje duża liczba pakietów oprogramowania do przetwarzania i analizy fMRI, takich jak AFNI/SUMA (NIMH, NIH) ^{8, 9}, BrainVoyager (Brain Innovation) ¹⁰, FSL (FMRIB, Uniwersytet Oksfordzki) ^{11, 12} i 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. Aby uzyskać bardziej szczegółowe instrukcje użytkowania, odsyłamy czytelników do doskonałych samouczków i innych materiałów edukacyjnych na stronie internetowej AFNI/SUMA (http://afni.nimh.nih.gov).

Końcowy cel analizy fMRI dla śledzenia światłowodów różni się od standardowych analiz lokalizacji funkcjonalnej, w których często nacisk kładziony jest na znalezienie miejsca maksymalnej aktywacji. Dobra procedura statystyczna wymaga od badaczy wcześniejszego określenia poziomów alfa dla kontrastów statystycznych; Badacze powinni jednak wziąć pod uwagę fakt, że wybór progów statystycznych będzie miał wpływ na przestrzenny zakres aktywacji funkcjonalnej, a tym samym na zasięg pól zakończenia światłowodu.

1. Skoryguj ruch głowy obiektu w danych fMRI każdej osoby, używając średniego obrazu z pierwszego uruchomienia skanera jako obrazu referencyjnego.
2. Opcjonalnie wykonaj korektę czasu akwizycji wycinka, szczególnie w przypadku korzystania z szybkiego projektu zadania związanego ze zdarzeniami.
3. Korygowanie różnic między przebiegami w linii bazowej sygnału poprzez normalizację szeregów czasowych dla każdego woksela w każdym przebiegu.
   1. Wyraź szereg czasowy każdego woksela jako procentową zmianę w stosunku do średniej tego woksela w czasie dla danego przebiegu, używając programu, takiego jak 3dcalc (AFNI/SUMA) lub fslmaths (FSL).
   2. Alternatywnie, przekształć z szeregi czasowe każdego woksela dla każdego przebiegu, w oparciu o średnią sygnału i odchylenie standardowe w czasie.
4. Współrejestruj każdy przetworzony przebieg EPI w zestawie danych Surface Volume (brain.nii) wygenerowanym przez FreeSurfer (patrz wyżej).
5. Łącz wszystkie przebiegi EPI w czasie dla danej osoby.
6. Odwzorowuj każdy przebieg EPI na powierzchnię za pomocą 3dVol2Surf (AFNI/SUMA), tworząc zestaw danych powierzchni NIML dla każdego przebiegu.
   1. Użyj gładkich powierzchni istoty białej i powierzchni pial jako powierzchni odniesienia dla mapowania; można je traktować jako reprezentujące odpowiednio granicę szarości i istoty białej oraz powierzchnię kory mózgowej.
   2. Uśrednij sygnał na odległość między tymi dwiema powierzchniami.
7. Opcjonalnie wygładź dane EPI na powierzchni kory mózgowej za pomocą SurfSmooth (AFNI/SUMA).
8. Utwórz osobne regresory dla epok czasu odpowiadających każdemu z warunków eksperymentalnych przedstawionych badanemu.
9. Prześlij te regresory (wraz z regresorami niebędącymi interesującymi elementami) do ogólnej analizy danych funkcjonalnych za pomocą ogólnego modelu liniowego (GLM).
10. Porównaj wagi beta dla różnych regresorów, aby uzyskać "funkcjonalną mapę" wartości statystycznych na całej powierzchni
11. Opcjonalnie wprowadź wartości wagi beta dla wielu uczestników do analizy wariancji na poziomie grupy (ANOVA), jeśli używasz modelu silniowego.
12. Wyprowadź progowe mapy funkcjonalne, aby wyświetlić statystycznie istotne efekty, stosując rodzinny współczynnik błędów (teoria losowego pola Gaussa) ¹⁴ lub korektę współczynnika fałszywych odkryć (FDR) ^{15, 16} w celu skorygowania wielokrotnych porównań.
13. Utwórz obszary zainteresowania (ROI), które zostaną później wykorzystane do rozsiewania traktografii, z sąsiadujących regionów o znaczącej aktywacji funkcjonalnej na powierzchni, oznaczając każdy oddzielany obszar.
    1. Automatycznie segmentuj i oznaczaj zwrot z inwestycji za pomocą algorytmu klastrowania przestrzennego, takiego jak SurfClust (AFNI/SUMA).
    2. Alternatywnie, ręcznie narysuj ROI, korzystając z funkcji SUMA Draw ROI.
14. Zwiększ ROI na istotę białą za pomocą 3dSurf2Vol (AFNI/SUMA), aby zmaksymalizować kontakt z liniami usprawniającymi podczas traktografii.
    1. Podobnie jak w kroku 6, do mapowania należy użyć gładkiej masy białej i powierzchni pial.
    2. Ustaw f_p1_fr = -0,5, aby zwiększyć ROI poniżej granicy istoty szarej/białej o 50% grubości istoty szarej w każdym węźle powierzchni.
    3. Ustaw f_pn_fr=1, aby zwiększyć ROI w kierunku przeciwnym do powierzchni pionowej.
15. Użyj programu AFNI cat_matvec, aby znaleźć odwrotność 12-punktowej macierzy transformacji afinicznej wygenerowanej podczas wyrównywania obrazu B0 do objętości powierzchni (brain.nii).
16. niiZastosuj odwróconą macierz do funkcjonalnych ROI, aby dopasować je do danych DSI.

5. Przetwarzanie danych obrazowania ważonego dyfuzją

Obrazowanie ważone dyfuzją to ogólny termin dla technik obrazowania istoty białej, obejmujący wiele różnych kombinacji metod pozyskiwania i rekonstrukcji danych. Być może najczęściej stosowana metoda, określana jako obrazowanie tensora dyfuzji (DTI) ^{17, 18}, opiera się na 5-10 minutach zbierania danych, mierząc dyfuzję w 6 lub 12 kierunkach. Na podstawie tych danych wzorce dyfuzji są zwykle modelowane za pomocą prostego modelu tensorowego, który najlepiej nadaje się do wykrywania pojedynczego dominującego kierunku dyfuzji. To ograniczenie oznacza, że DTI nie sprawdza się dobrze w przypadku światłowodów obrazowych, które krzyżują się lub "całują" w jednym punkcie. Krzyżujące się i całujące włókna są lepiej wykrywane dzięki połączeniu metod akwizycji i rekonstrukcji o wysokiej rozdzielczości, takich jak obrazowanie dyfuzyjne o wysokiej rozdzielczości kątowej (HARDI) ^19-21, obrazowanie widma dyfuzyjnego (DSI) ^{1, 2} i uogólnione obrazowanie q-ball (GQI) ^22-24.

Do uzyskania przedstawionych tutaj wyników użyto 257-kierunkowej, wielopowłokowej sekwencji DSI uruchomionej na skanerach Siemens 3T (parametry w Tabeli 1). Pozyskane dane zrekonstruowano za pomocą metody GQI²⁴, która modeluje wzorce dyfuzji w każdym wokselu za pomocą funkcji rozkładu orientacji (ODF), która może wykryć jednoczesną dyfuzję w wielu kierunkach. Inne sekwencje dyfuzyjne o wysokiej rozdzielczości kątowej powinny dawać podobne wyniki. Należy pamiętać, że prawidłowa rekonstrukcja ODF wymaga od badacza wprowadzenia tabeli gradientów (nazywanej również tabelą b) do DSI Studio, używanego tutaj programu do przetwarzania i traktografii DWI. (Szczegółową instrukcję obsługi DSI Studio można znaleźć na stronie internetowej oprogramowania, http://dsi-studio.labsolver.org.) W tej tabeli wymieniono kierunek gradientu i natężenie pola magnetycznego dla każdej z uzyskanych objętości DWI. Tabela gradientów zależy od protokołu akwizycji MR i jest automatycznie wyodrębniana z obrazów DICOM przez DSI Studio. Zalecamy jednak, aby badacze porównali tę automatycznie wyodrębnioną tabelę gradientów ze standardową tabelą dla protokołu DWI skanera.

1. W razie potrzeby przekonwertuj obrazy MR do formatu .dcm (DICOM) za pomocą mri_convert (FreeSurfer).
2. Określ, które obrazy w zbiorze danych są obrazami B0 (tj. obrazami echo-planarnymi zebranymi bez ważenia dyfuzyjnego).
3. Konwertuj obrazy B0 do formatu NIFTI za pomocą programu AFNI na3d.
4. W DSI Studio otwórz obrazy DICOM i połącz je, aby utworzyć plik źródłowy (.src).
5. Podaj tabelę nachylenia (patrz wyżej).
6. Sprawdź, czy domyślna maska rekonstrukcji obejmuje całą istotę szarą, bez wliczania pustej przestrzeni, czaszki lub tkanki innej niż mózgowa. W razie potrzeby edytuj maskę.
7. Alternatywnie można utworzyć maskę rekonstrukcyjną, uruchamiając program AFNI 3dAutomask na obrazie B0.
8. Wybierz model rekonstrukcji w wysokiej rozdzielczości: DSI, GQI lub wariant GQI.
9. Utwórz plik informacji o włóknach (.fib), aby reprezentować główne kierunki dyfuzji w każdym wokselu.

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

Śledzenie włókien za pomocą nasion całego mózgu to szybki i skuteczny sposób oceny ogólnej jakości danych. Jest to również okazja do określenia odpowiednich wartości dla parametrów globalnych, w szczególności progu anizotropii stosowanego jako kryterium zatrzymania w traktografii. Ta procedura jest konieczna, aby zachować równowagę między poprawą zasięgu w procesie śledzenia światłowodów a redukcją szumów. Szczególną ostrożność należy zwrócić na ustawienie kluczowych parametrów śledzenia, takich jak próg kąta i progi śledzenia.

Ważne jest, aby zauważyć, że względna anizotropia różnych dróg może się różnić między osobami, w zależności od czynników biologicznych, takich jak wiek i integralność istoty białej, a także czynników zewnętrznych, takich jak kalibracja sprzętu między sesjami. Poniżej sugerujemy wiele metod równoważenia progów śledzenia między zestawami danych. Przez cały czas sprawdzaj jakość wyników śledzenia, porównując je ze znaną neuroanatomią. Na przykład włókna, które przecinają szczelinę międzypółkulową poza znanymi połączeniami międzypółkulowymi (tj. ciało modzelowate, spoidła przednie i tylne) mogą wskazywać, że próg śledzenia jest zbyt niski i powinien zostać podniesiony, lub mogą być dowodem na artefakty ruchu głowy.

W przeciwieństwie do progu śledzenia, próg kąta powinien być niezmienny dla danej osoby podczas sesji, ponieważ odcinki światłowodowe nie zmieniają krzywizny w krótkim okresie, jeśli w ogóle. Podobnie, krzywizna dróg moczowych powinna być względnie stała u poszczególnych osób, przy braku większych różnic w wielkości lub morfologii mózgu. Niemniej jednak należy zachować ostrożność przy ustawianiu początkowych wartości tego parametru. Włókna, które podążają nieprawdopodobnymi trajektoriami, takimi jak zakręty typu hairpin, mogą wskazywać, że próg kąta jest zbyt wysoki.

1. Stwórz region zalążkowy całego mózgu.
2. Ustaw początkową wartość progu śledzenia, aby zamaskować woksele o niskim sygnale.
3. Ustaw próg kąta, aby umożliwić światłowodom zakrzywienie do n stopni w jednym kroku.
4. Ustaw rozmiar kroku śledzenia w mm.
5. Ustaw żądaną liczbę włókien lub punktów wysiewu.
6. Wykonaj traktografię całego mózgu, aby sprawdzić ogólną jakość rekonstrukcji ODF.
7. Aby rozpocząć, wybierz medianę (w różnych zestawach danych) próg śledzenia.
   1. Załaduj plik trk obejmujący cały mózg do TrackVis, programu do wizualizacji i analizy dróg światłowodowych (Martinos Center for Biomedical Imaging, Massachusetts General Hospital) ²⁵.
   2. Załaduj woluminy istoty szarej (GM) w katalogu SUMA (lh/rh.ribbon.nii) jako ROI.
   3. Ustaw ROI GM jako filtry w grupie ścieżek, akceptując tylko włókna, które mają jeden z końców jednego z ROI.
   4. Sprawdź, czy większość włókien (90-100%) w pliku trk pozostaje w filtrowanej grupie ścieżek.
   5. Powtórz tę czynność w razie potrzeby, za każdym razem dostosowując próg śledzenia w DSI Studio.
8. Następnie sprawdź, czy próg śledzenia maskuje woksele w pustej przestrzeni (tj. wokół krawędzi mózgu i w przestrzeni intragyralnej) bez usuwania wokseli, które wyraźnie leżą w istocie białej.
9. Opcjonalnie należy zrównoważyć próg śledzenia w różnych zestawach danych (tj. różnych sesjach i/lub uczestnikach).
   1. Ustaw żądany próg śledzenia w jednym zestawie danych za pomocą interfejsu DSI Studio.
   2. Zmień nazwę pliku .fib utworzonego przez DSI Studio na rozszerzenie .mat i zaimportuj do MATLAB, zgodnie z instrukcjami na stronie internetowej DSI Studio (http://dsi-studio.labsolver.org).
   3. Utwórz histogram wartości, które chcesz określić jako próg.
   4. Przekonwertuj wartości mapy na wskaźniki Z.
   5. Znajdź wskaźnik Z progu śledzenia, który początkowo ustawiłeś w interfejsie DSI Studio.
   6. Wykonaj kroki od b do d dla wszystkich innych zestawów danych, znajdując próg śledzenia odpowiadający wskaźnikowi Z znalezionemu w kroku e.
   7. W ramach kontroli krzyżowej dla kroków a-f śledź zestaw włókien kontrolnych z anatomicznego ROI na biegunie potylicznym z 500 000 nasion.
   8. Sprawdź, czy ta procedura wytwarza w przybliżeniu taką samą liczbę włókien w zestawach danych (+- 100 włókien).

7. Lokalnie ograniczona traktografia

W przeciwieństwie do traktografii całego mózgu, traktografia ograniczona lokalnie wykorzystuje operacje logiczne oparte na ROI, takie jak określanie objętości, przez które włókna muszą lub nie mogą przechodzić. W rezultacie, lokalnie ograniczona traktografia zapewnia wyższą czułość i większą kontrolę nad śledzeniem wybranych włókien będących przedmiotem zainteresowania. Traktografia całego mózgu nie pozwala na próbkowanie przestrzeni możliwych punktów zalążkowych ze względu na wysokie koszty obliczeniowe operacji wysiewu i ograniczoną pamięć grafiki komputerowej. (Możliwe, że ograniczenia te zostaną złagodzone w przyszłości ze względu na zmiany w algorytmach traktograficznych, zwiększoną pojemność pamięci lub inne czynniki). W wyniku niedostatecznego próbkowania, traktografia całego mózgu często daje wyniki, które są stronnicze w kierunku dominujących szlaków dyfuzji w mózgu. Dostarczane przez użytkownika zwroty z inwestycji rozwiązują ten problem, zapewniając ograniczone regiony docelowe o dużej gęstości punktów zasiewowych, co ułatwia przechwytywanie trudnych do wykrycia odcinków światłowodowych.

1. Utwórz region zalążkowy całego mózgu w DSI Studio.
2. Załaduj jeden lub więcej plików NIFTI z regionem zainteresowania (ROI).
3. Opcjonalnie załaduj plik regionu unikania (ROA), aby wskazać woksele, przez które włókna NIE powinny przechodzić.
4. Ustaw próg anizotropii i próg kąta zgodnie z powyższym opisem.
5. Wykonaj śledzenie.
6. Sprawdź jakość, porównując ścieżki włókien ze szczegółami anatomicznymi.

8. Analiza gęstości punktów końcowych

1. Załaduj NIfTI ROI i pliki trk do TrackVis.
2. Wykonywanie operacji logicznych między regionami.
3. Zapisz wyniki każdej operacji jako nowy plik trk.
4. Użyj funkcji track_transform (Diffusion ToolKit), aby przestrzennie przekształcić pliki trk do pliku Surface Volume (brain.nii).
5. Załaduj przekształcony plik trk i wolumin powierzchni (brain.nii) do TrackVis, aby przeprowadzić inspekcję.
6. Załaduj pliki trk i ROI do programu MATLAB, aby dokonać ilościowych szacunków łączności.
7. Znajdź środek ciężkości {x/y/z} ROI.
8. Jako jedną z miar łączności oblicz łączną liczbę punktów końcowych światłowodów w ROI, znormalizowaną przez wolumen ROI.
9. Alternatywnie oblicz odległość euklidesową między punktami końcowymi światłowodu a środkiem ciężkości ROI jako miarę specyficzności i spójności połączenia przewodu z tym ROI.

9. Reprezentatywne wyniki

Obrazowanie dyfuzyjne o wysokiej rozdzielczości i traktografia światłowodowa mogą być stosowane do szerokiego zakresu zagadnień neuronaukowych. W tym artykule skupiamy się na szczegółowym opisie sprzężenia metod łączności strukturalnej z neuroobrazowaniem funkcjonalnym. Zwracamy jednak uwagę, że każde zastosowanie DWI wymaga starannej oceny wyników traktografii, biorąc pod uwagę, że protokół pozyskiwania danych, metoda rekonstrukcji i parametry traktografii mogą wywierać znaczący, niezależny wpływ na produkt końcowy. Rycina 5 ilustruje optymalne i nieoptymalne wyniki przy użyciu traktografii całego mózgu. Wszystkie trzy obrazy są oparte na tym samym 257-kierunkowym zestawie danych DWI od jednego uczestnika; Optymalne wyniki są wyświetlane w lewym panelu. Natomiast na środkowym panelu widać wpływ zbyt pobłażliwych parametrów traktografii (FA i progi kątowe). Prawy panel pokazuje spadek jakości, który wynika z użycia modelu z jednym tensorem do rekonstrukcji danych DWI.

Załączamy dwa przykłady tego, jak wyniki traktografii mogą potwierdzać i informować o interpretacji danych obrazowania funkcjonalnego. Eksperymenty te oceniają procesy poznawcze, które pozwoliły na stworzenie funkcjonalnych regionów nasiennych, a mianowicie percepcji twarzy i uwagi wzrokowej. Te regiony zalążkowe mogą być używane do testowania pytań o łączność istoty białej w sieci kognitywnej. Rysunek 6 przedstawia przykład regionów aktywowanych podczas zadania percepcji twarzy. Badani oglądali zdjęcia twarzy i przedmiotów codziennego użytku podczas skanowania fMRI. Dwa obszary brzuszno-skroniowe, w środkowym zakręcie wrzecionowatym (mFG) i dolnym zakręcie potylicznym (IOG), wykazały znacznie silniejsze odpowiedzi BOLD dla twarzy niż dla obiektów. Te dwa funkcjonalnie zdefiniowane regiony zostały następnie wykorzystane jako regiony nasienne podczas traktografii (jak opisano w sekcjach 6-7 powyżej). Rysunek 6A pokazuje dużą wiązkę strumieni włókien (pokazanych na czerwono), które łączą te dwa obszary zainteresowania w płacie skroniowym, na odległość około 12 cm. Zwróć uwagę na ciasne upakowanie włókien i mały stopień krzywizny włókien na tej odległości. Ten wzorzec jest typowy dla połączeń jeden do jednego w funkcjonalnych sieciach na duże odległości (na przykład patrz odnośnik 26). Rysunek 6B przedstawia funkcjonalny obszar ziarna IOG (pokazany na żółto) wraz z punktami końcowymi poszczególnych włókien (czerwone kropki). Punkty końcowe światłowodów znajdują się w całym ROI. Ten wzorzec łączności sugeruje, że te regiony mają bezpośrednie, długodystansowe połączenia, które mogą leżeć u podstaw szybkiej komunikacji w sieci percepcji twarzy.

Nasz drugi przykład (Rysunek 7) pokazuje połączenia między obszarami czuciowymi kory wzrokowej a obszarem kontroli uwagi w tylnej korze ciemieniowej (PPC). W tym przypadku dwa zestawy aktywacji funkcjonalnych (obszar potyliczny i ciemieniowy) zostały wytworzone za pomocą niezależnych zestawów danych fMRI od tych samych osób. Aktywacje ciemieniowe zostały wygenerowane poprzez zadanie przesunięcia uwagi między 6 lokalizacjami w polu widzenia (szczegóły patrz odnośnik ²⁷), podczas gdy regiony potyliczne zdefiniowano za pomocą standardowego mapowania meridianów pola widzenia ²⁸, które wykorzystano do wyznaczenia granic między funkcjonalnymi obszarami nasiennymi kory wzrokowej (V1 - V3). Rysunek 7A pokazuje przybliżone lokalizacje regionów zalążkowych V1, V2 i V3 (odpowiednio czerwony, zielony i niebieski), region zalążkowy PPC oznaczony jako IPS-1 oraz odcinki światłowodowe, które łączą te regiony. Trakty są pokolorowane przez potyliczny ROI, z którego zostały wysiane. W przeciwieństwie do długich, prostych włókien w płacie skroniowym (ryc. 6), te drogi istoty białej pokonują krótszą odległość (zakres 3 - 5 cm), a zatem mają kształt litery U i są mniej ciasno upakowane, gdy przemieszczają się od 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. Zwróć uwagę na segregację odcinków w płacie potylicznym według regionu nasiennego, w przeciwieństwie do dużego stopnia interdigitacji punktów końcowych w IPS-1. Sugeruje to, że nasz region PPC (identyfikowany przez aktywność fMRI podczas zadania selektywnej uwagi) może być obszarem konwergencji mózgu, z strukturalnymi połączeniami z wieloma różnymi węzłami kory czuciowej. Ten wzorzec połączeń może pozwolić na przekazywanie sygnałów odchylających uwagę z wyższych obszarów kory mózgowej w celu modulowania aktywności we wczesnej korze mózgowej; Sygnały te pomagają wzmocnić reprezentacje docelowe w korze wzrokowej^{29, 30}.

Rysunek 1. Schematyczna ilustracja kluczowych pojęć w obrazowaniu dyfuzyjnym (DWI). Panel A: w jednorodnym ośrodku dyfuzja zachodzi losowo w wyniku ruchów Browna. W przypadku dużej liczby cząsteczek wody dyfuzja jest izotropowa - to znaczy zagregowany wzór dyfuzji jest sferyczny. Panel B: dyfuzja cząsteczek wody w aksonach i w szczelinach wiązek aksonalnych jest ograniczona przez ściany aksonów i inne struktury podporowe. Tak więc dyfuzja wzdłuż szlaków włókienniczych jest anizotropowa: jest znacznie większa wzdłuż trajektorii przewodu włóknistego niż w innych kierunkach. Panel C: Metody DWI o wysokiej rozdzielczości wykorzystują modele, takie jak funkcja rozkładu orientacji (ODF), do modelowania dyfuzji anizotropowej w złożonych konfiguracjach dróg istoty białej. Jak widać w tym przykładzie, ODF mogą rozróżniać oddzielne ścieżki dyfuzji dla wielu odcinków światłowodowych krzyżujących się w jednym punkcie. Skrzyżowania obejmujące dwa lub trzy różne szlaki włókien są powszechne w mózgu.

Rysunek 2. Badania nad śledzeniem włókien można przeprowadzić na wiele sposobów. Najważniejszymi wyborami są protokół akwizycji, technika rekonstrukcji i metoda traktograficzna. W niniejszej pracy używamy protokołu obrazowania widma dyfuzyjnego (DSI) ^{1, 2} do akwizycji; uogólnione obrazowanie próbkowania Q (GQI) ²⁴ do rekonstrukcji; i traktografia deterministyczna FACT^{40, 41} . Zwracamy szczególną uwagę na techniki rekonstrukcji bezmodelowej i hybrydowej, które generują funkcje rozkładu orientacji (ODF; patrz rysunek 1) reprezentujące dyfuzję w każdym wokselu. Badacze mogą wybierać różne potoki w zależności od budżetu, dostępnego czasu, potrzeby uzyskania wysokiej rozdzielczości kątowej oraz znaczenia korekcji ruchu głowy i nieliniowych zniekształceń obrazu. Rysunek ten nie jest wyczerpującą listą wszystkich możliwych do zastosowania metod pozyskiwania, rekonstrukcji i traktografii. Zobacz Seunarine & Alexander⁴² dla doskonałego przeglądu technik rekonstrukcji.

Rysunek 3. Interakcje zmiennych akwizycji dyfuzyjnego rezonansu magnetycznego, czas trwania skanowania i zdolność do rozwiązywania przecięć włókien. Wysoki kontrast dyfuzyjny jest niezbędny do rozwiązywania włókien w złożonych konfiguracjach krzyżowania. Kontrast ten zależy od kilku czynników, w tym liczby kierunków gradientu (tj. liczby możliwych orientacji włókien) i wartości b (która wskazuje stopień ważenia dyfuzji). W tym miejscu przedstawiamy typowe efekty zwiększania wartości b oraz liczby kierunków nachylenia. Należy pamiętać, że ta tabela wskazuje tylko trendy, a poszczególne techniki mogą mieć różny wpływ na czas skanowania, stosunek sygnału do szumu (SNR) i kontrast dyfuzyjny. Ogólnie rzecz biorąc, kontrast można poprawić, zwiększając zarówno liczbę kierunków gradientu, jak i wielkość wartości b. Jednak przy wyższych wartościach b stosunek sygnału do szumu w obrazach ważonych dyfuzją jest zmniejszony, a czas skanowania często się wydłuża.

Rysunek 4. Graficzne podsumowanie strumieni przetwarzania anatomicznych rezonansów magnetycznych, dwi-mri i fMRI. Tekst w kolorze czarnym opisuje charakter każdego etapu przetwarzania, natomiast tekst w kolorze zielonym oznacza oprogramowanie, które może być używane. Linie przerywane i pola wskazują opcjonalne kroki, które mogą nie mieć zastosowania do wszystkich projektów. W tym przykładzie przetwarzanie odbywa się w pakiecie AFNI/SUMA (z wyjątkiem sytuacji, w których wskazano DSI Studio lub TrackVis). Porównywalne funkcje w innych pakietach do analizy neuroobrazowania mogą być często zastępowane. Wiele kroków zilustrowanych na tych diagramach zostało częściowo skonsolidowanych przez twórców oprogramowania w wygodne skrypty: w szczególności odsyłamy czytelników do potoku recon-all FreeSurfer (http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable). Zwracamy również uwagę, że kilka pakietów oprogramowania zapewnia kompletne potoki przetwarzania danych DWI; jednak pakiety te różnią się mocnymi i słabymi stronami, a niektóre nie zawierają narzędzi do pracy z danymi dyfuzyjnym MRI o wysokiej rozdzielczości kątowej. Kliknij tutaj, aby zobaczyć większą postać.

Rysunek 5. Ilustracja traktografii całego mózgu z różnymi metodami rekonstrukcji i parametrami traktografii. Wszystkie obrazy pochodziły z tego samego zestawu danych, 257-kierunkowej sekwencji obrazowania widma dyfuzji (DSI) z wieloma wartościami b (7000 s/mm², 5 powłok). Panel A: optymalne wyniki, osiągnięte dzięki zastosowaniu metody rekonstrukcji opartej na ODF o wysokiej rozdzielczości. Wybrano stosunkowo wysoki próg śledzenia wynoszący 0,06, w celu generowania włókien tylko z silnie anizotropowych wokseli; a próg kątowy 55° został wybrany, aby wykluczyć generowanie włókien o biologicznie nierealistycznej krzywiźnie (tj. "pętlowych" włóknach). Zwróć uwagę na wyraźne zarysowanie półkul, oddzielonych podłużną szczeliną; Należy również zwrócić uwagę, w jaki sposób wiązanie włókien przebiega zgodnie z oczekiwanymi konturami bruzd/zakrętów. Panel B: zastosowano tę samą metodę rekonstrukcji, co w (A), ale progi FA i kąta zostały ustalone łagodniej podczas traktografii (odpowiednio 0,03 i 85°). Niewłaściwe parametry śledzenia mogą powodować powstawanie dużej ilości "śmieciowych" włókien, które skrywają prawdziwe informacje o budowie anatomicznej. Patrz Sekcja 5, "Ocena jakości danych i śledzenie parametrów za pomocą traktografii całego mózgu", aby uzyskać porady dotyczące odpowiedniego wyboru parametrów. Panel C: dane zostały zrekonstruowane przy użyciu pojedynczego modelu tensorowego, jednej z najczęściej stosowanych metod w DWI. Przy odpowiednich parametrach śledzenia (takich samych jak A) model z pojedynczym tensorem odtwarza wiele znanych głównych odcinków włókien, a kontury zakrętowe są nieco widoczne w widoku strzałkowym. Jednak generuje również więcej wyników fałszywie dodatnich niż model ODF: zwróć uwagę na włókna poruszające się poziomo przez szczelinę międzypółkulową. Kliknij tutaj, aby zobaczyć większą postać.

Rysunek 6. Traktografia jest wynikiem eksperymentu z percepcją twarzy. Panel (A) pokazuje usprawnienia wynikające z traktografii między funkcjonalnymi ROI zidentyfikowanymi w eksperymencie z percepcją twarzy. Ogólne obszary zakrętu potylicznego dolnego (IOG) i zakrętu środkowego wrzecionowatego (mFG) są oznaczone żółtymi owalami. Panel (B) pokazuje punkty końcowe IOG włókien wskazanych w panelu (A) wyświetlane w powiększonym widoku brzusznym tylnej powierzchni kory skroniowej. Zwrot z inwestycji renderowany na żółto wynikał z eksperymentu funkcjonalnego MRI z percepcją twarzy. Zwróć uwagę na dużą zgodność między funkcjonalnie zdefiniowaną aktywacją a punktami końcowymi światłowodu w IOG. Włókna te śledzą się od mFG, regionu mózgu zaangażowanego w percepcję twarzy. Kliknij tutaj, aby zobaczyć większą postać.

Rysunek 7. Traktografia jest wynikiem eksperymentu z uwagą wzrokową. Panel (A) pokazuje usprawnienia wynikające z traktografii między funkcjonalnymi ROI zidentyfikowanymi w eksperymencie uwagi wzrokowej²⁷. Ogólne obszary tylnej kory ciemieniowej (IPS-1) i kory wzrokowej (V1d, V2d i V3d) są oznaczone kolorowymi owalami. Odcinki włókien są renderowane w odpowiednich kolorach: czerwonym dla V1d, zielonym dla V2d i niebieskim dla V3d. Panel (B) pokazuje punkty końcowe włókien wskazane w panelu (A) wyświetlane na powiększonym widoku bocznym tylnej (ciemieniowej i potylicznej) powierzchni kory mózgowej. Konwencje kolorów są zgodne z konwencjami panelu (A). Obszary zainteresowania wynikające z eksperymentu funkcjonalnego MRI uwagi wzrokowej są wyświetlane na powierzchni kory mózgowej. Wszystkie trzy zestawy szlaków/punktów końcowych zbiegają się w regionie IPS-1, który uważa się, że zawiera priorytetową mapę uwagi wzrokowej, która może być źródłem sygnałów odchylających uwagę do celów w korze wzrokowej. Drogi w IPS-1 są w dużej mierze międzypalcowe, podczas gdy potyliczne końce tych dróg światłowodowych są wyraźnie oddzielone przez obszar kory wzrokowej.

Rezonans magnetyczny Parametry Dsi 257 kierunkowe obrazowanie widma dyfuzyjnego (DSI) przy użyciu dwukrotnie zogniskowanej sekwencji EPI spin-echo i wielu wartości q z czasem 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 muszli) anatomiczny Sekwencja MPRAGE ważona T1 (1 mm x 1 mm x 1 mm, 176 plastrów strzałkowych, TR = 1,870, TI = 1,100, FA = 8°, GRAPPA = 2) Rezonans magnetyczny (fMRI) Sekwencja impulsów obrazowania echoplanarnego (EPI) ważona T2* (31 ukośnych warstw osiowych, rozdzielczość w płaszczyźnie 2 mm x 2 mm, grubość warstwy 3 mm, brak przerwy, czas powtarzania [TR] = 2 000 ms, czas echa [TE] = 29 ms, kąt odwrócenia = 90°, GRAPPA = 2, rozmiar matrycy = 96 x 96, pole widzenia [FOV] = 192 mm)

Tabela 1. Parametry akwizycji neuroobrazowania.

Discussion

DWI o wysokiej rozdzielczości i traktografia światłowodowa zapewniają potężne podejście do badania struktury łącznej ludzkiego mózgu. W tym miejscu przedstawiamy dowody na to, że ta architektura strukturalna jest znacząco związana z funkcją mózgu, ocenianą za pomocą fMRI. Korzystając z nasion traktografii opartych na aktywacji zadania fMRI, znajdujemy dowody na to, że obszary mózgu, które są współaktywne podczas uwagi wzrokowej, są anatomicznie połączone, zgodnie z wcześniejszą wiedzą na temat neuroanatomii funkcjonalnej...