Pomiar łączności w pierwszorzędowej ścieżce wzrokowej w ludzkim albinizmie za pomocą obrazowania tensora dyfuzji i traktografii

Summary

Ten manuskrypt opisuje deterministyczne i probabilistyczne algorytmy rekonstrukcji istoty białej (WM), używane do badania różnic w łączności promieniowania wzrokowego (OR) między albinizmem a kontrolą. Chociaż traktografia probabilistyczna bardziej podąża za prawdziwym przebiegiem włókien nerwowych, przeprowadzono traktografię deterministyczną w celu porównania niezawodności i odtwarzalności obu technik.

Abstract

W albinizmie liczba komórek zwojowych siatkówki (RGC) wystających ipsilateralnie jest znacznie zmniejszona. Siatkówka i skrzyżowanie wzrokowe zostały zaproponowane jako miejsca kandydujące do nieprawidłowego kierowania. Ponieważ wykazano korelację między liczbą neuronów przekaźnikowych jądra kolankowatego bocznego (LGN) a rozmiarem LGN oraz na podstawie wcześniej zgłoszonych zmniejszenia objętości LGN w ludzkim albinizmie, sugerujemy, że projekcje włókien z LGN do pierwszorzędowej kory wzrokowej (V1) są również zmniejszone. Badanie różnic strukturalnych w układzie wzrokowym albinizmu może poprawić zrozumienie mechanizmu błędnego kierowania i późniejszych zastosowań klinicznych. Dane dyfuzyjne i traktografia są przydatne do mapowania OR (promieniowania optycznego). W tym manuskrypcie opisano dwa algorytmy rekonstrukcji sali operacyjnej w celu porównania połączeń mózgowych w albinizmie i grupie kontrolnej. Do uzyskania skanów strukturalnych użyto skanera MRI z 32-kanałową cewką głowicy. Sekwencja 3D-MPRAGE z izotropowym rozmiarem woksela 1 mm³ została wykorzystana do wygenerowania obrazów o wysokiej rozdzielczości do segmentacji V1 metodą T1. Obrazy ważone gęstością wielu protonów (PD) uzyskano koronalnie dla prawej i lewej lokalizacji LGN. Skany obrazowania tensora dyfuzji (DTI) uzyskano z 64 kierunkami dyfuzji. Uruchomiono i porównano zarówno deterministyczne, jak i probabilistyczne metody śledzenia, przy czym LGN jako maska początkowa i V1 jako maska docelowa. Chociaż DTI zapewnia stosunkowo niską rozdzielczość przestrzenną, a dokładne wytyczenie sali operacyjnej może być trudne ze względu na niską gęstość włókien, wykazano, że traktografia jest korzystna zarówno w badaniach, jak i klinicznie. Statystyki przestrzenne oparte na traktach (TBSS) ujawniły obszary znacznie zmniejszonej integralności istoty białej na sali operacyjnej u pacjentów z bielactwem w porównaniu z grupą kontrolną. Porównania parami wykazały znaczne zmniejszenie łączności LGN z V1 w albinizmie w porównaniu z grupą kontrolną. Porównanie obu algorytmów śledzenia ujawniło wspólne wyniki, co wzmocniło wiarygodność tej techniki.

Introduction

Albinizm to choroba genetyczna charakteryzująca się przede wszystkim jawną hipopigmentacją obserwowaną u osób dotkniętych chorobą. Jest to spowodowane dziedzicznymi mutacjami genów biorących udział w syntezie melaniny¹. Albinizm występuje w dwóch głównych formach: albinizm oczno-skórny (OCA), cecha dziedziczona autosomalnie recesywnie, objawiająca się zarówno cechami ocznymi, jak i skórnymi; i albinizm oczny (OA), cecha sprzężona z chromosomem X, bardziej rozpowszechniona u mężczyzn i charakteryzująca się przede wszystkim objawami ocznymi². Melanina w nabłonku barwnikowym siatkówki (RPE) jest kluczowa dla prawidłowego rozwoju centralnego szlaku wzrokowego. Jego brak w bielaczu skutkuje zatem upośledzeniem wzroku, w tym światłowstrętem, oczopląsem, obniżoną ostrością wzroku i utratą widzenia obuocznego^2-3. Ostrość wzroku została powiązana z morfologią dołka centralnego, która jest zmieniona w albinizmie⁴. U ludzi linia odcięcia siatkówki leży wzdłuż granicy nosowo-skroniowej przez dołek centralny, z włóknami z siatkówki nosowej przechodzącymi do drugiej półkuli, a włókna z siatkówki skroniowej rozciągają się ipsilateralnie. Stopień obniżonej funkcji wzrokowej w bielacjonizmie został powiązany z poziomem hipopigmentacji. W szczególności pigmentacja jest odwrotnie proporcjonalna do przesunięcia linii decussacji do siatkówki skroniowej⁵. W wyniku przesunięcia linii dekusacji do siatkówki skroniowej zwiększa się krzyżowanie się włókien nerwu wzrokowego – cecha wspólna dla wszystkich gatunków³.

Badania strukturalnego MRI na ludziach wykazały węższe skrzyżowania wzrokowe w albinizmie w porównaniu do grupy kontrolnej, co jest prawdopodobnie wynikiem zwiększonego krzyżowania RGC obserwowanego w albinizmie^6-8. Siatkówka i skrzyżowanie wzrokowe wyrażają aksonalne wskazówki naprowadzające, takie jak receptory rodziny Eph i ich ligandy⁹, a zatem są miejscami kandydującymi do nieprawidłowego kierowania¹⁰.

Badanie przeprowadzone na małpach z indukowaną jaskrą wykazało znaczny spadek liczby parwalbuminowo-immunoreaktywnych neuronów przekaźnikowych LGN i objętości^{LGN 11}. Sugeruje to korelację między rozmiarem LGN a liczbą trajektorii istoty białej (WM) podróżujących przez OR do V1. Badanie pośmiertne ludzkiego albinizmu wykazało również mniejszy LGN ze stopionymi warstwami M i P¹². Strukturalny rezonans magnetyczny o wysokiej rozdzielczości potwierdził znaczne zmniejszenie objętości LGN w albinizmie⁸. Podsumowując, odkrycia te sugerują, że zmniejszona objętość LGN może skutkować zmniejszeniem liczby neuronów w LGN, a co za tym idzie, zmniejszeniem łączności między LGN i V1.

Badanie wzorców połączeń anatomicznych u ludzi zostało ograniczone. Preparacja, wstrzyknięcie znacznika i indukcja zmian to techniki inwazyjne, które mogą być stosowane tylko post mortem i zwykle obejmują bardzo małą liczbę pacjentów. Wcześniejsze badania z użyciem zastrzyków DiI z barwnika karbocyjaninowego wykazały łączność neuronalną między V1 i V2 (drugorzędowa kora wzrokowa)¹³, a także w obrębie kompleksu hipokampa w pośmiertnych mózgach ludzkich utrwalonych aldehydami¹⁴. Znakowanie włókien w ten sposób jest ograniczone do odległości wynoszących zaledwie kilkadziesiąt milimetrów od punktu wtrysku¹⁴. Obrazowanie tensora dyfuzji, DTI, to metoda MRI opracowana na początku lat 90. XX wieku w celu identyfikacji kierunku i organizacji szlaku światłowodowego. Jest to nieinwazyjna metoda, która pozwala na mapowanie dużych ścieżek WM w żywym mózgu. DTI jest wrażliwy na dyfuzję cząsteczek wody w tkance biologicznej¹⁵. W mózgu dyfuzja wody jest anizotropowa (nierównomierna) ze względu na bariery, takie jak błony i mielina. WM ma wysoką anizotropię dyfuzji, co oznacza, że dyfuzja jest większa równolegle niż prostopadle do orientacji włókien¹⁶. Anizotropia frakcyjna (FA) to wielkość skalarna, która opisuje preferencję cząsteczek do dyfuzji w sposób anizotropowy. Wartości FA wahają się od 0-1, od niskiej do wysokiej anizotropii (płyn mózgowo-rdzeniowy (CSF) 16.

Streamline (deterministyczne) i probabilistyczne śledzenie światłowodów to dwa różne algorytmy do rekonstrukcji ścieżek 3D. Traktografia deterministyczna wykorzystuje metodę propagacji linii, łącząc sąsiednie woksele w zdefiniowanym regionie nasiennym. Dwa kryteria zatrzymania używane w tym algorytmie to kąt skrętu i wartość FA. W związku z tym śledzenie drogi między sąsiednimi wokselami jest mało prawdopodobne przy dużych kątach skrętu. Algorytm będzie zatem postępował również tylko wtedy, gdy FA w wokselu przekroczy określony próg, co ogranicza jego skuteczność w dokładnym definiowaniu ścieżek w pobliżu istoty szarej, gdzie anizotropia spada. Z drugiej strony, traktografia probabilistyczna daje mapę połączeń opisującą prawdopodobieństwo, że woksel jest częścią ciągu między dwoma obszarami zainteresowania (ROI), a tym samym przechodzi w istotę szarą, taką jak V1¹⁷. Za pomocą tej aplikacji MRI można nakreślić kluczowe struktury WM, takie jak sala operacyjna, jak pokazano w poprzednich badaniach^18-20.

To badanie wykorzystuje dane dyfuzyjne i traktografię do zbadania wpływu błędnego kierowania aksonów na połączenia siatkówkowo-genikulo-korowe. Opierając się na wcześniej zgłoszonych zmniejszeniach objętości LGN w ludzkim albinizmie⁸, przewidujemy, że projekcje włókien od LGN do V1 są również zmniejszone (ryc. 1).

Protocol

Oświadczenie etyczne: Obecne badanie zostało zatwierdzone przez Komitet ds. Oceny Uczestników (HPRC) na Uniwersytecie York w Toronto. Wszyscy uczestnicy wyrazili świadomą pisemną zgodę.

1. Przygotowanie do przedmiotu

Uwaga: Jedenastu uczestników z OCA, w wieku 36 ± 4 lat (6 kobiet) porównano z dziesięcioma dopasowanymi wiekowo osobami w wieku od 32 ± 4 lat (6 kobiet). Historia uczestników jest zapisana w Tabeli 1.

1. Poproś każdego uczestnika o wypełnienie i podpisanie formularza zgody, który zawiera wytyczne dotyczące bezpieczeństwa MRI i protokół obrazowania.
2. Dla każdego uczestnika należy zaopatrzyć się w zatyczki do uszu. Ustaw uczestnika na wznak i głowę do przodu w magnesie i punkt orientacyjny nad oczami na poziomie brwi. Zabezpiecz głowę uczestnika poduszkami, aby zmniejszyć ruchy głowy. Daj uczestnikowi ściśniętą żarówkę, aby ostrzec pacjenta.

2. Strukturalne parametry MRI

Uwaga: Wszystkie obrazowania są wykonywane za pomocą 32-kanałowego rezonansu magnetycznego za pomocą 32-kanałowej cewki głowicy. Podczas jednej sesji na temat:

1. Uzyskaj anatomię o wysokiej rozdzielczości T1-ważoną za pomocą sekwencji 3D-MPRAGE obejmującej cały mózg o następujących parametrach: czas akwizycji 4 min 26 s, pole widzenia 256 mm, matryca 256, 192 warstwy o grubości warstwy 1 mm, z wynikową izotropową wielkością woksela 1,0 mm³, TR = 1900 ms, TE (czas echa) = 2,52 ms przy czasie inwersji 900 ms i kącie odwrócenia 9°, 1 średnia, obrazowanie równoległe (iPat GRAPPA, współczynnik przyspieszenia 2).
2. Uzyskać sekwencję DTI obejmującą korę mózgową, z warstwami w orientacji poprzecznej zgodnie z linią spoidła przedniego/spoidła tylnego (AC-PC), stosując następujące parametry: czas akwizycji 8 min 5 sek, pole widzenia 192 mm, matryca 128, woksele 1,5 1,5 mm w płaszczyźnie, 56 sąsiadujących (bez przerwy) warstw o grubości 2 mm, TR = 6900 ms, TE = 86 ms, 64 kierunki, wartość b 1000 s/mm² (obraz referencyjny z niską wartością b 0 s/mm²), 1 średnia, obrazowanie równoległe (iPat GRAPPA) ze współczynnikiem przyspieszenia 3.
3. Uzyskaj 30-40 obrazów zależnych od PD w orientacji koronalnej, równolegle do pnia mózgu, obejmującej od przedniego odcinka mostu do tylnej części wzgórka dolnego.
   1. Użyj sekwencji impulsów Turbo spin echo (FAST spin echo) i następujących parametrów: czas akwizycji 1 min 29 s na skan, pole widzenia 192 mm, matryca 256, 30-40 warstw o grubości 1 mm, wynikowa wielkość woksela 0,75 0,75 1 mm³, TR = 3 000 ms, TE = 22 ms, współczynnik turbo 5, kąt odwrócenia ostrości 120°, 1 średnie, równoległe obrazowanie (iPat GRAPPA) ze współczynnikiem przyspieszenia 2,
      Uwaga: S12 został zeskanowany przy użyciu następujących parametrów: pole widzenia 180 mm, matryca 512, 30 plasterków z plastrami o grubości 1 mm, wynikowy rozmiar woksela 0,4 x 0,4 x 1,0 mm³. Wszystkie inne parametry pozostały bez zmian. Czas akwizycji 2 min 47 sek.
4. Wstępnie przetwarzaj wszystkie skany, konwertując surowy format DICOM na format NIfTI za pomocą programu dcm2nii.

3. Wytyczenie LGN

Uwaga: LGN to mała struktura podkorowa znajdująca się głęboko w mózgu, dlatego do określenia jej anatomicznych granic wymagane są obrazy PD o wysokiej rozdzielczości. Na tych skanach LGN pojawia się jako obszar o dużym natężeniu sygnału w stosunku do otaczających go odcinków WM, co ułatwia jego wykrycie²¹. Zidentyfikowany anatomiczny LGN jest następnie używany jako region nasienny do traktografii.

1. Nie zdając sobie sprawy z przynależności do grupy, ręcznie śledź prawe i lewe maski LGN po trzy razy na uśrednionych obrazach PD interpolowanych do dwukrotnie większej rozdzielczości i połowy rozmiaru woksela (oryginalna matryca 256 x 256, 0,75 x 0,75 x 1 mm³ woksele).
   1. Aby uzyskać obrazy PD o wysokiej rozdzielczości, należy skorzystać z ogólnodostępnej funkcji FLIRT i innych narzędzi programowych w bibliotece oprogramowania FMRIB (FSL, http://www.fmrib.ox.ac.uk/fsl/). Upsamplowanie, łączenie, poprawianie ruchu i uśrednianie obrazów PD dla każdego uczestnika, jak opisano wcześniej w innym miejscu²².
   2. Załaduj obraz PD o wysokiej rozdzielczości do FSLView i kliknij zakładkę Narzędzia, aby wybrać opcję Pojedyncza (lub naciśnij ), aby powiększyć obraz.
   3. Kliknij kartę Plik, aby wybrać opcję Utwórz maskę, a następnie użyj paska narzędzi w lewym górnym rogu ekranu, aby prześledzić LGN w każdym plasterku. W razie potrzeby zmień kontrast obrazu, przeciągając wzdłuż min./maksimum na pasku narzędzi, aby ułatwić wykrywanie LGN.
2. Scal te obszary zainteresowania (ROI) w maskę mediany za pomocą polecenia fslmerge.
3. Połącz maski mediany wszystkich oceniających w jedną maskę mediany za pomocą tego samego polecenia.

4. Segmentacja V1

1. Uruchom polecenie "recon-all" w FreeSurfer23 (v5.3.0) na mózgach w natywnej przestrzeni anatomicznej (obrazy ważone T1) w celu automatycznego przetwarzania.
2. Przekonwertuj odpowiednie dane wyjściowe w nowo utworzonym folderze mri (orig.mgz, brain.mgz, rawavg.mgz, T1.mgz) na NIfTI za pomocą "mri_convert".
3. Użyj ekstrakcji mózgu BET w graficznym interfejsie użytkownika FSL, aby w razie potrzeby skorygować mózg wyjściowy (brain.nii.gz) pozbawiony czaszki w przestrzeni FreeSurfer. Wybierz opcję Uruchom standardową ekstrakcję mózgu za pomocą bet2 (domyślnie). Obniż próg, jeśli na obrazie brakuje tkanki mózgowej, lub zwiększ, jeśli przechwytywana jest tkanka inna niż mózgowa (próg domyślny 0,5). Wybierz Wyjściowy obraz wyodrębniony z mózgu i Wyjściowy binarny obraz maski mózgu (ten ostatni może być używany do ręcznych korekt) w opcjach zaawansowanych.
4. Konwertuj partykulację wyjściową V1 na maskę wolumetryczną za pomocą poleceń "label2surf" i "surf2volume".

5. Rejestracje przed śledzeniem

Uwaga: Aby wykonać następne kroki, wywołaj GUI FSL, aby otworzyć każde z poniższych narzędzi.

1. Użyj ekstrakcji mózgu BET i wybierz opcję Oczyszczanie pola uprzedzeń i szyi, aby usunąć rawavg.nii.gz z czaszki, znajdującą się w folderze MRI utworzonym przez "recon-all". W razie potrzeby dostosuj próg.
2. Uruchom rejestrację liniową FLIRT, aby przenieść mózgi do FreeSurfera i natywną przestrzeń anatomiczną do przestrzeni dyfuzyjnej.
   1. Wybierz brain.nii.gz, wynik rekonesansu (przestrzeń FreeSurfer) lub mózg badanego wyodrębniony T1 (natywna przestrzeń anatomiczna) jako obraz wejściowy oraz obraz z korekcją Eddy'ego i wyodrębniony przez mózg dyfuzją ważoną (DWI) jako obraz referencyjny. Następnie kliknij "Idź".
      Uwaga: Ten krok tworzy dwa wyjścia, mózg wejściowy zarejestrowany w obrazie referencyjnym (.nii.gz) i macierz transformacji (.mat). Oprócz rejestracji, ten ostatni plik jest wymagany do traktografii, gdy przestrzeń zalążkowa nie jest dyfuzją. Użyj macierzy transformacji wyjściowej (.mat) utworzonych w tym kroku dla traktografii, jak wyjaśniono w 7.4.2.
3. Podobnie jak w wersji 5.2, uruchom rejestrację liniową FLIRT, aby przenieść mózgi uczestników z chorobą Parkinsona do przestrzeni FreeSurfer i natywnej przestrzeni anatomicznej.
4. Przygotuj maski nasienne do traktografii:
   1. Zastosuj transformację FLIRT z Utils w przyborniku rejestracji liniowej FLIRT. Użyj wyjścia .mat jako macierzy transformacji, oryginalnej maski LGN jako danych wejściowych i brain.nii.gz (przestrzeń FreeSurfer) lub T1_brain.nii.gz (natywna przestrzeń anatomiczna) (patrz 5.2) jako objętości referencyjnej. Wybierz metodę interpolacji najbliższego sąsiada z opcji zaawansowanych.
5. Korzystając tylko z plików brain.nii.gz, przygotuj maski docelowe do traktografii:
   1. Zarejestruj mózgi FreeSurfer w natywnej przestrzeni anatomicznej i stwórz maski docelowe, stosując transformację do masek V1 (patrz 5.2, 5.4.1) przy użyciu interpolacji Tri-Linear. Kliknij "Przejdź".

6. Normalizacja LGN

1. Użyj nieliniowej rejestracji FNIRT, jak opisano wcześniej na http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FNIRT, aby przenieść niewyekstrahowane mózgi uczestników z natywnej przestrzeni anatomicznej do przestrzeni MNI, używając szablonu całego mózgu Instytutu Neurologicznego w Montrealu (MNI152).
   Uwaga: Na tym etapie zalecana jest nieliniowa rejestracja oryginalnych obrazów anatomicznych, ponieważ rejestracje były dokładniejsze, gdy FNIRT zastosowano do niewyekstrahowanych T1 w porównaniu z FLIRT na wyekstrahowanych mózgach.
2. Zastosuj transformację do masek LGN w przestrzeni anatomicznej (oryginalny LGN wcześniej przekształcony w natywną przestrzeń anatomiczną w 5.4) przy użyciu interpolacji najbliższego sąsiada, jak opisano w 5.4.1, aby przenieść maski do przestrzeni MNI.
3. Uśrednij wszystkie maski LGN w przestrzeni MNI w obu grupach za pomocą polecenia "3dMean" AFNI.
4. Użyj "fslmaths -thr", aby zastosować próg do średniej maski w przestrzeni MNI.
5. Oblicz promień średniej maski w przestrzeni MNI za pomocą V = 4/3πr³ (załóżmy, że jest to kula).
6. Zapisz współrzędne środka masy każdej pojedynczej maski LGN w natywnej przestrzeni anatomicznej za pomocą polecenia "fslstats -C".
7. Twórz sferyczne zwroty z inwestycji o identycznych wolumenach u wszystkich uczestników:
   1. Użyj "fslmaths", aby utworzyć punkt ROI ze współrzędnymi odpowiedniej indywidualnej maski LGN w natywnej przestrzeni anatomicznej, jak zapisano w 6.6
   2. Korzystając z "fslmaths", zastosuj promień średniej maski w przestrzeni MNI, aby utworzyć sferę wokół punktu ROI w natywnej przestrzeni anatomicznej.
8. Użyj tych standardowych masek jako nasion do traktografii.

7. Traktografia probabilistyczna (FSL 5.0.4)

Uwaga: Aby uzyskać następne kroki, zadzwoń do Fdt_gui, aby uzyskać dostęp do każdego z poniższych narzędzi.

1. Korekcja zniekształceń w DWI za pomocą korekcji prądów wirowych. Wybierz opcję Korekcja prądów wirowych z menu w górnej części okna Diffusion Toolbox i prześlij DWI jako dane wejściowe, pozostawiając domyślną wolumin odniesienia (0).
2. Mózg wyodrębnia obrazy za pomocą BET zgodnie z opisem w 4.3.
3. Wybierz z menu opcję Tensory dyfuzji DTIFIT Reconstruction. Określ katalog wejściowy zawierający następujące pliki: dane ważone dyfuzją, nodif_brain_mask (dane wyjściowe BET), bvec i bval (należy zmienić nazwę na bvecs i bvals; pliki tekstowe zawierające informacje o parametrach akwizycji obrazu dyfuzyjnego, wyjście konwersji danych dyfuzyjnych DICOM na NIfTI). Kliknij "Przejdź", aby uruchomić dtifit, który pasuje do modelu tensora dyfuzji dla każdego woksela, tworząc pliki do przetwarzania końcowego.
4. Następnie należy wybrać z menu opcję BedpostX (estymacja parametrów dyfuzji). Użyj tego samego katalogu wejściowego, co w przypadku DTIFIT. Kliknij "Przejdź", aby wygenerować wszystkie pliki wymagane do traktografii.
5. Z tego samego menu wybierz ProbtrackX do śledzenia probabilistycznego i uruchom go dla każdej półkuli osobno. Zachowaj domyślne opcje podstawowe (5 000 próbek, zastosowana krzywizna 0,2 i kontrola pętli) i wybierz zmodyfikowaną Eulera do obliczania probabilistycznych linii z opcji zaawansowanych w celu zwiększenia dokładności.
   1. Wybierz dane wyjściowe BedpostX zawierające pliki .merged jako katalog BEDPOSTX.
   2. Wybierz pojedynczą maskę jako przestrzeń początkową i załaduj przekształconą maskę LGN (w natywnej przestrzeni anatomicznej) jako obraz zarodkowy, T1 (mózg w natywnej przestrzeni anatomicznej) do macierzy transformacji dyfuzji jako ziarno do transformacji dyfuzyjnej i V1 (w natywnej przestrzeni anatomicznej) do "opcjonalnych celów" (wszystkie oprócz masek wykluczających) jako cel.
   3. Użyj domyślnej konwencji siatki (Caret) i załaduj mózg w natywną przestrzeń anatomiczną (obraz T1) jako obraz odniesienia powierzchni.
6. Powtórz ProbtrackX dla śledzenia probabilistycznego, używając standardowych sferycznych ROI (utworzonych w kroku 6) jako regionów początkowych dla traktografii, jak opisano w 7.5.2. Przesyłanie ROI w ten sam sposób, w jaki przekształcone LGN (przestrzeń anatomiczna) zostało przesłane w 7.5.2.
7. Ponownie uruchom traktografię (7.5), tym razem z maskami początkowymi (nieznormalizowanymi) i docelowymi w przestrzeni FreeSurfer z dodatkiem kontralateralnej maski granicznej istoty białej FreeSurfer jako maski wykluczającej, aby uniknąć krzyżowania się i zapewnić bezpośrednie połączenia ipsilateralne. Zaznacz opcję Powierzchnia w przyborniku ProbtrackX i wybierz FreeSurfer jako konwencję siatki.
   Uwaga: Ważne jest, aby podkreślić, że traktografia jest zawsze uruchamiana z przestrzeni dyfuzyjnej, ale Probtrackx do śledzenia probabilistycznego umożliwia wprowadzanie masek początkowych i docelowych w innej przestrzeni, wraz z macierzą transformacji do przestrzeni dyfuzyjnej. W tym badaniu przeprowadzono probabilistyczną traktografię z maskami zarówno w natywnej przestrzeni anatomicznej, jak i FreeSurfer (ryc. 2).

8. Traktografia deterministyczna (DSI Studio)

1. Otwórz obrazy z korektą dyfuzyjną Eddy w DSI Studio²⁴, klikając Krok 1: Otwórz obrazy źródłowe. Załaduj pliki bvec i bval do okna b-table, które jest automatycznie otwierane w celu utworzenia pliku źródłowego (.src).
2. Załaduj wygenerowane pliki źródłowe do okna rekonstrukcji, aby w razie potrzeby zmodyfikować domyślne zrekonstruowane maski mózgu.
3. Następnie wybierz DTI jako metodę rekonstrukcji²⁵ i uruchom ją na plikach źródłowych, aby utworzyć pliki informacji o światłowodach (.fib).
4. Przenieś mózgi uczestników PD do przestrzeni dyfuzyjnej za pomocą rejestracji liniowej FLIRT.
5. Zastosuj transformację do masek LGN przy użyciu interpolacji najbliższego sąsiada, jak opisano w 5.4.1.
6. Otwórz pliki .fib w oknie śledzenia programu.
7. Uruchom śledzenie dla każdej półkuli osobno, używając LGN w przestrzeni dyfuzyjnej jako zalążka i regionu 17 (V1) z atlasu Brodmanna dostępnego w DSI Studio jako regionu końcowego. Załaduj maskę LGN, klikając kartę Regiony i otwórz region. Wybierz opcję Seed (Inicjator) w obszarze Type (Typ) w polu Region List (Region) po lewej stronie ekranu. Aby załadować maskę V1 z atlasu, kliknij Atlas na pasku narzędzi na Liście regionów i wybierz odpowiedni atlas.
8. W każdym przebiegu ustaw kontralateralną maskę WM (nazwaną lewą/prawą-materią-białą-mózgową) z atlasu segmentacji FreeSurfer (patrz pole Lista regionów w oknie śledzenia) jako region unikania (ROA).
9. Powtórz śledzenie (8.7-8.8) przy użyciu sferycznych ROI w przestrzeni dyfuzyjnej zamiast pojedynczych LGN jako regionów nasiennych dla tractografii.
   Uwaga: Sferyczne ROI mają taką samą objętość dla wszystkich obiektów i są wyśrodkowane na środku masy każdego LGN.
10. Powtórz normalizację LGN, sekcja 6, tylko tym razem rejestrując mózgi w przestrzeni dyfuzyjnej do standardowej przestrzeni MNI i stosując transformacje do LGN w przestrzeni dyfuzyjnej (oryginalny LGN wcześniej przekształcony w przestrzeń dyfuzyjną w 8.4-8.5), aby wprowadzić maski do standardowej przestrzeni MNI. Oblicz objętość sferycznego ROI jako średnią objętość wszystkich LGN na wszystkich obiektach w przestrzeni MNI.
    Uwaga: Parametry śledzenia mogą być modyfikowane przez użytkownika. W przypadku większości przebiegów zastosowano domyślne parametry śledzenia. Dla niektórych osób (A5, A7, S12) próg anizotropii (domyślnie 0,14-0,15) został obniżony (0,10-0,12), a próg kątowy (domyślnie 60) został zwiększony (65-85) dla lepszej wizualizacji. Schemat techniki przedstawiono na rysunku 3.

9. Analiza statystyczna – TBSS (FSL)

Uwaga: Statystyki przestrzenne oparte na traktach to wokselowa analiza statystyczna map FA uczestników16 uzyskanych za pomocą dtifit26. Jest szeroko stosowany do statystyk danych dyfuzyjnych. To wokselowe podejście przezwycięża potencjalne problemy z wyrównaniem i wygładzaniem obserwowane w analizie FA w stylu VBM i zapewnia badanie całego mózgu, nieosiągalne za pomocą podejść opartych na traktografii16.

1. Uruchom "tbss_1_preproc" na danych FA znajdujących się w nowo utworzonym katalogu TBSS.
2. Uruchom "tbss_2_reg" – T, aby zastosować rejestrację nieliniową, przenosząc dane FA każdego uczestnika do wspólnej przestrzeni (FMRIB58_FA, obraz docelowy w TBSS).
3. Utwórz średni szkielet FA ze środkami wszystkich wspólnych traktów wśród uczestników za pomocą "tbss_3_postreg -S".
4. Uruchom "tbss_4_prestats 0.2", aby wyświetlić wyrównaną mapę FA każdego uczestnika na średnim szkielecie wszystkich wyrównanych map FA.
5. Utwórz pliki design.con i design.mat, upewniając się, że kolejność macierzy jest zgodna z kolejnością, w jakiej TBSS wstępnie przetworzył dane FA.
6. Uruchom "randomizację", używając opcji T2, która jest zalecana dla TBSS, ponieważ działa na szkielecie (zredukowany podzbiór danych 3D) i 5,000 premutacji, co daje dokładniejsze wartości p.

10. Analiza statystyczna – SPSS

1. Wyodrębnianie wartości FA z danych deterministycznych
   Uwaga: Deterministyczne wartości FA zostały uzyskane z plików tekstowych statystyk wyjściowych DSI Studio. Wartości te reprezentują średnią FA w obrębie wygenerowanych odcinków, które w tym przypadku odpowiadają regionowi OR.
   1. Uruchom śledzenie światłowodu w DSI studio.
   2. Zapisz pliki tekstowe 'statistics' utworzone przez DSI Studio dla każdego wygenerowanego zestawu traktów i zapisz z nich wartości 'średniej FA'
   .
2. Wyodrębnianie wartości FA z danych probabilistycznych
   Uwaga: Wartości FA oparte na probabilistach pochodzą z plików fdt_paths wyjściowych ProbtrackX2. Są to obrazy gęstości dróg 3D, które w tym badaniu obejmują obszar odpowiadający sali operacyjnej.
   1. Użyj rejestracji liniowej FLIRT, aby przenieść pliki fdt_paths każdego uczestnika do przestrzeni dyfuzyjnej.
   2. Binaryzuj maski wyjściowe za pomocą "fslmaths - bin".
   3. Dla każdego uczestnika pomnóż maskę przez jego mapę FA z dtifit za pomocą "fslmaths -mul".
   4. Uruchom komendę "fslmeants", aby znaleźć średnią FA z każdej maski traktu.
3. Przeprowadzanie analiz za pomocą SPSS (przy użyciu metod deterministycznych i probabilistycznych
   Dane)
   Uwaga: Analiza statystyczna jest wykonywana przy użyciu programu SPSS 20 for Mac. Ponieważ półkula jest zmienną wewnątrzprzedmiotową, stosuje się uogólniony model liniowy (GENLIN), za pomocą którego można przyjrzeć się efektom po każdej stronie mózgu osobno. W szczególności stosuje się uogólnione równanie estymujące (GEE).
   1. W oddzielnych testach ustaw każdą ze średnich FA i liczbę usprawnień (waytotal lub generowane procentowo strumienie, PGSL) jako zmienną zależną.
      Uwaga: W tym badaniu liczba usprawnień jest oparta na wartościach całkowitych. Waytotal opisuje całkowitą liczbę wygenerowanych usprawnień, które nie zostały odrzucone przez kryteria włączenia/wykluczenia²⁷. Liczba wygenerowanych strumieni (NGSL), która odnosi się do całkowitej liczby wysłanych strumieni, jest równa liczbie wokseli w masce wyjściowej pomnożonej przez liczbę próbek pobranych z każdego woksela (w tym przypadku 5 000). Procent wygenerowanych strumieni (PGSL), waytotal podzielony przez NGSL razy 100, jest miarą udanej łączności między ziarnem a celem.
   2. Zbadaj wpływ grupy i płci na łączność LGN z V1, ustawiając je jako zmienne niezależne we wszystkich testach.
      Uwaga: Badano główne efekty oraz interakcje dwu- i trójkierunkowe. Ważne jest, aby pamiętać, że te poszczególne testy nie są ze sobą uwarunkowane, więc znaczenie jednego głównego efektu lub interakcji jest niezależne od drugiego.
   3. Używaj wieku jako współzmiennej we wszystkich testach. Należy również użyć objętości LGN jako współzmiennej dla testów, w których średnimi FA i waytotal są zmiennymi zależnymi, ale pomiń ją w testach z PGSL jako zmienną zależną.
      Uwaga: Stwierdzono, że całkowita objętość mózgu jest nieistotną zmienną towarzyszącą i dlatego została pominięta w statystykach.
   4. Wybierz metodę korekcji Bonferroniego, aby skorygować dla wielokrotnych porównań²⁸ (poziom istotności p <0,05).

Results

Ta sekcja zawiera podsumowanie wyników uzyskanych przy użyciu dwóch różnych algorytmów traktografii, deterministycznego i probabilistycznego. Objętości LGN w przestrzeni PD, w której pierwotnie narysowano maski, jak również we wszystkich innych przestrzeniach użytych w tym badaniu, są zapisane w Tabeli 2, a śledzenie LGN zilustrowano na Rysunku 4. Przedstawione tutaj wyniki są oparte na przebiegach, w których jako zwrot z inwestycji LGN w...

Discussion

Spodziewano się zmienionego WM, a dokładniej zmniejszonej łączności w albinizmie w porównaniu z grupą kontrolną. Tak więc zmniejszone FA w prawej półkuli albinizmu w porównaniu z grupą kontrolną, a także zmniejszona łączność u mężczyzn z albinizmem zgłoszone tutaj są zgodne z naszymi przewidywaniami. Wpływ płci i półkuli nie jest do końca jasny, chociaż badania na zdrowym mózgu, które sugerują zmniejszoną złożoność WM w lewej półkuli mężczyzn w porównaniu z kobietami w^{wieku 30-31} lat, mogą wyjaśnić niektóre ró...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Magnetom Tim Trio 3T MRI	Siemens (Erlangen, Niemcy)
FMRIB' s Biblioteka oprogramowania (FSL)			http://www.fmrib.ox.ac.uk/fsl/
FreeSurfer			http://surfer.nmr.mgh.harvard.edu
DSI Studio			http://dsi-studio.labsolver.org
SPSS