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

Artykuł metodologiczny

Ustandaryzowany rurociąg do badania morfometrii istoty szarej móżdżku człowieka za pomocą strukturalnego rezonansu magnetycznego

4.1K wyświetleń

⸱

DOI:

10.3791/63340

⸱

4 lutego 2022

 ,  ,  ,  ,  ,  , 
1Department of Neuroscience, Central Clinical School, Monash University, 2Department of Biomedical Engineering, The Johns Hopkins University, 3Department of Psychiatry, National Institute of Mental Health & Neuro Sciences (NIMHANS), 4Faculty of Computer Science, Dalhousie University, 5Department of Electrical and Computer Engineering, The Johns Hopkins University, 6Department of Computer Science, The Johns Hopkins University, 7Brain and Mind Institute, Department for Statistical and Actuarial Sciences, Department for Computer Science, Western University, 8Monash Biomedical Imaging, Monash University

W tym artykule

Podsumowanie

Przedstawiono standardowy rurociąg do badania morfometrii istoty szarej móżdżku. Rurociąg łączy w sobie najnowocześniejsze podejścia o wysokiej rozdzielczości do zoptymalizowanej i zautomatyzowanej parcelacji móżdżku oraz rejestracji móżdżku na podstawie wokseli w celu wolumetrycznej oceny ilościowej.

Streszczenie

Wiele linii badawczych dostarcza przekonujących dowodów na rolę móżdżku w szerokim zakresie funkcji poznawczych i afektywnych, wykraczając daleko poza jego historyczne powiązania z kontrolą motoryczną. Badania neuroobrazowania strukturalnego i funkcjonalnego przyczyniły się do dalszego pogłębienia wiedzy na temat funkcjonalnej neuroanatomii móżdżku poza jego anatomicznymi podziałami, podkreślając potrzebę badania poszczególnych podjednostek móżdżku w zdrowej zmienności i chorobach neurologicznych. W artykule przedstawiono ustandaryzowany proces badania morfometrii istoty szarej móżdżku, który łączy w sobie najnowocześniejsze podejścia o wysokiej rozdzielczości do zoptymalizowanej i zautomatyzowanej parcelacji móżdżku (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) i oparta na wokselach rejestracja móżdżku (Spatially Unbiased Infra-tentorial Template; SUIT) do ilościowego oznaczania objętościowego.

Potok ma szerokie zastosowanie w wielu chorobach neurologicznych i jest w pełni zautomatyzowany, z ręczną interwencją wymaganą tylko do kontroli jakości wyników. Potok jest dostępny bezpłatnie, wraz z obszerną dokumentacją towarzyszącą, i może być uruchamiany w systemach operacyjnych Mac, Windows i Linux. Potok jest stosowany w kohorcie osób z ataksją Friedreicha (FRDA) i dostarczane są reprezentatywne wyniki, a także zalecenia dotyczące wnioskowanych analiz statystycznych na poziomie grupy. Linia ta może zwiększyć niezawodność i odtwarzalność w całej dziedzinie, ostatecznie zapewniając skuteczne podejście metodologiczne do charakteryzowania i śledzenia zmian strukturalnych móżdżku w chorobach neurologicznych.

Wprowadzenie

Móżdżek jest częścią mózgu historycznie związaną z kontrolą motoryczną1,2,3 i uważa się, że jest integralnie zaangażowany tylko w niewielką grupę rzadkich chorób, takich jak dziedziczne ataksje4. Jednak zbieżne linie badań z badań anatomicznych na naczelnych, a także badań nad zmianami chorobowymi u ludzi i badań neuroobrazowania, dostarczają przekonujących dowodów na rolę móżdżku w szerokim wachlarzu poznawczych5,6,7, affective8,9,10,11i inne funkcje niemotoryczne7,12 (zobacz6 do przeglądu). Co więcej, nieprawidłowości móżdżku są coraz częściej związane z szerokim zakresem zaburzeń neurologicznych i psychiatrycznych, w tym z chorobą Parkinsona13, chorobą Alzheimera14,15, epilepsja16,17, schizofrenia18 i zaburzenie ze spektrum autyzmu19. Dlatego niezbędne stało się włączenie móżdżku do funkcjonalnych i strukturalnych modeli chorób ludzkiego mózgu i normatywnej zmienności behawioralnej.

Anatomicznie, móżdżek można podzielić wzdłuż osi górnej do dolnej na trzy płaty: przedni, tylny i kłaczkowato-kolanko-dularny. Płaty są dalej podzielone na 10 płatów oznaczonych cyframi rzymskimi I-X20,21 (Rysunek 1). Móżdżek można również podzielić na strefy linii środkowej (robak) i bocznej (półkula), które odpowiednio otrzymują dane wejściowe z rdzenia kręgowego i kory mózgowej. Płat przedni, składający się z zrazików I-V, był tradycyjnie związany z procesami motorycznymi i ma wzajemne połączenia z korą ruchową mózgu22. Tylny płat, składający się z zrazików VI-IX, jest przede wszystkim związany z procesami niemotorycznymi11 i ma wzajemne połączenia z korą przedczołową, tylną ciemieniową i górną skroniową korą mózgową8,23. Wreszcie, płat kłaczkowo-guzkowy, składający się z zrazika X, ma wzajemne połączenia z jądrami przedsionkowymi, które regulują ruchy gałek ocznych i równowagę ciała podczas postawy i chodu21.

Rosnąca liczba najnowszych prac wykorzystujących funkcjonalne neuroobrazowanie jeszcze bardziej udoskonaliła zrozumienie funkcjonalnej neuroanatomii móżdżku poza jego anatomiczne podziały. Na przykład techniki funkcjonalnego rezonansu magnetycznego w stanie spoczynku (fMRI) zostały wykorzystane do odwzorowania wzorca funkcjonalnych interakcji między móżdżkiem a mózgiem24. Dodatkowo, stosując podejście parcelacji oparte na zadaniach, King i współpracownicy7 wykazali, że móżdżek wykazuje bogaty i złożony wzorzec specjalizacji funkcjonalnej w całej swojej szerokości, o czym świadczą wyraźne granice funkcjonalne związane z różnorodnymi zadaniami motorycznymi, afektywnymi, społecznymi i poznawczymi. Podsumowując, badania te podkreślają znaczenie badania poszczególnych podjednostek móżdżku w celu opracowania pełnej biologicznej charakterystyki udziału móżdżku zarówno w zdrowej zmienności, jak i chorobach neurologicznych charakteryzujących się zmianami w strukturze i/lub funkcji móżdżku.

Obecna praca skupia się na metodach ilościowego określania lokalnych zmian objętości móżdżku za pomocą strukturalnego MRI u ludzi. Ogólnie rzecz biorąc, istnieją dwa podstawowe podejścia do kwantyfikacji regionalnej objętości mózgu przy użyciu danych MRI: segmentacja oparta na cechach i rejestracja oparta na wokselach. Podejścia do segmentacji oparte na cechach wykorzystują anatomiczne punkty orientacyjne i ustandaryzowane atlasy do automatycznego identyfikowania granic między podregionami. Popularne pakiety oprogramowania do segmentacji to FreeSurfer25, BrainSuite26 i FSL-FIRST27. Jednak pakiety te zapewniają tylko grube rozparcelowanie móżdżku (np. znakowanie całej istoty szarej i całej istoty białej w każdej półkuli), pomijając w ten sposób poszczególne zraziki móżdżku. Podejścia te są również podatne na błędną segmentację, w szczególności nadmierne włączenie otaczającego naczynia krwionośnego.

Nowe algorytmy uczenia maszynowego i etykietowania w wielu atlasach zostały opracowane, które zapewniają dokładniejsze i bardziej szczegółowe parcelowanie móżdżku, w tym Algorytm Automatycznej Klasyfikacji Zrazików Móżdżku przy użyciu Niejawnej Ewolucji Wielogranicznej (ACCLAIM28,29), Zestaw narzędzi do analizy móżdżku (CATK30), Wiele automatycznie generowanych szablonów (MAGeT31), szybka automatyczna segmentacja ludzkiego móżdżku i jego zrazików (RASCAL32), segmentacja z wyciętym wykresem33, oraz segmentacja CEREbellum (CERES34). W niedawnym artykule porównującym najnowocześniejsze, w pełni zautomatyzowane metody parcelacji móżdżku, stwierdzono, że CERES2 przewyższa inne podejścia w stosunku do złotego standardu ręcznej segmentacji zrazików móżdżku35. Niedawno Han i jego współpracownicy36 opracowali algorytm głębokiego uczenia o nazwie ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), który działa na równi z CERES2, ma szerokie zastosowanie zarówno w zdrowych, jak i zanikowych móżdżkach, jest dostępny w formacie kontenera Docker i Singularity o otwartym kodzie źródłowym do implementacji "z półki" i jest bardziej efektywny czasowo niż inne podejścia. ACAPULCO automatycznie rozdziela móżdżek na 28 obszarów anatomicznych.

W przeciwieństwie do segmentacji opartej na cechach, metody rejestracji oparte na wokselach działają poprzez precyzyjne odwzorowanie MRI na obraz szablonu. Aby osiągnąć to odwzorowanie, woksele na oryginalnym obrazie muszą być zniekształcone pod względem rozmiaru i kształtu. Wielkość tego zniekształcenia skutecznie zapewnia miarę głośności każdego woksela w stosunku do szablonu standardu złota. Ta forma oceny wolumetrycznej jest znana jako 'morfometria oparta na wokselach'37. Podejścia do rejestracji oparte na wokselach całego mózgu, takie jak FSL-FLIRT38/FNIRT39, SPM unified segmentation40 i CAT1241, są powszechnie używane do morfometrii opartej na wokselach. Jednak te podejścia nie uwzględniają dobrze móżdżku, co skutkuje słabą wiarygodnością i trafnością w regionach podnamiotowych (móżdżek, pień mózgu42). Aby uwzględnić te ograniczenia, opracowano algorytm SUIT (Spatially Unbiased Infra-tentorial Template) w celu optymalizacji rejestracji móżdżku i poprawy dokładności morfometrii opartej na wokselach42,43.

Segmentacja oparta na cechach i oparte na wokselach metody rejestracji do szacowania regionalnej objętości móżdżku mają fundamentalne mocne i słabe strony. Metody segmentacji są znacznie dokładniejsze w przypadku ilościowego określania objętości anatomicznie zdefiniowanych obszarów (np. zraziki35). Jednak granice między odrębnymi modułami funkcjonalnymi móżdżku nie są odwzorowywane na jego anatomicznych liściach i szczelinach (odpowiednik zakrętów i bruzd mózgu < sup class="xref">7). Ponieważ podejścia oparte na rejestracji nie są ograniczone anatomicznymi punktami orientacyjnymi, możliwe jest bardziej szczegółowe wnioskowanie przestrzenne i wysokowymiarowe mapowanie struktura-funkcja móżdżku44. Podsumowując, podejścia do segmentacji i rejestracji wzajemnie się uzupełniają i mogą być wykorzystywane do udzielania odpowiedzi na różne pytania badawcze.

Tutaj prezentowany jest nowy ustandaryzowany potok, który integruje te istniejące, sprawdzone podejścia w celu zapewnienia zoptymalizowanej i zautomatyzowanej parcelacji (ACAPULCO) oraz opartej na wokselach rejestracji móżdżku (SUIT) do kwantyfikacji objętościowej (Rysunek 2). Linia produkcyjna opiera się na ustalonych podejściach, obejmujących protokoły kontroli jakości, wykorzystujące jakościową wizualizację i ilościowe wykrywanie wartości odstających, a także szybką metodę uzyskiwania szacunku objętości wewnątrzczaszkowej (ICV) za pomocą Freesurfer. Potok jest w pełni zautomatyzowany, a ręczna interwencja jest wymagana tylko do sprawdzenia wyników kontroli jakości i może być uruchamiany w systemach operacyjnych Mac, Windows i Linux. Rurociąg jest swobodnie dostępny, bez żadnych ograniczeń co do jego wykorzystania do celów niekomercyjnych, a dostęp do niego można uzyskać ze strony internetowej ENIGMA Consortium Imaging Protocols (pod adresem "ENIGMA Cerebellum Volumetrics Pipeline"), po wypełnieniu krótkiego formularza rejestracyjnego45.

Wszystkie wymagane oprogramowanie jest wymienione w Tabeli Materiałów, a szczegółowe samouczki, w tym demonstracja na żywo, są dostępne po pobraniu potoku, oprócz protokołu opisanego poniżej. Na koniec przedstawiono reprezentatywne wyniki z wdrożenia procesu produkcyjnego w kohorcie osób z ataksją Friedreicha (FRDA) oraz zdrowych osób z grupą kontrolną dopasowaną pod względem wieku i płci, a także zalecenia dotyczące statystycznych analiz wnioskowanych na poziomie grupy.

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

Protokół

UWAGA: Dane użyte w tym badaniu były częścią projektu zatwierdzonego przez Komitet Etyki Badań Naukowych Uniwersytetu Monash (projekt 7810). Uczestnicy wyrazili pisemną świadomą zgodę. Podczas gdy potok może być uruchamiany w systemach operacyjnych Mac, Windows lub Linux, potoki ACAPULCO, SUIT i QC zostały wyraźnie przetestowane w systemach operacyjnych Linux (Ubuntu) i Mac (Catalina, Big Sur v11.0.1).

1. Moduł 1: ACAPULCO (parcelacja anatomiczna)

  1. Gromadzenie danych
    1. Zbierz obrazy 3D T1-zależne MRI całego mózgu w rozdzielczości 1mm3 lub mniejszej. Zalecane są izotropowe wymiary wokseli (zwykle 1 mm x 1 mm x 1 mm) i skaner 3-Telsa (lub większy). Skonsultuj się ze specjalistą ds. obrazowania w jego centrum radiografii, aby skonfigurować i uzyskać dane zgodne z tymi specyfikacjami.
      UWAGA: Obrazy T2-ważone są czasami przydatne do analiz wolumetrycznych; jednak przedstawiony tutaj potok opiera się tylko na danych ważonych T1, a niektóre z używanych narzędzi są wyłączne dla tego typu danych. W związku z tym nie można używać obrazów ważonych T2.
    2. Dokonaj wizualnej oceny jakości obrazów, aby wykluczyć poważne wady rozwojowe móżdżku (np. duże zmiany) lub znaczne artefakty ruchowe, które uniemożliwiają identyfikację głównych punktów orientacyjnych móżdżku (np. głównych szczelin anatomicznych). Nie należy automatycznie wykluczać atrofii móżdżki, nawet jeśli jest ona znaczna.
    3. W przypadku badań grupowych należy również rozważyć ilościowe oceny jakości przy użyciu ogólnodostępnych, ustandaryzowanych narzędzi, takich jak MRIQC46, aby dokładniej zidentyfikować problematyczne dane.
    4. Przekonwertuj wszystkie dane do formatu NIFTI-GZ za pomocą narzędzia takiego jak dcm2niix47.
  2. Zalecana organizacja danych
    1. Zaopatrz się w całe niezbędne oprogramowanie wymienione w Tabeli materiałów. Upewnij się, że Docker48 lub Singularity49, Matlab50 i SPM1251 są zainstalowane przed uruchomieniem potoku.
      UWAGA: Dostępne są również obszerne filmy instruktażowe i wideo opisujące rurociąg (patrz Tabela materiałów).
    2. Po zainstalowaniu całego niezbędnego oprogramowania utwórz foldery w katalogu roboczym i oznacz je jako "acapulco", "suit" i "freesurfer". Zrób to za pomocą polecenia mkdir z wiersza poleceń.
    3. W katalogu 'acapulco' utwórz folder wyjściowy. W folderze wyjściowym utwórz katalog dla każdego tematu w badaniu, zawierający obraz ważony T1 w formacie NIFTI-GZ.
      UWAGA: Zaleca się przechowywanie kopii oryginalnych danych w innym miejscu.
  3. Anatomiczna parcellacja móżdżku za pomocą ACAPULCO
    1. Przejdź do Tabeli Materiałów i pobierz odpowiednie skrypty i kontenery wymagane do uruchomienia ACAPULCO (w sekcji Pliki potoków ACAPULCO). W katalogu 'acapulco' umieść (i) kontener ACAPULCO Docker OR Singularity (odpowiednio 'acapulco_0.2.1.tar.gz' lub '.sif'), (ii) zawartość archiwum QC_scripts (3 pliki: 'QC_Master.R', 'QC_Plots.Rmd' i 'QC_Image_Merge.Rmd') oraz (iii) plik 'R.sif' (osobliwość) OR 'calculate_icv.tar' (docker).
    2. Otwórz terminal i z wiersza poleceń uruchom kontener ACAPULCO na pojedynczym obrazie (zastąp <> poniżej). Poczekaj ~5 minut na zakończenie przetwarzania.
      1. Korzystając z platformy Docker, wpisz polecenie:
        docker load --input acapulco_0.2.1.tar.gz
        docker run -v $PWD:$PWD -w $PWD -t --user $(id -u):$(id -g) --rm acapulco:latest -i wyjście/<>/<>.nii.gz -o wyjście/<>
      2. Korzystając z Osobliwości, wpisz polecenie:
        osobliwość run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i wyjście/<>/<>.nii.gz -o wyjście/<>
    3. Zapętl wszystkie obiekty/skany w kohorcie. Zapoznaj się z Tabelą materiałów, aby uzyskać link do strony internetowej ENIGMA Imaging Protocols w celu pobrania potoku (w sekcji ENIGMA Cerebellum Volumetrics Pipeline) oraz podręcznika instruktażowego zawierającego przykłady tworzenia pętli for do szeregowego przetwarzania wielu obiektów.
    4. Po przetworzeniu poszukaj następujących plików wygenerowanych w folderach tematycznych:
      1. Zidentyfikuj "_n4_mni_seg_post_inverse.nii.gz": rozparcelowana maska móżdżku w oryginale (przestrzeń tematu).
      2. Zidentyfikuj "_n4_mni_seg_post_volumes.csv": objętość (w mm3) dla każdej z 28 podjednostek generowanych przez acapulco;
      3. Zidentyfikuj reprezentatywne obrazy (w katalogu 'pics'): strzałkowe, osiowe i czołowe.
  4. Statystyczne wykrywanie wartości odstających i kontrola jakości (QC)
    1. Z terminala i w katalogu 'acapulco' upewnij się, że zawartość QC_scripts znajduje się w katalogu 'acapulco'. Aby uruchomić skrypty kontroli jakości:
      1. Korzystając z platformy Docker, wpisz polecenie:
        docker load calculate_icv.tar
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        Wyjście QC_Master.R/
      2. Korzystając z Osobliwości, wpisz polecenie:
        osobliwość exec -B $PWD:$PWD R.sif Rscript /ścieżka/do/QC_Master.R /ścieżka/do/acapulco/output
  5. Badanie obrazów kontroli jakości generowanych przez ACAPULCO
    UWAGA: Istnieje 3-etapowy proces sprawdzania jakości obrazów paczkowanych ACAPULCO.
    1. Otwórz "QC_Images.html" w przeglądarce internetowej i szybko (~10 s na temat) przewijaj obrazy, aby zidentyfikować oczywiste awarie lub problemy systemowe. Zanotuj identyfikatory tematów nieudanych lub podejrzanych zdjęć parcelowanych w celu podjęcia dalszych działań.
      UWAGA: Zobacz Rysunek 3 zawiera przewodnik po neuroanatomii zrazików móżdżku i Rysunek 4, Rysunek 5 i Rysunek 6 w sekcji wyników reprezentatywnych poniżej, aby zapoznać się z przykładami "dobrych" parcelacji, "subtelnych błędnych parcelacji" i "globalnych niepowodzeń".
    2. Otwórz "Plots_for_Outliers.html", aby sprawdzić wykresy skrzynkowe dla ilościowych statystycznych wartości odstających. Poszukaj wartości odstających (2,698 s.d powyżej lub poniżej średniej) powyżej lub poniżej wąsów wykresów pudełkowych. Najedź kursorem na punkty danych, aby wyświetlić identyfikator podmiotu. Zidentyfikuj wartości odstające oznaczone literą "1" w odpowiedniej kolumnie w pliku "Outliers.csv" i zanotuj łączną liczbę segmentów zidentyfikowanych jako wartości odstające dla każdego tematu w ostatniej kolumnie w Outliers.csv.
    3. Ręcznie sprawdź każdy obraz z co najmniej jednym elementem odstającym. KRYTYCZNE: Korzystając ze standardowej przeglądarki obrazów NIFTI (np. FSLEyes lub MRICron), nałóż maskę ACAPULCO na oryginalny obraz T1w, aby sprawdzić jakość parcelacji kawałek po plasterku.
      1. Aby wygenerować nakładki dla szczegółowej kontroli jakości z wiersza poleceń za pomocą FSLEtak, i) zmień katalog na katalog 'acapulco', ii) określ temat do wyświetlenia (zastąp ):
        subj=
      2. Skopiuj/wklej następujący kod do terminala (bez ręcznej zmiany {subj}, ponieważ zostało to ustawione w poprzednim wierszu:
        t1_image=wyjście/${subj}/${subj}.nii.gz
        acapulco_image=wyjście/${subj}/${subj}_n4_mni_seg_post_inverse.nii.gz
        fsleyes ${t1_image} ${acapulco_image} --overlayType label --lut random_big --outline --outlineWidth 3 ${acapulco_image} --overlayType volume --alpha 50 --cmap random
        UWAGA: Konieczne będzie ustalenie, czy należy uwzględnić nieprawidłowy segment, czy nie, tj. czy występuje błąd parcelacji, czy jest to tylko normalna zmienność w anatomii osobnika? Każdy region parcelowany jest rozpatrywany indywidualnie, więc kilka regionów można wykluczyć z obrazu, a pozostałe można zachować, jeśli są poprawne.
      3. Czy co najmniej jeden region parcelowany musi zostać wyłączony z końcowego zbioru danych?
        Jeśli odpowiedź brzmi "tak" (wartość odstająca została potwierdzona), należy wykluczyć tę działkę (parcelacje) z analizy, zastępując szacunkową wielkość wartością NA w odpowiedniej komórce pliku "Cerebel_vols.csv" dla tego tematu.
      4. Czy błędy przy parcelacji skutkują wyłączeniem części móżdżku z maski?
        Jeśli tak (na przykład, jeśli w masce brakuje określonych zrazików móżdżku lub wydają się one "odcięte"), natychmiast wyklucz osobę badaną z dalszych analiz (tj. nie przystępuj do uruchamiania modułu SUIT na tych obiektach).

2. Moduł 2: morfometria wokselowa zoptymalizowana pod kątem móżdżku

  1. Analizy morfometryczne oparte na wokselach przy użyciu SUIT
    KRYTYCZNE: Ten potok wymaga, aby moduł ACAPULCO został już uruchomiony, ponieważ opiera się na generowaniu specyficznej dla tematu maski móżdżku w celu optymalizacji rejestracji i normalizacji móżdżku do szablonu SUIT. Jeśli maska specyficzna dla danego tematu wygenerowana przez ACAPULCO nie obejmuje całego móżdżku, uzasadnia to wykluczenie z modułu SUIT. Aby uzyskać instrukcje dotyczące uruchamiania samodzielnego SUIT, zobacz52.
    1. Zaopatrz się w całe niezbędne oprogramowanie wymienione w Tabeli Materiałów. Upewnij się, że folder SPM12 i wszystkie podfoldery znajdują się w ścieżce MATLAB. Upewnij się, że skrypty enigma_suit są zapisane w katalogu "spm12/toolbox" i dodane do ścieżki MATLAB. Aby sprawdzić ścieżkę MATLAB, wpisz pathtool w oknie poleceń MATLAB, a następnie kliknij Dodaj z podfolderami, aby dodać odpowiednie foldery.
    2. Uruchom potok SUIT dla co najmniej jednego tematu. Poczekaj ~15-20 minut (w przypadku korzystania z graficznego interfejsu użytkownika [GUI]) i ~5-7 minut w przypadku uruchamiania z terminala (bash/shell) na zakończenie przetwarzania.
      1. Aby użyć graficznego interfejsu użytkownika (tematy będą uruchamiane szeregowo), w oknie poleceń MATLAB wpisz polecenie:
        suit_enigma_all
      2. W pierwszym wyskakującym oknie wybierz foldery tematyczne z katalogu "acapulco/output", które mają zostać uwzględnione w analizie. Kliknij poszczególne foldery po prawej stronie okna lub kliknij prawym przyciskiem myszy i zaznacz wszystko. Naciśnij Gotowe. W drugim oknie pop-up wybierz katalog SUIT, w którym będą zapisywane analizy.
      3. LUB Wywołaj funkcję z wiersza poleceń MATLAB dla pojedynczego tematu, wpisz polecenie:
        suit_enigma_all('/ścieżka/do/acapulco/output/subjdir','/ścieżka/do/suitoutputdir')
      4. LUB Wywołaj funkcję z okna terminala, poza programem MATLAB, dla pojedynczego tematu, wpisując polecenie:
        matlab -nodisplay -nosplash -r "suit_enigma_all('/ścieżka/do/acapulco/output/subjdir','/ścieżka/do/suitoutputdir'), wyjdź"
    3. Zapoznaj się z Tabelą materiałów, aby uzyskać link do strony internetowej ENIGMA Imaging Protocols w celu pobrania potoku (w sekcji ENIGMA Cerebellum Volumetrics Pipeline) oraz podręcznika instruktażowego zawierającego przykłady tworzenia pętli for do szeregowego przetwarzania wielu obiektów.
    4. Zwróć uwagę na następujące punkty dotyczące skryptu.
      1. Upewnij się, że skrypt kopiuje obraz T1 z korekcją odchylenia N4, wyrównany MNI (sztywny korpus) i maskę móżdżku ACAPULCO do katalogu wyjściowego.
      2. Upewnij się, że skrypt dzieli na segmenty istotę szarą i białą móżdżku.
      3. Upewnij się, że skrypt koryguje błędy nadmiernego uwzględnienia w parcelacji za pomocą maski ACAPULCO.
      4. Upewnij się, że skrypt DARTEL normalizuje i ponownie tnie dane do przestrzeni SUIT z modulacją jakobianową, tak aby wartość każdego woksela była proporcjonalna do jego oryginalnej objętości.
      5. Sprawdź folder każdego tematu, aby uzyskać następujące końcowe wyniki: "wd_seg1.nii" (szara materia) i "wd_seg2.nii" (biała materia).
  2. Statystyczne wykrywanie wartości odstających i kontrola jakości
    1. Sprawdź wzrokowo znormalizowane, modulowane obrazy (wd*) pod kątem poważnych awarii. W programie MATLAB wpisz polecenie:
      spm_display_4D
    2. Ręcznie wybierz obrazy 'wd*seg1' z podfolderów garnituru lub przejdź do katalogu 'suit'; wstaw '^wd.*seg1' w polu Filtr (bez cudzysłowów) i naciśnij przycisk Rec. Naciśnij Gotowe.
    3. Przewiń obrazy, aby upewnić się, że wszystkie są dobrze wyrównane. Zobacz Rysunek 7 dla poprawnie znormalizowanych obrazów ze zdrowych osób z grupy kontrolnej (A,B) oraz osoby z silnie zanikowym móżdżkiem (D).
      UWAGA: Na tym etapie anatomia między obiektami jest bardzo podobna (ponieważ zostały one zarejestrowane w tym samym szablonie), a różnice głośności są zamiast tego kodowane przez różne intensywności wokseli. Poważne awarie będą oczywiste, np. puste obrazy, duże obszary brakującej tkanki, nietypowe gradienty intensywności (tj. jasne woksele na górze, ciemne woksele na dole). Obrazy te powinny zostać wyłączone z kolejnych kroków.
    4. Sprawdzanie kowariancji przestrzennej dla wartości odstających. W programie MATLAB wpisz polecenie:
      check_spatial_cov
      1. Wybierz obrazy "wd*seg1" zgodnie z poprzednim krokiem. Po wyświetleniu monitu wybierz następujące opcje: Skalowanie rekwizytów: Tak; Zmienna do przemienności out: Nie; Plasterek (mm): - 48 , Przerwa: 1.
      2. Spójrz na wykres skrzynkowy przedstawiający średnią kowariancję przestrzenną każdego obrazu względem wszystkich innych w próbce. Zidentyfikuj punkty danych, które są >2s.d. poniżej średniej w oknie poleceń MATLAB. W tym celu należy sprawdzić obraz "_n4_mni.nii.gz" w folderze SUIT pod kątem artefaktów (ruchu, nieprawidłowości anatomicznych), problemów z jakością obrazu lub błędów wstępnego przetwarzania.
      3. Jeśli jakość obrazu i przetwarzanie wstępne są akceptowalne, a kontrola wzrokowa zmodulowanych obrazów w poprzednim kroku nie wskazuje na problem z segmentacją i normalizacją, zachowaj te dane w próbce. W przeciwnym razie wyklucz te dane.

3. MODUŁ 3 (opcjonalnie): Szacowanie objętości wewnątrzczaszkowej (ICV) za pomocą FreeSurfer

UWAGA: Ten moduł użyje potoku FreeSurfer do obliczenia ICV. Nie trzeba go ponownie uruchamiać, jeśli istnieją dane wyjściowe Freesurfer dla kohorty (dowolna wersja).

  1. Konfiguracja FreeSurfer
    1. Upewnij się, że FreeSurfer jest pobrany i zainstalowany53. Przejdź do Tabeli Materiałów i pobierz odpowiednie skrypty, aby uruchomić ten moduł (w sekcji Pliki potoku ICV). Podczas pracy z FreeSurfer ustaw następujące zmienne:
      export FREESURFER_HOME=
      źródło: $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Zastąp następującym:
      export SUBJECTS_DIR=<ścieżka>/enigma/Freesurfer
  2. Uruchamianie autorecon Freesurfer1
    1. Dla pojedynczego tematu, z poziomu katalogu 'freesurfer' (czas przetwarzania ~20 min), wpisz polecenie:
      cd
    2. Zapoznaj się z podręcznikiem samouczka, aby zapoznać się z przykładami tworzenia pętli for do szeregowego przetwarzania wielu tematów.
  3. Obliczanie ICV
    1. Organizacja danych
      1. W katalogu 'freesurfer' umieść (i) kontener Docker OR Singularity używany w Module 1 (odpowiednio 'calculate_icv.tar' lub 'R.sif') oraz (ii) skrypcie xfm2det (patrz Tabela Materiałów). Następnie wykonaj polecenie git clone, aby sklonować wymagany skrypt ICV:
        git clone https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
    2. Uruchomiona ekstrakcja ICV (czas przetwarzania ~5 min)
      1. W katalogu 'freesurfer', z kontenerem osobliwości ('R.sif'), wpisz:
        osobliwość exec --cleanenv -B $PWD:$PWD R.sif calculate_icv/calculate_icv.py --freesurfer_dir=/ścieżka/do/freesurfer --acapulco_dir=/ścieżka/do/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv calculate_icv
      2. W katalogu 'freesurfer', z kontenerem docker, wpisz:
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/ścieżka/do/Freesurfer --
        acapulco_dir=/ścieżka/do/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Uruchamianie skryptu bez kontenera - zobacz Tabelę materiałów, aby uzyskać dodatkowe wymagane oprogramowanie i zależności. W katalogu 'freesurfer' wpisz:
        ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/ścieżka/do/freesurfer --
        acapulco_dir=/ścieżka/do/acapulco/QC/Cerebelvolsfile --
        output_csv_name=Cerebel_vols.csv calculate_icv
        UWAGA: Spowoduje to obliczenie ICV dla każdego tematu i dołączenie kolumny z ICV na końcu pliku "Cerebel_vols.csv".

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

Wyniki

Parselacja móżdżku (ACAPULCO)

Kontrola jakości masek podziału móżdżku:
Poniższe przykłady prezentują wyniki podziału ACAPULCO i służą jako wytyczne do podejmowania decyzji dotyczących a) jakości maski podziału na poziomie indywidualnym oraz b) późniejszego włączenia lub wykluczenia konkretnych guzków z analiz statystycznych. Ostatecznie decyzja o włączeniu lub wykluczeniu badanego jest subiektywna; tutaj przedstawiono przykłady „dobrych podziałów”, „subtel...

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

Dyskusja

Móżdżek ma kluczowe znaczenie dla szerokiego zakresu funkcji motorycznychczłowieka 3, poznawczych58, afektywnych10 i językowych 7,59 i jest zaangażowany w wiele chorób neurologicznych i psychiatrycznych. Dostępność ustandaryzowanego i łatwego do wdrożenia podejścia do kwantyfikacji regionalnych objętości móżdżku przyczyni się do coraz bardziej szczegółowego mapowania struktury i funkcji całeg...

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

Oświadczenia

Autorzy nie mają do ujawnienia żadnych konfliktów interesów.

Podziękowania

Praca przedstawiona w tym manuskrypcie została sfinansowana przez Australian National Health and Medical Research Council (NHMRC) Ideas Grant: APP1184403.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Pliki rurociągów ACAPULCO 0.2.1http://enigma.ini.usc.edu/protocols/imaging-protocols/Upewnij się, że używasz acapulco w wersji 0.2.1
Docker dla komputerów Machttps://docs.docker.com/desktop/mac/install/macOS musi być w wersji 10.14 lub nowszej
Docker wymaga sudo priviledges
Docker nakłada ograniczenie pamięci (RAM) na system Mac OS. Aby zwiększyć pamięć RAM, otwórz Docker Desktop, przejdź do Preferencji i kliknij zasoby. Zwiększ pamięć do maksimum
Docker dla Windowshttps://docs.docker.com/docker-for-windows/install/
skryptyhttp://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer7https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstallZa każdym razem, gdy pracujesz z Freesurferem, musisz ustawić następujące zmienne:
export FREESURFER_HOME=figure-materials-1freesurfer _installation_directoryfigure-materials-2
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=figure-materials-3pathfigure-materials-4/enigma/Freesurfer
FSL (dla FSLeyes). Opcjonalne6https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
plikihttp://enigma.ini.usc.edu/protocols/imaging-protocols/Potok ICV można uruchomić na dwa sposoby: 1) z dockerem/osobliwością. Nie będziesz potrzebować dodatkowego oprogramowania; 2) bez dockera/osobliwości - polega to na ręcznym uruchomieniu skryptu ICV (calculate_icv.py). Będziesz potrzebował następującego dodatkowego oprogramowania:
wersja Pythona figure-materials-5=3.5
Moduł Pythona pandas
Moduł Pythona fire
Moduł Pythona tabulate
Moduł Pythona Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*2019 lub nowszyhttps://au.mathworks.com/Wymagana jest licencja akademicka
Singularity3.7 lub nowszahttps://www.sylabs.io/docs/preferowana dla klastrów obliczeń o wysokiej wydajności (HPC)
SPM12http://www.fil.ion.ucl.ac.uk/spm/software/spm12/Upewnij się, że spm12 i wszystkie podfoldery znajdują się w ścieżce MATLAB
SUIT Toolbox3.4http://www.diedrichsenlab.org/imaging/suit_download.htmUpewnij się, że umieściłeś przybornik SUIT w katalogu spm12/toolbox
Rozwiązywanie problemów z instrukcją obsługi i segmentacją Przykładyhttp://enigma.ini.usc.edu/protocols/imaging-protocols/
Samouczek i http://enigma.ini.usc.edu/protocols/imaging-protocols/ wideoInstrukcja obsługi i towarzysząca jej demonstracja na żywo zawierają szczegółowe instrukcje krok po kroku dotyczące uruchamiania potoku od początku do końca.
*Niedostępne bezpłatnie; wymagana
ENIGMA SUIT potoku ICV danych wyjściowych jest licencja akademicka

Bibliografia

  1. Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
  2. Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
  3. Manto, M., Oulad Ben Taib, N. The contributions of the cerebellum in sensorimotor control: what are the prevailing opinions which will guide forthcoming studies. Cerebellum. 12 (3), 313-315 (2013).
  4. Manto, M., Gandini, J., Feil, K., Strupp, M. Cerebellar ataxias: an update. Current Opinion in Neurology. 33 (1), 150-160 (2020).
  5. Schmahmann, J. D. Disorders of the cerebellum: ataxia, dysmetria of thought, and the cerebellar cognitive affective syndrome. The Journal of Neuropsychiatry and Clinical Neurosciences. 16 (3), 367-378 (2004).
  6. Strick, P. L., Dum, R. P., Fiez, J. A. Cerebellum and nonmotor function. Annual Review of Neuroscience. 32, 413-434 (2009).
  7. King, M., Hernandez-Castillo, C. R., Poldrack, R. A., Ivry, R. B., Diedrichsen, J. Functional boundaries in the human cerebellum revealed by a multi-domain task battery. Nature Neuroscience. 22 (8), 1371-1378 (2019).
  8. Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
  9. Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, Pt 4 561-579 (1998).
  10. Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
  11. Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
  12. Guell, X., Gabrieli, J. D. E., Schmahmann, J. D. Triple representation of language, working memory, social and emotion processing in the cerebellum: convergent evidence from task and seed-based resting-state fMRI analyses in a single large cohort. Neuroimage. 172, 437-449 (2018).
  13. Lewis, M. M., et al. The role of the cerebellum in the pathophysiology of Parkinson's disease. The Canadian Journal of Neurological Sciences. 40 (3), 299-306 (2013).
  14. Möller, C., et al. Different patterns of gray matter atrophy in early- and late-onset Alzheimer's disease. Neurobiology of Aging. 34 (8), 2014-2022 (2013).
  15. Colloby, S. J., O'Brien, J. T., Taylor, J. P. Patterns of cerebellar volume loss in dementia with Lewy bodies and Alzheimer׳s disease: A VBM-DARTEL study. Psychiatry Research. 223 (3), 187-191 (2014).
  16. McDonald, C. R., et al. Subcortical and cerebellar atrophy in mesial temporal lobe epilepsy revealed by automatic segmentation. Epilepsy Research. 79 (2-3), 130-138 (2008).
  17. Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
  18. Nopoulos, P. C., Ceilley, J. W., Gailis, E. A., Andreasen, N. C. An MRI study of cerebellar vermis morphology in patients with schizophrenia: evidence in support of the cognitive dysmetria concept. Biological Psychiatry. 46 (5), 703-711 (1999).
  19. Stoodley, C. J. Distinct regions of the cerebellum show gray matter decreases in autism, ADHD, and developmental dyslexia. Frontiers in Systems Neuroscience. 8, 92(2014).
  20. Larsell, O. The development of the cerebellum in man in relation to its comparative anatomy. The Journal of Comparative Neurology. 87 (2), 85-129 (1947).
  21. Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , Elsevier. 394-412 (2018).
  22. Kelly, R. M., Strick, P. L. Cerebellar loops with motor cortex and prefrontal cortex of a nonhuman primate. Journal of Neuroscience. 23 (23), 8432-8444 (2003).
  23. Schmahmann, J. D., Pandya, D. N. Anatomical investigation of projections to the basis pontis from posterior parietal association cortices in rhesus monkey. The Journal of Comparative Neurology. 289 (1), 53-73 (1989).
  24. Buckner, R. L., Krienen, F. M., Castellanos, A., Diaz, J. C., Yeo, B. T. The organization of the human cerebellum estimated by intrinsic functional connectivity. Journal of Neurophysiology. 106 (5), 2322-2345 (2011).
  25. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  26. Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
  27. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. Neuroimage. 56 (3), 907-922 (2011).
  28. Bogovic, J. A., Bazin, P. L., Ying, S. H., Prince, J. L. Automated segmentation of the cerebellar lobules using boundary specific classification and evolution. Information Processing in Medical Imaging. 23, 62-73 (2013).
  29. Bogovic, J. A., Prince, J. L., Bazin, P. L. A Multiple object geometric deformable model for image segmentation. Computer Vision and Image Understanding: CVIU. 117 (2), 145-157 (2013).
  30. Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
  31. Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
  32. Weier, K., Fonov, V., Lavoie, K., Doyon, J., Collins, D. L. Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL)--implementation and application of the patch-based label-fusion technique with a template library to segment the human cerebellum. Human Brain Mapping. 35 (10), 5026-5039 (2014).
  33. Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
  34. Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
  35. Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
  36. Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819(2020).
  37. Ashburner, J., Friston, K. J. Voxel-based morphometry--the methods. Neuroimage. 11 (6), 805-821 (2000).
  38. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
  39. Andersson, J., Jenkinson, M., Smith, S. Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
  40. Ashburner, J., Friston, K. J. Unified segmentation. Neuroimage. 26 (3), 839-851 (2005).
  41. Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
  42. Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
  43. Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
  44. Harding, I. H., et al. Brain structure and degeneration staging in Friedreich ataxia: Magnetic resonance imaging volumetrics from the ENIGMA-Ataxia Working Group. Annals of Neurology. 90 (4), 570-583 (2021).
  45. Enigma. Structural imaging processing protocols. , Available from: http://enigma.ini.usc.edu/protocols/imaging-protocols/ (2021).
  46. MRIQC. Poldrack Lab, Stanford University. , Available from: https://mriqc.readthedocs.io/en/stable/ (2020).
  47. dcm2niix. Rorden Lab, University of South Carolina. , Available from: https://github.com/rordenlab/dcm2niix (2021).
  48. Docker. , Available from: https://docs.docker.com/ (2021).
  49. Singularity. Sylabs. , Available from: https://sylabs.io/singularity (2021).
  50. MATLAB. The MathWorks, Inc. , Available from: https://au.mathworks.com/ (2021).
  51. Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging. , Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020).
  52. Diedrichsen Lab, University of Western Ontario. , Available from: http://www.diedrichsenlab.org/imaging/suit.htm (2021).
  53. FreeSurfer download and install. , Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020).
  54. Gaser, C., Dahnke, R. CAT: A computational anatomy toolbox for SPM. , Available from: http://www.neuro.uni-jena.de/cat/ (2020).
  55. Selvadurai, L. P., et al. Cerebral and cerebellar grey matter atrophy in Friedreich ataxia: the IMAGE-FRDA study. Journal of Neurology. 263 (11), 2215-2223 (2016).
  56. Schmahmann, J. D. The cerebellum and cognition. Neuroscience Letters. 688, 62-75 (2019).
  57. Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402(2015).
  58. Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
  59. Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
  60. Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S. Functional gradients of the cerebellum. Elife. 7, 36652(2018).

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

Przedruki i uprawnienia

Tagi

Morfometria móżdżkustrukturalny rezonans magnetycznyparcelacja móżdżkumorfometria oparta na wokselachobjętość istoty szarejataxia Friedreichakontrola jakościparcelacja anatomicznapotok przetwarzania SUITparcelacja ACAPULCO
Ustandaryzowany rurociąg do badania morfometrii istoty szarej móżdżku człowieka za pomocą strukturalnego rezonansu magnetycznego
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.