Co-analyse de la structure du cerveau et son fonctionnement en utilisant l'IRMf et imagerie de diffusion

Summary

Nous décrivons une nouvelle approche pour l'analyse simultanée des fonctions du cerveau et de la structure à l'aide imagerie par résonance magnétique (IRM). Nous évaluons la structure du cerveau à haute résolution imagerie de diffusion et tractographie de fibres de la substance blanche. Contrairement norme IRM structurelle, ces techniques nous permettent de relier directement la connectivité anatomique à propriétés fonctionnelles des réseaux cérébraux.

Abstract

L'étude des systèmes complexes de calcul est facilitée par des cartes de réseau, tels que les schémas de circuit. Cette cartographie est particulièrement intéressante lorsque l'on étudie le cerveau, comme le rôle fonctionnel qui remplit une zone du cerveau peut être largement définie par ses connexions aux autres zones du cerveau. Dans ce rapport, nous décrivons un roman, non-invasive approche pour mettre en relation la structure et la fonction cérébrales par résonance magnétique (IRM). Cette approche, une combinaison de l'imagerie structurelle des connexions fibre longue portée et des données d'imagerie fonctionnelle, est illustrée dans deux domaines distincts cognitives, l'attention visuelle et la perception visage. Imagerie structurelle est réalisée avec imagerie de diffusion (DWI) et tractographie de fibres, qui permettent de suivre la diffusion des molécules d'eau le long des faisceaux de fibres de matière blanche dans le cerveau (figure 1). En visualisant ces faisceaux de fibres, nous sommes en mesure d'étudier l'architecture à long terme conjonctif du cerveau. Les résultats se comparent favorablement avec l'une des techniques les plus couramment utilisées dans les CFA, diffusion tensor imaging (DTI). DTI est incapable de résoudre des configurations complexes de faisceaux de fibres, ce qui limite son utilité pour construire des modèles détaillés et anatomiquement informés du fonctionnement du cerveau. En revanche, nos analyses reproduire neuroanatomie connue avec précision et exactitude. Cet avantage est dû en partie à des procédures d'acquisition de données: alors que de nombreux protocoles de diffusion DTI mesure dans un petit nombre de directions (par exemple, 6 ou 12), nous utilisons un spectre de diffusion d'imagerie (DSI) ^{1, 2} protocole qui évalue la diffusion dans 257 directions et dans une plage de forces magnétiques à gradient. En outre, les données DSI nous permettre d'utiliser des méthodes plus sophistiquées pour reconstruire des données acquises. Dans deux expériences (attention visuelle et la perception du visage), tractographie montre que les zones de co-actives du cerveau humain sont en connexion anatomique, en soutenant des hypothèses existantes qu'elles forment des réseaux fonctionnels. DWI nous permet de créer un "circuit diagram "et la reproduire sur une base individuelle, sous réserve, dans le but de l'activité du cerveau de suivi des tâches pertinentes dans les réseaux d'intérêt.

Protocol

1. Equipement pour MR Acquisition de données

Les figures 2 et 3 résument un certain nombre de choix à faire en IRM de diffusion acquisition, la reconstruction des données et le suivi de la fibre. Gardez à l'esprit que ces choix impliquent généralement des compromis, et le meilleur choix peut dépendre des objectifs de recherche de personne. Par exemple, DSI et multi-shell HARDI (voir Figure 2) utilisent généralement plus élevés "b-valeurs» (c.-à-pondération plus forte diffusion) de DTI. En conséquence, ces méthodes ont une meilleure résolution angulaire, ce qui est nécessaire pour résoudre croisement ou «baiser» des fibres (par exemple, des fibres qui courbe vers l'autre, la prise de contact à une tangente unique avant de s'incurver loin encore). Toutefois, ce gain en résolution angulaire est souvent obtenue au prix de bas signal sur bruit (SNR) dans le PEV de données (figure 3). Les chercheurs voudront peut-être examiner la pertinence de ce compromis pour atteindre leurs objectifs spécifiques:si une étude se concentre sur un petit nombre de fibres voies principales dont les trajectoires ne se croisent pas ou parallèlement à de vastes d'autres, puis une direction faible DTI scan avec SNR élevé peut être idéal. L'imagerie du faisceau longitudinal inférieur pourrait représenter un tel cas. En revanche, la perte de SNR peut être une conséquence acceptable si un chercheur souhaite suivre une voie à travers les passages complexes.

Un compromis semblable implique la correction de mouvement de la tête, des courants de Foucault, et des distorsions non linéaires d'image. CFA protocoles utilisation écho-planar imaging (EPI; voir le tableau 1), ce qui est susceptible d'inhomogénéités de champ magnétique causées par des poches d'air dans les sinus, bruit physiologique, et d'autres facteurs ^3. Ce résultat inhomogénéités dans la distorsion d'image indésirable, en particulier dans le lobe temporal inférieur et le cortex orbito-frontal, ce qui réduit la validité et la fiabilité des résultats de fibres de suivi dans ces domaines. Distorsions supplémentaires sont créés par Foucault monnaiests, un produit de l'évolution rapide MR gradient de commutation ^4. Mouvement de la tête des participants est un autre facteur qui dégrade la qualité de l'image et peut nuire à la tractographie. Les méthodes actuelles peuvent corriger mouvement de la tête à la fois et les distorsions d'image en basse b données de valeur, tels que le DTI, mais ces méthodes n'ont pas été étendu à plus haute résolution méthodes telles que la DSI. La difficulté dans l'application de méthodes de correction d'image à DSI de données provient de la faible SNR décrit ci-dessus (figure 3). Pour le suivi de fibre dans les zones du cerveau qui sont sensibles à la distorsion du PEV, il peut être préférable d'utiliser à faible directivité DTI ou une autre technique pour laquelle les distorsions d'image peuvent être corrigées. D'autre part, si haute résolution angulaire dans tout le cerveau est souhaitée, les chercheurs peuvent choisir d'utiliser DSI, HARDI, ou des techniques similaires. Tuch (2004) ⁵ suggère que les chercheurs entrelacement des images T2 avec aucune pondération diffusion à travers une analyse DSI, en fournissant des repères pour la correction de mouvement (par exemple, see ref. 6). Dans tous les cas, les chercheurs doivent être conscients de l'impact négatif des mouvements de la tête lors de l'acquisition: il est conseillé d'utiliser qualifiés et les participants et pour minimiser le mouvement grâce à l'utilisation de barres de morsure, les gardes du nez, le remplissage ou d'autres garanties.

Les résultats présentés ici utilisent un 257-direction spectre de diffusion d'imagerie (DSI) du protocole, avec des forces de gradient allant de b = 300 à 7000 (voir les paramètres dans le tableau 1). Le spectre de diffusion d'imagerie (DSI) séquence nécessite un équipement moderne balayage MR avec certaines caractéristiques nécessaires à la collecte de ces données de diffusion à haute résolution. Nous notons que les exigences de temps de cette séquence sont considérables: environ 43 minutes sur un scanner Siemens Trio Tim. Après vérification empirique approfondie, nous estimons que la qualité de ces données justifient le coût et la durée de numérisation, mais dans le choix du protocole d'acquisition, les utilisateurs doivent peser soigneusement leurs objectifs de recherche contre le capacités et le confort des participants. Nous notons également que de bonne qualité DSI données ont été recueillies en aussi peu que 10 minutes avec des techniques avancées d'acquisition ^7.

1. 3 Champ Tesla force MR scanner: 3T est nécessaire pour atteindre le signal nécessaire pour la direction haut angulaire DSI balayage.
2. Antenne tête à 32 canaux multi-éléments: Une tête de bobine avec une grande sensibilité et un excellent rapport signal-sur-bruit est nécessaire pour collecter les données DSI. Huit et 12 canaux serpentins offrent moins de signal à la surface du cerveau, par conséquent, ces bobines peuvent exiger une augmentation du temps de numérisation pour appuyer la cartographie précise des champs de projection.
3. Stabilisation de la tête: En raison de la longue durée de la séquence de balayage DSI, et parce que la correction motion ne peut être appliquée aux données DSI, excellente stabilisation de la tête est nécessaire de contrôler le mouvement du sujet. Contrôle des déplacements allant de rembourrage et du ruban adhésif à une morsure-bar, sac sous vide, ou un masque thermoplastique est recommandé de stabiliser subjectifts 'têtes. Plus de 2 mm d'un mouvement de translation ou 2 ° du mouvement de rotation dans n'importe quelle direction est excessive et peut être considéré comme un motif d'exclusion de données.
4. Matériel de présentation FMRI: Pour les analyses fonctionnelles qui utilisent des semences, du matériel supplémentaire pour l'analyse IRMf est nécessaire. Selon le type de régions à localiser, il s'agit généralement d'un MR affichage compatible (comme le système de projecteur LCD compatible MR), un système de réponse du bouton, le système audio et ordinateur de présentation expérimentation synchronisé avec l'acquisition du scanner.

2. Procédure de numérisation

1. Informer les participants sur la nature des analyses à effectuer et obtenir un consentement éclairé. Mettre l'accent sur la nécessité de minimiser les mouvements de la tête (surtout pendant la longue analyse DSI). Offrir aux participants le choix d'un film ou autre vidéo pour le divertissement lors de l'analyse DSI. Pour la numérisation fonctionnelle des tâches comportementales, d'instruire les sujets à surveiller l'écran en fonction de tâches Relevént stimuli et de répondre au besoin.
2. Après le dépistage des contre-MR, confortablement stabiliser la tête des participants en utilisant l'une des méthodes décrites ci-dessus, et lit du patient diapositive dans le scanner.
3. Effectuer des analyses initiales de scouts et d'étalonnage.
4. Réglez la prescription tranche pour le DSI en mode parallèle balayage d'une ligne imaginaire reliant les commissures antérieure et postérieure. Veiller à ce que les tranches pour l'analyse DSI couvrir l'ensemble du cerveau.
5. Exécutez le scan DSI alors que le sujet se détend dans le scanner ou de divertissement montres sur le système de présentation.
6. Immédiatement après la fin de l'analyse DSI, recueillir un balayage anatomique pondération T1 (par exemple, MPRAGE) pour une utilisation ultérieure dans la co-enregistrement (par exemple, l'alignement) avec les données DSI anatomique autre ou les données fonctionnelles.
7. Éventuellement, recueillir des données IRMf dans la même session en utilisant des séquences d'impulsions du PEV.
8. Si nécessaire, procéder à la numérisation IRMf lors d'une séance d'analyse séparée. CollØter un MPRAGE dans les deux séances afin de faciliter la co-registration des ensembles de données.

3. Traitement anatomique IRM

Pour l'analyse de surface des données d'IRM et de la segmentation automatique en utilisant Freesurfer, comme décrit ci-dessous, une haute résolution en pondération T1 image anatomique avec un excellent contraste blanc-gris matière est nécessaire. Cette image offre un espace de référence commun pour l'analyse des données d'imagerie fonctionnelle et pondérée en diffusion. En plus modernes appareils d'IRM, cette image sera appelé un MPRAGE (magnétisation Préparé écho de gradient rapide) image. MPRAGE séquences les plus modernes peuvent fournir des données de qualité suffisante en un seul balayage (paramètres du Tableau 1). Si nécessaire, deux ou plusieurs analyses peuvent être moyennées pour améliorer le contraste matière blanchâtre de segmentation. Ci-dessous, nous expliquons comment les données de CFA et de l'IRMf, qui sont généralement collectées avec des tailles de voxel et des points d'origine différents, peuvent être automatiquement alignées et ré-échantillonné pourvisualisation simultanée avec le MPRAGE.

Des descriptions détaillées des flux anatomique Freesurfer traitement de l'IRM peuvent être trouvées sur le wiki Freesurfer ( http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki ); sortie Freesurfer comprend de multiples représentations de surface corticales, ainsi que parcellisation de la corticale caractéristiques anatomiques et la segmentation des structures sous-corticales. Nous vous recommandons d'exécuter l'AFNI / SUMA script @ SUMA_Make_Spec_FS sur la sortie Freesurfer, qui convertit cette sortie dans les formats de fichiers qui peuvent être facilement traitées avec des outils de AFNI / SUMA, FLS, SPM, et d'autres progiciels de neuro-imagerie. Par exemple, la co-registration des images peut être réalisée avec un des nombreux programmes, tels que 3dAllineate (AFNI / SUMA), FLIRT (FSL), bbregister (Freesurfer), ou la fonction COREGISTER SPM.

1. Effectuer une segmentation anatomique et cortical surface reconstruction by soumettre image anatomique pondérée en T1 à l'algorithme automatisé de Freesurfer (recon-tout).
2. Importation des résultats de traitement Freesurfer en utilisant SUMA @ SUMA_Make_Spec_FS script. Cette étape permet de créer nifti format versions de tous les volumes de la sortie, y compris une Freesurfer intensité normalisée, crâne débarrassé de version de l'image d'entrée anatomique. Nous appelons cette image anatomique traitée comme le volume de surface, selon AFNI / SUMA la terminologie, la version nifti de cette image créée par @ SUMA_Make_Spec_FS est nommé brain.nii.
3. Alignez la DSI B0 image pour le volume de surface résultante (utiliser la version nifti format de l'image, le nom brain.nii, dans le répertoire SUMA).
4. Enregistrer la matrice de 12 points transformation affine pour une utilisation ultérieure en co-registration.

4. L'IRM fonctionnelle (IRMf) Traitement

Analyse fonctionnelle IRM permet de définir des régions d'intérêt (ROI) de génération ou de post-hoc de sélection de fibres. Tout écho-plans séquences d'imagerie impulsions (PEV) avec des paramètres optimisés pour les expériences IRMf spécifiques peuvent être utilisés. De même, un grand nombre de logiciels pour le traitement de l'IRMf et existent analyse, tels que AFNI / SUMA (NIMH, NIH) ^{8, 9,} BrainVoyager (Innovation cerveau) ^10, FLS (FMRIB, Université d'Oxford) ^{11, 12,} et SPM ( Wellcome Trust Centre de neuro-imagerie, University College London) ^13. Le "IRMf traitement et l'analyse" de la figure 4 décrit une voie d'analyse basée sur le progiciel AFNI / SUMA. Pour obtenir des instructions d'utilisation détaillées, nous renvoyons le lecteur aux excellents tutoriels et autres matériels éducatifs sur le site AFNI / SUMA ( http://afni.nimh.nih.gov ).

L'objectif final de l'analyse IRMf pour la tractographie diffère de standards analyses fonctionnelles de localisation, dans lequel l'accent est souvent de trouver le lieu de l'activation maximale.Bonne méthode statistique exige que les chercheurs de spécifier les niveaux alpha pour les contrastes statistiques à l'avance, mais les chercheurs doivent tenir compte du fait que le choix des seuils statistiques influer sur l'étendue spatiale de l'activation fonctionnelle, et donc l'étendue des champs de terminaison de fibre.

1. Corriger les mouvements de la tête dans l'objet de données IRMf de chaque individu, en utilisant l'image moyenne du premier scanner de fonctionner comme image de référence.
2. En option, effectuer une correction de tranche de temps d'acquisition, en particulier si vous utilisez une conception de la tâche rapide liée à l'événement.
3. Corrigez terme entre les différences de niveau de référence du signal en normalisant les séries chronologiques pour chaque voxel, au sein de chaque course.
   1. Exprimez chaque voxel de séries chronologiques que le changement pour cent de celle du voxel dire au fil du temps pour une course donnée, en utilisant un programme tel que 3dcalc (AFNI / SUMA) ou fslmaths (FLS).
   2. Alternativement, transformée en z de chaque voxel de séries chronologiques pour chaque opération, basée sur la moyenne du signal et stAndard écart au fil du temps.
4. Co-enregistrer chaque transformés PEV courir à la surface du volume (brain.nii) de dataset générée par Freesurfer (voir ci-dessus).
5. Concaténer tous les EPI fonctionne en temps pour un individu donné.
6. Carte à chaque EPI courir à la surface à l'aide 3dVol2Surf (AFNI / SUMA), la production d'un ensemble de données de surface NIML pour chaque essai.
   1. Utilisez la matière blanche et lisse et les surfaces pie-mère que les surfaces de référence pour la cartographie; ceux-ci peuvent être considérées comme représentant le gris / blanc-matière limites et la surface du cortex, respectivement.
   2. La moyenne du signal sur la distance entre ces deux surfaces.
7. En option lisses données du PEV sur la surface corticale en utilisant SurfSmooth (AFNI / SUMA).
8. Créer régresseurs séparés pour des époques de temps correspondant à chacune des conditions expérimentales présentées au sujet.
9. Soumettre ces variables explicatives (avec régresseurs sans intérêt) à un modèle linéaire général (GLM)et analyser les données fonctionnelles.
10. Coefficients bêta de contraste pour différentes variables explicatives afin de produire une «carte fonctionnelle» des valeurs statistiques sur la surface
11. Vous pouvez saisir des bêta-poids valeurs pour plusieurs participants dans une analyse au niveau du groupe de la variance (ANOVA), si vous utilisez un plan factoriel.
12. Dériver seuillée cartes fonctionnelles pour voir des effets statistiquement significatifs, en utilisant un taux d'erreur de (la théorie de champ aléatoire gaussien) ¹⁴ ou le taux de fausses découvertes (FDR) ^{15, 16} de réglage pour corriger les comparaisons multiples.
13. Créer des régions d'intérêt (ROI), qui seront utilisés ultérieurement pour l'ensemencement tractographie, à partir de régions contiguës de l'activation fonctionnelle importante sur la surface de chaque zone de marquage séparable.
    1. Segmenter automatiquement et ROI étiquette à l'aide d'un algorithme de regroupement spatial, comme SurfClust (AFNI / SUMA).
    2. Alternativement, la main tirage ROI en utilisant SUMA Dessin en fonction de ROI.
    Développer ROI dans la substance blanche à l'aide 3dSurf2Vol (AFNI / SUMA), afin de maximiser le contact avec rationalise cours de tractographie.
    1. Comme à l'étape 6, utilisez la matière blanche et lisse et les surfaces pie-mère pour la cartographie.
    2. Définir f_p1_fr = -0,5 afin d'augmenter la ROI en dessous de la limite de matière grise / blanc de 50% de l'épaisseur de la matière grise, à chaque noeud de surface.
    3. Définir f_pn_fr = 1 afin d'augmenter le retour sur investissement dans la direction opposée à la surface piale.
14. Utilisez le programme AFNI cat_matvec pour trouver l'inverse de la matrice de 12 points transformation affine généré lors de l'alignement de l'image B0 à la surface du volume (brain.nii).
15. niiApply la matrice inversée à ROIs fonctionnelle afin de les harmoniser avec les données DSI.

5. Traitement des données d'imagerie de diffusion pondérée

Imagerie de diffusion est un terme général pour les blancs techniques d'imagerie matière, englobant de nombreux combinati différenteons de méthodes d'acquisition de données et de reconstruction. Peut-être la méthode la plus fréquemment utilisée, appelée imagerie du tenseur de diffusion (DTI) ^{17, 18,} ​​est basé sur 5-10 minutes de l'acquisition des données, mesure de la diffusion en 6 ou 12 directions. Sur la base de ces données, modèles de diffusion sont généralement modélisés avec un modèle tensoriel simple, ce qui est le mieux adapté pour détecter une direction de diffusion dominant. Cette restriction signifie que le DTI ne fonctionne pas bien pour les fibres d'imagerie qui se croisent ou "baiser" en un seul point. Fibres croisées et les baisers sont mieux détectées avec une combinaison de méthodes d'acquisition et de reconstruction à haute résolution, tels que la haute résolution angulaire de diffusion d'imagerie (HARDI) ^19-21, la diffusion spectre d'imagerie (DSI) ^{1, 2} et généralisées q-ball d'imagerie ( GQI) ^22-24.

A 257 direction multi-shell séquence DSI de fonctionner sur les scanners Siemens 3T a été utilisé pour l'acquisition des résultats présentés ici (paramramètres dans le tableau 1). Les données acquises sont reconstruits par la méthode GQI ^24, qui modélise modèles de diffusion dans chaque voxel avec une fonction de distribution d'orientation (ODF) qui permet de détecter la diffusion simultanée dans de multiples directions. Autres haute résolution angulaire séquences de diffusion devrait produire des résultats similaires. Notez que la reconstruction correcte de ODFs oblige le chercheur à l'entrée d'une table de gradient (aussi appelé un b-table) pour DSI Studio, le traitement du programme CFA et tractographie utilisée ici. (Instructions d'utilisation détaillées pour DSI Studio peut être trouvé sur le site du logiciel, http://dsi-studio.labsolver.org .) Ce tableau indique la direction du gradient et intensité du champ magnétique pour chacun des volumes CFA acquis. Le tableau gradient dépend du protocole d'acquisition et MR sont automatiquement extraites à partir d'images DICOM par la DSI Studio. Cependant, nous recommandons que les chercheurs comparent cette autommatiquement-extrait tableau de gradient avec la table standard pour DWI leur scanner protocole.

1. Si nécessaire, convertir des images IRM à. Dcm (DICOM) en utilisant le format mri_convert (Freesurfer).
2. Identifier les image (s) dans l'ensemble de données sont B0 images (c'est-à-écho-planaire images recueillies sans pondération de diffusion).
3. Convertissez l'image B0 (s) au format nifti en utilisant le programme AFNI TO3D.
4. En DSI Studio, ouvrez des images DICOM et se combinent pour créer une source (. Src) Fichier.
5. Prévoir une table de gradient (voir ci-dessus).
6. Assurez-vous que le masque de reconstruction par défaut englobe toute la matière grise, sans compter l'espace vide, le crâne, ou la non-tissu cérébral. Modifier le masque si nécessaire.
7. Vous pouvez également créer un masque de reconstruction en exécutant le programme 3dAutomask AFNI sur l'image B0.
8. Choisissez un modèle haute résolution de reconstruction: DSI, GQI, ou une variante GQI.
9. Créer un fichier d'informations de fibres (. Fib) pour représenter la direction de diffusion principale (s) dans l'chaque voxel.

6. L'évaluation des données et de suivi des paramètres de la qualité à travers l'ensemble du cerveau Tractography

Suivi des fibres avec une graine de l'ensemble du cerveau est un moyen rapide et efficace pour évaluer la qualité globale des données. Il présente également l'occasion de décider des valeurs appropriées pour les paramètres globaux, en particulier le seuil anisotropie utilisé comme critère d'arrêt en tractographie. Cette procédure est nécessaire pour parvenir à un équilibre entre l'amélioration de la couverture dans le processus de suivi de fibres et de réduire le bruit. Des précautions particulières doivent être prises dans le réglage des paramètres de suivi des clés, tels que seuil d'angle et les seuils de suivi.

Il est important de noter que l'anisotropie relative des différentes voies peuvent varier entre les individus, en fonction de facteurs biologiques tels que l'âge et l'intégrité de la substance blanche, ainsi que des facteurs extérieurs comme la calibration matérielle entre les sessions. Ci-dessous, nous vous proposons plusieurs méthodes pour équilibrer le suiviseuils entre les ensembles de données. En tout temps, vérifier la qualité du suivi des résultats en les comparant à la neuroanatomie connu. Par exemple, les fibres qui traversent la fissure interhémisphérique connus en dehors de connexions interhémisphérique (c.-à-corps calleux, commissure antérieure et postérieure) peut indiquer que le seuil de suivi est trop faible et doit être soulevée, ou peut-être la preuve d'artéfacts de mouvement de la tête.

Contrairement à seuil de suivi, le seuil d'angle doit être invariante pour un individu donné à travers des sessions, depuis des faisceaux de fibres ne changent pas de courbure sur le court terme, voire jamais. De même, la courbure des voies devrait être relativement constante entre les individus, en l'absence de différences majeures dans la taille du cerveau ou de la morphologie. Néanmoins, il convient de veiller à la mise en valeur initiale de ce paramètre. Fibres qui suivent des trajectoires improbables, telles que les courbes en épingle à cheveux, peut indiquer que le seuil d'angle est trop élevé.

1. Créer unrégion de germe l'ensemble du cerveau.
2. Définir une valeur de seuil initial de suivi pour masquer faible signal voxels.
3. Régler le seuil d'angle pour permettre aux fibres de la courbe jusqu'à n degrés en une seule étape.
4. Réglez la taille de l'étape de suivi en mm.
5. Définir le nombre désiré de fibres ou de points de semences.
6. Effectuer l'ensemble du cerveau tractographie pour vérifier la qualité globale de la reconstruction ODF.
7. Pour commencer, choisissez un seuil de suivi médiane (à travers des jeux de données).
   1. Charger un fichier de l'ensemble du cerveau trk dans TrackVis, une visualisation des voies de fibres et d'analyse (Martinos Centre d'Imagerie Biomédicale, Massachusetts General Hospital) ^25.
   2. Chargez les matières grises (GM) des volumes dans le répertoire SUMA (lh / rh.ribbon.nii) en tant que ROI.
   3. Définir le ROI GM comme filtres à titre de groupe, acceptant seulement les fibres qui ont une ou l'autre extrémité dans la ROI.
   4. Assurez-vous que la plupart des fibres (90-100%) dans le fichier trk rester dans le groupe de pistes filtré.
   5. Répéter uneest nécessaire, ajustement de seuil dans le suivi DSI studio à chaque fois.
8. En outre vérifier que les masques seuils de suivi sur les voxels dans l'espace vide (ie, sur les bords du cerveau et dans l'espace intra-gyral) sans enlever voxels, qui se trouvent clairement dans la substance blanche.
9. En option, à équilibrer le seuil de suivre à travers les ensembles de données (c.-à-sessions différentes et / ou des participants).
   1. Définissez un seuil de suivi tel que souhaité dans un ensemble de données via l'interface DSI Studio.
   2. Renommez le fichier. Fib créée par la DSI Studio avec une extension de mat. Et l'importation dans MATLAB, selon les instructions sur le site Web DSI Studio ( http://dsi-studio.labsolver.org ).
   3. Créer un histogramme des valeurs que vous souhaitez seuil.
   4. Convertir les valeurs de carte dans z-scores.
   5. Trouvez le z-score du seuil de suivi qui vous avez initialement défini dans le studio interfac DSIe.
   6. Effectuez les étapes bd pour tous les autres ensembles de données, de trouver le seuil de suivi qui correspond à la z-score trouvé à l'étape e.
   7. En contre-vérification des étapes af, suivi d'un ensemble de fibres témoins d'un retour sur investissement anatomique au niveau du pôle occipital avec 500.000 graines.
   8. Vérifiez que cette procédure produit environ le même nombre de fibres à travers des jeux de données (+ - 100 fibres).

7. Tractography localement limitée

Contrairement à l'ensemble du cerveau tractographie, tractographie localement limitée fait usage de ROI basés sur des opérations booléennes, telles que la spécification des volumes à travers lequel les fibres doivent ou ne peuvent pas passer. En conséquence, la tractographie localement limitée offre une meilleure sensibilité et un meilleur contrôle pour le suivi des fibres de sélection d'intérêt. L'ensemble du cerveau tractographie undersamples l'espace de points germes possibles, en raison du coût élevé des opérations d'ensemencement de calcul et de mémoire limitée infographie. (Il est possible que ces contraintes seront allégées à l'avenir, en raison de changements dans les algorithmes de tractographie, la capacité de mémoire accrue, ou d'autres facteurs.) A la suite de sous-échantillonnage, l'ensemble du cerveau tractographie produit souvent des résultats qui sont biaisées vers les voies de diffusion dominants dans le cerveau. Fourni par l'utilisateur ROI remédier à ce problème en fournissant des régions cibles limitées avec une forte densité de points de semences, ce qui rend plus facile à capturer difficiles à détecter des faisceaux de fibres.

1. Créer une région graine entière-encéphalique chez DSI Studio.
2. Charger un ou plusieurs nifti région d'intérêt (ROI) des fichiers.
3. Optionnellement charger une région d'évitement (ROA) de fichier pour indiquer fibres voxels qui ne doit pas passer à travers.
4. Définir seuil anisotropie et le seuil angle tel que décrit ci-dessus.
5. Effectuer le suivi.
6. Vérifier la qualité en comparant les pistes de fibre de détails anatomiques.

8. Analyse densité Endpoint

1. Chargez NIfTI ROI et trk fichiers into TrackVis.
2. Réaliser des opérations booléennes entre les régions.
3. Enregistrer les résultats de chaque opération dans un nouveau fichier trk.
4. Utilisez le track_transform (Diffusion ToolKit) fonction pour transformer des fichiers trk l'espace sur le volume de surface (brain.nii) Fichier.
5. Chargez le fichier transformé trk et le volume de surface (brain.nii) dans TrackVis à inspecter.
6. Chargez les fichiers trk et le retour sur investissement dans MATLAB doit faire des estimations quantitatives de connectivité.
7. Trouver le centre de gravité {x / y / z} d'un retour sur investissement.
8. Comme une mesure de la connectivité, calculer le nombre total de points de terminaison de fibre dans une ROI, normalisée par volume de retour sur investissement.
9. En variante, calcul de la distance euclidienne entre les points d'extrémité des fibres et le retour sur investissement centroïde, en tant que mesure de la spécificité et la cohérence de la connectivité du tube à ce que le retour sur investissement.

9. Les résultats représentatifs

Haute résolution imagerie de diffusion et tractographie de fibres peut être appliqué à un grand nombre dedes questions neuroscientifiques. Notre objectif dans cet article est de détailler le couplage des méthodes de connectivité structurelle avec la neuroimagerie fonctionnelle. Toutefois, nous notons que toute demande de CFA nécessite une évaluation minutieuse des résultats de tractographie, étant donné que le protocole d'acquisition de données, la méthode de reconstruction, et les paramètres de tractographie peut exercer d'importants effets indépendants sur le produit final. Figure 5 illustre des résultats optimaux et sous-optimale à l'aide l'ensemble du cerveau tractographie. Les trois images sont basées sur le même jeu de données 257-sens CFA à partir d'un seul participant, les meilleurs résultats sont présentés dans le panneau de gauche. En revanche, le panneau du milieu montre l'effet des paramètres de tractographie trop clémentes (FA et les seuils d'angle). Le panneau de droite montre la diminution de la qualité qui résulte de l'utilisation d'un modèle unique tenseur pour reconstruire les données de CFA.

Nous incluons deux exemples de la façon dont les résultats de tractographie peut corroborer et d'informer interpretatisur des données d'imagerie fonctionnelle. Ces expériences évaluer les processus cognitifs qui ont permis la création de régions fonctionnelles de semences: à savoir, la perception et l'attention visuelle visage. Ces régions de germes peut être utilisé pour tester des questions de substance blanche connectivité au sein d'un réseau cognitif. La figure 6 montre un exemple de régions activées pendant une tâche de perception des visages. Sujets vu des photos de visages et les objets de tous les jours tout en subissant balayage IRMf. Deux ventro-temporelles régions, au milieu gyrus fusiforme (MFG) et inférieur gyrus occipital (IOG), a montré significativement plus grandes réponses BOLD pour les visages que pour les objets. Ces deux régions fonctionnellement définis ont ensuite été utilisés comme semences au cours régions tractographie (tel que décrit dans les sections 7.6 ci-dessus). Figure 6A montre la grosse liasse de fibres rationalise (en rouge) qui relient ces deux régions d'intérêt dans le lobe temporal, sur une distance d'environ 12 cm. Notez l'emballage étanche des fibres et sdegré centre de courbure de fibre sur cette distance. Ce modèle est typique d'un-à-un les connexions au sein des réseaux fonctionnels sur de longues distances (par exemple, voir réf. 26). Figure 6B montre la région de germes Institut fonctionnelle (en jaune) avec les extrémités des fibres individuelles (points rouges) . Les points de terminaison de fibre sont situés dans tout le ROI. Ce modèle de connectivité suggère que ces régions ont directs, connexions longue distance qui peuvent sous-tendre une communication rapide au sein du réseau perception du visage.

Notre deuxième exemple (figure 7) montre les connexions entre les régions sensorielles du cortex visuel et une région de contrôle attentionnel dans le cortex pariétal postérieur (CPP). Dans ce cas, les deux ensembles d'activations fonctionnelles (régions occipitales et pariétales) ont été produits par l'intermédiaire ensembles indépendants de données IRMf des mêmes individus. Activations pariétales ont été générés par une tâche d'attention décalage entre 6 emplacements dans le visual domaine (pour plus de détails, voir la référence ^27.), tandis que les régions occipitales ont été définies en utilisant la norme du champ visuel méridien cartographie ^28, qui a été utilisé pour marquer les frontières entre les régions fonctionnelles de semences cortex visuel (V1 - V3). figure 7A montre l' emplacements approximatifs de V1, V2, V3 et régions de germes (rouge, vert, et bleu, respectivement), la région de germes PPC étiquetés IPS-1, et les faisceaux de fibres qui relient ces régions. Tracts sont colorées par le ROI occipitale dont ils ont été ensemencés. Contrairement aux fibres longues et droites dans le lobe temporal (figure 6), ces étendues de la substance blanche couvrir une distance plus courte (plage de 3 à 5 cm) et sont, par conséquent, plus en forme de U et moins serrés comme ils voyagent de l'occipital lobe du lobe pariétal. Figure 7B montre les régions fonctionnellement définis dans IPS (brun), V1 (rouge), V2 (vert), et V3 (bleu) sur la surface corticale avec les extrémités de fibres dans chaque région. Notez leségrégation des tracts dans le lobe occipital par région graines, en contraste avec le degré élevé de point de terminaison dans interdigitation IPS-1. Cela donne à penser que notre région PPC (identifié par l'activité IRMf lors d'une tâche d'attention sélective) peut être une zone de convergence du cerveau, avec des connexions structurelles à de nombreux différents nœuds du cortex sensoriel. Ce modèle peut permettre la connectivité pour la transmission de signaux de rappel d'attention de la hausse des régions corticales pour moduler l'activité dans les cortex début, ces signaux contribuer à améliorer les représentations cibles dans le cortex visuel ^{29, 30.}

Figure 1. Illustration schématique des concepts clés en imagerie de diffusion (DWI) Groupe A:. Dans un milieu homogène, la diffusion est aléatoire en raison du mouvement brownien. Pour un grand nombre de molécules d'eau, la diffusion est isotrope, c'est-, le motif de diffusion globale est sphérique. Panel B: diffusion des molécules d'eau dans les axones et dans les interstices des faisceaux axonaux est limitée par des murs axonales et autres structures de soutien. Ainsi, la diffusion le long des faisceaux de fibres est anisotrope: il est beaucoup plus important sur la trajectoire du faisceau de fibres que dans les autres directions. Panel C: haute résolution méthodes CFA utiliser des modèles tels que la fonction de distribution d'orientation (ODF) pour modéliser la diffusion anisotrope dans des configurations complexes de faisceaux de matière blanche. Comme on le voit dans cet exemple, ODFs peut distinguer entre les voies de diffusion distinctes pour les faisceaux de fibres multiples qui traversent en un seul point. Passages impliquant deux ou trois faisceaux de fibres différentes sont courantes dans le cerveau.

Figure 2. Tractographie recherche peut être effectuée dans un certain nombre de façons. Les choix les plus importantes concernent le protocole d'acquisition, technique de reconstruction, et la méthode de tractographie. Dans le présent document, nous avons usoi un spectre de diffusion d'imagerie (DSI) ^{1, 2} protocole pour l'acquisition; généralisée Q-échantillonnage d'imagerie (GQI) ²⁴ pour la reconstruction et tractographie déterministe FAIT ^{40, 41.} Nous avons particulièrement mettre en évidence les techniques de reconstruction des modèles libres et hybride, qui génèrent des fonctions de distribution d'orientation (ODF, voir Figure 1) pour représenter la diffusion dans chaque voxel. Les chercheurs peuvent choisir différents pipelines basés sur le budget, le temps disponible, la nécessité d'une haute résolution angulaire, et l'importance de la correction des mouvements de la tête et des distorsions d'image non linéaires. Ce chiffre n'est pas une liste exhaustive de toutes les acquisitions viable, la reconstruction, et des méthodes de tractographie. Voir Seunarine & Alexander ⁴² pour une excellente revue des techniques de reconstruction.

Figure 3. Interactions des variables d'acquisition IRM de diffusion, la durée de balayage, et abilité pour résoudre les points de passage des fibres. Contrairement diffusion élevée est nécessaire pour résoudre les fibres dans des configurations complexes de passage. Ce contraste dépend de plusieurs facteurs, y compris le nombre de directions de gradient (ie, le nombre d'orientations de fibres possibles) et la valeur b (qui indique le degré de pondération de diffusion). Nous présentons ici les effets typiques d'accroître valeurs b et le nombre de directions de gradient. Notez que ce tableau indique que les tendances et les techniques individuelles peuvent avoir des effets différents sur la durée du balayage, le rapport signal sur bruit (SNR), et le contraste de diffusion. En règle générale, le contraste peut être améliorée en augmentant le nombre de directions de gradient et l'ampleur des valeurs b. A plus haute valeurs b, cependant, le rapport signal-sur-bruit de diffusion images pondérées est diminuée, et le temps de balayage est souvent augmentée.

Figure 4. Graphique summare des IRM anatomique, DWI-IRM et IRMf flux de traitement. texte en noir décrit la nature de chaque étape de traitement, tandis que le texte en vert indique un logiciel qui peut être utilisé. Les lignes pointillées indiquent les étapes et les boîtes en option, qui peut ne pas être applicable à tous les projets. Dans cet exemple, le traitement est effectué dans le paquet AFNI / SUMA (sauf DSI Studio ou TrackVis est indiqué). Fonctions comparables dans d'autres logiciels d'analyse de neuro-imagerie peuvent souvent être substitué. Un grand nombre des étapes illustrées dans ces schémas ont été partiellement consolidée par les développeurs de logiciels dans des scripts pratiques: nous avons particulièrement renvoyons le lecteur à la reconstruction Freesurfer tout pipeline ( http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable ) . Nous notons en outre que plusieurs progiciels fournissent pipelines de traitement des données complètes pour conduite avec facultés affaiblies, mais ces forfaits varient dans leurs forces et leurs faiblesses, Et certains ne comprennent pas les outils pour travailler avec des données de haute résolution angulaire IRM de diffusion. Cliquez ici pour agrandir la figure .

Figure 5. Illustration de l'ensemble du cerveau tractographie des méthodes de reconstruction différents paramètres et tractographie. Toutes les images ont été obtenues à partir de la même base de données, un spectre 257-direction de la diffusion d'imagerie (DSI) de séquence avec plusieurs valeurs b (7.000 s / mm ^2, 5 coques). Panel A: des résultats optimaux, obtenus en utilisant une haute résolution, méthode de reconstruction basée sur ODF. Un suivi de seuil relativement élevée de 0,06 a été choisie, afin de produire des fibres uniquement de voxels fortement anisotropes, et un seuil d'angle de 55 ° a été choisi pour empêcher la génération de fibres à courbure biologiquement réaliste (c.-à "boucle" fibres). Note la délimitation claire des hémisphères, séparés par la scissure; aussi noter comment regroupement fibre suit devrait contours sulcales / gyral. Groupe B: la méthode de reconstruction a été utilisée comme en (A), mais FA et les seuils d'angle ont été plus clément au cours tractographie (0,03 et 85 °, respectivement). Inappropriées des paramètres de suivi peuvent provoquer la génération d'un grand nombre de "junk" fibres, qui recèlent des informations vraies sur la structure anatomique. Voir la section 5, «Évaluation de la qualité des données et de suivi des paramètres par Whole-Brain Tractography", pour obtenir des conseils sur le choix des paramètres appropriés. Groupe C: données ont été reconstruites à l'aide d'un modèle unique tenseur, l'une des méthodes les plus couramment utilisées dans les CFA. Avec les paramètres appropriés de suivi (le même que A), le modèle à un seul tenseur reproduit de nombreux faisceaux de fibres connues grandes, et les contours sont un peu Gyral visibles dans la vue sagittale. Toutefois, il produit aussi plus de faux positifs que le modèle ODF: fibres notes de voyage horizontale ment à travers la fissure interhémisphérique. Cliquez ici pour agrandir la figure .

Figure 6. Résultats de tractographie d'une expérience de la perception des visages. Panneau (A) montre rationalise résultant de tractographie entre ROIs fonctionnelle identifiée à partir d'une expérience perception des visages. Domaines généraux de gyrus occipital inférieur (IOG) et la mi-gyrus fusiforme (MFG) sont indiqués par des ovales jaunes. Panneau (B) montre les extrémités des fibres IOG indiqué dans le panneau (A) affichée sur une vue agrandie de la surface ventrale corticale postérieure temporelle. Le retour sur investissement rendu en jaune résulte d'une perception des visages expérience IRM fonctionnelle. Notez l'accord important entre fonctionnellement défini et les critères d'activation des fibres dans IOG. Ces fibres suivre à partir de la perception MFG, une région du cerveau impliquée visage.p :/ / www.jove.com/files/ftp_upload/4125/4125fig6large.jpg "target =" _blank "> Cliquez ici pour agrandir la figure.

Figure 7. Résultats de tractographie d'une expérience de l'attention visuelle. Panel (A) montre les lignes de courant résultant de tractographie entre ROIs fonctionnelle identifiée à partir d'une expérience attention visuelle ^27. Domaines généraux de cortex pariétal postérieur (IPS-1) et le cortex visuel (V1D, V2d, et V3D) sont indiqués par des ovales de couleur. Faisceaux de fibres sont rendus dans des couleurs correspondantes: rouge pour V1D, vert pour V2d, et bleu pour V3D. Panneau (B) montre les extrémités des fibres indiqué dans le panneau (A) affichée sur une vue latérale agrandie de la partie postérieure (pariétale et occipitale) cortical surface. Conventions de couleur correspondent à ceux du panneau (A). Régions d'intérêt résultant d'une attention fonctionnel expérience visuelle IRM sont affichées sur la surface corticale. Tout est troisets de tracts / articles finaux convergent dans la région IPS-1, qui est censé contenir une carte des priorités de l'attention visuelle qui peut être la source de polarisation des signaux à l'attention des objectifs dans le cortex visuel. Tracts à IPS-1 sont largement imbriquées, tandis que les extrémités occipitales de ces faisceaux de fibres sont clairement séparées par région du cortex visuel.

M. balayage	Paramètres
DSI	257 direction de diffusion spectre d'imagerie (DSI) analyse à l'aide d'un double-recentré séquence d'écho de spin du PEV et de multiples q-valeurs avec un temps de 43 min d'acquisition (TR = 9916 ms, TE = 157 ms, taille de voxel = 2,4 x 2,4 x 2,4 mm , FoV = 231 x 231 mm, b-max = 7000 s / mm 2, 5 coques)
Anatomique	MPRAGE séquence pondérée en T1 (1 mm x 1 mm x 1 mm, 176 coupes sagittales, TR = 1870, TI = 1.100, FA = 8 °, GRAPPA = 2)
IRMf </ Td>	T2 * pondéré d'imagerie écho-planaire (EPI) séquence d'impulsions (31 coupes axiales obliques, résolution dans le plan 2 mm x 2 mm, 3 mm épaisseur de coupe, pas d'espace, temps de répétition [TR] = 2.000 ms, temps d'écho [TE ] = 29 ms, angle de bascule = 90 °, GRAPPA = 2, taille de la matrice = 96 x 96, champ de vision [FOV] = 192 mm)

Tableau 1. Neuroimagerie paramètres d'acquisition.

Discussion

Haute résolution CFA et tractographie de fibres fournissent une approche puissante pour examiner la structure de connexion du cerveau humain. Ici, nous présentons des preuves que cette architecture structurelle significative liée à la fonction cérébrale, évaluée par IRM. En utilisant des semences tractographie basé sur l'activation IRMf tâche, nous constatons que les zones du cerveau qui sont co-actif durant attention visuelle sont anatomiquement connectedconsistent avec une connaissance préalable de la neuroanatomie fonctionnelle (figure 7). De même, la neuroanatomie fonctionnelle de la perception des visages est conforme à nos résultats actuels de connectivité de structure (figure 6). Connaissance de la connectivité anatomique est nécessaire, mais non suffisante, pour inférer un lien fonctionnel direct entre les zones du cerveau dans une tâche donnée (et vice versa). Dans de nombreuses études de neuro-imagerie, les connexions directes structurelles et fonctionnelles sont inférées-problématique sur la base de foncti simultanéeactivation interne seul. De telles inférences négliger d'autres interprétations: par exemple, deux zones du cerveau peut apparaître co-active parce qu'ils partagent une entrée commune, en raison des influences neuromodulateurs globaux dont la conception expérimentale ne contrôle pas, ou même à cause d'une source de bruit commun, telles que la tête mouvement. M. diffusion tractographie fournit des preuves convergentes pour les dynamiques des relations fonctionnelles entre les zones du cerveau distales, en confirmant que possible un substrat conjonctif existe entre eux.

L'utilisateur doit traiter plusieurs limitations et les mises en garde de la tractographie recherche. La plus fondamentale d'entre elles est que la fibre rationalise généré en tractographie déterministe représentent les voies de diffusion possibles, et non faisceaux de fibres réelles. Résultats de tractographie peut être affectée à la fois par de faux positifs et de faux négatifs, et l'interprétation de tractographie devrait être guidée par la connaissance neuroanatomiques existant. La meilleure preuve préalable de la substance blanche cONNECTIVITÉ vient de "l'étalon-or» des techniques telles que la microdissection ou l'étiquetage traceur. Sont particulièrement utiles cartes probabilistes de contours des voies fibres obtenues à partir de cerveaux post mortem de l'homme, comme celui créé par Buergel, Amunts, et ses collègues ^31; libérer des ressources en ligne telles que le projet Anatomist numérique ( http://www9.biostr.washington.edu/ da.html ) peuvent également fournir des indications utiles. Nous notons que l'analyse de la connectivité fonctionnelle de l'EEG, MEG et IRMf BOLD données fournit peu de preuves, le cas échéant, pour la connectivité anatomique entre les zones du cerveau.

Une mise en garde supplémentaire concerne les continuations faux de fibres rationalise, qui peuvent se produire lorsque deux voies de diffusion indépendants sont à peu près alignés bout à bout, et ils semblent couler dans l'autre. Dans de tels cas, l'algorithme de tractographie peut continuer au-delà du point d'arrêt vrai. Par exemple, les afférences thalamiques dutronc cérébral et efférents thalamiques à des parties dorsales du cortex peuvent avoir des orientations similaires. En conséquence, les algorithmes de tractographie peut être dupé dans la production de fibres longues qui s'élèvent à partir du tronc cérébral, le thalamus passer à travers, et apparaissent à la fin dans le cortex. Ces fibres faux peut résulter de la conjonction de deux voies anatomiquement corrects, dont chacun est juste en soi. Cependant, ils peuvent aussi résulter de trajectoires de fibres anatomiquement incorrectes. Autres communes suites fausses comprennent les fibres qui semblent passer des pôles temporels dans l'insula et les fibres qui traversent la fissure longitudinale à l'extérieur des points de passage connus interhémisphérique (c.-à-corps calleux et les commissures). Ces suites se produisent souvent fausses parce que 1) les effets de volume partiel masquer les bordures des lobes / hémisphères; ou 2) parce que le seuil de suivi a été mis trop d'indulgence. Comme nous l'avons noté plus haut, les chercheurs doivent évaluer fibre de suivi des résultats à la lumière de neuroana existantconnaissances anatomiques. Comme un avertissement final, nous notons que l'IRM de diffusion et tractographie de fibres ne fournissent aucune information sur la directionnalité des connexions: c'est à dire qu'ils ne peuvent pas discerner anticipation à partir de fibres de rétroaction, ou afférences du efférents.

Tractographie déterministe peut être utile pour vérifier des hypothèses, comme la fibre rationalise qu'il génère constituent des inférences sur point-à-point de la connectivité le long de trajectoires spécifiques, qui peuvent être comparées aux hypothèses. Cependant, les utilisateurs peuvent également envisager des méthodes de suivi probabilistes (voir Figure 2). Le principal avantage des méthodes probabilistes, c'est qu'ils donnent des estimations de confiance pour les voies de diffusion entre deux points, sur la base de l'accumulation de probabilités de diffusion en voxels qui relient les points ^32. En revanche, les résultats de tractographie déterministe ne tiennent pas compte de l'incertitude qui s'accumule à chaque étape de la propagation d'une fibre virtuel, Cette incertitude augmente à mesure que la taille étape, un paramètre défini par l'utilisateur, est augmentée. La confiance des estimations produites par tractographie probabiliste peut être particulièrement utile lorsque vous essayez de déterminer la probabilité relative de deux ou plusieurs voies de diffusion différents, d'ailleurs, les utilisateurs peuvent facilement masquer voxels avec des estimations basses de confiance, une possibilité de ne pas accorder aux méthodes déterministes. Comme tractographie déterministe, cependant, les méthodes probabilistes ne démontrent de manière concluante l'existence de fibres de matière blanche, mais plutôt de démontrer les voies de diffusion possibles.

Les utilisateurs peuvent trouver les résultats de tractographie déterministes plus intuitive pour la visualisation, les résultats sont généralement présentés comme en 3 dimensions de fibres de courant, ce qui permet au spectateur d'appréhender rapidement les trajectoires de fibres possibles. En revanche, les résultats de tractographie probabiliste sont généralement représentées sous forme de dimension 2 tranches de données volumétriques. Ces images montrent habituellement des cartes thermiques de convoxels contigus, ce qui correspond à la probabilité de diffusion dans un volume tractus seuillée, sans modélisation de trajectoires possibles fibres dans le tube. Quel que soit le choix des utilisateurs des méthodes de tractographie et de visualisation, ils devraient reconnaître que les résultats de fibres de suivi seulement de démontrer les voies de diffusion possibles, et que les résultats des deux méthodes peuvent inclure des erreurs types I et II statistique.

Notre groupe de recherche a utilisé les techniques décrites ici pour visualiser et quantifier les connexions de la cortico ³³ voies, corps calleux ^34, et le système de l'attention visuelle ^27, ainsi que de cartographier les circuits corticaux de projection dans les noyaux gris centraux ^35. Dans certains cas, les résultats de tractographie peut générer des nouvelles découvertes:. Par exemple, Wang et al (soumis) utilisé à haute résolution CFA au détail précédemment non décrite faisceaux de fibres, avec validation croisée dans la dissection de cadavre ^36. De tels résultats peuvent fournir lesimpulsion pour les enquêtes sur le fonctionnement du cerveau, afin d'évaluer l'utilité fonctionnelle des voies nouvellement découvertes. Enfin, non invasive à haute résolution CFA prometteuse dans un certain nombre de situations cliniques, comme la planification neurochirurgicale ^37; chirurgie pour des tumeurs, des saignements et des cavernovas ^38; et les blessures traumatiques au cerveau (TBI) ^39. Notre groupe a appliqué ces techniques dans un grand nombre de cas de neurochirurgie et de lésions cérébrales traumatiques, relative à la connectivité par fibre optique perturbé les symptômes comportementaux.

En fin de compte, facile à obtenir de l'information concernant la connectivité cérébrale globale permettra aux chercheurs de construire de meilleurs modèles du cerveau. Par exemple, les mesures progressives de la substance blanche connectivité pourrait être utilisé pour améliorer la localisation de sources en MEG / EEG, ou d'imposer des contraintes sur l'IRMf basées sur des analyses de connectivité efficaces. Haute résolution tractographie est également susceptible d'améliorer les modèles de connexion cerveau perturbé ou pathologique, such qui peut se produire dans TBI ou d'autisme. Enfin, haute résolution tractographie peut permettre aux chercheurs de mieux intégrer les connaissances de neuroanatomie fonctionnelle de l'homme avec les études invasives de non-humains cerveau. Nous espérons et prévoyons que d'un nombre croissant de chercheurs exploreront le potentiel de combiner des évaluations de la fonction cérébrale par imagerie à haute résolution pondérée en diffusion.