Samtidig analys av hjärnans struktur och funktion med fMRI och diffusion-viktade bilder

Summary

Vi beskriver en ny metod för samtidig analys av hjärnans funktion och struktur med hjälp av magnetisk resonanstomografi (MRT). Vi bedömer hjärnans struktur med hög upplösning diffusion-viktade bilder och vit-materia fiber tractography. Till skillnad från vanliga strukturella MR dessa tekniker ger oss möjlighet att direkt relatera anatomisk anslutning till funktionella egenskaper hjärnan nätverk.

Abstract

Studiet av komplicerade beräkningsproblem system underlättas av nätverk kartor, t.ex. kopplingsscheman. Sådan kartläggning är särskilt informativt när man studerar hjärnan, som den funktionella roll som en hjärna område uppfyller i stort sett kan definieras av dess kopplingar till andra områden i hjärnan. I denna rapport beskriver vi en ny, icke-invasiv metod för att relatera hjärnans struktur och funktion med magnetisk resonanstomografi (MRT). Detta tillvägagångssätt, en kombination av strukturell avbildning av långväga fiberanslutningar och funktionella uppgifter avbildning, illustreras i två distinkta kognitiva domäner, visuell uppmärksamhet och ansikte uppfattning. Strukturell avbildning sker med diffusion-viktade bilder (DWI) och fiber tractography, som spårar spridningen av vattenmolekyler längs vita materia fiber skrifter i hjärnan (Figur 1). Genom att visualisera dessa fiber skrifter, kan vi undersöka långväga förenande arkitektur av hjärnan. Resultaten jämför favoranolikt med en av de mest använda teknikerna i DWI, diffusion tensor imaging (DTI). DTI inte kan lösa komplicerade konfigurationer av fiber skrifter, begränsar dess användbarhet för att konstruera detaljerade anatomiskt informerade modeller av hjärnans funktion. Däremot våra analyser reproducera kända neuroanatomi med precision och noggrannhet. Denna fördel beror delvis på datainsamling förfaranden: medan många DTI-protokoll åtgärd diffusion i ett fåtal riktningar (t.ex. 6 eller 12), vi använder en avbildning diffusion spektrum (DSI) ^{1, 2} protokoll som bedömer diffusion i 257 riktningar och vid ett område av magnetisk gradient styrkor. Dessutom DSI uppgifter gör att vi kan använda mer sofistikerade metoder för att rekonstruera förvärvade data. I två experiment (visuell uppmärksamhet och ansikte uppfattning), avslöjar tractography att sam-aktiva områden av den mänskliga hjärnan är anatomiskt förbundna, stödja existerande hypoteser som de bildar funktionella nätverk. DWI ger oss möjlighet att skapa en "krets diagram "och reproducera den på individuell-ämne grund, i syfte att övervaka uppgift relevant hjärnaktivitet i nätverk av intresse.

Protocol

1. Utrustning för MR Data Acquisition

Figurerna 2 och 3 sammanfattar ett antal val som ska göras i spridning MRT förvärvet uppgifter återuppbyggnad och fiber spårning. Tänk på att dessa val vanligtvis innebär kompromisser, och det bästa valet kan bero på en s forskningsmål. Till exempel DSI och multi-skal HARDI (se figur 2) använder typiskt högre "b-värden" (dvs. starkare diffusion viktning) än DTI. Som ett resultat av dessa metoder har bättre vinkel upplösning, vilket är nödvändigt för att lösa korsning eller "kysser" fibrer (dvs fibrer som kurva mot varandra, att ta kontakt med en enda tangent innan böjda bort igen). Emellertid är denna vinst i vinkelupplösning uppnås ofta på bekostnad av lägre signal-till-brus-förhållande (SNR) i EPI data (fig. 3). Forskare kan överväga betydelsen av denna kompromiss för sina särskilda mål:Om en studie fokuserar på ett fåtal större fiber skrifter vars banor inte korsar eller löper parallellt med andra skrifter, sedan en låg-riktning DTI scan med hög SNR kan vara perfekt. Avbildning av sämre längsgående fasciculus kan representera ett sådant fall. Däremot kan en förlust av SNR vara en godtagbar konsekvens om en forskare vill följa en tarmkanalen genom komplexa korsningar.

En liknande avvägning involverar korrigering av huvudet rörelse, virvelströmmar, och icke-linjära förvrängningar image. DWI-protokoll använder eko-plan avbildning (EPI, se tabell 1), som är känslig för magnetfält inhomogeniteter orsakade av luftfickor i bihålorna, fysiologiska störningar och andra faktorer ^3. Dessa inhomogeniteter resultera i oönskade bildförvrängning, särskilt i sämre tinningloben och orbito-frontala cortex, vilket minskar validitet och reliabilitet av fiber spårning resultat på dessa områden. Ytterligare snedvridningar är skapade av eddy valutorts, en produkt av snabb MR-gradient omkoppling ^4. Deltagarnas huvud rörelse är en annan faktor som försämrar bildkvaliteten och kan negativt påverka tractography. Nuvarande metoder kan korrigera både huvud rörelse och snedvridningar bild i låga B-värde data, såsom DTI, men har dessa metoder inte utvidgats till högre upplösning metoder som DSI. Svårigheten att tillämpa metoder för bildkorrigering till DSI uppgifter härrör från den låga SNR som beskrivits ovan (Figur 3). För fiber spårning i områden i hjärnan som är känsliga för EPI distorsion, kan det vara bäst att använda låg riktverkan DTI eller annan teknik som bild snedvridningar kan korrigeras. Å andra sidan, om hög vinkelupplösning i hela hjärnan önskas kan forskarna välja att använda DSI, HARDI, eller liknande tekniker. Tuch (2004) ⁵ antyder att forskare interleave T2 bilder utan diffusion viktning under en DSI skanning, ger riktmärken för rörelse korrigering (t.ex. see ref. 6). I samtliga fall bör forskare vara medvetna om de negativa effekterna av huvudet rörelse under förvärv: det är lämpligt att använda välutbildade deltagare och för att minimera rörelse genom användning av bita barer, vakter näsa, stoppning eller andra skyddsåtgärder.

De resultat som presenteras här använder 257-riktning diffusion spektrum imaging (DSI) protokollet med lutning styrkor från B = 300 till 7000 (se parametrar i tabell 1). Spridning spektrum imaging (DSI) sekvens kräver modern MR-skanning utrustning med vissa egenskaper som krävs för att samla denna högupplösta diffusion data. Vi noterar att tiden kraven i denna sekvens är betydande: cirka 43 minuter på en Siemens Tim Trio scanner. Efter omfattande empirisk testning, anser vi att kvaliteten på dessa data motiverar varaktighet och skanning kostnader, men att välja förvärvet protokollet bör användare noga väga sina forskningsmål mot CApacities och komfort deltagare. Vi noterar också att god kvalitet DSI data har samlats in så lite som 10 minuter med avancerade förvärv tekniker ^7.

1. 3 Tesla fältstyrka MR skanner: 3T är nödvändigt för att uppnå den signal som krävs för hög vinkelriktning DSI scan.
2. 32-kanals fasstyrda huvud spole: Ett huvud-spole med hög känslighet och utmärkt signal-till-brus-förhållandet för att samla in uppgifter DSI. Åtta-och 12-kanaliga spolar ger mindre signal vid ytan av hjärnan, följaktligen kan dessa spolar kräver ökade scanning tid för att stödja noggrann kartläggning av utsprånget fält.
3. Chef stabilisering: På grund av den långa tid som DSI avsökningssekvens och eftersom rörelse korrigering inte kan tillämpas på DSI data är utmärkt chef stabilisering nödvändigt att kontrollera motivets rörelse. Rörelse styr allt från stoppning och tejp till en bit-bar är vakuum påse eller termoplast mask rekommenderas att stabilisera subjektivats huvuden. Mer än 2 mm translationsrörelse eller 2 ° av rotationsrörelse i någon riktning är överdrivet och kan betraktas som grund för att utesluta uppgifter.
4. FMRI presentation utrustning: För analyser med funktionella frön, ytterligare utrustning för fMRI scanning krävs. Beroende på vilken typ av regioner som ska lokaliseras omfattar detta vanligen en MR kompatibel skärm (t.ex. projektor system av MR kompatibel LCD), en knapp reaktion, ljudsystem och experimentera presentation dator synkroniseras med skannern förvärvet.

2. Skanningsmetoden

1. Kort deltagare på typ av skanningar som skall utföras och erhålla samtycke. Betona nödvändigheten att minimera huvud rörelse (speciellt under den långa DSI Scan). Erbjud deltagarna att välja en film eller en annan video för underhållning under DSI Scan. För funktionell scanning av beteendemässiga uppgifter, instruera patienter att övervaka skärmen för task-relevant stimuli och att svara efter behov.
2. Efter screening för MR kontraindikationer, bekvämt stabilisera deltagarnas huvudet med en av de ovan beskrivna metoderna, och skjut patientens säng i skannern.
3. Utför inledande scout skanningar och kalibrering.
4. Ställ segmentet recept för DSI Scan parallellt med en imaginär linje som förbinder de främre och bakre commisures. Se till att skivorna för DSI Scan täcker hela hjärnan.
5. Kör DSI Scan medan motivet slappnar i skannern eller klockor underhållning på presentationssystem.
6. Omedelbart efter slutförandet av DSI scan, samla en T1-viktade anatomisk scan (t.ex. MPRAGE) för senare användning i samverkan registrering (dvs. anpassa) DSI data med andra anatomiska eller funktionella uppgifter.
7. Valfritt, samla fMRI data i samma session med vanliga EPI pulssekvenser.
8. Om det behövs, göra fMRI scanning i en separat skanning session. Collect ett MPRAGE i båda sessionerna för att underlätta samarbete registrering av datamängder.

3. Anatomiska MR Processing

För ytan analys av fMRI data och automatisk segmentering med FreeSurfer, som beskrivs nedan, en högupplöst T1-viktade anatomisk bild med utmärkt vit-grå materia kontrast krävs. Denna bild ger en gemensam referensram utrymme för analys funktionella och spridning-viktade bilddata. I de flesta moderna MR skannrar, kommer denna bild att kallas en MPRAGE (Magnetisering Förberedd snabb Gradient Echo) bild. De flesta moderna MPRAGE sekvenser kan ge tillräckliga kvalitetsdata i en enda skanning (parametrar i tabell 1). Om nödvändigt, kan två eller flera genomsökningar som medelvärdet för att förbättra grå-vita substansen kontrast för segmentering. Nedan förklarar vi hur DWI och fMRI data, som vanligtvis samlas med olika voxel storlekar och olika punkter ursprung, automatiskt kan riktas och återsamplas församtidig visning med MPRAGE.

Detaljerade beskrivningar av FreeSurfer anatomiska MR bearbetning ström finns på FreeSurfer wiki ( http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki ), FreeSurfer utgång omfattar flera kortikala ytan representationer samt parcellation av kortikal anatomiska egenskaper och segmentering av subkortikala strukturer. Vi rekommenderar att köra AFNI / SUMA skript @ SUMA_Make_Spec_FS på FreeSurfer utgång, som omvandlar denna utgång i filformat som lätt kan bearbetas med verktyg från AFNI / SUMA, FSL, SPM och andra neuroradiologiska programvara. Till exempel kan co-registrering av bilder utföras med en av flera program, till exempel 3dAllineate (AFNI / SUMA), flirta (FSL), bbregister (FreeSurfer) eller SPM Coregister funktionen.

1. Utför anatomisk segmentering och kortikala ytan rekonstruktion By lämnar T1-viktade anatomisk bild till FreeSurfer automatiska algoritm (rekonstruktion alla).
2. Importera FreeSurfer bearbetning resultat i SUMA med @ SUMA_Make_Spec_FS skript. Detta steg skapar Nifti-format versioner av alla volymer i FreeSurfer utgång, inklusive en intensitet-normaliserat, skalle-avskalad version av den inmatade anatomiska bilden. Vi hänvisar till denna bearbetade anatomiska bilden som ytan volym, enligt AFNI / SUMA terminologi, den Nifti version av denna bild som skapats av @ SUMA_Make_Spec_FS heter brain.nii.
3. Justera DSI B0 bilden till den resulterande Surface Volym (använd Nifti format version av den här bilden heter brain.nii i SUMA katalogen).
4. Spara den 12-punkten affin transformation matris för användning i efterföljande co-registreringar.

4. Funktionell MRI (fMRI) Bearbetning

Funktionell MRI analys kan definiera områden av intresse (ROI) för generering eller post-hoc urval av fibrer. Varje eko-plana imaging (EPI) pulssekvenser med parametrar optimerade för de specifika fMRI-experiment kan användas. Likaså ett stort antal mjukvarupaket för fMRI bearbetning och finns analys, såsom AFNI / SUMA (NIMH, NIH) ^{8, 9,} BrainVoyager (Brain Innovation) ^10, FSL (FMRIB, Oxford University) ^{11, 12,} och SPM ( Wellcome Trust Center for hjärnavbildning, University College London) ^13. Den "fMRI bearbetning och analys" i figur 4 beskrivs en analys väg baserad på AFNI / SUMA programpaketet. För mer detaljerade användningsinstruktioner hänvisar vi läsaren till den utmärkta tutorials och annat utbildningsmaterial på AFNI / SUMA webbplats ( http://afni.nimh.nih.gov ).

Slutmålet för fMRI analys för fiber-spårning skiljer sig från vanliga funktionella lokalisering analyser, där tyngdpunkten ofta att hitta platsen för maximal aktivering.God statistisk procedur kräver forskare att ange alfa nivåer för statistiska kontraster förhand, men bör forskare anser att valet av statistiska trösklar kommer att påverka den geografiska omfattningen av funktionell aktivering och därmed omfattningen av fält fiber uppsägning.

1. Korrigera för ämne huvudet rörelse i varje individs fMRI uppgifter med den genomsnittliga bilden av den första scannern drivs som referensbild.
2. Valfritt utför skiva korrigering förvärv tid, speciellt om du använder en snabb händelse-relaterade uppgifter design.
3. Korrigera mellan regi skillnader i signalen baslinje genom normalisering av tidsserier för varje voxel inom varje körning.
   1. Uttryck varje voxel har tidsserier som procentuell förändring från voxel s innebär över tiden för en given körning, med ett program som 3dcalc (AFNI / SUMA) eller fslmaths (FSL).
   2. Alternativt, z-transform varje voxel är tidsserier för varje körning, baserat på signalen medelvärdet och standard avvikelse över tiden.
4. Co-registrera varje bearbetat EPI köra till ytan Volym (brain.nii) dataset genereras av FreeSurfer (se ovan).
5. Sammanlänka alla EPI körs i tid för en given individ.
6. Karta varje EPI köra till ytan med hjälp 3dVol2Surf (AFNI / SUMA), vilket ger en NIML yta datamängd för varje körning.
   1. Använd en smidig vita substansen och pial ytor som referens ytor för kartläggning, dessa kan ses som representerar grå / vit-materia gräns och yta cortex, respektive.
   2. Jämna ut signalen över avståndet mellan dessa två ytor.
7. Valfritt släta EPI data på kortikala ytan med SurfSmooth (AFNI / SUMA).
8. Skapa separata regressorerna för epoker av tid som motsvarar varje av de experimentella förutsättningar som till ämnet.
9. Lämna in dessa regressorerna (tillsammans med regressorerna av något intresse) till en allmän linjär modell (GLM)analys av de funktionella data.
10. Kontrast beta vikter för olika regressorerna att producera en "funktionell karta" över statistiska värden över ytan
11. Valfritt ange beta-viktvärden för flera deltagare i en grupp nivå variansanalys (ANOVA), om du använder en faktoriell design.
12. Härled trösklas funktionella kartor för att visa statistiskt signifikanta effekter, som sysselsätter en familywise felfrekvens (Gaussian random fältteori) ¹⁴ eller falskt upptäckt ränta (FDR) ^{15, 16} justering för att korrigera för multipla jämförelser.
13. Skapa områden av intresse (ROI), som kommer att användas senare för tractography sådd, från angränsande regionerna betydande funktionell aktivering på ytan genom märkning varje avskiljbar område.
    1. Automatiskt segment och etikett ROI med hjälp av en rumslig klustring algoritm, såsom SurfClust (AFNI / SUMA).
    2. Alternativt hand dra ROI med SUMA s Draw ROI funktion.
    Expandera ROI i den vita substansen med 3dSurf2Vol (AFNI / SUMA), för att maximera kontakten med effektiviserar under tractography.
    1. Som i steg 6, använd en smidig vita substansen och pial ytor för rangordningen.
    2. Ställ f_p1_fr = -0,5 för att växa ROI under den grå / vit substans gräns med 50% av den grå tjocklek på varje yta nod.
    3. Ställ f_pn_fr = 1 för att växa ROI i motsatt riktning till den pial ytan.
14. Använd AFNI programmet cat_matvec att hitta inversen av 12-punkten affin omformningsmatris genereras när anpassa B0 bilden till ytan Volym (brain.nii).
15. niiApply den inverterade matrisen till funktionella ROI för att anpassa dem till DSI data.

5. Bearbetning av diffusion viktade bilder Data

Diffusion-viktade bilder är en allmän term för vita tekniker materia imaging, som omfattar många olika kombinatioons av datainsamling och återuppbyggnad metoder. Kanske den mest använda metoden, benämnd diffusion tensor imaging (DTI) ^{17, 18,} ​​är baserad på 5-10 minuter av datainsamling, mätning diffusion i 6 eller 12 riktningar. Baserat på dessa data, diffusion mönster typiskt modelleras med en enkel tensor modell som passar bäst för att upptäcka en enda dominerande spridning riktning. Denna begränsning innebär att DTI inte fungerar bra för avbildning fibrer som korsar varandra eller "kyss" på en enda punkt. Crossing och kyssas fibrer är bättre upptäcks med en kombination av hög upplösning förvärv och återuppbyggnad metoder, såsom hög vinkelupplösning diffusion imaging (HARDI) ^19-21, diffusion spektrum imaging (DSI) ^{1, 2,} och generaliserad Q-ball imaging ( Gqi) ^22-24.

En 257-riktning med flera skal DSI sekvens körs på Siemens 3T skannrar användes för förvärv av resultaten som presenteras här (parammetrar i tabell 1). Förvärvade data rekonstruerades med Gqi metoden ^24, vilka modeller diffusion mönster i varje voxel med en orientering fördelningsfunktion (ODF) som kan detektera samtidig spridning i flera riktningar. Andra hög vinkelupplösning diffusion sekvenser bör ge liknande resultat. Observera att korrekt rekonstruktion av ODF: erna kräver forskaren att mata en gradient tabell (även benämnd en b-tabell) till DSI Studio DWI bearbetning och tractography program som används här. (Detaljerade användningsinstruktioner för DSi Studio finns på programmet hemsida http://dsi-studio.labsolver.org .) listar lutning riktning och magnetisk fältstyrka för varje förvärvade DWI volymerna Denna tabell. Lutningen Tabellen beror på MR förvärvet protokollet och automatiskt ur DICOM-bilder från DSI Studio. Vi rekommenderar dock att forskarna jämföra denna autommatiskt-extraherade lutning bord med standard tabellen för deras skannerns DWI-protokoll.

1. Om det behövs, konvertera MR-bilder till. DCM (DICOM) format med mri_convert (FreeSurfer).
2. Identifiera vilken bild (er) i datamängden är B0 bilder (dvs eko-plana bilder som samlats in utan diffusion viktning).
3. Konvertera B0 bild (er) till Nifti format med hjälp AFNI programmet to3d.
4. I DSI Studio, öppna DICOM-bilder och kombineras för att skapa en källa (. SRC) fil.
5. Supply en gradient tabell (se ovan).
6. Kontrollera att den förvalda återuppbyggnaden masken omfattar alla grå, utan även tomrummet, skalle, eller icke-hjärnvävnad. Redigera masken efter behov.
7. Du kan också skapa en rekonstruktion mask genom att köra AFNI programmet 3dAutomask på B0 bilden.
8. Välj en hög upplösning återuppbyggnad modell: DSI, Gqi, eller Gqi varianten.
9. Skapa en fiber informationsfil (. FIB) att representera den huvudsakliga spridning riktning (er) ivarje voxel.

6. Utvärdera Datakvalitet och spårning Parametrar genom hela hjärnan Tractography

Spårning fibrer med en hela hjärnan frö är ett snabbt och effektivt sätt att bedöma de samlade datakvalitet. Det innehåller också en möjlighet att besluta lämpliga värden för globala parametrar, särskilt anisotropin tröskeln används som stopp kriterium tractography. Detta förfarande är nödvändigt att göra en avvägning mellan att förbättra täckningen i fibern spårning processen och minska bullret. Särskild försiktighet bör iakttas vid fastställandet viktiga spårning parametrar, såsom vinkel tröskel och spårning trösklar.

Det är viktigt att notera att den relativa anisotropin olika skrifter kan variera mellan individer beroende på biologiska faktorer såsom ålder och vit substans integritet samt yttre faktorer som hårdvara kalibrering mellan sessioner. Nedan föreslår vi flera metoder för ekvilibrering spårningtrösklar mellan datamängder. I alla tider, kontrollera kvaliteten på spårning resultat genom att jämföra dem med kända neuroanatomi. Till exempel kan fibrer som korsar Interhemispheric spricka utanför kända Interhemispheric anslutningar (dvs corpus callosum, främre och bakre kommissurer) visar att spårningen tröskeln är för låg och bör höjas, eller kan vara tecken på artefakter huvudrörelser.

I motsats till spårning tröskeln bör vinkeln tröskeln vara invarianta för en viss individ över sessioner, eftersom fiber skrifter inte ändrar i krökning på kort sikt, om någonsin. På samma sätt bör tarmkanalen krökning vara relativt konstant över individer, i avsaknad av stora skillnader i hjärnans storlek eller morfologi. Man bör vara försiktig vid fastställandet initiala värden för denna parameter. Fibrer som följer osannolika banor, såsom hårnål kurvor, kan tyda på att vinkeln tröskeln är för hög.

1. Skapa enhela hjärnan såddregionen.
2. Ange ett initialt värde spårning tröskel att maskera låg signal voxlar.
3. Ställ vinkeln tröskel för att tillåta fibrerna kurvan upp till n grader i ett enda steg.
4. Ange storlek spårning steg i mm.
5. Ange önskat antal fibrer eller poäng frö.
6. Utför hela hjärnan tractography att kontrollera allmänna ODF rekonstruktion kvalitet.
7. Till att börja med väljer du en median (över datauppsättningar) spårning tröskel.
   1. Ladda en hela hjärnan trk-fil till TrackVis, en fiber tarmkanalen visualisering och analys program (Martinos Centrum för biomedicinsk avbildning, Massachusetts General Hospital) ^25.
   2. Ladda grå materia (GM) volymer i SUMA katalogen (LH / rh.ribbon.nii) som ROI.
   3. Ställ GM ROI som filter på banan gruppen accepterar endast fibrer som har antingen slutar i en av ROI.
   4. Kontrollera att de flesta av fibrerna (90-100%) i trk-filen kvar i den filtrerade spåret gruppen.
   5. Upprepa ens behov, justera spårning tröskel i DSI Studio varje gång.
8. Ytterligare kontrollera att spåra tröskelvärdena masker ut voxlar i tomma rymden (dvs runt kanterna i hjärnan och i handeln inom gyral utrymme) utan att ta bort voxlar, som tydligt ligger i vita substansen.
9. Valfritt jämvikta spårning tröskeln mellan datauppsättningar (dvs olika sessioner och / eller deltagare).
   1. Ange en spåra tröskelvärde som önskas i en uppsättning data via DSI Studio gränssnittet.
   2. Byt namn på. FIB-filen som skapats av DSI Studio med. Matta förlängning och import till MATLAB, enligt instruktionerna på DSI Studio webbplats ( http://dsi-studio.labsolver.org ).
   3. Skapa ett histogram över de värden som du vill tröskel.
   4. Konvertera kartan värden i z-värden.
   5. Hitta z-poängen för spårning tröskel som du ursprungligen in i DSI Studio interface.
   6. Utför steg bd för alla andra dataset, hitta tracking tröskel som motsvarar z-poäng finns i steg e.
   7. Som en cross-check för steg af, spåra en uppsättning kontroll fibrer från en anatomisk ROI på occipital polen med 500.000 frön.
   8. Kontrollera att detta förfarande producerar ungefär samma antal fibrer över datauppsättningar (+ - 100 fibrer).

7. Lokalt begränsad Tractography

I motsats till hela hjärnan tractography gör lokalt begränsad tractography användning av ROI-baserade booleska operationer, såsom att specificera volymerna genom vilka fibrer får eller inte får passera. Som ett resultat erbjuder lokalt begränsad tractography högre känslighet och större kontroll för att spåra utvalda fibrer av intresse. Hela hjärnan tractography undersamples loppet av eventuella groddpunkter, på grund av den höga beräkningskostnad för urkärning och begränsad datorgrafik minne. (Det är possible att dessa begränsningar kommer att lindras i framtiden, beroende på förändringar i tractography algoritmer, ökad minneskapacitet eller andra faktorer.) Som en följd av undersampling ger hela hjärnan tractography ofta resultat som är förspända mot de dominerande diffusion vägar i hjärna. Användarvänlig medföljande ROI itu med detta problem genom att tillhandahålla begränsade målregioner med hög täthet av utsäde poäng, vilket gör det lättare att fånga svåra att upptäcka fiber trakter.

1. Skapa en hela hjärnan frö regionen i DSI Studio.
2. Fyll en eller flera Nifti regionen av intresse (ROI) filer.
3. Valfritt ladda en region av undvikande (ROA) fil för att ange voxlar vilka fibrer bör inte passera genom.
4. Ställ anisotropi tröskel och vinkel tröskel såsom beskrivits ovan.
5. Utför spårning.
6. Kontrollera kvaliteten genom att jämföra fiber spår till anatomiska detaljer.

8. Endpoint Densitet Analys

1. Fyll Nifti ROI och trk-filer into TrackVis.
2. Utför Booleska operationer mellan regionerna.
3. Spara resultaten av varje verksamhet som en ny trk-fil.
4. Använd track_transform (Diffusion Toolkit) funktion för att rumsligt omvandla trk-filer till ytan Volym (brain.nii) fil.
5. Fyll den transformerade trk-filen och Surface Volym (brain.nii) i TrackVis att inspektera.
6. Fyll trk och ROI-filer till MATLAB för att göra kvantitativa anslutning uppskattningar.
7. Hitta {x / y / z} tyngdpunkt en ROI.
8. Som ett mått på anslutning, beräkna det totala antalet fibrer ändpunkter i en ROI, normaliseras genom ROI volym.
9. Alternativt, beräkna euklidiska avståndet mellan fiber endpoints och ROI centroida, som ett mått på specificiteten och konsekvens i tarmkanalen har anslutning till den ROI.

9. Representativa resultat

Högupplöst diffusion-viktade bilder och fiber tractography kan tillämpas på ett brett spektrum avneurovetenskapliga frågor. Vårt fokus i denna uppsats är att detalj kopplingen av strukturella anslutningsmetoder med funktionell neuroimaging. Vi noterar dock att en tillämpning av DWI kräver noggrann utvärdering av tractography resultat, med tanke på att datainsamling protokollet, återuppbyggnad metod och parametrar tractography kan utöva betydande, oberoende effekter på den slutliga produkten. Figur 5 illustrerar optimala och suboptimala resultat med hela hjärnan tractography. Alla tre bilder är baserade på samma 257-riktning DWI dataset från en enda deltagare, optimala resultat visas i den vänstra panelen. Däremot visar den mellersta panelen effekten av alltför överseende tractography parametrar (FA och vinkel trösklar). Den högra panelen visar en minskning i kvalitet som är resultatet av att använda en enda tensor modell för att rekonstruera DWI data.

Vi inkluderar två exempel på hur tractography resultat kan bekräfta och informera interpretatipå av funktionella bilddata. Dessa experiment bedömer kognitiva processer som tillät inrättandet av funktionella utsäde regioner: nämligen ansikte uppfattning och visuell uppmärksamhet. Dessa frö regioner kan användas för att testa frågor av vit-materia anslutning inom en kognitiv nätverk. Figur 6 visar ett exempel på regioner aktiveras under ett ansikte uppfattning uppgift. Ämnen visade bilder på ansikten och vardagliga föremål under pågående fMRI scanning. Två ventro-temporala regioner, i mitten spolformade gyrus (MFG) och sämre occipital gyrus (IOG), visade signifikant större BOLD svar för ansikten än för objekt. Dessa två funktionellt definierade områden användes sedan som utsäde regioner under tractography (som beskrivs i avsnitten 6-7 ovan). Visar den stora bunt av fibrer effektiviserar (visas i rött) som ansluta dessa två områden av intresse inom tinningloben Figur 6A, över ett avstånd av ungefär 12 cm. Notera tät packning av fibrerna och sMall grad av fiber krökning över denna distans. Detta mönster är typiskt för en-till-en-anslutningar inom funktionella nätverk över långa avstånd (se till exempel ref. 26). Figur 6B visar IOG funktionella såddregionen (visas i gult) tillsammans med de enskilda fibrer ändpunkter (röda prickar) . De fibrer slutpunkter finns över hela ROI. Denna anslutning mönster antyder att dessa regioner har direkta, långväga anslutningar som kan ligga bakom snabb kommunikation inom ansiktet uppfattning nätet.

Vår andra exempel (Figur 7) visar sambanden mellan syncentrum sensoriska områden och ett område med uppmärksamhet kontroll i den bakre parietala cortex (PPC). I det här fallet har de två uppsättningarna av funktionella aktiveringar (occipital och parietala regioner) produceras via oberoende uppsättningar fMRI data från samma individer. Parietala aktiveringar genererades via en uppmärksamhet skiftande uppdrag mellan 6 platser i visual fält (för detaljer, se ref ^27.), medan de occipital regionerna definieras med hjälp av vanlig synfält meridianen kartläggning ^28, som användes för att markera gränserna mellan funktionella utsäde regioner syncentrum (V1 - V3). Figur 7A visar ungefärliga platser i V1, V2, och V3 regioner utsäde (röd, grön, och blått, respektive), PPC såddregionen märkt IPS-1, och de skrifter fiber som ansluter dessa regioner. Tracts färgas av occipital ROI som de såddes. Till skillnad från de långa, raka fibrer i tinningloben (figur 6), dessa vita material skrifter täcker en kortare sträcka (intervall 3 - 5 cm) och är därför mer U-formad och mindre tätt packade då de reser från skallbenet lob till parietala loben. Figur 7B visar funktionellt definierade områden i IPS (brun), V1 (röd), V2 (grön), och V3 (blå) på den kortikala ytan tillsammans med fiber endpoints i varje region. Noterasegregering av skrifter i nackloben genom såddregionen i jämförelse med den stora graden av endpoint interdigitation i IPS-1. Detta tyder på att vår PPC regionen (identifierad genom fMRI aktivitet under en selektiv uppmärksamhet uppgift) kan vara en konvergens område i hjärnan, med strukturella kopplingar till många olika noder sensoriska cortex. Denna anslutning mönster kan tillåta överföring av uppmärksamhetsproblem förspännings signaler från högre kortikala regioner modulera aktiviteten i början av cortex, dessa signaler bidra till att förbättra mål representationer i syncentrum ^{29, 30.}

Figur 1. Schematisk illustration av nyckelbegrepp i diffusion-viktade bilder (DWI) Panel A:. På ett homogent medium sker diffusion slumpmässigt till följd av Brownsk rörelse. För ett stort antal vattenmolekyler, är diffusion isotropa, det är, är den sammanlagda spridningsbild sfärisk. Panel B: diffusion av vattenmolekyler i axoner och i mellanrummen mellan axonala buntar begränsas av axonala väggar och andra stödstrukturer. Således, är diffusion längs fiber skrifter anisotrop: det är mycket större utmed fiberns tarmkanalen projektilbana än i andra riktningar. Panel C: högupplösta DWI metoder använder modeller som orientering fördelningsfunktionen (ODF) för att modellera anisotropa spridning i komplexa konfigurationer av vit substans skrifter. Som framgår av detta exempel kan ODF: erna skilja olika diffusion vägar för flera fibrer skrifter som korsar vid en enda punkt. Korsningar med två eller tre olika fibrer skrifter är vanliga i hjärnan.

Figur 2. Fiber-spårning forskning kan utföras på ett antal olika sätt. Omfattar förvärv protokoll, återuppbyggnad teknik och tractography metod De viktigaste val. I den aktuella papper u vise en spridning spektrum imaging (DSI) ^{1, 2} protokoll för förvärv, generaliserad Q-sampling avbildning (Gqi) ²⁴ för återuppbyggnad och FACT deterministisk tractography ^{40, 41.} Vi lyfter särskilt modell-fria och hybrid återuppbyggnad tekniker, som genererar funktioner orientering fördelning (ODF: erna, se Figur 1) för att representera diffusion i varje voxel. Forskare kan välja olika rörledningar baserade på budgeten, tillgänglig tid, behovet av hög vinkelupplösning, och vikten av att korrigera för huvud rörelse och icke-linjära förvrängningar bild. Denna siffra är inte en fullständig lista över alla livskraftiga förvärv, ombyggnad och metoder tractography. Se Seunarine & Alexander ⁴² för en utmärkt genomgång av återuppbyggnad tekniker.

Figur 3. Interaktioner mellan diffusion MRI förvärv variabler, skanna varaktighet och abbilitet för att lösa fiber korsningar. Hög diffusion kontrast är nödvändigt för att lösa fibrer i komplexa passerar konfigurationer. Denna kontrast beror på flera faktorer, inklusive antalet gradient riktningar (dvs., antalet möjliga fiberorienteringar) och b-värdet (vilket indikerar graden av diffusion viktning). Här presenterar vi typiska effekterna av ökande b-värden och antalet gradient riktningar. Notera att denna tabell endast visar trender, och enskilda tekniker kan ha olika effekter på scan-duration, signal-till-brus-förhållande (SNR), och diffusion kontrast. Generellt kan kontrast förbättras genom att öka både antalet gradient riktningar och storleken på b-värden. Vid högre b-värden, dock är signal-till-brus-förhållande av diffusions-viktade bilder minskat, och söktiden ökas ofta.

Figur 4. Grafisk summary av anatomisk MR, DWI-MRI och fMRI strömmar bearbetning. Text i svart beskriver naturen hos varje processteg, medan text i grönt indikerar programvara som kan användas. Streckade linjer och lådor indikerar valfria steg, vilket inte kan vara tillämpliga på alla projekt. I detta exempel som utförs i AFNI / SUMA paket (utom när DSI Studio eller TrackVis anges). Jämförbara funktioner i andra paket neuroimaging analys kan ofta ersättas. Många av de åtgärder som illustreras i dessa diagram har delvis konsolideras genom mjukvaruutvecklare i bekväma skript: vi särskilt hänvisar läsarna till FreeSurfer återuppbyggnaden alla rörledning ( http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable ) . Vi noterar dessutom att flera programpaket erbjuder kompletta bearbetning rörledningar för DWI uppgifter, men dessa paket varierar i sina styrkor och svagheter, Och vissa inkluderar inte verktyg för att arbeta med hög kantiga MR upplösning diffusion data. Klicka här för att se större bild .

Figur 5. Illustration av hela hjärnan tractography med olika återuppbyggnad metoder och parametrar tractography. Alla bilder härleddes från samma datamängd en 257-riktning diffusion spektrum imaging (DSI) sekvens med flera b-värden (7000 s / mm ^2, 5 skal). Panel A: optimala resultat, som uppnås genom att använda en hög upplösning, ODF-baserade rekonstruktion metoden. En relativt hög spårning tröskeln 0,06 valdes, för att generera fibrer endast från starkt anisotropa voxlar, och en vinkel tröskel av 55 ° valdes för att utesluta genereringen av fibrer med biologiskt orealistiskt krökning (dvs., "looping" fibrer). NAnmärkning tydliga avgränsning av hemisfärerna, åtskilda av den längsgående spricka, noterar också hur fibrer buntning följer förväntad sulcal / gyral konturer. Panel B: samma återuppbyggnaden metod användes som i (A), men FA och trösklar vinkel sattes mildare under tractography (0,03 och 85 °, respektive). Olämpliga spårning parametrar kan orsaka generering av ett stort antal "skräp" fibrer, som döljer sann information om anatomisk struktur. Se Avsnitt 5, "Utvärdera data Kvalitet och spårning parametrar genom hela hjärnan Tractography", för att få råd om lämpliga parametrar val. Panel C: data rekonstrueras med hjälp av en enda tensor modell, en av de mest använda metoderna i DWI. Med lämpliga spårning parametrar (samma som A) återger enda tensor modell många kända stora fiber skrifter, och gyral konturer är något synligt i sagittala vyn. Men ger det också mer falska positiva än ODF modell: Obs fibrer reser horisontellt ly över Interhemispheric fissuren. Klicka här för att se större bild .

Figur 6. Tractography resultat från ett ansikte uppfattning experiment. Panel (A) visar effektiviserar följd tractography mellan funktionell ROI identifierats från ett ansikte uppfattning experiment. Allmänna områden sämre occipital gyrus (IOG) och i mitten av spolformade gyrus (MFG) indikeras med gula ovaler. Panel (B) visar IOG ändpunkterna hos fibrerna som anges i panelen (A) som visas på en förstorad ventrala vy av den bakre tidsmässiga kortikala ytan. ROI återges i gult resultatet av en ansikte uppfattning funktionell MRI experiment. Notera den stora mellan funktionellt definierade aktivering och slutpunkter fiber i IOG. Dessa fibrer spår från de inblandade MFG, en hjärna region ansikte uppfattning.p :/ / www.jove.com/files/ftp_upload/4125/4125fig6large.jpg "target =" _blank "> Klicka här för att se större bild.

Figur 7. Tractography resultat från en visuell uppmärksamhet experiment. Panel (A) visar effektiviserar följd tractography mellan funktionell ROI identifierats från en visuell uppmärksamhet experiment ^27. Allmänna områden bakre parietala cortex (IPS-1) och syncentrum (V1d, V2d, och V3d) anges med färgade ovaler. Fiber skrifter återges i motsvarande färger: röd för V1d, grön för V2d, och blå för V3d. Panel (B) visar ändpunkterna hos fibrerna som anges i panelen (A) som visas på en förstorad sidovy av den bakre (parietala och occipital) kortikala ytan. Färg konventioner stämmer överens med panel (A). Regioner av intresse till följd av en visuell uppmärksamhet funktionell MRI experiment visas på den kortikala ytan. Alla tre sets skrifter / användningsområde konvergerar i IPS-1-regionen, som är tänkt att innehålla ett prioriterat karta över visuell uppmärksamhet som kan vara källan uppmärksamhet förspännande signaler till mål i syncentrum. Tracts i IPS-1 är till stor del sammanflätade, medan occipital ändarna av dessa fibrer skrifter tydligt segregerad genom regionen syncentrum.

MR Scan	Parametrar
DSI	257 riktning diffusion spektrum imaging (DSI) skanning med en två gånger ny inriktning spinn-eko EPI sekvens och flera q-värden med en 43 min förvärv tid (TR = 9.916 ms, TE = 157 ms, voxelstorlek = 2,4 x 2,4 x 2,4 mm , FoV = 231 x 231 mm, B-MAX = 7.000 s / mm 2, 5 skal)
Anatomiska	T1-viktade MPRAGE sekvens (1 mm x 1 mm x 1 mm, 176 sagittala skivor, TR = 1.870, TI = 1.100, FA = 8 °, GRAPPA = 2)
fMRI </ Td>	T2 *-viktade eko-plan avbildning (EPI) pulssekvens (31 sneda axiella skivor, i planet upplösning 2 mm x 2 mm, 3 mm snittjocklek, inget gap, upprepning tid [TR] = 2.000 ms, eko tid [TE ] = 29 ms, flip vinkel = 90 °, GRAPPA = 2, matrisstorlek = 96 x 96, synfält [FOV] = 192 mm)

Tabell 1. Neuroimaging förvärv parametrar.

Discussion

Högupplöst DWI och fiber tractography ger en kraftfull metod för att undersöka den sammanbindande strukturen i den mänskliga hjärnan. Här presenterar vi bevis för att denna strukturella arkitekturen meningsfullt är relaterad till hjärnans funktion, bedöms av fMRI. Genom att använda tractography frön baserade på fMRI uppgift aktivering finner vi bevis på att områden i hjärnan som är co-aktiva under visuell uppmärksamhet är anatomiskt connectedconsistent med förkunskaper i funktionell neuroanatomi (Figur 7). På samma sätt är den funktionella neuroanatomi för ansikte uppfattning överensstämmer med våra nuvarande strukturella anslutningsmöjligheter fynd (Figur 6). Kunskap om anatomisk anslutning är nödvändig, men inte tillräcklig, för att dra slutsatser direkt funktionell koppling mellan hjärnan områden i en given uppgift (och vice versa). I många neuroradiologiska studier är direkt strukturella och funktionella anslutningar sluta-problematiskt-på grundval av samtidig funktioNAL aktivering ensam. Sådana slutsatser försumma andra tolkningar: till exempel kan två områden i hjärnan verkar samtidigt aktivt för att de delar en gemensam ingång, på grund av den globala neuromodulatory influenser som den experimentella designen inte kontrollerar, eller ens på grund av en gemensam bullerkälla, exempelvis som chef rörelse. MR diffusion tractography ger samstämmiga bevis för dynamiska funktionella relationer mellan distala områden i hjärnan, genom att bekräfta att en eventuell sammanbindande substrat finns mellan dem.

Användare bör överväga flera begränsningar och förbehåll av fiber-spårning forskning. Den mest grundläggande av dessa är att fiber effektiviserar genereras i deterministisk tractography representerar möjliga spridning vägar, och inte riktiga fiberknippen. Tractography resultat kan påverkas av både falskt positiva och falskt negativa resultat, och tolkning av tractography bör styras av befintlig neuroanatomisk kunskap. Den bästa tidigare bevis på vit substans connectivity kommer från "gold standard" tekniker såsom mikrodissektion eller spårämne märkning. Särskilt användbara är probabilistiska kartor över fiber-tarmkanalen konturer som härrör från postmortem mänskliga hjärnor, som den skapats av Buergel, Amunts och kollegor ^31, gratis online resurser såsom Digital anatom projektet ( http://www9.biostr.washington.edu/ da.html ) kan också ge användbar vägledning. Vi noterar att funktionell anslutning analys av EEG, MEG och BOLD fMRI data ger endast svag bevisning, om någon, för anatomisk anslutning mellan områden i hjärnan.

En ytterligare varning gäller falska fortsättning av fiber effektiviserar, som kan uppstå när två oberoende diffusion vägar är grovt inriktade end-to-end, och de verkar flyta in i varandra. I sådana fall kan tractography algoritmen fortsätta efter den sanna stoppställe. Exempelvis talamiska afferenter frånhjärnstammen och talamiska efferents till dorsala delar av hjärnbarken kan ha liknande inriktning. Som ett resultat, kan tractography algoritmer luras till att producera långa fibrer som stiger från hjärnstammen, passera genom talamus, och verkar för att sluta i kortex. Sådana falska fibrer kan bero på conjoining av två anatomiskt korrekta vägar, som alla är korrekt i sig. Men de kan också resultera från anatomiskt ogiltiga fiber banor. Andra vanliga falska fortsättningar inkluderar fibrer som verkar gå från de världsliga polerna till isolering och fibrer som korsar den längsgående spricka utanför kända Interhemispheric gränsövergångar (dvs. corpus callosum och kommissurerna). Dessa falska fortsättningar uppstår ofta eftersom 1) partiella volymeffekter skymma gränser lober / halvklot, eller 2) på grund av att spåra tröskeln har ställts in för milt. Som vi noterat ovan måste forskarna utvärdera fiber-spårning resulterar i ljuset av existerande neuroanatomical kunskap. Som en sista varning, kan vi konstatera att diffusion MRI och fiber tractography ger ingen information om riktning av anslutningar, det vill säga de kan inte urskilja framkoppling från återkoppling fibrer eller afferenter från efferents.

Deterministiska tractography kan vara användbart för hypotesprövning, eftersom fibern förenklar den genererar utgör slutsatser om punkt-till-punkt-anslutning längs vissa banor, vilket kan jämföras mot hypoteser. Emellertid kan användaren vill också överväga probabilistiska spårningsmetoder (se figur 2). Den stora fördelen med probabilistiska metoder är att de ger förtroendet uppskattningar för diffusion vägar mellan två punkter, baserat på ansamling av diffusion sannolikheter i voxlar som förbinder dessa punkter ^32. Däremot tar resultaten av deterministiska tractography inte hänsyn till den osäkerhet som ackumuleras i varje steg av en virtuell fiberns förökning, Denna osäkerhet ökar när stegstorlek, en användarvänlig uppsättning parameter ökas. Det förtroende skattningar som probabilistisk tractography kan vara särskilt användbart när man försöker bestämma den relativa sannolikheten för två eller flera olika diffusion vägar, och för övrigt kan användarna enkelt maskera ut voxlar med lågt förtroende uppskattningar en möjlighet som inte med deterministiska metoder. Liksom deterministisk tractography dock inte probabilistiska metoder inte slutgiltigt bevisa existensen av vit-materia fibrer, utan de visar möjliga spridning vägar.

Användare kan hitta deterministiska tractography resultaten mer intuitiv för visualisering, eftersom resultaten vanligen presenteras som tre-dimensionell fiber effektiviserar, som gör det möjligt för tittaren att snabbt uppfatta eventuella fiber banor. Däremot är probabilistiska tractography resultat vanligtvis representerade som 2-dimensionella skivor volymetriska data. Dessa bilder visar vanligtvis värme kartor över kontiguous voxlar, motsvarande diffusion sannolikheten i en tröskeljämförd tarmkanalen volym, utan att modellera tänkbara fiber banor inom området. Oavsett användarnas val av tractography och visualisering metoder bör de inse att fiber-tracking resultat endast visar möjliga spridning vägar, och att resultaten av båda metoderna kan inkludera typ I och II statistiska fel.

Vår forskargrupp har använt de tekniker som beskrivs här för att visualisera och kvantifiera anslutningarna av kortikospinala ³³ tarmkanalen, corpus callosum ^34, och visuell uppmärksamhet systemet ^27, liksom att kartlägga kortikala projektion kretsar i basala ganglierna ^35. I vissa fall tractography resultat kan generera nya rön:. Exempelvis Wang et al (in) som används högupplösta DWI detalj tidigare obeskrivna fiber skrifter, med över validering i kadaver dissektion ^36. Resultat som dessa kan gedrivkraft för undersökningar av hjärnans funktion, i syfte att bedöma den funktionella nyttan av de nyupptäckta trakter. Slutligen, icke-invasiva, har hög upplösning DWI löfte i ett antal kliniska situationer, såsom neurokirurgisk planering ^37, kirurgi för tumörer, blödningar och cavernovas ^38, och traumatisk hjärnskada (TBI) ^39. Vår grupp har tillämpat dessa tekniker i ett stort antal neurokirurgi och traumatiska fall hjärnskada, om störningar fiberanslutning till beteendemässiga symptom.

Ytterst lätt att få information om den globala hjärnan anslutning gör det möjligt för forskare att bygga bättre modeller av hjärnan. Exempelvis kan graderade mätningar av vit-materia anslutning användas för att förbättra källa lokalisering i MEG / EEG, eller att placera begränsningar fMRI-baserade effektiva anslutningsmöjligheter analyser. Högupplöst tractography kommer sannolikt också att förbättra modeller för störningar eller patologisk hjärna anslutning, such som kan förekomma i TBI eller autism. Slutligen kan högupplösande tractography möjligt för forskare att bättre integrera kunskap om människans funktionell neuroanatomi med invasiva studier av icke-mänskliga hjärnor. Vi hoppas och räknar med att ett växande antal forskare kommer att undersöka möjligheterna att kombinera bedömningar av hjärnans funktion med hög upplösning diffusion-viktade bilder.