Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Una tubería estandarizada para examinar la morfometría de materia gris cerebelosa humana utilizando imágenes de resonancia magnética estructural

Published: February 4, 2022 doi: 10.3791/63340
Automatic Translation
1, 2, 3, 4, 5,6, 7, 1,8
1Department of Neuroscience, Central Clinical School, Monash University, 2Department of Biomedical Engineering, The Johns Hopkins University, 3Department of Psychiatry, National Institute of Mental Health & Neuro Sciences (NIMHANS), 4Faculty of Computer Science, Dalhousie University, 5Department of Electrical and Computer Engineering, The Johns Hopkins University, 6Department of Computer Science, The Johns Hopkins University, 7Brain and Mind Institute, Department for Statistical and Actuarial Sciences, Department for Computer Science, Western University, 8Monash Biomedical Imaging, Monash University

Summary

Se presenta una tubería estandarizada para examinar la morfometría de materia gris del cerebelo. La tubería combina enfoques de alta resolución y vanguardia para la parcelación optimizada y automatizada del cerebelo y el registro basado en vóxel del cerebelo para la cuantificación volumétrica.

Abstract

Múltiples líneas de investigación proporcionan evidencia convincente de un papel del cerebelo en una amplia gama de funciones cognitivas y afectivas, yendo mucho más allá de su asociación histórica con el control motor. Los estudios de neuroimagen estructural y funcional han refinado aún más la comprensión de la neuroanatomía funcional del cerebelo más allá de sus divisiones anatómicas, destacando la necesidad de examinar las subunidades cerebelosas individuales en la variabilidad saludable y las enfermedades neurológicas. Este artículo presenta una tubería estandarizada para examinar la morfometría de materia gris del cerebelo que combina enfoques de alta resolución y vanguardia para la parcelación de cerebelo optimizada y automatizada (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) y registro del cerebelo basado en vóxel (Spatially Unbiased Infra-tentorial Template; SUIT) para cuantificación volumétrica.

La tubería tiene una amplia aplicabilidad a una variedad de enfermedades neurológicas y está totalmente automatizada, con intervención manual solo requerida para el control de calidad de los resultados. La canalización está disponible gratuitamente, con documentación sustancial que la acompaña, y se puede ejecutar en los sistemas operativos Mac, Windows y Linux. La tubería se aplica en una cohorte de individuos con ataxia de Friedreich (FRDA), y se proporcionan resultados representativos, así como recomendaciones sobre análisis estadísticos inferenciales a nivel de grupo. Esta tubería podría facilitar la confiabilidad y la reproducibilidad en todo el campo, proporcionando en última instancia un poderoso enfoque metodológico para caracterizar y rastrear los cambios estructurales cerebelosos en las enfermedades neurológicas.

Introduction

El cerebelo es una parte del cerebro históricamente asociada con el control motor 1,2,3 y se cree que está involucrado integralmente en solo un pequeño conjunto de enfermedades raras, como las ataxias hereditarias4. Sin embargo, las líneas convergentes de investigación de los estudios de rastreo anatómico en primates no humanos, así como los estudios de lesiones humanas y neuroimagen, proporcionan evidencia convincente de un papel del cerebelo en una amplia gama de funciones cognitivas 5,6,7, afectivas 8,9,10,11 y otras funciones no motoras 7,12 (ver 6  para su revisión). Además, las anomalías del cerebelo están cada vez más implicadas en una amplia gama de trastornos neurológicos y psiquiátricos, incluida la enfermedad de Parkinson13, la enfermedad de Alzheimer14,15, la epilepsia16,17, la esquizofrenia18 y el trastorno del espectro autista19 . Por lo tanto, se ha vuelto esencial incorporar el cerebelo en modelos funcionales y estructurales de enfermedades cerebrales humanas y variabilidad normativa del comportamiento.

Anatómicamente, el cerebelo se puede dividir a lo largo de su eje superior a inferior en tres lóbulos: anterior, posterior y floculonodular. Los lóbulos se subdividen en 10 lóbulos denotados por números romanos I-X20,21 (Figura 1). El cerebelo también se puede agrupar en zonas de línea media (vermis) y lateral (hemisferio), que reciben respectivamente entradas de la médula espinal y la corteza cerebral. El lóbulo anterior, que comprende los lóbulos I-V, se ha asociado tradicionalmente con procesos motores y tiene conexiones recíprocas con cortezas motoras cerebrales22. El lóbulo posterior, que comprende los lóbulos VI-IX, se asocia principalmente con procesos no motores11 y tiene conexiones recíprocas con la corteza prefrontal, el parietal posterior y las cortezas cerebrales temporales superiores 8,23. Por último, el lóbulo floculonodular, que comprende el lóbulo X, tiene conexiones recíprocas con los núcleos vestibulares que gobiernan los movimientos oculares y el equilibrio corporal durante la postura y la marcha21.

Un creciente cuerpo de trabajo reciente que utiliza neuroimagen funcional ha refinado aún más la comprensión de la neuroanatomía funcional del cerebelo más allá de sus divisiones anatómicas. Por ejemplo, se han utilizado técnicas de resonancia magnética funcional (fMRI) en estado de reposo para mapear el patrón de interacciones funcionales entre el cerebelo y el cerebro24. Además, utilizando un enfoque de parcelación basado en tareas, King y sus colegas7 demostraron que el cerebelo muestra un patrón rico y complejo de especialización funcional en toda su amplitud, evidenciado por distintos límites funcionales asociados con una variedad de tareas motoras, afectivas, sociales y cognitivas. Colectivamente, estos estudios resaltan la importancia de examinar subunidades cerebelosas individuales para desarrollar caracterizaciones biológicas completas de la participación del cerebelo tanto en la variabilidad saludable como en las enfermedades neurológicas caracterizadas por alteraciones en la estructura y / o función cerebelosa.

El presente trabajo se centra en los métodos para cuantificar los cambios locales en el volumen cerebeloso utilizando la resonancia magnética estructural en humanos. En general, hay dos enfoques fundamentales para la cuantificación del volumen cerebral regional utilizando datos de resonancia magnética: segmentación basada en características y registro basado en vóxel. Los enfoques de segmentación basados en características utilizan puntos de referencia anatómicos y atlas estandarizados para identificar automáticamente los límites entre las subregiones. Los principales paquetes de software para la segmentación incluyen FreeSurfer25, BrainSuite26 y FSL-FIRST27. Sin embargo, estos paquetes proporcionan solo parcelaciones gruesas del cerebelo (por ejemplo, etiquetando toda la materia gris y toda la materia blanca en cada hemisferio), pasando por alto los lóbulos cerebelosos individuales. Estos enfoques también son propensos a la segmentación errónea, particularmente la inclusión excesiva de la vasculatura circundante.

Se han desarrollado nuevos algoritmos de aprendizaje automático y etiquetado multi atlas, que proporcionan una parcelación más precisa y de grano más fino del cerebelo, incluido el algoritmo de clasificación automática de lóbulos cerebelosos utilizando la evolución implícita de múltiples límites (ACCLAIM28,29), el kit de herramientas de análisis cerebeloso (CATK30), las plantillas generadas automáticamente múltiples (MAGeT31), la segmentación automática rápida del cerebelo humano y sus lóbulos (RASCAL32 ), segmentación de corte gráfico33 y Segmentación cerebelo (CERES34). En un artículo reciente que compara los enfoques de parcelación de cerebelo totalmente automatizados de última generación, se encontró que CERES2 supera a otros enfoques en relación con la segmentación manual estándar de oro de los lóbulos cerebelosos35. Más recientemente, Han y sus colegas36 desarrollaron un algoritmo de aprendizaje profundo llamado ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), que funciona a la par con CERES2, tiene una amplia aplicabilidad a cerebelos sanos y atrofiados, está disponible en formato de contenedor Docker y Singularity de código abierto para la implementación "lista para usar", y es más eficiente en el tiempo que otros enfoques. ACAPULCO parcela automáticamente el cerebelo en 28 regiones anatómicas.

A diferencia de la segmentación basada en características, los enfoques de registro basados en vóxeles operan asignando con precisión una resonancia magnética a una imagen de plantilla. Para lograr este mapeo, los vóxeles en la imagen original deben estar distorsionados en tamaño y forma. La magnitud de esta distorsión proporciona efectivamente una medida de volumen en cada vóxel en relación con la plantilla estándar de oro. Esta forma de evaluación volumétrica se conoce como "morfometría basada en vóxel"37. Los enfoques de registro basados en vóxel de cerebro completo, como FSL-FLIRT38 / FNIRT39, SPM segmentación unificada40 y CAT1241, se usan comúnmente para la morfometría basada en vóxel. Sin embargo, estos enfoques no tienen en cuenta bien el cerebelo, lo que resulta en una confiabilidad y validez deficientes en las regiones infratentoriales (cerebelo, tronco encefálico42). Para tener en cuenta estas limitaciones, se desarrolló el algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) para optimizar el registro del cerebelo y mejorar la precisión de la morfometría basada en vóxel42,43.

La segmentación basada en características y los enfoques de registro basados en vóxeles para la estimación del volumen cerebeloso regional tienen fortalezas y debilidades fundamentales. Los enfoques de segmentación son sustancialmente más precisos para cuantificar el volumen de áreas definidas anatómicamente (por ejemplo, lóbulos35). Sin embargo, los límites entre los distintos módulos funcionales del cerebelo no se asignan a su folia anatómica y fisuras (equivalentes a giros y surcos del cerebro7). Como los enfoques basados en el registro no están limitados por puntos de referencia anatómicos, es posible una inferencia espacial de grano más fino y un mapeo de estructura-función de alta dimensión del cerebelo44. En conjunto, los enfoques de segmentación y registro son complementarios entre sí y se pueden utilizar para responder a diferentes preguntas de investigación.

Aquí, se presenta una nueva tubería estandarizada, que integra estos enfoques existentes y validados para proporcionar una parcelación optimizada y automatizada (ACAPULCO) y un registro basado en vóxel del cerebelo (SUIT) para la cuantificación volumétrica (Figura 2). La tubería se basa en los enfoques establecidos para incluir protocolos de control de calidad, utilizando visualización cualitativa y detección cuantitativa de valores atípicos, y un método rápido para obtener una estimación del volumen intracraneal (ICV) utilizando Freesurfer. La canalización está totalmente automatizada, con intervención manual solo necesaria para verificar las salidas del control de calidad, y se puede ejecutar en los sistemas operativos Mac, Windows y Linux. La tubería está disponible gratuitamente sin restricciones de su uso para fines no comerciales y se puede acceder desde la página web de ENIGMA Consortium Imaging Protocols (en "ENIGMA Cerebellum Volumetrics Pipeline"), después de completar un breve formulario de registro45.

Todo el software requerido se enumera en la Tabla de materiales, y los tutoriales detallados, incluida una demostración en vivo, están disponibles al descargar la tubería, además del protocolo que se describe a continuación. Finalmente, se proporcionan resultados representativos, a partir de la implementación de la tubería en una cohorte de personas con ataxia de Friedreich (FRDA) y controles sanos emparejados por edad y sexo, junto con recomendaciones para análisis inferenciales estadísticos a nivel de grupo.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

NOTA: Los datos utilizados en este estudio fueron parte de un proyecto aprobado por el Comité de Ética de Investigación Humana de la Universidad de Monash (proyecto 7810). Los participantes dieron su consentimiento informado por escrito. Si bien la canalización se puede ejecutar en los sistemas operativos Mac, Windows o Linux, ACAPULCO, SUIT y las canalizaciones de control de calidad se han probado explícitamente en los sistemas operativos Linux (Ubuntu) y Mac (Catalina, Big Sur v11.0.1).

1. Módulo 1: ACAPULCO (parcelación anatómica)

  1. Recogida de datos
    1. Recopile imágenes de resonancia magnética ponderadas en 3D T1 de todo el cerebro a una resolución de 1 mm3 o menos. Se recomiendan las dimensiones isotrópicas del vóxel (normalmente 1 mm x 1 mm x 1 mm) y un escáner 3-Telsa (o superior). Consulte con un especialista en imágenes en su centro de radiografía para configurar y adquirir datos que cumplan con estas especificaciones.
      NOTA: Las imágenes ponderadas en T2 a veces son útiles para análisis volumétricos; sin embargo, la canalización presentada aquí se basa únicamente en datos ponderados en T1, y algunas de las herramientas utilizadas son exclusivas de este tipo de datos. Como tal, no se pueden utilizar imágenes ponderadas en T2.
    2. Realizar una evaluación de la calidad visual de las imágenes para excluir malformaciones cerebelosas macroscópicas (por ejemplo, lesiones grandes) o artefactos de movimiento sustanciales que impidan la identificación de puntos de referencia cerebelosos importantes (por ejemplo, las principales fisuras anatómicas). No excluya automáticamente la cerebela atrofiada, incluso si es sustancial.
    3. Para los estudios grupales, también considere las evaluaciones cuantitativas de calidad utilizando herramientas estandarizadas disponibles gratuitamente como MRIQC46 para identificar aún más los datos problemáticos.
    4. Convierta todos los datos al formato NIFTI-GZ utilizando una herramienta como dcm2niix47.
  2. Organización de datos recomendada
    1. Obtenga todo el software necesario como se indica en la Tabla de materiales. Asegúrese de que Docker48 o Singularity49, Matlab50 y SPM1251 estén instalados antes de ejecutar la canalización.
      NOTA: También están disponibles extensos tutoriales escritos y en video que describen la tubería (consulte la Tabla de materiales).
    2. Una vez que se haya instalado todo el software necesario, cree carpetas en el directorio de trabajo y etiquételas como 'acapulco', 'suit' y 'freesurfer'. Haga esto usando el comando mkdir de la línea de comandos.
    3. En el directorio 'acapulco', cree una carpeta de salida . En la carpeta de salida , cree un directorio para cada sujeto del estudio que contenga la imagen ponderada T1 en formato NIFTI-GZ.
      NOTA: Se recomienda guardar una copia de los datos originales en otro lugar.
  3. Parcelación cerebelosa anatómica utilizando ACAPULCO
    1. Vaya a la Tabla de Materiales y descargue los scripts y contenedores relevantes necesarios para ejecutar ACAPULCO (en archivos de tubería de acapulco). En el directorio 'acapulco', coloque el (i) contenedor ACAPULCO Docker OR Singularity ('acapulco_0.2.1.tar.gz' o '.sif', respectivamente), (ii) contenido del archivo QC_scripts (3 archivos: 'QC_Master.R', 'QC_Plots.Rmd' y 'QC_Image_Merge.Rmd'), y (iii) 'R.sif' (singularidad) O 'calculate_icv.tar' (docker).
    2. Abra un terminal y, desde la línea de comandos, ejecute el contenedor ACAPULCO en una sola imagen (reemplace <> en lo siguiente). Espere ~ 5 minutos para que se complete el procesamiento.
      1. Con Docker, escriba el comando:
        docker load --input acapulco_0.2.1.tar.gz
        docker run -v $PWD:$PWD -w $PWD -t --user $(id -u):$(id -g) --rm acapulco:latest -i output/<>/<>.nii.gz -o output/<>
      2. Con Singularity, escriba el comando:
        singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
    3. Bucle a través de todos los sujetos / escaneos en la cohorte. Consulte la Tabla de materiales para obtener un enlace al sitio web de ENIGMA Imaging Protocols para descargar la tubería (en ENIGMA Cerebellum Volumetrics Pipeline) y el manual tutorial que contiene ejemplos de cómo crear un bucle for para procesar múltiples sujetos en serie.
    4. Después del procesamiento, busque los siguientes archivos generados en las carpetas específicas del sujeto:
      1. Identifique "_n4_mni_seg_post_inverse.nii.gz": máscara de cerebelo parcelada en original (espacio sujeto).
      2. Identificar "_n4_mni_seg_post_volumes.csv": volúmenes (en mm3) para cada una de las 28 subunidades generadas por acapulco;
      3. Identificar imágenes representativas (en el directorio 'pics'): sagital, axial y coronal.
  4. Detección estadística de valores atípicos y control de calidad (QC)
    1. Desde el terminal y en el directorio 'acapulco', asegúrese de que el contenido de QC_scripts está en el directorio 'acapulco'. Para ejecutar los scripts de control de calidad:
      1. Con Docker, escriba el comando:
        calculate_icv.tar de carga de Docker
        docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
        salida QC_Master.R/
      2. Con Singularity, escriba el comando:
        singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
  5. Examinando las imágenes de control de calidad generadas por ACAPULCO
    NOTA: Hay un proceso de 3 pasos para verificar la calidad de las imágenes parceladas de ACAPULCO.
    1. Abra el 'QC_Images.html' en un navegador web y desplácese rápidamente (~ 10 s por tema) a través de las imágenes para identificar fallas obvias o problemas sistemáticos. Anote los ID de sujeto de las imágenes parceladas fallidas o sospechosas para el seguimiento.
      NOTA: Consulte la Figura 3 para obtener una guía sobre la neuroanatomía de los lóbulos cerebelosos y la Figura 4, Figura 5 y Figura 6 en la sección de resultados representativos a continuación para ver ejemplos de parcelaciones "buenas", "parcelaciones erróneas sutiles" y parcelaciones de "falla global".
    2. Abra el 'Plots_for_Outliers.html' para marcar las casillas de los valores atípicos estadísticos cuantitativos. Busque valores atípicos (2.698 s.d por encima o por debajo de la media) por encima o por debajo de los bigotes de las gráficas de caja. Coloque el cursor sobre los puntos de datos para mostrar el ID de sujeto. Identifique los valores atípicos denotados por un '1' en la columna correspondiente en el archivo 'Valores atípicos.csv' y anote el número total de segmentos identificados como valores atípicos para cada sujeto en la columna final en 'Valores atípicos.csv'.
    3. Inspeccione manualmente cada imagen que tenga uno o más valores atípicos. CRÍTICO: Utilizando un visor de imágenes NIFTI estándar (por ejemplo, FSLEyes o MRICron), superponga la máscara ACAPULCO en la imagen T1w original para verificar la calidad de la parcelación corte por rebanada.
      1. Para generar superposiciones para el control de calidad detallado desde la línea de comandos utilizando FSLEyes, i) cambie el directorio al directorio 'acapulco', ii) especifique el asunto a ver (reemplace ):
        subj=
      2. Copie/pegue el siguiente código en el terminal (sin cambiar manualmente {subj} ya que esto ha sido establecido por la línea anterior:
        t1_image=output/${subj}/${subj}.nii.gz
        acapulco_image=output/${subj}/${subj}_n4_mni_seg_post_inverse.nii.gz
        fsleyes ${t1_image} ${acapulco_image} --overlayType label --lut random_big --outline --outlineWidth 3 ${acapulco_image} --overlayType volume --alpha 50 --cmap random
        NOTA: Será necesario determinar si se debe incluir el segmento anormal o no, es decir, ¿hay un error de parcelación o es solo una variabilidad normal en la anatomía del individuo? Cada región parcelada se considera individualmente, por lo que algunas regiones pueden excluirse para una imagen, mientras que el resto se puede conservar si es correcto.
      3. ¿Es necesario excluir una o más regiones parceladas del conjunto de datos final?
        En caso afirmativo (se confirma el valor atípico), excluya esta parcelación del análisis sustituyendo la estimación de volumen por NA en la celda correspondiente del archivo «Cerebel_vols.csv» para ese sujeto.
      4. ¿Los errores de parcelación dan lugar a que parte del cerebelo se excluya de la máscara?
        En caso afirmativo ,por ejemplo, si faltan determinados lóbulos cerebelosos en la máscara o aparecen "cortados"), excluya inmediatamente al sujeto de otros análisis (es decir, no proceda a ejecutar el módulo SUIT en esos sujetos).

2. Módulo 2: Morfometría basada en vóxel optimizada para cerebelo SUIT

  1. Análisis de morfometría basados en vóxel utilizando SUIT
    CRÍTICO: Esta canalización requiere que el módulo ACAPULCO ya se haya ejecutado, ya que se basa en la generación de una máscara cerebelosa específica del sujeto para la optimización del registro y la normalización del cerebelo a la plantilla SUIT. Si la máscara específica del sujeto generada por ACAPULCO no incluye todo el cerebelo, esto garantiza la exclusión del módulo SUIT. Para obtener instrucciones sobre cómo ejecutar SUIT independiente, consulte52.
    1. Obtenga todo el software necesario que aparece en la Tabla de materiales. Asegúrese de que la carpeta SPM12 y todas las subcarpetas están en la ruta de acceso de MATLAB. Asegúrese de enigma_suit scripts se guarden en el directorio 'spm12/toolbox' y se agreguen a la ruta de MATLAB. Para comprobar la ruta de acceso de MATLAB, escriba pathtool en la ventana de comandos de MATLAB y, a continuación, haga clic en Agregar con subcarpetas para agregar las carpetas correspondientes.
    2. Ejecute la canalización SUIT para uno o más temas. Espere ~ 15-20 min (si usa la interfaz gráfica de usuario [GUI]) y ~ 5-7 min si se ejecuta desde el terminal (bash / shell) para que se complete el procesamiento.
      1. Para utilizar la GUI (los sujetos se ejecutarán en serie), desde la ventana de comandos de MATLAB, escriba el comando:
        suit_enigma_all
      2. En la primera ventana emergente, seleccione las carpetas de asunto del directorio 'acapulco/output' para incluir en el análisis. Haga clic en las carpetas individuales en el lado derecho de la ventana, o haga clic con el botón derecho y seleccione todo. Presione Listo. En la segunda ventana emergente, seleccione el directorio SUIT, donde se escribirán los análisis.
      3. O Bien llame a la función desde la línea de comandos de MATLAB para un solo asunto, escriba el comando:
        suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. O Llame a la función desde la ventana del terminal, fuera de MATLAB, para un solo sujeto escribiendo el comando:
        matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
    3. Consulte la Tabla de materiales para obtener un enlace al sitio web de ENIGMA Imaging Protocols para descargar la tubería (en ENIGMA Cerebellum Volumetrics Pipeline) y el manual tutorial que contiene ejemplos de cómo crear un bucle for para procesar múltiples sujetos en serie.
    4. Busque los siguientes puntos con respecto al guión.
      1. Asegúrese de que el script copie la imagen T1 con sesgo corregido de N4 y alineada con MNI (cuerpo rígido) y la máscara de cerebelo de ACAPULCO en el directorio de salida.
      2. Asegúrese de que el guión segmenta la materia gris y blanca del cerebelo.
      3. Asegúrese de que el script corrige los errores de sobreinclusión en la parcelación utilizando la máscara ACAPULCO.
      4. Asegúrese de que el script DARTEL normalice y reslice los datos en el espacio SUIT con modulación jacobiana para que el valor de cada vóxel sea proporcional a su volumen original.
      5. Compruebe en la carpeta de cada sujeto los siguientes resultados finales: 'wd_seg1.nii' (materia gris) y 'wd_seg2.nii' (materia blanca).
  2. Detección estadística de valores atípicos y control de calidad
    1. Inspeccione visualmente las imágenes normalizadas y moduladas (wd*) en busca de fallos importantes. En MATLAB, escriba el comando:
      spm_display_4D
    2. Seleccione manualmente las imágenes 'wd*seg1' de las subcarpetas del traje, o navegue hasta el directorio 'suit'; inserte '^wd.*seg1' en el cuadro Filtro (sin comillas) y pulse el botón Rec . Presione Listo.
    3. Desplácese por las imágenes para asegurarse de que todas estén bien alineadas. Consulte la Figura 7 para obtener imágenes correctamente normalizadas de controles sanos (A, B) y un individuo con un cerebelo muy atrófico (D).
      NOTA: En esta etapa, la anatomía entre sujetos es muy similar (ya que se han registrado en la misma plantilla), y las diferencias de volumen están codificadas por diferentes intensidades de vóxel. Las fallas importantes serán obvias, por ejemplo, imágenes en blanco, grandes áreas de tejido faltante, gradientes de intensidad inusuales (es decir, vóxeles brillantes todos en la parte superior, vóxeles oscuros todos en la parte inferior). Estas imágenes deben excluirse de los pasos posteriores.
    4. Compruebe la covarianza espacial para ver si hay valores atípicos. En MATLAB, escriba el comando:
      check_spatial_cov
      1. Seleccione las imágenes 'wd*seg1' según el paso anterior. Cuando se le solicite, seleccione las siguientes opciones: Escalado de prop: Sí; Variable para covary out: No; Rebanada (mm): - 48 , Gap: 1.
      2. Mire el diagrama de caja que muestra la covarianza espacial media de cada imagen en relación con todas las demás en la muestra. Identifique los puntos de datos que están >2s.d. por debajo de la media en la ventana de comandos de MATLAB. Para ellos, inspeccione la imagen "_n4_mni.nii.gz" en la carpeta SUIT en busca de artefactos (movimiento, anomalías anatómicas), problemas de calidad de imagen o errores de preprocesamiento.
      3. Si la calidad de la imagen y el preprocesamiento son aceptables y la inspección visual de las imágenes moduladas en el paso anterior no indica un problema con la segmentación y la normalización, conserve estos datos en la muestra. De lo contrario, excluya estos datos.

3. MÓDULO 3 (opcional): Estimación del volumen intracraneal (ICV) utilizando FreeSurfer

NOTA: Este módulo utilizará la canalización de FreeSurfer para calcular ICV. No es necesario volver a ejecutarlo si existen salidas de Freesurfer para la cohorte (cualquier versión).

  1. Configuración de FreeSurfer
    1. Asegúrese de que FreeSurfer esté descargado e instalado53. Vaya a la Tabla de materiales y descargue los scripts relevantes para ejecutar este módulo (en archivos de canalización ICV). Cuando trabaje con FreeSurfer, establezca las siguientes variables:
      directorio export FREESURFER_HOME=
      fuente $FREESURFER_HOME/SetUpFreeSurfer.sh
    2. Sustitúyase en el texto siguiente:
      export SUBJECTS_DIR=/enigma/Freesurfer
  2. Ejecución de Freesurfer autorecon1
    1. Para un solo sujeto, desde el interior del directorio 'freesurfer' (tiempo de procesamiento ~ 20 min), escriba el comando:
      cd /enigma/freesurfer
      recon-all -i.. /input/.nii.gz -s -autorecon1
    2. Consulte el manual del tutorial para ver ejemplos de cómo crear un bucle for para procesar varios temas en serie.
  3. Cálculo de ICV
    1. Organización de datos
      1. En el directorio 'freesurfer', coloque el (i) contenedor Docker OR Singularity utilizado en el Módulo 1 ('calculate_icv.tar' o 'R.sif', respectivamente) y (ii) el script xfm2det (consulte la Tabla de materiales). A continuación, haga un clon de git para clonar el script ICV requerido:
        https://github.com/Characterisation-Virtual-Laboratory/calculate_icv de clonación de git
    2. Ejecución de la extracción de ICV (tiempo de procesamiento ~ 5 min)
      1. Desde el directorio 'freesurfer', con el contenedor de singularidad ('R.sif'), escriba:
        singularity exec --cleanenv -B $PWD:$PWD R.sif calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/freesurfer --acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv calculate_icv
      2. Desde el directorio 'freesurfer', con el contenedor docker, escriba:
        docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
        calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/Freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
        calculate_icv
      3. Ejecución de script sin contenedor: consulte la Tabla de materiales para obtener el software y las dependencias adicionales necesarios. Desde el directorio 'freesurfer', escriba:
        ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/path/to/freesurfer --
        acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --
        output_csv_name=Cerebel_vols.csv calculate_icv
        NOTA: Esto calculará el ICV para cada sujeto y agregará una columna con ICV al final del archivo 'Cerebel_vols.csv'.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Parcelación cerebelo (ACAPULCO)

Control de calidad de las mascarillas parceladas de cerebelo:
Los siguientes ejemplos demuestran los resultados parcelados de ACAPULCO y guían la toma de decisiones sobre a) la calidad de la máscara parcelada a nivel individual y b) la inclusión o exclusión posterior de un lóbulo particular de los análisis estadísticos. En última instancia, la decisión de incluir o excluir un tema es subjetiva; aquí se proporcionan ejemplos de "buenas parcelaciones", "errores sutiles de parcelación" y "fallas globales" de una variedad de grupos sanos y clínicos.

En la Figura 4 se presentan ejemplos de "buenas parcelaciones", incluso en cerebella sana y muy atrofiada. En la Figura 5, se representan sutiles inclusiones excesivas y insuficientes de lóbulos individuales del cerebelo. Estos son el tipo más común de error de parcellation y es posible que no se detecten como valores atípicos estadísticos en el protocolo de control de calidad cuantitativo. Este tipo de errores generalmente requieren la exclusión de los lóbulos individuales que se ven afectados, mientras que el resto del cerebelo parcelado no se ve afectado y se puede retener. Por el contrario, los "fracasos globales", como se muestra en la Figura 6, requieren la exclusión completa del sujeto.

Detección estadística de valores atípicos:
Para ilustrar el gasoducto, ACAPULCO se ejecutó sobre una muestra de 31 personas con FRDA (edad media= 36,5 años; DE = 13,0 años, 14 mujeres) y 37 controles sanos (HC) de edad y sexo (edad media = 37,1 años; DE=12,8 años, 17 mujeres) como se describió anteriormente55. En toda la muestra, se detectaron 18 lóbulos como valores atípicos estadísticos (<1% de la muestra total). Después de realizar un control de calidad detallado en las imágenes, se eliminaron 17 lóbulos atípicos de los análisis a nivel de grupo eliminando el volumen de lóbulos individuales para el sujeto respectivo (s) del archivo de volúmenes cerebelosos a nivel de grupo (es decir, el archivo 'Cerebel_vols.csv'). El valor atípico restante no se consideró un error de segmentación, sino más bien debido a la variabilidad en la anatomía del cerebelo del individuo y, por lo tanto, se mantuvo en el análisis. También hubo dos fallos globales de parcelación (1 paciente con FRDA). La tasa base de exclusión en todos los lóbulos del cerebelo (es decir, fallos globales de parcelación) fue del 1,5%. La Tabla 1 muestra las tasas de exclusión para cada uno de los 28 ROI anatómicos. El lóbulo izquierdo IX y el lóbulo derecho Crus I tuvieron las tasas más altas de exclusión.

Análisis estadístico a nivel de grupo:
Un total de 66 sujetos (30 pacientes con FRDA) fueron incluidos en el análisis a nivel de grupo. Se realizaron pruebas de muestras independientes de Mann-Whitney de dos colas para detectar diferencias significativas en los volúmenes de lóbulos del cerebelo entre FRDA y HC. Los resultados mostraron una reducción significativa de la sustancia blanca en el cuerpo medular en FRDA vs. HC (p < 0,05, Bonferroni corregido para 28 comparaciones). No hubo otras diferencias significativas entre los grupos. Consulte la Tabla suplementaria S1 para conocer los volúmenes de las 28 subunidades cerebelosas de la muestra.

Análisis de morfometría basados en vóxel de cerebelo (SUIT)

Control de calidad:
En la Figura 7 se muestran ejemplos de imágenes bien alineadas y ejemplos de exclusiones tanto para controles sanos como para grupos clínicos, incluidas las patillas frDA y la ataxia espinocerebelosa. Los análisis SUIT se realizaron en un total de 64 sujetos (28 FRDA; 36 HC) de la muestra descrita anteriormente, tras la exclusión de dos sujetos adicionales debido a la cobertura cerebelosa completa incompleta en la máscara de cerebelo.

Después de probar la covarianza espacial de todas las imágenes normalizadas en la muestra en relación entre sí, se detectaron dos exploraciones como valores atípicos estadísticos basados en su covarianza espacial media con el resto de la muestra (Figura 8). Sin embargo, la inspección visual de las imágenes originales y normalizadas indicó que aunque estos individuos tenían alguna neuroanatomía única, no había artefactos significativos en ninguna de las imágenes y los pasos de procesamiento se completaron normalmente. Como tal, ambos sujetos se mantuvieron en los análisis.

Análisis estadístico a nivel de grupo:
Las imágenes se suavizaron utilizando un núcleo gaussiano de 3 mm de ancho completo a la mitad como máximo (FWHM). Se realizaron pruebas de permutación no paramétricas en SnPM para detectar diferencias significativas entre los grupos en los volúmenes de materia gris del cerebelo. Con este fin, se ejecutaron 5.000 permutaciones, con un umbral de formación de clústeres de p < 0,001. Las imágenes se enmascararon explícitamente con el atlas de materia gris SUIT para limitar la inferencia a las regiones de materia gris. Para corregir el tamaño de la cabeza, se ingresó el volumen intracraneal como covariable en el modelo. La inferencia final de los resultados del grupo se llevó a cabo a p < 0,05, se corrigió el error familiar (FWE) a nivel de clúster.

En comparación con HC, FRDA mostró un volumen de materia gris significativamente reducido en los lóbulos anteriores bilaterales I-V (izquierda: x = -10, y = -46, z = -26; T= 5,61; Ke= 754; derecha: x= 10, y= -38, z= -21; T= 6,83; Ke= 569); y en las regiones del lóbulo posterior medial, incluyendo Vermis VI, extendiéndose bilateralmente en el Lóbulo VI (x= 3, y= -65, z= -20; T= 7,25), y Vermis IX extendiéndose bilateralmente en lobule IX (x= 3, y= -65, z= -20; T= 6,46; Ke= 3974; Figura 9).

Figure 1
Figura 1: El cerebelo humano. (A) Una representación aplanada del cerebelo y sus principales fisuras, lóbulos y lóbulos. Rojo = lóbulo anterior (lóbulos I-V); crema= lóbulo posterior (lóbulos IV-IX); púrpura= lóbulo floculonodular. El cerebelo se puede dividir en zonas "vermis" de línea media y "hemisferio" lateral. Todos los lóbulos se identifican en los vértices y hemisferios. En el lóbulo VII, VIIAf en el vermis se expande en los hemisferios para convertirse en Crus I, el lóbulo VIIAt en el vermis se convierte en Crus II en los hemisferios, y el lóbulo VIIB conserva su etiqueta tanto en el vermis como en los hemisferios. (B) Arriba: Mapa plano del cerebelo que muestra las subunidades anatómicas del cerebelo en diferentes colores. Abajo: una vista posterior del cerebelo. Esta cifra fue adaptada de 56 y 57. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Ilustración esquemática de la tubería. Se requiere una imagen MPRAGE T1 de alta resolución. Hay tres módulos: ACAPULCO, SUIT e ICV. La canalización está totalmente automatizada (excepto para la intervención manual requerida para el control de calidad de las salidas), está disponible en formato de contenedor Docker y Singularity, y tarda aproximadamente 20 minutos en ejecutarse de principio a fin, por tema. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Parcelación ACAPULCO que muestra cada una de las 28 subunidades anatómicas. Esta cifra fue adaptada de36. Abreviaturas: CM = cuerpo medular; Ver = vermis; R/L = derecha/izquierda. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Ejemplos de parcelaciones de cerebelo "buenas". Se muestran las rodajas sagitales (x= 0) y coronales (y= -57). (A, B) Rodajas sagitales y coronales que muestran máscaras parceladas de dos cerebelosos sanos. El algoritmo ha localizado correctamente los límites de las subunidades individuales, y no ha incluido en exceso el seno transverso en el etiquetado y cuantificación de Crus I. (C) Un cerebelo fuertemente atrofiado de un paciente con SCA2. Aquí, la atrofia es evidente a lo largo de toda la extensión del cerebelo, los surcos son anchos y hay una gran cantidad de tejido faltante. Hay una ligera sobreinclusión de la vasculatura en los lóbulos posteriores que es más pronunciada en el lado derecho (flecha amarilla). Aparte de esta sobreinclusión, ACAPULCO ha funcionado bien. Abreviaturas: CM = cuerpo medular; Ver = vermis; L/R = izquierda/derecha. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: Ejemplos de 'mis parcelaciones' cerebelosas. ' (A) Rebanada sagital (x= 0) y rebanada coronal (y = -57) mostrando un error de parcelación en un paciente con FRDA. El algoritmo no ha funcionado bien a lo largo de la línea media, y las subinclusiones de Crus I y II (flecha roja) son evidentes a lo largo de la extensión posterior. Estos lóbulos se excluirían de los análisis posteriores a nivel de grupo. (B) Rebanada sagital (x= 8), rebanada coronal (y= -47) que muestra un error de parcelación en un cerebeloso sano. El algoritmo ha perdido completamente el lóbulo izquierdo VIIIb (flechas rojas). Este lóbulo se excluiría de los análisis posteriores a nivel de grupo. (C) Rebanada sagital (x= -24) y rebanada coronal (y= -47) mostrando un error de parcelación en un cerebeloso sano. Alguna atrofia cerebelosa está presente, y hay una inclusión insuficiente de Crus I (flecha roja). Abreviaturas: FRDA = ataxia de Friedreich; CM = cuerpo medular; Ver = vermis; L/R = izquierda/derecha. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: Ejemplos de "fallos globales" de la parcelación cerebelosa. (A) Corte sagital (x= 0) y corte coronal (y= -57) que muestran un fallo de parcelación. Aquí, el cerebelo está solo parcialmente segmentado, y partes del lóbulo occipital se han etiquetado incorrectamente como el cerebelo. Este tipo de fallos probablemente se deban a un problema con el encabezado de la imagen original, lo que afectará la transformación afín de ACAPULCO de la imagen en coordenadas mundiales y la posterior localización del cerebelo. (B) Rebanada sagital (x= 0) y rebanada coronal (x= -57) que muestran un fallo de parcelación en una persona con FRDA. Aquí, el CM ha sido completamente mal segmentado. El algoritmo ha etiquetado el CM en la parte posterior de la cabeza (óvalo rojo), fuera del cerebro. Los límites de la materia blanca no han sido capturados y están mal etiquetados como materia gris, afectando particularmente a los lóbulos izquierdos VIIIb y IX. También se ha perdido el lóbulo izquierdo X (flecha roja en la rodaja coronal). Estos ejemplos justifican la exclusión inmediata de los análisis a nivel de grupo para los análisis ACAPULCO y SUIT. Abreviaturas: CM = cuerpo medular; Ver = vermis; L/R = izquierda/derecha. Haga clic aquí para ver una versión más grande de esta figura.

Figure 7
Figura 7: Mapas de morfometría basados en vóxel deformados y modulados. (A, B) Materia gris cerebelosa bien alineada de dos HC. (C) Un cerebelo de un HC que se detectó como un valor estadístico atípico pero se mantuvo en el análisis. (D) Un cerebelo atrofiado de una persona con FRDA. El cerebelo se ha deformado correctamente a la plantilla; por lo tanto, esto no justificaría la exclusión. E) Una exclusión. Hay un degradado en contraste de la parte superior a la inferior de la imagen que refleja un error en el procesamiento. (F) Un artefacto de plano hiperintenso en la parte inferior derecha de la imagen de origen desconocido requiere exclusión. (G) Un ejemplo de un cerebeloso muy atrofiado de un paciente con SCA2. El cerebelo se ha deformado correctamente a la plantilla; sin embargo, hay una gran cantidad de tejido faltante, lo que resulta en un bajo contraste. Esto no sería una exclusión. (H) Ejemplo de enmascaramiento deficiente que requiere exclusión. Abreviaturas: VBM = morfometría basada en vóxel; HC = control saludable; FRDA = ataxia de Friedreich; SCA2 = Ataxia espinocerebelosa 2. Haga clic aquí para ver una versión más grande de esta figura.

Figure 8
Figura 8: Covarianza espacial de mapas de morfometría basados en vóxel SUIT. Diagrama de caja que ilustra la covarianza espacial de los mapas de morfometría basados en vóxel para una cohorte de 64 (28 FRDA) sujetos. La covarianza espacial es una medida de qué tan bien alineada está cada imagen, en relación con todas las demás imágenes de la muestra. Los datos están estrechamente agrupados junto con una correlación de covarianza espacial promedio de ~ 0.95. Aquí, se detectaron dos valores atípicos (1 FRDA, 1 HC), ya que >2 SD por debajo de la media. Abreviaturas: FRDA = ataxia de Friedreich; HC = control saludable; DE = desviación estándar; cont = control. Haga clic aquí para ver una versión más grande de esta figura.

Figure 9
Figura 9. Resultados entre grupos de un análisis de morfometría basado en vóxel de la morfometría de materia gris cerebelosa. (A) Representaciones de mapas sagitales, (B) coronales y (C) salinas de mapas estadísticos a nivel de vóxel en individuos con FRDA vs. controles, controlando para ICV. Solo se muestran los vóxeles que sobreviven a p < 0.05 FWE a nivel de clúster corregido. La barra de color indica la estadística T. Abreviaturas: FRDA = ataxia de Friedreich; ICV = volumen intracraneal; FWE = error familiar. Haga clic aquí para ver una versión más grande de esta figura.

Lóbulo % excluido
CM 1.5
Crus izquierdo I 2.9
Crus II izquierdo 2.9
Izquierda I III 2.9
IV izquierda 1.5
Izquierda IX 4.51
Izquierda V 2.9
Izquierda VI 1.5
VIIB izquierdo 1.5
Izquierda VIIIA 1.5
VIIIB izquierdo 2.9
Izquierda X 2.9
Derecha Crus I 6.02
Derecha Crus II 2.9
Derecho I III 2.9
Derecho IV 1.5
Derecho IX 2.9
Derecha V 1.5
Derecho VI 1.5
VIIB derecho 1.5
Derecho VIIIA 2.9
Derecho VIIIB 1.5
Derecha X 1.5
Vermis IX 1.5
Vermis VI 2.9
Vermis VII 1.5
Vermis VIII 1.5
Vermis X 1.5

Tabla 1: Lóbulos anatómicos cerebelosos derivados de ACAPULCO y tasas de exclusión (%) en una muestra de 31 personas con FRDA y 37 HC. Abreviaturas: FRDA = ataxia de Friedreich; HC = controles sanos.

Tabla suplementaria S1: Volúmenes (mm3) de 28 lóbulos anatómicos cerebelosos en la ataxia de Friedreich e individuos sanos de control. Haga clic aquí para descargar esta tabla.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

El cerebelo es crítico para una amplia gama de funciones motoras humanas3,cognitivas 58, afectivas10 y 7,59 del lenguaje y está implicado en muchas enfermedades neurológicas y psiquiátricas. La disponibilidad de un enfoque estandarizado y fácilmente implementable para la cuantificación de los volúmenes cerebelosos regionales contribuirá a un mapeo cada vez más detallado de la estructura-función de "todo el cerebro", modelos completos de enfermedades y mejores oportunidades para definir y rastrear las contribuciones cerebelosas a las enfermedades cerebrales. Esta tubería estandarizada descrita aquí combina enfoques de vanguardia para la parcelación automática del cerebelo y el perfil espacial de grano más fino de la morfometría de la materia gris cerebelosa tanto en la salud como en la enfermedad.

Los resultados del análisis de parcelación de cerebelo transversal utilizando ACAPULCO presentado aquí mostraron que las personas con FRDA (vs. HC) habían reducido significativamente los volúmenes de materia blanca. Estos hallazgos respaldan estudios previos de FRDA, que muestran consistentemente una pérdida de volumen de materia blanca temprana, robusta y progresiva, particularmente en los núcleos dentados, en FRDA. Además, se ha demostrado que el patrón y la extensión de la neurodegeneración progresiva en los pedúnculos cerebelosos superior e inferior y los núcleos dentados difieren como factor de edad de inicio de FRDA44. Los resultados del análisis SUIT revelaron hallazgos adicionales. Específicamente, hubo una pérdida significativa de volumen a nivel de vóxel en FRDA (vs. HC) en regiones del lóbulo anterior correspondientes a lóbulos bilaterales I-IV y V derecho, extendiéndose hacia el lóbulo VI. Además, el análisis SUIT reveló una pérdida de volumen significativa en FRDA (vs. HC) en las regiones del lóbulo posterior medial, incluidos los lóbulos IX, X y Vermis. Este patrón de diferencias entre grupos es comparable al trabajo publicado previamente en la misma cohorte de pacientes con FRDA, utilizando un enfoque de VBM de cerebro entero55.

La definición de anomalías cerebelosas en enfermedades neurológicas y psiquiátricas es un área de investigación de alta prioridad con impacto traslacional. Instrumental para el seguimiento y tratamiento de enfermedades neurológicas, particularmente aquellas donde el cerebelo es un sitio primario de neurodegeneración, es el desarrollo de caracterizaciones biológicas completas de la participación del cerebelo. La tubería presentada aquí permite las relaciones entre la morfometría individual de la materia gris del lóbulo cerebeloso y las medidas clínicas que se utilizan como el "estándar de oro" para los puntos finales clínicos de la enfermedad que se explorarán. Dicha investigación puede tener un impacto traslacional significativo. Por ejemplo, en el espacio de las enfermedades cerebelosas raras, la identificación de un perfil particular de atrofia de la materia gris cerebelosa en un subgrupo de pacientes que mapea o predice los síntomas clínicos tendría implicaciones para guiar la práctica clínica. La inclusión del módulo SUIT permite además abordar interesantes cuestiones de investigación como el mapeo estructura-función del cerebelo o el análisis de gradientes funcionales del cerebelo60.

Recomendaciones generales para los análisis estadísticos a nivel de grupo
ACAPULCO: Los volúmenes de cada lóbulo cerebeloso (en mm3) para cada sujeto se registran en Cerebel_vols.csv. Durante la inferencia estadística de los efectos a nivel de grupo, se debe controlar el volumen intracraneal (ICV; también registrado en Cerebel_vols.csv) para tener en cuenta la variabilidad en el tamaño de la cabeza. Los umbrales de significación alfa deben corregirse para tener en cuenta la inferencia en múltiples lóbulos.

TRAJE: La VBM cerebelosa de materia gris se puede realizar en las imágenes wdseg1.nii utilizando un software de procesamiento de resonancia magnética estándar como SPM o FSL. Consulte el manual de CAT12 para obtener una excelente introducción a VBM utilizando SPM1254. El ICV debe controlarse para tener en cuenta la variabilidad en el tamaño de la cabeza.

Para VBM en el cerebelo, generalmente se recomienda usar un núcleo de suavizado espacial gaussiano de no más de 3 mm de ancho completo a la mitad como máximo (FWHM). Se debe aplicar la corrección estadística adecuada para tener en cuenta las comparaciones múltiples entre vóxeles. En general, se recomienda utilizar enfoques no paramétricos (por ejemplo, SnPM o FSL-Randomise).

El paso más crítico para la parcelación exitosa del cerebelo utilizando ACAPULCO es la verificación general de la calidad de las imágenes T1 antes y después del procesamiento. Se recomienda encarecidamente que el usuario compruebe si hay imágenes de contraste incorrectas (por ejemplo, un gradiente inconsistente en toda la imagen) y una inclinación severa de la cabeza y artefactos de movimiento, todo lo cual puede afectar el rendimiento del algoritmo. Además, si bien el algoritmo ACAPULCO ha sido entrenado en cerebelosos atrofiados, no ha sido entrenado en datos de lesiones. Se prevé que no se espera que las lesiones en la corteza cerebral afecten el rendimiento del algoritmo y la precisión posterior de la parcelación; sin embargo, los grandes infartos en el cerebelo probablemente producirían errores de parcelación. El control de calidad de la máscara de cerebelo después del procesamiento es esencial. Los errores menores de parcelación (por ejemplo, pequeñas inclusiones insuficientes y excesivas de lóbulos del cerebelo) a veces no se detectan como valores atípicos estadísticos; por el contrario, pueden ocurrir casos de no valores atípicos incorrectos cuando los datos están dentro del rango normal, a pesar de un error obvio de parcelación. Si un sujeto se identifica como un valor atípico, es esencial realizar un seguimiento y una verificación de calidad detallada de la máscara de cerebelo corte por segmento para guiar la toma de decisiones sobre si incluir o excluir los lóbulos para ese sujeto. Otro paso crítico al ejecutar la tubería SUIT (Módulo 2) es que requiere que el módulo ACAPULCO ya se haya ejecutado. Específicamente, SUIT requiere la máscara de cerebelo producida en ACAPULCO para ejecutar el aislamiento y la segmentación del cerebelo. Es importante que la máscara de cerebelo se controle de calidad para garantizar una cobertura cerebelosa completa.

Hay algunas limitaciones en el protocolo. En primer lugar, si bien ACAPULCO logra una precisión de vanguardia para la parcelación de materia gris cerebelosa, no está optimizado para la parcelación de materia blanca; el cuerpo medular cubre el cuerpo principal de la sustancia blanca, pero no proporciona una medida de toda la materia blanca. En segundo lugar, las redes neuronales convolucionales utilizadas para localizar y segmentar el cerebelo en ACAPULCO no se generalizan bien a imágenes con diferentes contrastes o imágenes que no se utilizaron en el entrenamiento. Por ejemplo, debido a que solo se utilizaron imágenes 3T en el entrenamiento, la calidad de la parcelación utilizando imágenes adquiridas en un escáner de 1.5 T generalmente no es tan buena; además, no hay estadísticas con respecto a la verdad del terreno que se ha realizado en estas imágenes. Finalmente, la tubería controla los efectos de confusión del tamaño de la cabeza en las estimaciones del volumen del cerebelo al proporcionar una estimación de ICV que puede incluirse como un regresor sin interés en los análisis estadísticos a nivel de grupo. Sin embargo, un enfoque ideal sería calcular los volúmenes de cerebelo corregidos por ICV a nivel individual antes de ejecutar el control de calidad, de modo que los valores atípicos detectados reflejen un verdadero error de parcelación y no una variabilidad natural en la neuroanatomía de los sujetos (por ejemplo, tener una cabeza grande).

En conclusión, presentamos una tubería estandarizada para examinar la morfometría de la mater gris del cerebelo, que tiene una amplia aplicabilidad a una variedad de enfermedades neurológicas. La tubería está configurada para permitir grandes estudios multisitio y "mega análisis" y está disponible públicamente para su uso por grupos de investigación para facilitar la confiabilidad y la reproducibilidad en todo el campo. En última instancia, esta tubería proporciona un enfoque metodológico poderoso para caracterizar y rastrear aún más los cambios estructurales cerebelosos con la progresión de la enfermedad en enfermedades neurológicas. Actualmente se está desarrollando una tubería longitudinal.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen conflictos de intereses que revelar.

Acknowledgments

El trabajo presentado en este manuscrito fue financiado por una subvención de ideas del Consejo Nacional de Salud e Investigación Médica de Australia (NHMRC): APP1184403.

Materials

Name Company Catalog Number Comments
ACAPULCO pipeline files  0.2.1 http://enigma.ini.usc.edu/protocols/imaging-protocols/ Please make sure to use acapulco version 0.2.1
Docker for Mac https://docs.docker.com/desktop/mac/install/ macOS must be version 10.14 or newer
Docker requires sudo priviledges
Docker imposes a memory (RAM) constraint on Mac OS. To increase the RAM, open Docker Desktop, go to Preferences and click on resources. Increase the Memory to the maximum
Docker for Windows https://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT scripts http://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer 7 https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall Following variables need to be set everytime you work with Freesurfer:
export FREESURFER_HOME=equationfreesurfer _installation_directoryequation
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=equationpathequation/enigma/Freesurfer
FSL (for FSLeyes). Optional 6 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
ICV pipeline files http://enigma.ini.usc.edu/protocols/imaging-protocols/ ICV pipeline can be run in two ways: 1) with docker/singularity. You will not require additionl software; 2) without docker/singularity- this involves running the ICV script (calculate_icv.py) manually. You will require the following additional software:
Python version equation=3.5
Python module pandas
Python module fire
Python module tabulate
Python module Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB* 2019 or newer https://au.mathworks.com/ An academic license is required
Singularity 3.7 or newer https://www.sylabs.io/docs/ Prefered for high performance computing (HPC) clusters
SPM 12 http://www.fil.ion.ucl.ac.uk/spm/software/spm12/ Make sure spm12 and all subfolders are in your MATLAB path
SUIT Toolbox 3.4 http://www.diedrichsenlab.org/imaging/suit_download.htm Make sure you place SUIT toolbox in spm12/toolbox directory
Troubleshooting manual and segmentation output examples http://enigma.ini.usc.edu/protocols/imaging-protocols/
Tutorial manual and video http://enigma.ini.usc.edu/protocols/imaging-protocols/ Manual and accompanying live demonstration provide detailed step-by-step instructions on how to run the pipeline from start to finish.
*Not freely available; an academic license is required

DOWNLOAD MATERIALS LIST

References

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

Tags

Neurociencia Número 180 cerebelo resonancia magnética parcelación morfometría basada en vóxel materia gris ataxia de Friedreich
Una tubería estandarizada para examinar la morfometría de materia gris cerebelosa humana utilizando imágenes de resonancia magnética estructural
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Kerestes, R., Han, S., Balachander,… More

Kerestes, R., Han, S., Balachander, S., Hernandez-Castillo, C., Prince, J. L., Diedrichsen, J., Harding, I. H. A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging. J. Vis. Exp. (180), e63340, doi:10.3791/63340 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter