Summary
Es wird eine standardisierte Pipeline zur Untersuchung der Morphometrie der grauen Substanz des Kleinhirns vorgestellt. Die Pipeline kombiniert hochauflösende, hochmoderne Ansätze zur optimierten und automatisierten Kleinhirnpaketierung und voxelbasierten Registrierung des Kleinhirns zur volumetrischen Quantifizierung.
Abstract
Mehrere Forschungslinien liefern überzeugende Beweise für eine Rolle des Kleinhirns in einer Vielzahl von kognitiven und affektiven Funktionen, die weit über seine historische Assoziation mit der motorischen Kontrolle hinausgehen. Strukturelle und funktionelle Neuroimaging-Studien haben das Verständnis der funktionellen Neuroanatomie des Kleinhirns über seine anatomischen Abteilungen hinaus weiter verfeinert und die Notwendigkeit der Untersuchung einzelner Kleinhirnuntereinheiten bei gesunder Variabilität und neurologischen Erkrankungen hervorgehoben. Dieses Papier stellt eine standardisierte Pipeline zur Untersuchung der Mikrorebell-Morphometrie der grauen Substanz vor, die hochauflösende, hochmoderne Ansätze für eine optimierte und automatisierte Kleinhirnparzellierung (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) und voxelbasierte Registrierung des Kleinhirns (Spatially Unbiased Infra-tentorial Template; SUIT) zur volumetrischen Quantifizierung.
Die Pipeline ist breit auf eine Reihe von neurologischen Erkrankungen anwendbar und vollständig automatisiert, wobei manuelle Eingriffe nur für die Qualitätskontrolle der Ergebnisse erforderlich sind. Die Pipeline ist frei verfügbar, mit umfangreicher Begleitdokumentation und kann auf Mac-, Windows- und Linux-Betriebssystemen ausgeführt werden. Die Pipeline wird in einer Kohorte von Personen mit Friedreich-Ataxie (FRDA) angewendet, und es werden repräsentative Ergebnisse sowie Empfehlungen zu inferentiellen statistischen Analysen auf Gruppenebene bereitgestellt. Diese Pipeline könnte die Zuverlässigkeit und Reproduzierbarkeit auf dem gesamten Gebiet erleichtern und letztendlich einen leistungsfähigen methodischen Ansatz zur Charakterisierung und Verfolgung von kleinhirnstrukturellen Veränderungen bei neurologischen Erkrankungen bieten.
Introduction
Das Kleinhirn ist ein Teil des Gehirns, der historisch mit der motorischen Kontrolle 1,2,3 verbunden ist und von dem angenommen wird, dass er nur an einer kleinen Anzahl seltener Krankheiten, wie vererbten Ataxien 4, beteiligt ist. Konvergierende Forschungslinien aus anatomischen Rückverfolgungsstudien an nichtmenschlichen Primaten sowie Studien zu menschlichen Läsionen und Neuroimaging liefern jedoch überzeugende Beweise für eine Rolle des Kleinhirns in einer Vielzahl von kognitiven5,6,7, affektiven8,9,10,11 und anderen nichtmotorischen Funktionen 7,12 (siehe 6 zur Überprüfung). Darüber hinaus sind Anomalien des Kleinhirns zunehmend mit einer breiten Palette von neurologischen und psychiatrischen Erkrankungen verbunden, darunter die Parkinson-Krankheit 13, die Alzheimer-Krankheit14,15, die Epilepsie16,17, die Schizophrenie 18 und die Autismus-Spektrum-Störung 19 . Daher ist es unerlässlich geworden, das Kleinhirn in funktionelle und strukturelle Modelle menschlicher Hirnerkrankungen und normativer Verhaltensvariabilität zu integrieren.
Anatomisch kann das Kleinhirn entlang seiner oberen bis unteren Achse in drei Lappen unterteilt werden: vordere, hintere und flockungstragende Achsen. Die Lappen sind weiter unterteilt in 10 Läppchen, die durch römische Ziffern I-X20,21 gekennzeichnet sind (Abbildung 1). Das Kleinhirn kann auch in Mittellinien- (Vermis) und laterale (Hemisphäre) Zonen gruppiert werden, die jeweils Eingaben vom Rückenmark und der Großhirnrinde erhalten. Der vordere Lappen, bestehend aus Läppchen I-V, wurde traditionell mit motorischen Prozessen in Verbindung gebracht und hat wechselseitige Verbindungen mit zerebralen motorischen Kortexen22. Der hintere Lappen, der die Läppchen VI-IX umfasst, ist in erster Linie mit nichtmotorischen Prozessen11 assoziiert und weist reziproke Verbindungen mit dem präfrontalen Kortex, dem posterioren Parietal und den oberen temporalen Hirnrinde 8,23 auf. Schließlich hat der flockungslobuläre Lappen, der das Läppchen X umfasst, wechselseitige Verbindungen mit vestibulären Kernen, die die Augenbewegungen und das Körpergleichgewicht während des Standes und des Ganges21 steuern.
Eine wachsende Zahl neuerer Arbeiten mit funktioneller Neurobildgebung hat das Verständnis der funktionellen Neuroanatomie des Kleinhirns über seine anatomischen Abteilungen hinaus weiter verfeinert. Zum Beispiel wurden Techniken der funktionellen Magnetresonanztomographie (fMRT) im Ruhezustand verwendet, um das Muster der funktionellen Wechselwirkungen zwischen Kleinhirn und Großhirn24 abzubilden. Darüber hinaus zeigten King und Kollegen7 unter Verwendung eines aufgabenbasierten Paketierungsansatzes, dass das Kleinhirn ein reiches und komplexes Muster funktioneller Spezialisierung über seine gesamte Breite zeigt, was durch ausgeprägte funktionelle Grenzen belegt wird, die mit einer Vielzahl von motorischen, affektiven, sozialen und kognitiven Aufgaben verbunden sind. Insgesamt unterstreichen diese Studien, wie wichtig es ist, einzelne Kleinhirnuntereinheiten zu untersuchen, um vollständige biologische Charakterisierungen der Kleinhirnbeteiligung sowohl bei gesunder Variabilität als auch bei neurologischen Erkrankungen zu entwickeln, die durch Veränderungen der Kleinhirnstruktur und / oder -funktion gekennzeichnet sind.
Die vorliegende Arbeit konzentriert sich auf Methoden zur Quantifizierung lokaler Veränderungen des Kleinhirnvolumens mittels struktureller MRT beim Menschen. Im Allgemeinen gibt es zwei grundlegende Ansätze zur Quantifizierung des regionalen Gehirnvolumens mithilfe von MRT-Daten: die merkmalsbasierte Segmentierung und die voxelbasierte Registrierung. Merkmalsbasierte Segmentierungsansätze verwenden anatomische Landmarken und standardisierte Atlanten, um Grenzen zwischen Teilbereichen automatisch zu identifizieren. Mainstream-Softwarepakete für die Segmentierung sind FreeSurfer25, BrainSuite 26 und FSL-FIRST27. Diese Verpackungen enthalten jedoch nur grobe Parzellierungen des Kleinhirns (z. B. Beschriftung der gesamten grauen Substanz und der ganzen weißen Substanz in jeder Hemisphäre), wodurch die einzelnen Kleinhirnläppchen übersehen werden. Diese Ansätze sind auch anfällig für Fehlsegmentierungen, insbesondere für die Überinklusion des umgebenden Gefäßsystems.
Es wurden neue Algorithmen für maschinelles Lernen und Multi-Atlas-Etikettierung entwickelt, die eine genauere und feinkörnigere Parzellierung des Kleinhirns ermöglichen, einschließlich des Algorithmus für die automatische Klassifizierung von Kleinhirnläppchen unter Verwendung der impliziten mehrgrenzenigen Evolution (ACCLAIM28,29), des Cerebellar Analysis Toolkit (CATK 30), mehrerer automatisch generierter Vorlagen (MAGeT 31), der schnellen automatischen Segmentierung des menschlichen Kleinhirns und seiner Läppchen (RASCAL 32 ), graph-cut segmentation33 und CEREbellum Segmentation (CERES34). In einem kürzlich erschienenen Artikel, in dem modernste vollautomatische Kleinhirnpaketierungsansätze verglichen wurden, wurde festgestellt, dass CERES2 andere Ansätze im Vergleich zur manuellen Goldstandardsegmentierung der Kleinhirnläppchen übertrifft35. In jüngerer Zeit entwickelten Han und seine Kollegen36 einen Deep-Learning-Algorithmus namens ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), der CERES2 ebenbürtig ist, eine breite Anwendbarkeit sowohl auf gesunde als auch auf atrophierte Kleinhirne hat, im Open-Source-Docker- und Singularity-Containerformat für die Implementierung "von der Stange" verfügbar ist und zeiteffizienter ist als andere Ansätze. ACAPULCO teilt das Kleinhirn automatisch in 28 anatomische Regionen ein.
Im Gegensatz zur featurebasierten Segmentierung funktionieren voxelbasierte Registrierungsansätze, indem eine MRT präzise auf ein Vorlagenbild abgebildet wird. Um dieses Mapping zu erreichen, müssen die Voxel im Originalbild in Größe und Form verzerrt sein. Das Ausmaß dieser Verzerrung liefert effektiv ein Maß für das Volumen an jedem Voxel relativ zur Goldstandard-Vorlage. Diese Form der volumetrischen Bewertung wird als "voxelbasierte Morphometrie" bezeichnet37. Ganzhirn-Voxel-basierte Registrierungsansätze wie FSL-FLIRT38/FNIRT39, SPM Unified Segmentation40 und CAT1241 werden häufig für die Voxel-basierte Morphometrie verwendet. Diese Ansätze erklären das Kleinhirn jedoch nicht gut, was zu einer schlechten Reliabilität und Validität in infratentorialen Regionen (Kleinhirn, Hirnstamm42) führt. Um diesen Einschränkungen Rechnung zu tragen, wurde der SUIT-Algorithmus (Spatially Unbiased Infra-tentorial Template) entwickelt, um die Kleinhirnregistrierung zu optimieren und die Genauigkeit der voxelbasierten Morphometriezu verbessern 42,43.
Merkmalsbasierte Segmentierung und voxelbasierte Registrierungsansätze zur Schätzung des regionalen Kleinhirnvolumens haben grundlegende Stärken und Schwächen. Segmentierungsansätze sind wesentlich genauer für die Quantifizierung des Volumens von anatomisch definierten Bereichen (z. B. Läppchen35). Grenzen zwischen verschiedenen funktionellen Modulen des Kleinhirns lassen sich jedoch nicht auf seine anatomische Folia und Fissuren (äquivalent zu Gyri und Sulci des Großhirns7) abbilden. Da registrierungsbasierte Ansätze nicht durch anatomische Landmarken eingeschränkt sind, ist eine feinkörnigere räumliche Inferenz und eine hochdimensionale Struktur-Funktions-Abbildung des Kleinhirns möglich44. Zusammengenommen ergänzen sich Segmentierungs- und Registrierungsansätze und können zur Beantwortung unterschiedlicher Forschungsfragen eingesetzt werden.
Hier wird eine neue standardisierte Pipeline vorgestellt, die diese bestehenden, validierten Ansätze integriert, um eine optimierte und automatisierte Paketierung (ACAPULCO) und voxelbasierte Registrierung des Kleinhirns (SUIT) für die volumetrische Quantifizierung zu ermöglichen (Abbildung 2). Die Pipeline baut auf den etablierten Ansätzen auf, um Qualitätskontrollprotokolle unter Verwendung qualitativer Visualisierung und quantitativer Ausreißererkennung sowie eine schnelle Methode zur Schätzung des intrakraniellen Volumens (ICV) mit Freesurfer zu umfassen. Die Pipeline ist voll automatisiert, wobei manuelle Eingriffe nur für die Überprüfung der Qualitätskontrollausgaben erforderlich sind, und kann auf Mac-, Windows- und Linux-Betriebssystemen ausgeführt werden. Die Pipeline ist ohne Einschränkungen ihrer Verwendung für nichtkommerzielle Zwecke frei verfügbar und kann über die Webseite ENIGMA Consortium Imaging Protocols (unter "ENIGMA Cerebellum Volumetrics Pipeline") nach Ausfüllen eines kurzen Registrierungsformulars45 abgerufen werden.
Die gesamte erforderliche Software ist in der Materialtabelle aufgeführt, und detaillierte Lernprogramme, einschließlich einer Live-Demonstration, stehen beim Herunterladen der Pipeline zusätzlich zu dem unten beschriebenen Protokoll zur Verfügung. Schließlich werden repräsentative Ergebnisse aus der Implementierung der Pipeline in einer Kohorte von Menschen mit Friedreich-Ataxie (FRDA) und alters- und geschlechtsangepassten gesunden Kontrollen sowie Empfehlungen für statistische Inferenzanalysen auf Gruppenebene bereitgestellt.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
HINWEIS: Die in dieser Studie verwendeten Daten waren Teil eines Projekts, das von der Ethikkommission für Humanforschung der Monash University genehmigt wurde (Projekt 7810). Die Teilnehmer gaben eine schriftliche Einwilligung nach Aufklärung. Während die Pipeline auf Mac-, Windows- oder Linux-Betriebssystemen ausgeführt werden kann, wurden ACAPULCO, GAT und die QC-Pipelines explizit auf Linux- (Ubuntu) und Mac- (Catalina, Big Sur v11.0.1) Betriebssystemen getestet.
1. Modul 1: ACAPULCO (anatomische Paketierung)
- Datensammlung
- Sammeln Sie 3D-T1-gewichtete MRT-Bilder des gesamten Gehirns mit einer Auflösung von 1 mm3 oder weniger. Isotrope Voxelabmessungen (typischerweise 1 mm x 1 mm x 1 mm) und ein 3-Telsa-Scanner (oder höher) werden empfohlen. Wenden Sie sich an einen Bildgebungsspezialisten in seinem Radiographiezentrum, um Daten einzurichten und zu erfassen, die diesen Spezifikationen entsprechen.
HINWEIS: T2-gewichtete Bilder sind manchmal nützlich für volumetrische Analysen; Die hier vorgestellte Pipeline stützt sich jedoch nur auf T1-gewichtete Daten, und einige der verwendeten Tools sind exklusiv für diese Art von Daten. Daher können T2-gewichtete Bilder nicht verwendet werden. - Führen Sie eine visuelle Qualitätsbewertung von Bildern durch, um grobe Kleinhirnfehlbildungen (z. B. große Läsionen) oder wesentliche Bewegungsartefakte auszuschließen, die die Identifizierung wichtiger Kleinhirn-Landmarken (z. B. der großen anatomischen Fissuren) verhindern. Schließen Sie verkümmerte Kleinhirn nicht automatisch aus, auch wenn sie erheblich sind.
- Berücksichtigen Sie für Gruppenstudien auch quantitative Qualitätsbewertungen mit frei verfügbaren, standardisierten Tools wie MRIQC46, um problematische Daten weiter zu identifizieren.
- Konvertieren Sie alle Daten mit einem Tool wie dcm2niix47 in das NIFTI-GZ-Format.
- Sammeln Sie 3D-T1-gewichtete MRT-Bilder des gesamten Gehirns mit einer Auflösung von 1 mm3 oder weniger. Isotrope Voxelabmessungen (typischerweise 1 mm x 1 mm x 1 mm) und ein 3-Telsa-Scanner (oder höher) werden empfohlen. Wenden Sie sich an einen Bildgebungsspezialisten in seinem Radiographiezentrum, um Daten einzurichten und zu erfassen, die diesen Spezifikationen entsprechen.
- Empfohlene Datenorganisation
- Besorgen Sie sich die gesamte erforderliche Software, wie in der Materialtabelle aufgeführt. Stellen Sie sicher, dass Docker48 oder Singularity 49, Matlab 50 und SPM1251 installiert sind, bevor die Pipeline ausgeführt wird.
HINWEIS: Umfangreiche schriftliche und Video-Tutorials, die die Pipeline beschreiben, sind ebenfalls verfügbar (siehe Materialtabelle). - Sobald alle notwendige Software installiert ist, erstellen Sie Ordner im Arbeitsverzeichnis und kennzeichnen Sie sie mit "acapulco", "suit" und "freesurfer". Tun Sie dies mit dem Befehl mkdir über die Befehlszeile.
- Erstellen Sie im Verzeichnis 'acapulco' einen Ausgabeordner . Erstellen Sie im Ausgabeordner ein Verzeichnis für jedes Thema in der Studie, das das T1-gewichtete Bild im NIFTI-GZ-Format enthält.
HINWEIS: Es wird empfohlen, eine Kopie der Originaldaten an einem anderen Ort aufzubewahren.
- Besorgen Sie sich die gesamte erforderliche Software, wie in der Materialtabelle aufgeführt. Stellen Sie sicher, dass Docker48 oder Singularity 49, Matlab 50 und SPM1251 installiert sind, bevor die Pipeline ausgeführt wird.
- Anatomische Kleinhirnpaketierung mit ACAPULCO
- Gehen Sie zur Materialtabelle und laden Sie die relevanten Skripte und Container herunter, die zum Ausführen von ACAPULCO erforderlich sind (unter acapulco-Pipeline-Dateien). Platzieren Sie im Verzeichnis "acapulco" den Container (i) ACAPULCO Docker OR Singularity ('acapulco_0.2.1.tar.gz' bzw. '.sif'), (ii) den Inhalt des QC_scripts-Archivs (3 Dateien: 'QC_Master.R', 'QC_Plots.Rmd' und 'QC_Image_Merge.Rmd') und (iii) 'R.sif' (Singularität) ODER 'calculate_icv.tar' (Docker) Datei.
- Öffnen Sie ein Terminal, und führen Sie den ACAPULCO-Container über die Befehlszeile auf einem einzelnen Image aus (ersetzen Sie im Folgenden <
>). Warten Sie ~ 5 Minuten, bis die Verarbeitung abgeschlossen ist. - Geben Sie mit Docker den folgenden Befehl ein:
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/< > - Geben Sie mit Singularität den folgenden Befehl ein:
singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/< >.nii.gz -o output/< >
- Geben Sie mit Docker den folgenden Befehl ein:
- Schleife über alle Themen / Scans in der Kohorte. In der Tabelle der Materialien finden Sie einen Link zur ENIGMA Imaging Protocols-Website zum Herunterladen der Pipeline (unter ENIGMA Cerebellum Volumetrics Pipeline) und zum Tutorial-Handbuch mit Beispielen zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.
- Suchen Sie nach der Verarbeitung nach den folgenden Dateien, die in den fachspezifischen Ordnern generiert wurden:
- Identifizieren Sie "
_n4_mni_seg_post_inverse.nii.gz": paketierte Kleinhirnmaske im Original (Betreffraum). - Identifizieren Sie "
_n4_mni_seg_post_volumes.csv": Volumen (in mm3) für jede der 28 von Acapulco erzeugten Untereinheiten; - Identifizieren Sie repräsentative Bilder (im Verzeichnis "Bilder"): sagittal, axial und koronal.
- Identifizieren Sie "
- Statistische Ausreißererkennung und Qualitätskontrolle (QC)
- Stellen Sie im Terminal und im Verzeichnis "acapulco" sicher, dass sich der Inhalt der QC_scripts im Verzeichnis "acapulco" befindet. So führen Sie die QC-Skripte aus:
- Geben Sie mit Docker den folgenden Befehl ein:
Docker laden calculate_icv.tar
docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
QC_Master.R-Ausgang/ - Geben Sie mit Singularität den folgenden Befehl ein:
Singularität exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
- Geben Sie mit Docker den folgenden Befehl ein:
- Stellen Sie im Terminal und im Verzeichnis "acapulco" sicher, dass sich der Inhalt der QC_scripts im Verzeichnis "acapulco" befindet. So führen Sie die QC-Skripte aus:
- Untersuchung der von ACAPULCO erzeugten QC-Bilder
HINWEIS: Es gibt einen 3-stufigen Prozess zur Qualitätsprüfung der ACAPULCO-Paketbilder.- Öffnen Sie die "QC_Images.html" in einem Webbrowser und scrollen Sie schnell (~ 10 s pro Subjekt) durch die Bilder, um offensichtliche Fehler oder systematische Probleme zu identifizieren. Notieren Sie sich die Betreff-IDs von fehlgeschlagenen oder verdächtigen Paketbildern für die Nachverfolgung.
HINWEIS: Siehe Abbildung 3 für eine Anleitung zur Neuroanatomie der Kleinhirnläppchen und Abbildung 4, Abbildung 5 und Abbildung 6 im Abschnitt "Repräsentative Ergebnisse" unten für Beispiele für "gute" Parzellen, "subtile Fehlparzellierungen" und "Global Failure" -Paketierungen. - Öffnen Sie die 'Plots_for_Outliers.html', um die Kontrollkästchen für quantitative statistische Ausreißer zu aktivieren. Suchen Sie nach Ausreißern (2,698 s.d über oder unter dem Mittelwert) über oder unter den Schnurrhaaren der Boxplots. Bewegen Sie den Mauszeiger über die Datenpunkte, um die Betreff-ID anzuzeigen. Identifizieren Sie die Ausreißer, die mit einer "1" in der entsprechenden Spalte in der Datei "Ausreißer.csv" gekennzeichnet sind, und notieren Sie sich die Gesamtzahl der Segmente, die als Ausreißer für jedes Thema identifiziert wurden, in der letzten Spalte unter "Ausreißer.csv".
- Überprüfen Sie manuell jedes Bild mit einem oder mehreren Ausreißern. KRITISCH: Überlagern Sie mit einem Standard-NIFTI-Bildbetrachter (z. B. FSLEyes oder MRICron) die ACAPULCO-Maske auf dem ursprünglichen T1w-Bild, um die Qualität der Parzellierung Slice für Slice zu überprüfen.
- Um Overlays für detaillierte QC aus der Befehlszeile mit FSLEyes zu generieren, i) ändern Sie das Verzeichnis in das Verzeichnis 'acapulco', ii) geben Sie den zu betrachtenden Betreff an (ersetzen Sie
):
subj= - Kopieren Sie den folgenden Code auf das Terminal (ohne {subj} manuell zu ändern, da dies durch die vorherige Zeile festgelegt wurde:
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
HINWEIS: Es muss entschieden werden, ob das abnormale Segment einbezogen werden soll oder nicht, d.h. gibt es einen Paketierungsfehler oder ist es nur eine normale Variabilität in der Anatomie des Individuums? Jede paketierte Region wird einzeln betrachtet, so dass einige Regionen für ein Bild ausgeschlossen werden können, während der Rest bei Richtigkeit beibehalten werden kann. -
Müssen eine oder mehrere paketierte Regionen aus dem endgültigen Datensatz ausgeschlossen werden?
Wenn Ja (Ausreißer wird bestätigt), schließen Sie diese Parzellierung(en) von der Analyse aus, indem Sie die Volumenschätzung in der entsprechenden Zelle der Datei "Cerebel_vols.csv" für diesen Gegenstand durch NA ersetzen. -
Führen Paketierungsfehler dazu, dass ein Teil des Kleinhirns von der Maske ausgeschlossen wird?
Wenn Ja (z. B. wenn bestimmte Kleinhirnläppchen in der Maske fehlen oder "abgeschnitten" erscheinen), schließen Sie das Subjekt sofort von weiteren Analysen aus (d. h. fahren Sie nicht fort, das SUIT-Modul für diese Probanden auszuführen).
- Um Overlays für detaillierte QC aus der Befehlszeile mit FSLEyes zu generieren, i) ändern Sie das Verzeichnis in das Verzeichnis 'acapulco', ii) geben Sie den zu betrachtenden Betreff an (ersetzen Sie
- Öffnen Sie die "QC_Images.html" in einem Webbrowser und scrollen Sie schnell (~ 10 s pro Subjekt) durch die Bilder, um offensichtliche Fehler oder systematische Probleme zu identifizieren. Notieren Sie sich die Betreff-IDs von fehlgeschlagenen oder verdächtigen Paketbildern für die Nachverfolgung.
2. Modul 2: SUIT-Kleinhirn-optimierte Voxel-basierte Morphometrie
- Voxel-basierte Morphometrie-Analysen mit SUIT
KRITISCH: Diese Pipeline setzt voraus, dass das ACAPULCO-Modul bereits ausgeführt wurde, da es auf die Generierung einer fachspezifischen Kleinhirnmaske zur Optimierung der Registrierung und Normalisierung des Kleinhirns auf die SUIT-Vorlage angewiesen ist. Wenn die von ACAPULCO erzeugte fachspezifische Maske nicht das gesamte Kleinhirn umfasst, rechtfertigt dies den Ausschluss aus dem SUIT-Modul. Anweisungen zum Ausführen von SUIT Standalone finden Sie unter52.- Besorgen Sie sich die gesamte erforderliche Software, die in der Materialtabelle aufgeführt ist. Stellen Sie sicher, dass sich der Ordner SPM12 und alle Unterordner im MATLAB-Pfad befinden. Stellen Sie sicher, dass enigma_suit Skripts im Verzeichnis 'spm12/toolbox' gespeichert und dem MATLAB-Pfad hinzugefügt werden. Um den MATLAB-Pfad zu überprüfen, geben Sie pathtool in das MATLAB-Befehlsfenster ein und klicken Sie dann auf Mit Unterordnern hinzufügen , um die entsprechenden Ordner hinzuzufügen.
- Führen Sie die SUIT-Pipeline für ein oder mehrere Themen aus. Warten Sie ~ 15-20 Minuten (wenn Sie die grafische Benutzeroberfläche [GUI] verwenden) und ~ 5-7 Minuten, wenn Sie vom Terminal (Bash / Shell) aus laufen, bis die Verarbeitung abgeschlossen ist.
- Um die grafische Benutzeroberfläche zu verwenden (Themen werden in Serie ausgeführt), geben Sie im MATLAB-Befehlsfenster den folgenden Befehl ein:
suit_enigma_all - Wählen Sie im ersten Popup-Fenster die Betreffordner aus dem Verzeichnis "acapulco/output" aus, die in die Analyse einbezogen werden sollen. Klicken Sie auf die einzelnen Ordner auf der rechten Seite des Fensters, oder klicken Sie mit der rechten Maustaste und wählen Sie Alle aus. Drücken Sie auf Fertig. Wählen Sie im zweiten Popup-Fenster das SUIT-Verzeichnis aus, in das die Analysen geschrieben werden.
- ODER Rufen Sie die Funktion über die MATLAB-Befehlszeile für einen einzelnen Betreff auf, und geben Sie den folgenden Befehl ein:
suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir') - ODER Rufen Sie die Funktion über das Terminalfenster außerhalb von MATLAB für ein einzelnes Thema auf, indem Sie den folgenden Befehl eingeben:
matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
- Um die grafische Benutzeroberfläche zu verwenden (Themen werden in Serie ausgeführt), geben Sie im MATLAB-Befehlsfenster den folgenden Befehl ein:
- In der Tabelle der Materialien finden Sie einen Link zur ENIGMA Imaging Protocols-Website zum Herunterladen der Pipeline (unter ENIGMA Cerebellum Volumetrics Pipeline) und zum Tutorial-Handbuch mit Beispielen zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.
- Achten Sie auf die folgenden Punkte in Bezug auf das Skript.
- Stellen Sie sicher, dass das Skript das N4-Bias-korrigierte, MNI-ausgerichtete (Rigid-Body) T1-Bild und die ACAPULCO-Kleinhirnmaske in das Ausgabeverzeichnis kopiert.
- Stellen Sie sicher, dass das Skript die graue und weiße Substanz des Kleinhirns segmentiert.
- Stellen Sie sicher, dass das Skript mithilfe der ACAPULCO-Maske Fehler bei der Übereinbindung in der Parzellierung korrigiert.
- Stellen Sie sicher, dass das Skript DARTEL die Daten normalisiert und mit Jacobian Modulation in den SUIT-Raum neu schneidet, so dass der Wert jedes Voxels proportional zu seinem ursprünglichen Volumen ist.
- Überprüfen Sie den Ordner jedes Betreffs auf die folgenden endgültigen Ausgaben: "wd
_seg1.nii" (graue Substanz) und "wd _seg2.nii" (weiße Substanz).
- Statistische Ausreißererkennung und Qualitätskontrolle
- Überprüfen Sie die normalisierten, modulierten Bilder (wd*) visuell auf größere Fehler. Geben Sie in MATLAB den folgenden Befehl ein:
spm_display_4D - Wählen Sie manuell die 'wd*seg1'-Bilder aus den Anzug-Unterordnern aus oder navigieren Sie zum Verzeichnis 'suit'; Geben Sie '^wd.*seg1' in das Feld Filter ein (keine Anführungszeichen) und drücken Sie die Rec-Taste . Drücken Sie auf Fertig.
- Scrollen Sie durch die Bilder, um sicherzustellen, dass sie alle gut ausgerichtet sind. Siehe Abbildung 7 für korrekt normalisierte Bilder von gesunden Kontrollen (A, B) und einem Individuum mit einem stark atrophischen Kleinhirn (D).
HINWEIS: In diesem Stadium ist die Anatomie zwischen den Themen sehr ähnlich (da sie in derselben Vorlage registriert wurden), und Volumenunterschiede werden stattdessen durch unterschiedliche Voxelintensitäten codiert. Größere Fehler werden offensichtlich sein, z. B. leere Bilder, große Bereiche fehlenden Gewebes, ungewöhnliche Intensitätsgradienten (d. H. Helle Voxel alle oben, dunkle Voxel alle unten). Diese Bilder sollten von den nachfolgenden Schritten ausgeschlossen werden. - Überprüfen Sie die räumliche Kovarianz auf Ausreißer. Geben Sie in MATLAB den folgenden Befehl ein:
check_spatial_cov- Wählen Sie die 'wd*seg1'-Bilder wie im vorherigen Schritt aus. Wenn Sie dazu aufgefordert werden, wählen Sie die folgenden Optionen aus: Prop-Skalierung: Ja; Variabel zu variieren: Nein; Scheibe (mm): - 48 , Spalt: 1.
- Sehen Sie sich das Boxplot an, das die mittlere räumliche Kovarianz jedes Bildes relativ zu allen anderen Bildern in der Stichprobe anzeigt. Identifizieren Sie Datenpunkte, die >2s.d. unter dem Mittelwert im MATLAB-Befehlsfenster liegen. Überprüfen Sie dazu das Bild "
_n4_mni.nii.gz" im Ordner SUIT auf Artefakte (Bewegung, anatomische Anomalien), Probleme mit der Bildqualität oder Vorverarbeitungsfehler. - Wenn die Bildqualität und die Vorverarbeitung akzeptabel sind und die visuelle Inspektion der modulierten Bilder im vorherigen Schritt nicht auf ein Problem mit der Segmentierung und Normalisierung hinweist, behalten Sie diese Daten in der Stichprobe bei. Andernfalls schließen Sie diese Daten aus.
- Überprüfen Sie die normalisierten, modulierten Bilder (wd*) visuell auf größere Fehler. Geben Sie in MATLAB den folgenden Befehl ein:
3. MODUL 3 (optional): Intrakranielle Volumenschätzung (ICV) mit FreeSurfer
HINWEIS: Dieses Modul verwendet die FreeSurfer-Pipeline, um den ICV zu berechnen. Es muss nicht erneut ausgeführt werden, wenn es vorhandene Freesurfer-Ausgaben für die Kohorte (jede Version) gibt.
- FreeSurfer einrichten
- Stellen Sie sicher, dass FreeSurfer heruntergeladen und installiert ist53. Gehen Sie zur Tabelle der Materialien und laden Sie die entsprechenden Skripte herunter, um dieses Modul auszuführen (unter ICV-Pipeline-Dateien). Wenn Sie mit FreeSurfer arbeiten, legen Sie die folgenden Variablen fest:
Export FREESURFER_HOME=
Quelle $FREESURFER_HOME/SetUpFreeSurfer.sh - Ersetzen Sie
wie folgt:
export SUBJECTS_DIR=/enigma/Freesurfer
- Stellen Sie sicher, dass FreeSurfer heruntergeladen und installiert ist53. Gehen Sie zur Tabelle der Materialien und laden Sie die entsprechenden Skripte herunter, um dieses Modul auszuführen (unter ICV-Pipeline-Dateien). Wenn Sie mit FreeSurfer arbeiten, legen Sie die folgenden Variablen fest:
- Freesurfer autorecon1 laufen lassen
- Geben Sie für ein einzelnes Thema aus dem Verzeichnis "freesurfer" (Verarbeitungszeit ~ 20 min) den folgenden Befehl ein:
CD/Enigma/FreeSurfer
recon-all -i .. /input/.nii.gz -s -autorecon1 - Im Tutorial-Handbuch finden Sie Beispiele zum Erstellen einer for-Schleife für die serielle Verarbeitung mehrerer Themen.
- Geben Sie für ein einzelnes Thema aus dem Verzeichnis "freesurfer" (Verarbeitungszeit ~ 20 min) den folgenden Befehl ein:
- Berechnung des ICV
- Dateiorganisation
- Platzieren Sie im Verzeichnis 'freesurfer' den (i) Docker OR Singularity Container, der in Modul 1 ('calculate_icv.tar' bzw. 'R.sif') bzw. (ii) xfm2det script verwendet wird (siehe Tabelle der Materialien). Führen Sie dann einen Git-Klon durch, um das erforderliche ICV-Skript zu klonen:
Git-Klon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
- Platzieren Sie im Verzeichnis 'freesurfer' den (i) Docker OR Singularity Container, der in Modul 1 ('calculate_icv.tar' bzw. 'R.sif') bzw. (ii) xfm2det script verwendet wird (siehe Tabelle der Materialien). Führen Sie dann einen Git-Klon durch, um das erforderliche ICV-Skript zu klonen:
- Ausführen der ICV-Extraktion (Verarbeitungszeit ~ 5 min)
- Geben Sie aus dem Verzeichnis 'freesurfer' mit Singularität ('R.sif') Folgendes ein:
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 - Geben Sie aus dem Verzeichnis 'freesurfer' mit Docker-Container Folgendes ein:
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 - Ausführen eines Skripts ohne Container - siehe Tabelle der Materialien für zusätzliche erforderliche Software und Abhängigkeiten. Geben Sie im Verzeichnis 'freesurfer' Folgendes ein:
./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
HINWEIS: Dadurch wird der ICV für jedes Thema berechnet und eine Spalte mit ICV an das Ende der Datei "Cerebel_vols.csv" angehängt.
- Geben Sie aus dem Verzeichnis 'freesurfer' mit Singularität ('R.sif') Folgendes ein:
- Dateiorganisation
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Kleinhirnpaketierung (ACAPULCO)
Qualitätskontrolle von Kleinhirn-Paketmasken:
Die folgenden Beispiele veranschaulichen die ACAPULCO-Paketausgaben und leiten die Entscheidungsfindung in Bezug auf a) die Qualität der Paketmaske auf individueller Ebene und b) die anschließende Einbeziehung oder den Ausschluss eines bestimmten Läppchens aus den statistischen Analysen. Letztendlich ist die Entscheidung, ein Subjekt aufzunehmen oder auszuschließen, subjektiv; Beispiele für "gute Paketierungen", "subtile Paketierungsfehler" und "globale Misserfolge" aus einer Vielzahl von gesunden und klinischen Gruppen werden hier bereitgestellt.
Beispiele für "gute Parzellen" sind in Abbildung 4 dargestellt, einschließlich bei gesunden und stark verkümmerten Kleinhirn. In Abbildung 5 sind subtile Über- und Untereinschlüsse einzelner Kleinhirnläppchen dargestellt. Dies ist die häufigste Art von Paketierungsfehlern und wird möglicherweise nicht als statistische Ausreißer im quantitativen QC-Protokoll erkannt. Diese Art von Fehlern erfordert im Allgemeinen den Ausschluss der einzelnen betroffenen Läppchen, während der Rest des paketierten Kleinhirns nicht betroffen ist und beibehalten werden kann. Im Gegensatz dazu erfordern "globale Misserfolge", wie sie in Abbildung 6 dargestellt sind, einen vollständigen Ausschluss des Themas.
Statistische Ausreißererkennung:
Um die Pipeline zu veranschaulichen, wurde ACAPULCO an einer Stichprobe von 31 Personen mit FRDA (Durchschnittsalter = 36,5 Jahre; SD= 13,0 Jahre, 14 Frauen) und 37 alters- und geschlechtsangepasste gesunde Kontrollpersonen (HC) (Durchschnittsalter = 37,1 Jahre; SD=12,8 Jahre, 17 Frauen) wie zuvor beschrieben55. Über die gesamte Stichprobe hinweg wurden 18 Läppchen als statistische Ausreißer nachgewiesen (<1 % der Gesamtstichprobe). Nach der Durchführung einer detaillierten Qualitätssicherung der Bilder wurden 17 Ausreißerläppchen aus den Analysen auf Gruppenebene entfernt, indem das einzelne Läppchenvolumen für die jeweiligen Probanden aus der Kleinhirnvolumendatei auf Gruppenebene (d. h. der "Cerebel_vols.csv" -Datei) entfernt wurde. Der verbleibende Ausreißer wurde nicht als Segmentierungsfehler, sondern aufgrund der Variabilität in der Kleinhirnanatomie des Individuums betrachtet und daher in der Analyse beibehalten. Es gab auch zwei globale Paketierungsfehler (1 FRDA-Patient). Die Basisausschlussrate über alle Kleinhirnläppchen (d. h. globale Paketierungsfehler) betrug 1,5 %. Tabelle 1 zeigt die Ausschlussquoten für jeden der 28 anatomischen ROIs. Linkes Läppchen IX und rechtes Läppchen Crus Ich hatte die höchsten Ausschlussraten.
Statistische Analyse auf Konzernebene:
Insgesamt wurden 66 Probanden (30 FRDA-Patienten) in die Analyse auf Gruppenebene einbezogen. Zweischwänzige unabhängige Mann-Whitney-Probentests wurden durchgeführt, um signifikante Unterschiede im Kleinhirnläppchenvolumen zwischen FRDA und HC zu testen. Die Ergebnisse zeigten eine signifikant reduzierte weiße Substanz im Korpusmedullar bei FRDA vs. HC (p < 0,05, Bonferroni korrigiert für 28 Vergleiche). Es gab keine anderen signifikanten Unterschiede zwischen den Gruppen. Siehe Ergänzende Tabelle S1 für die Volumina aller 28 Kleinhirn-Untereinheiten in der Stichprobe.
Kleinhirnvoxel-basierte Morphometrie-Analysen (SUIT)
Qualitätskontrolle:
Beispiele für gut aufeinander abgestimmte Bilder und Beispiele für Ausschlüsse sowohl für gesunde Kontrollen als auch für klinische Gruppen, einschließlich FRDA und spinozerebelläre Ataxie-Pateints, sind in Abbildung 7 dargestellt. SUIT-Analysen wurden an insgesamt 64 Probanden (28 FRDA; 36 HC) aus der oben beschriebenen Probe durchgeführt, nachdem zwei weitere Probanden aufgrund unvollständiger ganzer Kleinhirnabdeckung in der Kleinhirnmaske ausgeschlossen worden waren.
Nach dem Testen der räumlichen Kovarianz aller normalisierten Bilder in der Stichprobe relativ zueinander wurden zwei Scans als statistische Ausreißer basierend auf ihrer mittleren räumlichen Kovarianz mit dem Rest der Stichprobe erkannt (Abbildung 8). Die visuelle Inspektion sowohl der ursprünglichen als auch der normalisierten Bilder ergab jedoch, dass diese Personen zwar eine einzigartige Neuroanatomie aufwiesen, es jedoch keine signifikanten Artefakte in beiden Bildern gab und die Verarbeitungsschritte normal abgeschlossen wurden. Daher wurden beide Probanden in den Analysen berücksichtigt.
Statistische Analyse auf Konzernebene:
Die Bilder wurden mit einem Gaußschen Kern von 3 mm voller Breite bei halbem Maximum (FWHM) geglättet. Nichtparametrische Permutationstests wurden in SnPM durchgeführt, um signifikante Unterschiede zwischen den Gruppen in den Volumen der grauen Substanz des Kleinhirns zu testen. Zu diesem Zweck wurden 5.000 Permutationen mit einer clusterbildenden Schwelle von p < 0,001 durchgeführt. Die Bilder wurden explizit mit dem SUIT-Atlas der grauen Substanz maskiert, um die Inferenz auf Bereiche der grauen Substanz zu beschränken. Um die Kopfgröße zu korrigieren, wurde das intrakranielle Volumen als Kovariate in das Modell eingegeben. Die endgültige Inferenz der Gruppenergebnisse wurde bei p < 0,05 durchgeführt, wobei der familienweise Fehler (FWE) auf Clusterebene korrigiert wurde.
Im Vergleich zu HC zeigte FRDA ein signifikant reduziertes Volumen der grauen Substanz in den bilateralen vorderen Läppchen I-V (links: x= -10, y= -46, z= -26; T= 5,61; Ke= 754; rechts: x= 10, y= -38, z= -21; T= 6,83; Ke= 569); und in medialen hinteren Lappenregionen, einschließlich Vermis VI, bilateral in Läppchen VI (x= 3, y= -65, z= -20; T= 7,25) und Vermis IX erstreckt sich bilateral in Läppchen IX (x= 3, y= -65, z= -20; T= 6,46; Ke= 3974; Abbildung 9).
Abbildung 1: Das menschliche Kleinhirn. (A) Eine abgeflachte Darstellung des Kleinhirns und seiner Hauptspalten, Lappen und Läppchen. Rot = Vorderlappen (Läppchen I-V); Creme= hinterer Lappen (Läppchen IV-IX); lila = flockungslobulärer Lappen. Das Kleinhirn kann in mittlere "Vermis" und laterale "Hemisphäre" -Zonen unterteilt werden. Alle Läppchen werden in den Vermis und Hemisphären identifiziert. In Läppchen VII dehnt sich VIIAf im Vermis in den Hemisphären zu Crus I aus, Läppchen VIIAt am Vermis wird in den Hemisphären zu Crus II, und Läppchen VIIB behält sein Etikett sowohl in der Vermis- als auch in der Hemisphäre. (B) Oben: Kleinhirn-Flachkarte mit den anatomischen Untereinheiten des Kleinhirns in verschiedenen Farben. Unten: eine hintere Ansicht des Kleinhirns. Diese Zahl wurde von 56 und 57 adaptiert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 2: Schematische Darstellung der Pipeline. Ein hochauflösendes T1 MPRAGE-Bild ist erforderlich. Es gibt drei Module: ACAPULCO, GAT und ICV. Die Pipeline ist vollautomatisch (mit Ausnahme manueller Eingriffe, die für die QC der Ausgänge erforderlich sind), ist im Docker- und Singularity-Containerformat verfügbar und dauert ungefähr 20 Minuten, um von Anfang bis Ende pro Thema zu laufen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 3: ACAPULCO-Parzellierung, die jede der 28 anatomischen Untereinheiten zeigt. Diese Zahl wurde von36 adaptiert. Abkürzungen: CM = Corpus medullare; Ver = vermis; R/L = rechts/links. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 4: Beispiele für "gute" Kleinhirnpaketierungen. Es werden sagetale (x= 0) und koronale (y= -57) Scheiben gezeigt. (A, B) Sagittale und koronale Scheiben mit parzellierten Masken von zwei gesunden Kleinhirn. Der Algorithmus hat die einzelnen Untereinheitsgrenzen korrekt lokalisiert und den Sinus quer in die Markierung und Quantifizierung von Crus I nicht übermäßigt. (C) Ein stark verkümmertes Kleinhirn eines SCA2-Patienten. Hier ist Atrophie entlang der gesamten Ausdehnung des Kleinhirns sichtbar, die Sulci sind breit und es fehlt viel Gewebe. Es gibt eine leichte Überbeeinflussung des Gefäßsystems in den hinteren Lappen, die auf der rechten Seite stärker ausgeprägt ist (gelber Pfeil). Abgesehen von dieser Überinklusion hat ACAPULCO gut funktioniert. Abkürzungen: CM = Corpus medullare; Ver = vermis; L/R = links/rechts. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 5: Beispiele für Kleinhirn-Mis-Parzellierungen. ' (A) Sagittale Schicht (x= 0) und koronale Scheibe (y = -57), die einen Paketierungsfehler bei einem FRDA-Patienten aufweisen. Der Algorithmus hat entlang der Mittellinie nicht gut funktioniert, und Untereinschlüsse von Crus I und II (roter Pfeil) sind entlang der hinteren Ausdehnung offensichtlich. Diese Läppchen würden von nachfolgenden Analysen auf Gruppenebene ausgeschlossen. (B) Sagittalscheibe (x= 8), koronale Scheibe (y= -47), die einen Paketierungsfehler in einem gesunden Kleinhirn aufweist. Der Algorithmus hat die linke Läppchen VIIIb (rote Pfeile) vollständig verfehlt. Diese Läppchen würden von nachfolgenden Analysen auf Gruppenebene ausgeschlossen. (C) Sagittale Scheibe (x= -24) und koronale Scheibe (y= -47) mit einem Parzellationsfehler in einem gesunden Kleinhirn. Eine gewisse Kleinhirnatrophie ist vorhanden, und es gibt eine Unteraufnahme von Crus I (roter Pfeil). Abkürzungen: FRDA = Friedreich-Ataxie; CM = Korpus medullare; Ver = vermis; L/R = links/rechts. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 6: Beispiele für "globale Misserfolge" der Kleinhirnpaketierung. (A) Sagittale Scheibe (x= 0) und koronale Scheibe (y= -57), die einen Paketierungsfehler zeigen. Hier ist das Kleinhirn nur teilweise segmentiert, und Teile des Hinterhauptlappens wurden fälschlicherweise als Kleinhirn bezeichnet. Diese Art von Fehlern ist wahrscheinlich auf ein Problem mit dem Header des Originalbildes zurückzuführen, das die ACAPULCO-affine Transformation des Bildes in die Weltkoordinate und die anschließende Lokalisierung des Kleinhirns beeinflusst. (B) Sagittalscheibe (x= 0) und koronale Scheibe (x= -57), die bei einer Person mit FRDA einen Parzellationsfehler aufweisen. Hier wurde das CM völlig falsch segmentiert. Der Algorithmus hat das CM am Hinterkopf (rotes Oval) außerhalb des Gehirns beschriftet. Die Grenzen der weißen Substanz wurden nicht erfasst und sind fälschlicherweise als graue Substanz gekennzeichnet, was insbesondere die linken Läppchen VIIIb und IX betrifft. Linke Lupe X wurde ebenfalls übersehen (roter Pfeil auf koronaler Scheibe). Diese Beispiele rechtfertigen einen sofortigen Ausschluss von Analysen auf Gruppenebene für ACAPULCO- und SUIT-Analysen. Abkürzungen: CM = Corpus medullare; Ver = vermis; L/R = links/rechts. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 7: Verzogene und modulierte Voxel-basierte Morphometrie-Abbildungen . (A, B) Gut ausgerichtete graue Kleinhirnsubstanz aus zwei HCs. (C) Ein Kleinhirn aus einem HC, das als statistischer Ausreißer nachgewiesen wurde, aber in der Analyse beibehalten wurde. (D) Ein verkümmertes Kleinhirn von einer Person mit FRDA. Das Kleinhirn wurde korrekt auf die Schablone verzerrt; Dies würde daher keinen Ausschluss rechtfertigen. (E) Ein Ausschluss. Es gibt einen Farbverlauf im Kontrast von oben nach unten im Bild, der einen Fehler in der Verarbeitung widerspiegelt. (F) Ein hyperintensives Ebenenartefakt unten rechts im Bild unbekannten Ursprungs erfordert einen Ausschluss. (G) Ein Beispiel für ein stark verkümmertes Kleinhirn eines SCA2-Patienten. Das Kleinhirn wurde korrekt auf die Schablone verzerrt; Es fehlt jedoch viel Gewebe, was zu einem geringen Kontrast führt. Dies wäre kein Ausschluss. (H) Beispiel für eine schlechte Maskierung, die einen Ausschluss erforderlich macht. Abkürzungen: VBM = Voxel-basierte Morphometrie; HC = gesunde Kontrolle; FRDA = Friedreich-Ataxie; SCA2 = Spinozerebelläre Ataxie 2. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 8: Räumliche Kovarianz von SUIT-Voxel-basierten Morphometriekarten. Box-Plot, das die räumliche Kovarianz der voxelbasierten Morphometriekarten für eine Kohorte von 64 (28 FRDA) Probanden veranschaulicht. Die räumliche Kovarianz ist ein Maß dafür, wie gut jedes Bild relativ zu jedem anderen Bild in der Stichprobe ausgerichtet ist. Die Daten sind eng geclustert mit einer durchschnittlichen räumlichen Kovarianzkorrelation von ~0,95. Hier wurden zwei Ausreißer (1 FRDA, 1 HC) als >2 SDs unter dem Mittelwert entdeckt. Abkürzungen: FRDA = Friedreich-Ataxie; HC = gesunde Kontrolle; SD = Standardabweichung; cont = Kontrolle. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 9. Zwischengruppenergebnisse einer Voxel-basierten Morphometrie-Analyse der Kleinhirn-Grausubstanz-Morphometrie. (A) Sagittale, (B) koronale und (C) Salzkartendarstellungen statistischer Karten auf Voxelebene bei Individuen mit FRDA vs. Kontrollen, die für ICV steuern. Es werden nur Voxel gezeigt, die p < 0,05 FWE-Cluster-Ebene korrigiert überleben. Der Farbbalken zeigt die T-Statistik an. Abkürzungen: FRDA = Friedreich-Ataxie; ICV = intrakranielles Volumen; FWE = familienweiser Fehler. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
| Läppchen | % ausgeschlossen |
| ZENTIMETER | 1.5 |
| Linke Crus I | 2.9 |
| Linke Crus II | 2.9 |
| Links I III | 2.9 |
| Links IV | 1.5 |
| Links IX | 4.51 |
| Links V | 2.9 |
| Links VI | 1.5 |
| Links VIIB | 1.5 |
| Links VIIIA | 1.5 |
| Links VIIIB | 2.9 |
| Links X | 2.9 |
| Richtige Crus I | 6.02 |
| Rechte Crus II | 2.9 |
| Rechts I III | 2.9 |
| Recht IV | 1.5 |
| Rechts IX | 2.9 |
| Rechts V | 1.5 |
| Rechts VI | 1.5 |
| Rechts VIIB | 1.5 |
| Rechts VIIIA | 2.9 |
| Rechts VIIIB | 1.5 |
| Rechts X | 1.5 |
| Vermis IX | 1.5 |
| Vermis VI | 2.9 |
| Vermis VII | 1.5 |
| Vermis VIII | 1.5 |
| Vermis X | 1.5 |
Tabelle 1: Anatomische Kleinhirnläppchen aus ACAPULCO und Ausschlussraten (%) bei einer Stichprobe von 31 Personen mit FRDA und 37 HCs. Abkürzungen: FRDA = Friedreich-Ataxie; HC = gesunde Kontrollen.
Ergänzungstabelle S1: Volumen (mm3) von 28 anatomischen Kleinhirnläppchen bei Friedreich-Ataxie und gesunden Kontrollpersonen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Das Kleinhirn ist entscheidend für eine breite Palette von menschlichen motorischen3, kognitiven58, affektiven10 und Sprache 7,59 Funktionen und ist an vielen neurologischen und psychiatrischen Erkrankungen beteiligt. Die Verfügbarkeit eines standardisierten und leicht umsetzbaren Ansatzes für die Quantifizierung regionaler Kleinhirnvolumina wird zu einer immer detaillierteren Struktur-Funktions-Kartierung des gesamten Gehirns, einer vollständigen Krankheitsmodellierung und verbesserten Möglichkeiten zur Definition und Verfolgung von Kleinhirnbeiträgen zu Hirnerkrankungen beitragen. Diese standardisierte Pipeline, die hier beschrieben wird, kombiniert modernste Ansätze für die automatische Kleinhirnparzellierung und feinkörnigere räumliche Profilierung der Kleinhirnmorphometrie der grauen Substanz sowohl in Gesundheit als auch in Krankheit.
Die hier vorgestellten Ergebnisse der Querschnittsanalyse der Kleinhirnparzellierung unter Verwendung von ACAPULCO zeigten, dass Menschen mit FRDA (vs. HC) ein signifikant reduziertes Volumen der weißen Substanz aufwiesen. Diese Ergebnisse unterstützen frühere Studien von FRDA, die durchweg einen frühen, robusten und progressiven Volumenverlust der weißen Substanz, insbesondere in den dentatierten Kernen, in FRDA zeigen. Darüber hinaus wurde gezeigt, dass sich das Muster und das Ausmaß der fortschreitenden Neurodegeneration in den oberen und unteren Kleinhirnstielen und den dentaten Kernen als Faktor des Beginnalters vonFRDA 44 unterscheiden. Die Ergebnisse der SUIT-Analyse ergaben weitere Erkenntnisse. Insbesondere gab es einen signifikanten Voxel-Volumenverlust bei FRDA (vs. HC) in vorderen Lappenregionen, die den bilateralen Läppchen I-IV und Right V entsprachen und sich bis in Läppchen VI erstreckten. Darüber hinaus zeigte die SUIT-Analyse einen signifikanten Volumenverlust bei FRDA (vs. HC) in den medialen hinteren Lappenregionen, einschließlich Läppchen IX, X und Vermis. Dieses Muster von Unterschieden zwischen den Gruppen ist vergleichbar mit zuvor veröffentlichten Arbeiten in derselben Kohorte von FRDA-Patienten, wobei ein VBM-Ansatz für das ganze Gehirnverwendet wurde 55.
Die Definition von Kleinhirnanomalien bei neurologischen und psychiatrischen Erkrankungen ist ein Forschungsbereich mit hoher Priorität und translationaler Wirkung. Entscheidend für die Verfolgung und Behandlung neurologischer Erkrankungen - insbesondere solcher, bei denen das Kleinhirn ein primärer Ort der Neurodegeneration ist - ist die Entwicklung vollständiger biologischer Charakterisierungen der Kleinhirnbeteiligung. Die hierin vorgestellte Pipeline ermöglicht Beziehungen zwischen der individuellen Morphometrie der grauen Substanz des Kleinhirnläppchens und klinischen Messgrößen, die als "Goldstandard" für klinische Endpunkte der Krankheit verwendet werden. Eine solche Forschung kann einen erheblichen translationalen Einfluss haben. Zum Beispiel hätte im Bereich der seltenen Kleinhirnerkrankungen die Identifizierung eines bestimmten Profils der Kleinhirnatrophie der grauen Substanz in einer Untergruppe von Patienten, das klinische Symptome abbildet oder vorhersagt, Auswirkungen auf die Leitung der klinischen Praxis. Die Einbeziehung des SUIT-Moduls ermöglicht darüber hinaus die Behandlung interessanter Forschungsfragen wie die Struktur-Funktions-Abbildung des Kleinhirns oder die Analyse funktioneller Gradienten des Kleinhirns60.
Allgemeine Empfehlungen für statistische Analysen auf Gruppenebene
ACAPULCO: Die Volumina jedes Kleinhirnläppchens (in mm3) für jedes Subjekt werden in Cerebel_vols.csv aufgezeichnet. Während der statistischen Inferenz von Effekten auf Gruppenebene sollte das intrakranielle Volumen (ICV; ebenfalls in Cerebel_vols.csv erfasst) kontrolliert werden, um die Variabilität der Kopfgröße zu berücksichtigen. Alpha-Signifikanz-Schwellenwerte sollten korrigiert werden, um die Inferenz über mehrere Läppchen hinweg zu berücksichtigen.
ANZUG: Graue Substanz Kleinhirn VBM kann auf den wd
Für VBM im Kleinhirn wird im Allgemeinen empfohlen, einen Gaußschen räumlichen Glättungskern von nicht mehr als 3 mm voller Breite bei halbem Maximum (FWHM) zu verwenden. Es muss eine angemessene statistische Korrektur vorgenommen werden, um Mehrfachvergleiche zwischen Voxeln zu berücksichtigen. Generell wird empfohlen, nichtparametrische Ansätze (z.B. SnPM oder FSL-Randomise) zu verwenden.
Der kritischste Schritt für eine erfolgreiche Paketierung des Kleinhirns mit ACAPULCO ist die allgemeine Qualitätsprüfung der T1-Bilder vor und nach der Bearbeitung. Es wird dringend empfohlen, dass der Benutzer nach schlechten Kontrastbildern (z. B. einem inkonsistenten Farbverlauf über das Bild) und starken Neigungen des Kopfes und Bewegungsartefakten sucht, die alle die Leistung des Algorithmus beeinträchtigen können. Darüber hinaus wurde der ACAPULCO-Algorithmus zwar auf atrophiertem Kleinhirn trainiert, aber nicht auf Läsionsdaten. Es wird erwartet, dass Läsionen in der Großhirnrinde die Leistung des Algorithmus und die anschließende Genauigkeit der Parzellierung nicht beeinträchtigen würden; Große Infarkte im Kleinhirn würden jedoch wahrscheinlich zu Parzellationsfehlern führen. Eine Qualitätsprüfung der Nachbearbeitung der Kleinhirnmaske ist unerlässlich. Geringfügige Paketierungsfehler (z. B. geringfügige Unter- und Übereinschlüsse von Kleinhirnläppchen) werden manchmal nicht als statistische Ausreißer erkannt; Umgekehrt können Fälle von falschen Nichtausreißern auftreten, wenn sich die Daten trotz eines offensichtlichen Paketierungsfehlers im normalen Bereich befinden. Wenn ein Subjekt als Ausreißer identifiziert wird, ist es wichtig, eine detaillierte, detaillierte Qualitätsprüfung der Kleinhirnmaske Schicht für Scheibe durchzuführen, um die Entscheidungsfindung darüber zu leiten, ob die Läppchen für dieses Subjekt eingeschlossen oder ausgeschlossen werden sollen. Ein weiterer wichtiger Schritt beim Ausführen der SUIT-Pipeline (Modul 2) besteht darin, dass das ACAPULCO-Modul bereits ausgeführt werden muss. Insbesondere erfordert SUIT die in ACAPULCO hergestellte Kleinhirnmaske, um die Kleinhirnisolation und -segmentierung durchzuführen. Es ist wichtig, dass die Kleinhirnmaske einer Qualitätsprüfung unterzogen wird, um eine vollständige Kleinhirnabdeckung zu gewährleisten.
Es gibt einige Einschränkungen für das Protokoll. Erstens, während ACAPULCO modernste Genauigkeit für die Kleinhirnpaketierung grauer Substanz erreicht, ist es nicht für die Parzellierung der weißen Substanz optimiert; Der Korpus medullare bedeckt den Hauptkörper der weißen Substanz, liefert aber kein Maß für die gesamte weiße Substanz. Zweitens lassen sich die neuronalen Faltungsnetzwerke, die zur Lokalisierung und Segmentierung des Kleinhirns in ACAPULCO verwendet werden, nicht gut auf Bilder mit unterschiedlichen Kontrasten oder Bilder verallgemeinern, die nicht im Training verwendet wurden. Da beispielsweise nur 3T-Bilder im Training verwendet wurden, ist die Paketierungsqualität mit Bildern, die auf einem 1,5-T-Scanner aufgenommen wurden, in der Regel nicht so gut. Darüber hinaus gibt es keine Statistiken in Bezug auf Ground Truth, die auf diesen Bildern durchgeführt wurden. Schließlich kontrolliert die Pipeline die verwirrenden Auswirkungen der Kopfgröße auf die Kleinhirnvolumenschätzungen, indem sie eine Schätzung des ICV liefert, die als Regressor ohne Interesse in statistische Analysen auf Gruppenebene einbezogen werden kann. Ein idealer Ansatz wäre jedoch, ICV-korrigierte Kleinhirnvolumina auf individueller Ebene vor der Durchführung der QC zu berechnen, so dass erkannte Ausreißer einen echten Paketierungsfehler und keine natürliche Variabilität in der Neuroanatomie der Probanden widerspiegeln (z. B. einen großen Kopf).
Abschließend stellen wir eine standardisierte Pipeline zur Untersuchung der Kleinhirn-Graumater-Morphometrie vor, die eine breite Anwendbarkeit auf eine Reihe von neurologischen Erkrankungen hat. Die Pipeline ist so eingerichtet, dass sie große, standortübergreifende Studien und "Megaanalysen" ermöglicht, und ist öffentlich für die Nutzung durch Forschungsgruppen verfügbar, um die Zuverlässigkeit und Reproduzierbarkeit im gesamten Feld zu erleichtern. Letztendlich bietet diese Pipeline einen leistungsfähigen methodischen Ansatz zur weiteren Charakterisierung und Verfolgung von kleinhirnstrukturellen Veränderungen mit Krankheitsprogression bei neurologischen Erkrankungen. Eine Längspipeline befindet sich derzeit im Aufbau.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben keine Interessenkonflikte offenzulegen.
Acknowledgments
Die in diesem Manuskript vorgestellte Arbeit wurde durch einen Ideenzuschuss des Australian National Health and Medical Research Council (NHMRC) finanziert: 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=  freesurfer _installation_directory source $FREESURFER_HOME/SetUpFreeSurfer.sh |
| export SUBJECTS_DIR=path/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 =3.5Python 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 | |||
References
- Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
- Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
- 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).
- Manto, M., Gandini, J., Feil, K., Strupp, M.
- 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).
- Strick, P. L., Dum, R. P., Fiez, J. A.
- 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).
- Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
- Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, Pt 4 561-579 (1998).
- Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
- Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
- 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).
- 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).
- 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).
- 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).
- 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).
- Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
- 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).
- 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).
- 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).
- Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , Elsevier. 394-412 (2018).
- 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).
- 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).
- 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).
- Fischl, B.
- Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
- 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).
- 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).
- 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).
- Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
- Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
- 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).
- Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
- Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
- Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
- Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819 (2020).
- Ashburner, J., Friston, K. J.
- Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
- Andersson, J., Jenkinson, M., Smith, S. Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
- Ashburner, J., Friston, K. J.
- Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
- Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
- Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
- 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).
- Enigma. Structural imaging processing protocols. , Available from: http://enigma.ini.usc.edu/protocols/imaging-protocols/ (2021).
- MRIQC. Poldrack Lab, Stanford University. , Available from: https://mriqc.readthedocs.io/en/stable/ (2020).
- dcm2niix. Rorden Lab, University of South Carolina. , Available from: https://github.com/rordenlab/dcm2niix (2021).
- Docker. , Available from: https://docs.docker.com/ (2021).
- Singularity. Sylabs. , Available from: https://sylabs.io/singularity (2021).
- MATLAB. The MathWorks, Inc. , Available from: https://au.mathworks.com/ (2021).
- Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging. , Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020).
- Diedrichsen Lab, University of Western Ontario. , Available from: http://www.diedrichsenlab.org/imaging/suit.htm (2021).
- FreeSurfer download and install. , Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020).
- Gaser, C., Dahnke, R. CAT: A computational anatomy toolbox for SPM. , Available from: http://www.neuro.uni-jena.de/cat/ (2020).
- 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).
- Schmahmann, J. D.
- Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402 (2015).
- Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
- Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
- Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S.
