Summary
En standardiseret rørledning præsenteres til undersøgelse af cerebellum grå stof morfometri. Pipelinen kombinerer high-resolution, state-of-the-art tilgange til optimeret og automatiseret cerebellum parcellation og voxel-baseret registrering af lillehjernen til volumetrisk kvantificering.
Abstract
Flere forskningslinjer giver overbevisende beviser for en rolle cerebellum i en bred vifte af kognitive og affektive funktioner, der går langt ud over dets historiske tilknytning til motorisk kontrol. Strukturelle og funktionelle neuroimaging undersøgelser har yderligere raffineret forståelsen af cerebellum funktionelle neuroanatomi ud over dets anatomiske opdelinger, hvilket fremhæver behovet for undersøgelse af individuelle cerebellære underenheder i sunde variabilitet og neurologiske sygdomme. Dette papir præsenterer en standardiseret pipeline til undersøgelse af cerebellum grå stof morfometri, der kombinerer højopløselige, state-of-the-art tilgange til optimeret og automatiseret cerebellum parcellation (Automatic Cerebellum Anatomical Parcellation using U-Net Local Constrained Optimization; ACAPULCO) og voxelbaseret registrering af lillehjernen (Spatially Unbiased Infra-tentorial Template; SUIT) til volumetrisk kvantificering.
Pipelinen har bred anvendelighed på en række neurologiske sygdomme og er fuldt automatiseret, med manuel indgriben, der kun er nødvendig for kvalitetskontrol af outputtene. Pipelinen er frit tilgængelig med omfattende ledsagende dokumentation og kan køres på Mac-, Windows- og Linux-operativsystemer. Pipelinen anvendes i en kohorte af personer med Friedreich ataksi (FRDA), og der gives repræsentative resultater samt anbefalinger om inferentielle statistiske analyser på gruppeniveau. Denne pipeline kan lette pålideligheden og reproducerbarheden på tværs af feltet og i sidste ende give en stærk metodologisk tilgang til karakterisering og sporing af cerebellære strukturelle ændringer i neurologiske sygdomme.
Introduction
Lillehjernen er en del af hjernen, der historisk er forbundet med motorisk kontrol 1,2,3 og menes at være integreret involveret i kun et lille sæt sjældne sygdomme, såsom arvelige ataksi 4. Konvergerende forskningslinjer fra anatomiske sporingsundersøgelser hos ikke-menneskelige primater samt humane læsions- og neuroimaging-undersøgelser giver imidlertid overbevisende beviser for en rolle cerebellum i en bred vifte afkognitive 5,6,7, affektive 8,9,10,11 og andre ikke-motoriske funktioner 7,12 (se 6 til gennemgang). Desuden er abnormiteter i lillehjernen i stigende grad impliceret i en bred vifte af neurologiske og psykiatriske lidelser, herunder Parkinsons sygdom13, Alzheimers sygdom14,15, epilepsi16,17, skizofreni18 og autismespektrumforstyrrelse19 . Derfor er det blevet vigtigt at indarbejde lillehjernen i funktionelle og strukturelle modeller af menneskelige hjernesygdomme og normativ adfærdsmæssig variabilitet.
Anatomisk kan cerebellum opdeles langs sin overlegne til ringere akse i tre lobes: forreste, bageste og flokkulonomlære. Lapperne er yderligere opdelt i 10 lobulaer betegnet med romertal I-X20,21 (figur 1). Lillehjernen kan også grupperes i midterlinjezoner (vermis) og laterale (halvkugle), som henholdsvis modtager input fra rygmarven og hjernebarken. Den forreste lap, der består af lobula I-V, har traditionelt været forbundet med motoriske processer og har gensidige forbindelser med cerebrale motoriske kortikater22. Den bageste lap, der omfatter lobula VI-IX, er primært forbundet med ikke-motoriske processer11 og har gensidige forbindelser med den præfrontale cortex, posterior parietal og overlegne temporale cerebrale kortikater 8,23. Endelig har den flokkuleringsformede lap, der omfatter lobule X, gensidige forbindelser med vestibulære kerner, der styrer øjenbevægelser og kropsligevægt under holdning og gang21.
En voksende mængde nyere arbejde ved hjælp af funktionel neuroimaging har yderligere raffineret forståelsen af cerebellumets funktionelle neuroanatomi ud over dets anatomiske opdelinger. For eksempel er hviletilstandsfunktionelle magnetiske resonansbilleddannelsesteknikker (fMRI) blevet brugt til at kortlægge mønsteret af funktionelle interaktioner mellem lillehjernen og cerebrum24. Derudover demonstrerede King og kolleger7 ved hjælp af en opgavebaseret pakkelationsmetode, at lillehjernen viser et rigt og komplekst mønster af funktionel specialisering på tværs af dets bredde, hvilket fremgår af forskellige funktionelle grænser forbundet med en række motoriske, affektive, sociale og kognitive opgaver. Samlet set fremhæver disse undersøgelser vigtigheden af at undersøge individuelle cerebellære underenheder for at udvikle komplette biologiske karakteriseringer af cerebellum involvering i både sund variabilitet og neurologiske sygdomme karakteriseret ved ændringer i cerebellær struktur og / eller funktion.
Det nuværende arbejde fokuserer på metoder til kvantificering af lokale ændringer i cerebellær volumen ved hjælp af strukturel MR hos mennesker. Generelt er der to grundlæggende tilgange til kvantificering af regional hjernevolumen ved hjælp af MR-data: funktionsbaseret segmentering og voxelbaseret registrering. Funktionsbaserede segmenteringsmetoder bruger anatomiske landemærker og standardiserede atlasser til automatisk at identificere grænser mellem underregioner. Mainstream softwarepakker til segmentering omfatter FreeSurfer25, BrainSuite26 og FSL-FIRST27. Disse pakker giver dog kun grove parceller af lillehjernen (f.eks. mærkning af hele det grå stof og hele hvide stof på hver halvkugle) og overser således de enkelte cerebellære lobulaer. Disse tilgange er også tilbøjelige til forkert segmentering, især overinklusion af den omgivende vaskulatur.
Der er udviklet nye maskinlærings- og multiatlasmærkningsalgoritmer, som giver en mere præcis og finkornet parcellering af lillehjernen, herunder automatisk klassificering af cerebellære lobulaalgoritme ved hjælp af implicit multigrænseudvikling (ACCLAIM28,29), Cerebellar Analysis Toolkit (CATK30), Multiple Automatic Generated Templates (MAGeT31), Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL32 ), grafskåret segmentering33 og CEREbellumsegmentering (CERES34). I en nylig artikel, der sammenlignede state-of-the-art fuldautomatiske cerebellum-pakkelationsmetoder, viste det sig, at CERES2 overgik andre tilgange i forhold til guldstandard manuel segmentering af cerebellære lobuler35. For nylig udviklede Han og kolleger36 en dyb læringsalgoritme kaldet ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with local constrained optimization), som fungerer på niveau med CERES2, har bred anvendelighed på både sunde og atrofierede cerebellums, er tilgængelig i open source Docker og Singularity containerformat til 'off-the-shelf' implementering og er mere tidseffektiv end andre tilgange. ACAPULCO opdeler automatisk lillehjernen i 28 anatomiske regioner.
I modsætning til funktionsbaseret segmentering fungerer voxelbaserede registreringsmetoder ved præcist at kortlægge en MR til et skabelonbillede. For at opnå denne kortlægning skal voxellerne i det originale billede forvrænges i størrelse og form. Størrelsen af denne forvrængning giver effektivt et mål for volumen ved hver voxel i forhold til guldstandardskabelonen. Denne form for volumetrisk vurdering er kendt som 'voxelbaseret morfometri'37. Voxelbaserede registreringsmetoder med hele hjernen, såsom FSL-FLIRT38 / FNIRT39, SPM unified segmentation40 og CAT1241, bruges almindeligvis til voxelbaseret morfometri. Disse tilgange tegner sig imidlertid ikke godt for lillehjernen, hvilket resulterer i dårlig pålidelighed og gyldighed i infratentoriale regioner (cerebellum, hjernestamme42). For at tage højde for disse begrænsninger blev SUIT-algoritmen (Spatially Unbiased Infra-tentorial Template) udviklet til at optimere cerebellumregistrering og forbedre nøjagtigheden af voxelbaseret morfometri42,43.
Funktionsbaserede segmenterings- og voxelbaserede registreringsmetoder til estimering af regional cerebellær volumen har grundlæggende styrker og svagheder. Segmenteringsmetoder er væsentligt mere nøjagtige til kvantificering af volumenet af anatomisk definerede områder (f.eks. Lobula35). Grænser mellem forskellige funktionelle moduler i lillehjernen kortlægges imidlertid ikke på dets anatomiske løv og sprækker (svarende til gyri og sulci i cerebrum7). Da registreringsbaserede tilgange ikke er begrænset af anatomiske landemærker, er finkornet rumlig slutning og kortlægning af lillehjernen med høj dimensionel strukturfunktionmulig 44. Samlet set er segmenterings- og registreringsmetoder komplementære til hinanden og kan bruges til at besvare forskellige forskningsspørgsmål.
Her præsenteres en ny standardiseret pipeline, som integrerer disse eksisterende, validerede tilgange til at levere optimeret og automatiseret pakkelation (ACAPULCO) og voxelbaseret registrering af lillehjernen (SUIT) til volumetrisk kvantificering (figur 2). Pipelinen bygger på de etablerede tilgange til at inkludere kvalitetskontrolprotokoller ved hjælp af kvalitativ visualisering og kvantitativ outlier detektion og en hurtig metode til opnåelse af en estimering af intrakraniel volumen (ICV) ved hjælp af Freesurfer. Pipelinen er fuldt automatiseret, med manuel indgriben, der kun kræves for at kontrollere kvalitetskontroludgangene, og kan køres på Mac-, Windows- og Linux-operativsystemer. Rørledningen er frit tilgængelig uden begrænsninger for dens anvendelse til ikke-kommercielle formål og kan tilgås fra ENIGMA Consortium Imaging Protocols-websiden (under "ENIGMA Cerebellum Volumetrics Pipeline") efter udfyldelse af en kort registreringsformular45.
Al påkrævet software er angivet i materialetabellen, og detaljerede tutorials, herunder en live demonstration, er tilgængelige ved download af rørledningen ud over protokollen beskrevet nedenfor. Endelig gives der repræsentative resultater fra implementeringen af pipelinen i en kohorte af mennesker med Friedreich ataksi (FRDA) og alders- og kønsmatchede sunde kontroller sammen med anbefalinger til statistiske inferentielle analyser på gruppeniveau.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
BEMÆRK: De data, der blev brugt i denne undersøgelse, var en del af et projekt godkendt af Monash University Human Research Ethics Committee (projekt 7810). Deltagerne gav skriftligt informeret samtykke. Mens pipelinen kan køres på Mac-, Windows- eller Linux-operativsystemer, er ACAPULCO, SUIT og QC-rørledningerne eksplicit blevet testet på Linux (Ubuntu) og Mac (Catalina, Big Sur v11.0.1) operativsystemer.
1. Modul 1: ACAPULCO (anatomisk parcellation)
- Dataindsamling
- Saml 3D T1-vægtede MR-billeder af hele hjernen i en opløsning på 1 mm3 eller mindre. Isotrope voxeldimensioner (typisk 1 mm x 1 mm x 1 mm) og en 3-Telsa (eller større) scanner anbefales. Rådfør dig med en billedbehandlingsspecialist på deres radiograficenter for at oprette og erhverve data, der opfylder disse specifikationer.
BEMÆRK: T2-vægtede billeder er undertiden nyttige til volumetriske analyser; Den pipeline, der præsenteres her, er dog kun afhængig af T1-vægtede data, og nogle af de anvendte værktøjer er eksklusive for denne type data. Som sådan kan T2-vægtede billeder ikke bruges. - Foretag en visuel kvalitetsvurdering af billeder for at udelukke grove cerebellære misdannelser (f.eks. Store læsioner) eller væsentlige bevægelsesartefakter, der forhindrer identifikation af større cerebellære landemærker (f.eks. De store anatomiske sprækker). Undgå automatisk atrofieret cerebela, selvom den er betydelig.
- I forbindelse med gruppestudier skal du også overveje kvantitative kvalitetsvurderinger ved hjælp af frit tilgængelige, standardiserede værktøjer som MRIQC46 for yderligere at identificere problematiske data.
- Konverter alle data til NIFTI-GZ-format ved hjælp af et værktøj som dcm2niix47.
- Saml 3D T1-vægtede MR-billeder af hele hjernen i en opløsning på 1 mm3 eller mindre. Isotrope voxeldimensioner (typisk 1 mm x 1 mm x 1 mm) og en 3-Telsa (eller større) scanner anbefales. Rådfør dig med en billedbehandlingsspecialist på deres radiograficenter for at oprette og erhverve data, der opfylder disse specifikationer.
- Anbefalet dataorganisation
- Få al nødvendig software som anført i materialetabellen. Sørg for, at Docker48 eller Singularity49, Matlab50 og SPM1251 er installeret, før du kører pipelinen.
BEMÆRK: Omfattende skriftlige og videovejledninger, der beskriver rørledningen, er også tilgængelige (se materialetabellen). - Når al nødvendig software er installeret, skal du oprette mapper i arbejdsmappen og mærke dem 'acapulco', 'dragt, 'og'freesurfer.' Gør dette ved hjælp af kommandoen mkdir fra kommandolinjen.
- Opret en outputmappe i mappen 'acapulco'. I outputmappen skal du oprette en mappe for hvert emne i undersøgelsen, der indeholder det T1-vægtede billede i NIFTI-GZ-format.
BEMÆRK: Det anbefales at opbevare en kopi af de originale data andetsteds.
- Få al nødvendig software som anført i materialetabellen. Sørg for, at Docker48 eller Singularity49, Matlab50 og SPM1251 er installeret, før du kører pipelinen.
- Anatomisk cerebellær parcellation ved hjælp af ACAPULCO
- Gå til tabellen over materialer, og download de relevante scripts og containere, der kræves for at køre ACAPULCO (under acapulco-pipeline-filer). I mappen »acapulco« skal du placere (i) ACAPULCO Docker OR Singularity-containeren (henholdsvis 'acapulco_0.2.1.tar.gz' eller '.sif'), (ii) indholdet af QC_scripts-arkivet (3 filer: 'QC_Master.R', 'QC_Plots.Rmd' og 'QC_Image_Merge.Rmd') og (iii) 'R.sif' (singularitet) ELLER 'calculate_icv.tar' (docker) fil.
- Åbn en terminal, og kør ACAPULCO-containeren fra kommandolinjen på et enkelt billede (erstat <
> i det følgende). Vent i ~ 5 minutter, før behandlingen er afsluttet. - Brug Docker til at skrive kommandoen:
dockerbelastning --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/< > - Brug Singularity til at skrive kommandoen:
singularitetskørsel --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/< >.nii.gz -o output/< >
- Brug Docker til at skrive kommandoen:
- Loop på tværs af alle emner/scanninger i kohorten. Se table of Materials for et link til WEBSTEDET ENIGMA Imaging Protocols for download af pipelinen (under ENIGMA Cerebellum Volumetrics Pipeline) og vejledningsmanualen, der indeholder eksempler på, hvordan man opretter en for-loop til behandling af flere emner serielt.
- Efter behandling skal du kigge efter følgende filer, der er genereret i de fagspecifikke mapper:
- Identificer "
_n4_mni_seg_post_inverse.nii.gz": parcelleret cerebellummaske i original (emnerum). - Identificer "
_n4_mni_seg_post_volumes.csv": volumener (i mm3) for hver af de 28 underenheder, der genereres af acapulco; - Identificer repræsentative billeder (i mappen 'billeder'): sagittal, aksial og koronal.
- Identificer "
- Statistisk detektion og kvalitetskontrol af afvigende værdier (QC)
- Fra terminalen og i 'acapulco' -biblioteket skal du sikre dig, at indholdet af QC_scripts er i 'acapulco' -mappen. Sådan kører du QC-scripts:
- Brug Docker til at skrive kommandoen:
docker load calculate_icv.tar
docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
QC_Master.R udgang/ - Brug Singularity til at skrive kommandoen:
singularitet exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
- Brug Docker til at skrive kommandoen:
- Fra terminalen og i 'acapulco' -biblioteket skal du sikre dig, at indholdet af QC_scripts er i 'acapulco' -mappen. Sådan kører du QC-scripts:
- Undersøgelse af QC-billeder genereret af ACAPULCO
BEMÆRK: Der er en 3-trins proces til kvalitetskontrol af ACAPULCO-pakkede billeder.- Åbn 'QC_Images.html' i en webbrowser, og rul hurtigt (~ 10 s pr. Emne) gennem billederne for at identificere åbenlyse fejl eller systematiske problemer. Bemærk emne-id'erne for mislykkede eller mistænkelige pakkede billeder til opfølgning.
BEMÆRK: Se figur 3 for en vejledning om neuroanatomien af de cerebellære lobulaer og figur 4, figur 5, og figur 6 i afsnittet med repræsentative resultater nedenfor for eksempler på 'gode' parcellationer, 'subtile fejlpakker' og 'globale fiasko' parcellationer. - Åbn "Plots_for_Outliers.html" for at markere afkrydsningsfeltet for kvantitative statistiske outliers. Kig efter outliers (2.698 s.d over eller under middelværdien) over eller under whiskers af boksplottene. Hold markøren over datapunkterne for at få vist emne-id'et. Identificer de afvigende værdier, der er betegnet med et '1' i den relevante kolonne i filen 'Outliers.csv', og bemærk det samlede antal segmenter, der er identificeret som outliers for hvert emne i den sidste kolonne i 'Outliers.csv'.
- Kontroller manuelt, at hvert billede har en eller flere afvigende værdier. KRITISK: Brug en standard NIFTI-billedfremviser (f.eks. FSLEyes eller MRICron) til at overlejre ACAPULCO-masken på det originale T1w-billede for at kontrollere kvaliteten af pakkelationen skive for skive.
- For at generere overlejringer til detaljeret QC fra kommandolinjen ved hjælp af FSLEyes, i) ændre mappen til mappen 'acapulco', ii) angive det emne, der skal vises (erstat
):
subj= - Kopier/indsæt følgende kode i terminalen (uden manuelt at ændre {subj}, da dette er indstillet af den foregående linje:
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
BEMÆRK: Der skal foretages en bestemmelse af, om det unormale segment skal medtages eller ej, dvs. er der en pakkefejl, eller er det bare normal variabilitet i individets anatomi? Hver parcellateret region betragtes individuelt, så nogle få regioner kan udelukkes for et billede, mens resten kan bevares, hvis det er korrekt. -
Skal et eller flere parcellede områder udelukkes fra det endelige datasæt?
Hvis Ja (afvigende er bekræftet), skal du udelukke denne eller disse parceller fra analysen ved at erstatte mængdeestimatet med NA i den tilsvarende celle i filen »Cerebel_vols.csv« for det pågældende emne. -
Resulterer pakkefejl i, at noget af lillehjernen udelukkes fra masken?
Hvis ja, (for eksempel hvis bestemte cerebellære lobulaer mangler i masken eller vises 'afskåret'), skal du straks udelukke emnet fra yderligere analyser (dvs. fortsæt ikke med at køre SUIT-modulet på disse emner).
- For at generere overlejringer til detaljeret QC fra kommandolinjen ved hjælp af FSLEyes, i) ændre mappen til mappen 'acapulco', ii) angive det emne, der skal vises (erstat
- Åbn 'QC_Images.html' i en webbrowser, og rul hurtigt (~ 10 s pr. Emne) gennem billederne for at identificere åbenlyse fejl eller systematiske problemer. Bemærk emne-id'erne for mislykkede eller mistænkelige pakkede billeder til opfølgning.
2. Modul 2: SUIT cerebellum-optimeret voxelbaseret morfometri
- Voxel-baserede morfometrianalyser ved hjælp af SUIT
KRITISK: Denne pipeline kræver, at ACAPULCO-modulet allerede er kørt, da det er afhængigt af generering af en fagspecifik cerebellær maske til optimering af registrering og normalisering af lillehjernen til SUIT-skabelonen. Hvis den emnespecifikke maske, der genereres af ACAPULCO, ikke inkluderer hele lillehjernen, berettiger dette til udelukkelse fra SUIT-modulet. For instruktioner om at køre SUIT standalone, se52.- Få al nødvendig software, der er anført i materialetabellen. Sørg for, at SPM12-mappen og alle undermapper er i MATLAB-stien. Sørg for enigma_suit scripts gemmes i mappen 'spm12/toolbox' og føjes til MATLAB-stien. Hvis du vil kontrollere MATLAB-stien, skal du skrive pathtool i MATLAB-kommandovinduet og derefter klikke på Tilføj med undermapper for at tilføje de relevante mapper.
- Kør SUIT-pipelinen for et eller flere emner. Vent i ~15-20 min (hvis du bruger den grafiske brugergrænseflade [GUI]) og ~5-7 min, hvis du kører fra terminalen (bash/shell) for at behandlingen skal afsluttes.
- For at bruge GUI (emner køres serielt) skal du skrive kommandoen fra MATLAB-kommandovinduet:
suit_enigma_all - I det første pop op-vindue skal du vælge emnemapperne i mappen 'acapulco/output', der skal medtages i analysen. Klik på de enkelte mapper i højre side af vinduet, eller højreklik og vælg alle. Tryk på OK. I det andet pop op-vindue skal du vælge SUIT-mappen, hvor analyserne skal skrives.
- ELLER Kald funktionen fra MATLAB-kommandolinjen for et enkelt emne, skriv kommandoen:
suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir') - ELLER Kald funktionen fra terminalvinduet uden for MATLAB for et enkelt emne ved at skrive kommandoen:
matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
- For at bruge GUI (emner køres serielt) skal du skrive kommandoen fra MATLAB-kommandovinduet:
- Se table of Materials for et link til WEBSTEDET ENIGMA Imaging Protocols for download af pipelinen (under ENIGMA Cerebellum Volumetrics Pipeline) og vejledningsmanualen, der indeholder eksempler på, hvordan man opretter en for-loop til behandling af flere emner serielt.
- Se efter følgende punkter vedrørende scriptet.
- Sørg for, at scriptet kopierer det N4-bias-korrigerede, MNI-justerede (stive krop) T1-billede og ACAPULCO-cerebellummasken i outputmappen.
- Sørg for, at scriptet segmenterer den grå og hvide substans i lillehjernen.
- Sørg for, at scriptet korrigerer for overinklusionsfejl i pakkelationen ved hjælp af ACAPULCO-masken.
- Sørg for, at scriptet DARTEL normaliserer og omslicerer dataene i SUIT-rummet med jacobiansk modulering, så værdien af hver voxel er proportional med dens oprindelige lydstyrke.
- Kontroller hvert emnes mappe for følgende endelige output: 'wd
_seg1.nii' (grå substans) og 'wd _seg2.nii' (hvid substans).
- Statistisk detektion af afvigende værdier og kvalitetskontrol
- Undersøg visuelt de normaliserede, modulerede billeder (wd*) for større fejl. Skriv kommandoen i MATLAB:
spm_display_4D - Vælg manuelt 'wd * seg1' -billederne fra dragtundermapperne, eller naviger til 'dragt' -mappen; indsæt '^wd.*seg1' i feltet Filter (ingen anførselstegn), og tryk på Rec-knappen . Tryk på OK.
- Rul gennem billederne for at sikre, at de alle er godt justeret. Se figur 7 for korrekt normaliserede billeder fra raske kontroller (A,B) og en person med en stærkt atrofisk lillehjerne (D).
BEMÆRK: På dette stadium er anatomien mellem emner meget ens (da de er blevet registreret til den samme skabelon), og volumenforskelle kodes i stedet af forskellige voxelintensiteter. Store fejl vil være indlysende, f.eks. tomme billeder, store områder med manglende væv, usædvanlige intensitetsgradienter (dvs. lyse voxeller alle øverst, mørke voxeller alle i bunden). Disse billeder bør udelukkes fra efterfølgende trin. - Kontroller rumlig kovarians for outliers. Skriv kommandoen i MATLAB:
check_spatial_cov- Vælg 'wd * seg1' -billederne i henhold til det foregående trin. Når du bliver bedt om det, skal du vælge følgende indstillinger: Rekvisitskalering: Ja; Variabel til at kovariere ud: Nej; Skive (mm): - 48 , Mellemrum: 1.
- Se på boksplottet, der viser den gennemsnitlige rumlige kovarians for hvert billede i forhold til alle andre i eksemplet. Identificer datapunkter, der er >2s.d. under gennemsnittet i MATLAB-kommandovinduet. For disse skal du inspicere billedet "
_n4_mni.nii.gz" i SUIT-mappen for artefakter (bevægelse, anatomiske abnormiteter), problemer med billedkvaliteten eller forbehandlingsfejl. - Hvis billedkvaliteten og forbehandlingen er acceptabel, og visuel inspektion af de modulerede billeder i det foregående trin ikke indikerer et problem med segmentering og normalisering, skal du beholde disse data i eksemplet. Ellers skal du udelukke disse data.
- Undersøg visuelt de normaliserede, modulerede billeder (wd*) for større fejl. Skriv kommandoen i MATLAB:
3. MODUL 3 (valgfrit): ESTIMERING AF INTRAKRANIEL VOLUMEN (ICV) ved hjælp af FreeSurfer
BEMÆRK: Dette modul bruger FreeSurfer-rørledningen til at beregne ICV. Det behøver ikke at blive kørt igen, hvis der er eksisterende Freesurfer-output til kohorten (enhver version).
- Opsætning af FreeSurfer
- Sørg for, at FreeSurfer downloades og installeres53. Gå til tabellen over materialer, og download de relevante scripts for at køre dette modul (under ICV-pipelinefiler). Når du arbejder med FreeSurfer, skal du indstille følgende variabler:
eksport FREESURFER_HOME =
kilde $FREESURFER_HOME/SetUpFreeSurfer.sh - Erstat
i følgende:
eksport SUBJECTS_DIR =/enigma/Freesurfer
- Sørg for, at FreeSurfer downloades og installeres53. Gå til tabellen over materialer, og download de relevante scripts for at køre dette modul (under ICV-pipelinefiler). Når du arbejder med FreeSurfer, skal du indstille følgende variabler:
- Kører Freesurfer autorecon1
- For et enkelt emne skal du skrive kommandoen inde fra mappen 'freesurfer' (behandlingstid ~ 20 min):
cd/enigma/freesurfer
recon-all -i .. /input/.nii.gz -s -autorecon1 - Se vejledningen til selvstudiet for at få eksempler på, hvordan du opretter en for-loop til behandling af flere emner serielt.
- For et enkelt emne skal du skrive kommandoen inde fra mappen 'freesurfer' (behandlingstid ~ 20 min):
- Beregning af ICV
- Data organisation
- I mappen "freesurfer" skal du placere den (i) Docker OR Singularity-container, der anvendes i modul 1 (henholdsvis 'calculate_icv.tar' eller 'R.sif') og (ii) xfm2det-scriptet (se materialetabellen). Lav derefter en git-klon for at klone det krævede ICV-script:
git klon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
- I mappen "freesurfer" skal du placere den (i) Docker OR Singularity-container, der anvendes i modul 1 (henholdsvis 'calculate_icv.tar' eller 'R.sif') og (ii) xfm2det-scriptet (se materialetabellen). Lav derefter en git-klon for at klone det krævede ICV-script:
- Kørsel af ICV-ekstraktion (behandlingstid ~ 5 min)
- Skriv:
singularitet 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 - Skriv i mappen "freesurfer" med dockercontainer:
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 - Kørsel af script uden objektbeholder - se tabellen over materialer for yderligere påkrævet software og afhængigheder. Skriv:
./calculate_icv/ calculate_icv.py ---freesurfer_dir=/path/to/freesurfer --
acapulco_dir=/sti/til/acapulco/QC/Cerebelvolsfile --
output_csv_name=Cerebel_vols.csv calculate_icv
BEMÆRK: Dette beregner ICV for hvert emne og tilføjer en kolonne med ICV til slutningen af filen 'Cerebel_vols.csv'.
- Skriv:
- Data organisation
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Cerebellum parcellation (ACAPULCO)
Kvalitetskontrol af cerebellum parcellede masker:
Følgende eksempler viser ACAPULCO-parcellede output og styrer beslutningstagningen om a) kvaliteten af den pakkede maske på individniveau og b) efterfølgende inddragelse eller udelukkelse af en bestemt lobule (er) fra de statistiske analyser. I sidste ende er beslutningen om at inkludere eller udelukke et emne subjektiv; Eksempler på 'gode parcellationer', 'subtile pakkefejl' og 'globale fejl' fra en række sunde og kliniske grupper findes her.
Eksempler på »gode parcellationer« er vist i figur 4, herunder i sund og stærkt atrofieret cerebel. I figur 5 er subtile over- og underindeslutninger af individuelle cerebellumlobuler afbildet. Disse er den mest almindelige type pakkefejl og kan muligvis ikke påvises som statistiske outliers i den kvantitative QC-protokol. Disse typer fejl kræver generelt udelukkelse af de enkelte lobuler, der påvirkes, mens resten af den parcellede lillehjerne er upåvirket og kan bevares. I modsætning hertil kræver 'Globale fiaskoer', som afbildet i figur 6, fuldstændig udelukkelse af emnet.
Statistisk påvisning af afvigende værdier:
For at illustrere rørledningen blev ACAPULCO kørt på en stikprøve på 31 personer med FRDA (gennemsnitsalder = 36,5 år; SD= 13,0 år, 14 kvinder) og 37 alders- og kønsmatchede sunde kontroller (HC) (gennemsnitsalder = 37,1 år; SD=12,8 år, 17 kvinder) som tidligere beskrevet55. På tværs af hele prøven blev 18 lobula påvist som statistiske outliers (<1% af den samlede prøve). Efter at have udført detaljeret QC på billederne blev 17 outlier lobules fjernet fra gruppeniveauanalyser ved at fjerne det individuelle lobulevolumen for det eller de respektive emner fra cerebellar volume-filen på gruppeniveau (dvs. filen 'Cerebel_vols.csv'). Den resterende outlier blev ikke anset for en segmenteringsfejl, men snarere på grund af variabilitet i individets cerebellumanatomi og blev derfor bevaret i analysen. Der var også to globale pakkefejl (1 FRDA-patient). Basisraten for udelukkelse på tværs af alle cerebellumlobuler (dvs. globale pakkelationsfejl) var 1,5%. Tabel 1 viser udelukkelsesraterne for hver af de 28 anatomiske ROI'er. Venstre lobule IX og højre lobule Crus Jeg havde de højeste udelukkelsesrater.
Statistisk analyse på gruppeniveau:
I alt 66 forsøgspersoner (30 FRDA-patienter) blev inkluderet i gruppeanalysen. To-halede Mann-Whitney uafhængige prøver tests blev udført for at teste for signifikante forskelle i cerebellum lobule volumener mellem FRDA og HC. Resultaterne viste signifikant reduceret hvidt stof i corpus medullare i FRDA vs. HC (p < 0,05, Bonferroni korrigeret for 28 sammenligninger). Der var ingen andre signifikante forskelle mellem grupperne. Se supplerende tabel S1 for mængderne af alle 28 cerebellære underenheder i prøven.
Cerebellum voxel-baserede morfometri analyser (SUIT)
Kvalitetskontrol:
Eksempler på veljusterede billeder og eksempler på udelukkelser for både raske kontroller og kliniske grupper, herunder FRDA og Spinocerebellar ataxia pateints, er vist i figur 7. SUIT-analyser blev udført på i alt 64 forsøgspersoner (28 FRDA; 36 HC) fra den ovenfor beskrevne prøve efter udelukkelse af yderligere to forsøgspersoner på grund af ufuldstændig hel cerebellær dækning i cerebellummasken.
Efter at have testet den rumlige kovarians af alle normaliserede billeder i prøven i forhold til hinanden blev to scanninger påvist som statistiske outliers baseret på deres gennemsnitlige rumlige kovarians med resten af prøven (figur 8). Visuel inspektion af både de originale og normaliserede billeder viste imidlertid, at selvom disse personer havde en unik neuroanatomi, var der ingen signifikante artefakter i begge billeder, og behandlingstrinnene blev afsluttet normalt. Som sådan blev begge emner bibeholdt i analyserne.
Statistisk analyse på gruppeniveau:
Aftryk blev udjævnet ved hjælp af en gaussisk kerne på 3 mm fuld bredde ved halv maksimum (FWHM). Ikke-parametriske permutationstest blev udført i SnPM for at teste for signifikante forskelle mellem grupper i cerebellum grå stofvolumener. Til dette formål blev der kørt 5.000 permutationer med en klyngedannende tærskel på p < 0,001. Billeder blev eksplicit maskeret med SUIT grå stofatlas for at begrænse slutningen til grå stofområder. For at korrigere for hovedstørrelse blev intrakranielt volumen indtastet som et kovariat i modellen. Endelig slutning af grupperesultater blev udført på p < 0,05, familiemæssig fejl (FWE) klyngeniveau korrigeret.
Sammenlignet med HC viste FRDA signifikant reduceret gråstofvolumen i bilaterale forreste lobulaer I-V (venstre: x = -10, y = -46, z = -26; T= 5,61; Ke= 754; højre: x= 10, y= -38, z= -21; T= 6,83; Ke= 569); og i mediale posterior lobe regioner, herunder Vermis VI, der strækker sig bilateralt ind i Lobule VI (x = 3, y = -65, z = -20; T= 7,25), og Vermis IX strækker sig bilateralt ind i Lobule IX (x = 3, y = -65, z = -20; T= 6,46; Ke= 3974; Figur 9).
Figur 1: Den menneskelige lillehjerne. (A) En flad repræsentation af lillehjernen og dens store sprækker, lapper og lobuler. Rød = forreste lap (lobula I-V); creme= bageste lap (lobules IV-IX); lilla= flokkuleringslobe. Lillehjernen kan opdeles i midterlinjen "vermis" og laterale "halvkugle" zoner. Alle lobulaer er identificeret i vermis og halvkugler. I lobule VII udvides VIIAf i vermis i halvkuglerne for at blive Crus I, lobule VIIAt ved vermis bliver Crus II på halvkuglerne, og lobule VIIB bevarer sin etiket både i vermis og halvkugler. (B) Øverst: Cerebellum fladt kort, der viser de anatomiske underenheder af lillehjernen i forskellige farver. Nederst: en bageste visning af lillehjernen. Dette tal blev tilpasset fra 56 og 57. Klik her for at se en større version af denne figur.
Figur 2: Skematisk illustration af rørledningen. Der kræves et T1 MPRAGE-billede i høj opløsning. Der er tre moduler: ACAPULCO, SUIT og ICV. Rørledningen er fuldautomatisk (bortset fra manuel indgriben, der kræves til QC af udgangene), er tilgængelig i Docker- og Singularity-containerformat og tager cirka 20 minutter at køre fra start til slut pr. Emne. Klik her for at se en større version af denne figur.
Figur 3: ACAPULCO-parcellation, der viser hver af de 28 anatomiske underenheder. Dette tal blev tilpasset fra36. Forkortelser: CM = corpus medullare; Ver = vermis; R/L = højre/venstre. Klik her for at se en større version af denne figur.
Figur 4: Eksempler på 'gode' cerebellum-parcellationer. Sagittal (x = 0) og koronale (y = -57) skiver vises. (A, B) Sagittale og koronale skiver, der viser parcellede masker fra to sunde cerebellære. Algoritmen har lokaliseret de enkelte underenhedsgrænser korrekt, og den har ikke overinkluderet den tværgående sinus i mærkning og kvantificering af Crus I. (C) En stærkt atrofieret cerebellum af en SCA2-patient. Her er atrofi tydelig langs hele cerebellumets udstrækning, sulci er brede, og der mangler meget væv. Der er en lille overinklusion af vaskulaturen i de bageste lobes, der er mere udtalt på højre side (gul pil). Bortset fra denne overinkludering har ACAPULCO fungeret godt. Forkortelser: CM = corpus medullare; Ver = vermis; L/R = venstre/højre. Klik her for at se en større version af denne figur.
Figur 5: Eksempler på cerebellære 'mis-parcellationer. '(A) Sagittal skive (x = 0) og koronal skive (y = -57), der viser en pakkelationsfejl hos en FRDA-patient. Algoritmen har ikke fungeret godt langs midterlinjen, og underinkluderinger af Crus I og II (rød pil) er tydelige langs den bageste udstrækning. Disse lobulaer vil blive udelukket fra efterfølgende analyser på gruppeniveau. (B) Sagittal skive (x = 8), koronal skive (y = -47), der viser en pakkefejl i en sund cerebellær. Algoritmen har helt savnet venstre lobule VIIIb (røde pile). Denne lobule vil blive udelukket fra efterfølgende analyser på gruppeniveau. (C) Sagittal skive (x = -24) og koronal skive (y = -47), der viser en pakkefejl i en sund cerebellær. Nogle cerebellære atrofi er til stede, og der er en underinklusion af Crus I (rød pil). Forkortelser: FRDA = Friedreich ataxia; CM = corpus medullare; Ver = vermis; L/R = venstre/højre. Klik her for at se en større version af denne figur.
Figur 6: Eksempler på 'globale fejl' af cerebellær parcellation. (A) Sagittal skive (x = 0) og koronal skive (y = -57), der viser en pakkefejl. Her er lillehjernen kun delvist segmenteret, og dele af den occipitale lap er fejlagtigt blevet mærket som lillehjernen. Disse typer fejl skyldes sandsynligvis et problem med overskriften på det originale billede, hvilket vil påvirke ACAPULCO-affine transformationen af billedet til verdenskoordinat og efterfølgende lokalisering af lillehjernen. (B) Sagittal skive (x = 0) og koronal skive (x = -57), der viser en pakkelationsfejl hos en person med FRDA. Her er CM blevet fuldstændig fejlsegmenteret. Algoritmen har mærket CM bag på hovedet (rød oval) uden for hjernen. Grænserne for den hvide substans er ikke blevet fanget og er fejlagtigt mærket som grå substans, især påvirker venstre lobula VIIIb og IX. Venstre lobule X er også blevet savnet (rød pil på koronal skive). Disse eksempler berettiger til øjeblikkelig udelukkelse fra analyser på gruppeniveau for ACAPULCO- og SUIT-analyser. Forkortelser: CM = corpus medullare; Ver = vermis; L/R = venstre/højre. Klik her for at se en større version af denne figur.
Figur 7: Skæve og modulerede voxelbaserede morfometrikort. (A, B) Veljusteret cerebellær grå stof fra to HC'er. (C) En cerebellum fra en HC, der blev påvist som en statistisk outlier, men blev bevaret i analysen. (D) En atrofieret cerebellum fra en person med FRDA. Lillehjernen er blevet skævet korrekt til skabelonen; dette ville derfor ikke berettige til udelukkelse. (E) En udelukkelse. Der er en gradient i modsætning fra toppen til bunden af billedet, der afspejler en fejl i behandlingen. (F) En hyperintense planartefakt nederst til højre på billedet af ukendt oprindelse nødvendiggør udelukkelse. (G) Et eksempel på en stærkt atrofieret cerebellær af en SCA2-patient. Lillehjernen er blevet skævet korrekt til skabelonen; der er dog meget manglende væv, hvilket resulterer i lav kontrast. Dette ville ikke være en udelukkelse. (H) Eksempel på dårlig maskering, der nødvendiggør udelukkelse. Forkortelser: VBM = voxelbaseret morfometri; HC = sund kontrol; FRDA = Friedreich ataksi; SCA2 = Spinocerebellar ataksi 2. Klik her for at se en større version af denne figur.
Figur 8: Rumlig kovarians af SUIT voxel-baserede morfometrikort. Boksplot, der illustrerer den rumlige kovarians af de voxelbaserede morfometrikort for en kohorte på 64 (28 FRDA) emner. Rumlig kovarians er et mål for, hvor godt justeret hvert billede er i forhold til hvert andet billede i prøven. Dataene er tæt grupperet sammen med en gennemsnitlig rumlig kovarianskorrelation på ~ 0,95. Her blev der påvist to outliers (1 FRDA, 1 HC), da >2 SD'er under gennemsnittet. Forkortelser: FRDA = Friedreich ataxia; HC = sund kontrol; SD = standardafvigelse; cont = kontrol. Klik her for at se en større version af denne figur.
Figur 9. Mellemgrupperesultater af en voxelbaseret morfometrianalyse af cerebellær gråstofmorfometri. (A) Sagittal, (B) koronal og (C) saltkortrepræsentationer af statistiske kort på voxelniveau hos personer med FRDA vs. kontroller, der kontrollerer for ICV. Kun voxeller, der overlever p < 0,05 FWE klyngeniveau korrigeret, vises. Farvebjælke angiver T-statistik. Forkortelser: FRDA = Friedreich ataxia; ICV = intrakranielt volumen; FWE = familiemæssig fejl. Klik her for at se en større version af denne figur.
| Lobule | % ekskluderet |
| CENTIMETER | 1.5 |
| Venstre Crus I | 2.9 |
| Venstre Crus II | 2.9 |
| Venstre I III | 2.9 |
| Venstre IV | 1.5 |
| Venstre IX | 4.51 |
| Venstre V | 2.9 |
| Venstre VI | 1.5 |
| Venstre VIIB | 1.5 |
| Venstre VIIIA | 1.5 |
| Venstre VIIIB | 2.9 |
| Venstre X | 2.9 |
| Højre Crus I | 6.02 |
| Højre Crus II | 2.9 |
| Ret I III | 2.9 |
| Højre IV | 1.5 |
| Højre IX | 2.9 |
| Højre V | 1.5 |
| Højre VI | 1.5 |
| Højre VIIB | 1.5 |
| Højre VIIIA | 2.9 |
| Højre VIIIB | 1.5 |
| Højre X | 1.5 |
| Vermis IX | 1.5 |
| Vermis VI | 2.9 |
| Vermis VII | 1.5 |
| Vermis VIII | 1.5 |
| Vermis X | 1.5 |
Tabel 1: Cerebellære anatomiske lobulaer afledt af ACAPULCO og udelukkelsesrater (%) på tværs af en prøve på 31 personer med FRDA og 37 HCs. Forkortelser: FRDA = Friedreich ataxia; HC = sunde kontroller.
Supplerende tabel S1: Volumener (mm3) af 28 cerebellære anatomiske lobulaer i Friedreich Ataxia og raske kontrolpersoner.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Lillehjernen er kritisk for en bred vifte af menneskelige motor3,kognitive 58, affektive10 og sprog 7,59 funktioner og er impliceret i mange neurologiske og psykiatriske sygdomme. Tilgængeligheden af en standardiseret og let implementerbar tilgang til kvantificering af regionale cerebellære volumener vil bidrage til stadig mere detaljeret kortlægning af 'hele hjernens' strukturfunktion, komplet sygdomsmodellering og forbedrede muligheder for at definere og spore cerebellære bidrag til hjernesygdomme. Denne standardiserede pipeline, der er beskrevet her, kombinerer state-of-the-art tilgange til automatisk cerebellum parcellation og finere kornet rumlig profilering af cerebellær grå stof morfometri i både sundhed og sygdom.
Resultaterne af tværsnitsanalysen af cerebellum-parcellation ved hjælp af ACAPULCO, der blev præsenteret her, viste, at mennesker med FRDA (vs. HC) havde signifikant reduceret mængden af hvidt stof. Disse resultater understøtter tidligere undersøgelser af FRDA, som konsekvent viser tidligt, robust og progressivt volumentab af hvidt stof, især i dentatekernerne, i FRDA. Desuden har mønsteret og omfanget af progressiv neurodegeneration i de overlegne og ringere cerebellære peduncles og dentatekernerne vist sig at afvige som en faktor for debutalderen for FRDA44. Resultaterne fra SUIT-analysen afslørede yderligere resultater. Specifikt var der signifikant volumentab på voxelniveau i FRDA (vs. HC) i forreste loberegioner svarende til bilaterale lobulaer I-IV og Højre V, der strækker sig ind i lobule VI. Derudover afslørede SUIT-analysen et betydeligt volumentab i FRDA (vs. HC) i de mediale posterior lobe-regioner, herunder lobule IX, X og Vermis. Dette mønster af forskelle mellem grupper kan sammenlignes med tidligere offentliggjort arbejde i den samme kohorte af FRDA-patienter ved hjælp af en helhjerne VBM-tilgang55.
Definition af cerebellære abnormiteter i neurologiske og psykiatriske sygdomme er et højt prioriteret forskningsområde med translationel virkning. Medvirkende til at spore og behandle neurologiske sygdomme - især dem, hvor lillehjernen er et primært sted for neurodegeneration - er udviklingen af komplette biologiske karakteriseringer af cerebellum involvering. Den pipeline, der præsenteres heri, gør det muligt at undersøge forholdet mellem individuel cerebellær lobule gråstofmorfometri og kliniske foranstaltninger, der anvendes som "guldstandard" for kliniske endepunkter for sygdom. En sådan forskning kan have en betydelig translationel indvirkning. For eksempel i det sjældne cerebellære sygdomsrum vil identifikationen af en bestemt profil af cerebellær grå stofatrofi i en undergruppe af patienter, der kortlægger eller forudsiger kliniske symptomer, have konsekvenser for at styre klinisk praksis. Inkluderingen af SUIT-modulet giver yderligere mulighed for interessante forskningsspørgsmål, der skal behandles, såsom strukturfunktionskortlægning af lillehjernen eller analyse af funktionelle gradienter i lillehjernen60.
Generelle anbefalinger til statistiske analyser på koncernniveau
ACAPULCO: Volumener af hver cerebellær lobule (i mm3) for hvert emne registreres i Cerebel_vols.csv. Under statistisk slutning af effekter på gruppeniveau bør intrakranielt volumen (ICV; også registreret i Cerebel_vols.csv) kontrolleres for at tage højde for variation i hovedstørrelsen. Alfa-signifikanstærskler bør korrigeres for at tage højde for slutning på tværs af flere lobuler.
SUIT: Grå stof cerebellær VBM kan udføres på wd
For VBM i lillehjernen anbefales det generelt at anvende en gaussisk rumlig udjævningskerne på højst 3 mm fuld bredde ved halv maksimum (FWHM). Der skal anvendes en passende statistisk korrektion for at tage højde for flere sammenligninger på tværs af voxeller. Generelt anbefales det at anvende ikke-parametriske tilgange (f.eks. SnPM eller FSL-Randomise).
Det mest kritiske skridt for en vellykket udpakning af lillehjernen ved hjælp af ACAPULCO er generel kvalitetskontrol af T1-billederne før og efter behandling. Det anbefales stærkt, at brugeren kontrollerer for dårlige kontrastbilleder (f.eks. En inkonsekvent gradient på tværs af billedet) og alvorlig hældning af hovedet og bevægelsesartefakter, som alle kan påvirke algoritmens ydeevne. Derudover, mens ACAPULCO-algoritmen er blevet trænet på atrofieret cerebellær, er den ikke blevet trænet i læsionsdata. Det forventes, at læsioner i hjernebarken ikke forventes at påvirke algoritmens ydeevne og efterfølgende nøjagtighed af parcellationen; dog ville store infarkter i lillehjernen sandsynligvis give parcellationsfejl. Kvalitetskontrol af cerebellummasken efterbehandling er afgørende. Mindre pakkefejl (f.eks. mindre under- og overinklusioner af cerebellumlobuler) opdages undertiden ikke som statistiske outliers; Omvendt kan der forekomme tilfælde af forkerte nonoutliers, hvor data er inden for normalområdet, på trods af en åbenlys pakkefejl. Hvis et emne identificeres som en outlier, er det vigtigt at udføre opfølgende, detaljeret kvalitetskontrol af cerebellummasken skive for skive for at vejlede beslutningstagningen om, hvorvidt lobule (er) for det pågældende emne skal medtages eller udelukkes. Et andet kritisk trin, når du kører SUIT-rørledningen (modul 2), er, at det kræver, at ACAPULCO-modulet allerede er kørt. Specifikt kræver SUIT cerebellummasken produceret i ACAPULCO for at køre cerebellumisolering og segmentering. Det er vigtigt, at cerebellummasken er kvalitetskontrolleret for at sikre fuld cerebellær dækning.
Der er nogle begrænsninger for protokollen. For det første, mens ACAPULCO opnår state-of-the-art nøjagtighed for cerebellær grå stofparcellering, er den ikke optimeret til pakke af hvidt stof; corpus medullare dækker hoveddelen af den hvide substans, men giver ikke et mål for alt det hvide stof. For det andet generaliserer de indviklede neurale netværk, der bruges til at lokalisere og segmentere lillehjernen i ACAPULCO, ikke godt til billeder med forskellige kontraster eller billeder, der ikke blev brugt i træning. For eksempel, fordi kun 3T-billeder blev brugt i træning, er pakkekvaliteten ved hjælp af billeder erhvervet på en 1.5 T-scanner typisk ikke så god; Desuden er der ingen statistik med hensyn til grundsandhed, der er blevet udført på disse billeder. Endelig kontrollerer rørledningen de forvirrende virkninger af hovedstørrelsen på cerebellumvolumenestimater ved at give et skøn over ICV, der kan medtages som en regressor uden interesse i statistiske analyser på koncernniveau. En ideel tilgang ville imidlertid være at beregne ICV-korrigerede cerebellumvolumener på individniveau, inden QC køres, således at detekterede outliers afspejler en sand parcellationsfejl og ikke naturlig variabilitet i forsøgspersonernes neuroanatomi (f.eks. At have et stort hoved).
Afslutningsvis præsenterer vi en standardiseret pipeline til undersøgelse af cerebellum grey mater morfometri, som har bred anvendelighed på en række neurologiske sygdomme. Pipelinen er oprettet for at give mulighed for store multisite-undersøgelser og "megaanalyser" og er offentligt tilgængelig til brug for forskningsgrupper for at lette pålidelighed og reproducerbarhed på tværs af feltet. I sidste ende giver denne pipeline en stærk metodologisk tilgang til yderligere karakterisering og sporing af cerebellære strukturelle ændringer med sygdomsprogression i neurologiske sygdomme. En langsgående rørledning er i øjeblikket ved at blive udviklet.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingen interessekonflikter at oplyse.
Acknowledgments
Arbejdet præsenteret i dette manuskript blev finansieret af et Australian National Health and Medical Research Council (NHMRC) Ideas Grant: 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.
