Summary
Beyincik gri madde morfometrisini incelemek için standartlaştırılmış bir boru hattı sunulmuştur. Boru hattı, optimize edilmiş ve otomatik beyincik parselasyonu için yüksek çözünürlüklü, son teknoloji ürünü yaklaşımları ve hacimsel niceleme için beyinciğin voksel tabanlı kaydını birleştirir.
Abstract
Çok sayıda araştırma hattı, beyinciğin çok çeşitli bilişsel ve duygusal işlevlerdeki rolü için zorlayıcı kanıtlar sunarak, motor kontrol ile tarihsel ilişkisinin çok ötesine geçmektedir. Yapısal ve fonksiyonel nörogörüntüleme çalışmaları, serebellumun fonksiyonel nöroanatomisinin anatomik bölünmelerinin ötesinde daha iyi anlaşılmasını sağlamış ve sağlıklı değişkenlik ve nörolojik hastalıklarda bireysel serebellar alt birimlerin incelenmesi ihtiyacını vurgulamıştır. Bu yazıda, optimize edilmiş ve otomatik beyincik parselasyonu için yüksek çözünürlüklü, son teknoloji ürünü yaklaşımları birleştiren beyincik gri madde morfometrisini incelemek için standartlaştırılmış bir boru hattı sunulmaktadır (U-Net Yerel Olarak Kısıtlı Optimizasyon kullanarak Otomatik Beyincik Anatomik Parselasyonu; ACAPULCO) ve beyinciğin voksel tabanlı kaydı (Mekansal Tarafsız Kızılötesi Şablon; SUIT) hacimsel niceleme için.
Boru hattı, bir dizi nörolojik hastalığa geniş uygulanabilirliğe sahiptir ve tamamen otomatiktir ve manuel müdahale sadece çıktıların kalite kontrolü için gereklidir. İşlem hattı, beraberindeki önemli belgelerle birlikte ücretsiz olarak kullanılabilir ve Mac, Windows ve Linux işletim sistemlerinde çalıştırılabilir. Boru hattı, Friedreich ataksi (FRDA) olan bireylerin bir kohortunda uygulanır ve temsili sonuçların yanı sıra grup düzeyinde çıkarımsal istatistiksel analizler hakkında öneriler sunulur. Bu boru hattı, saha genelinde güvenilirliği ve tekrarlanabilirliği kolaylaştırabilir ve sonuçta nörolojik hastalıklardaki serebellar yapısal değişiklikleri karakterize etmek ve izlemek için güçlü bir metodolojik yaklaşım sağlayabilir.
Introduction
Beyincik, tarihsel olarak motor kontrol 1,2,3 ile ilişkili beynin bir parçasıdır ve kalıtsal ataksiler4 gibi sadece küçük bir dizi nadir hastalıkta bütünsel olarak yer aldığı düşünülmektedir. Bununla birlikte, insan olmayan primatlardaki anatomik izleme çalışmalarının yanı sıra insan lezyonu ve nörogörüntüleme çalışmalarından elde edilen yakınsak araştırma hatları, beyinciğin çok çeşitli bilişsel 5,6,7, duygusal 8,9,10,11 ve diğer motorolmayan fonksiyonlardaki rolü için ikna edici kanıtlar sağlar 7,12 (bkz. 6 inceleme için). Ayrıca, beyincik anormallikleri, Parkinson hastalığı 13, Alzheimer hastalığı 14,15, epilepsi16,17, şizofreni18 ve otizm spektrum bozukluğu 19 dahil olmak üzere çok çeşitli nörolojik ve psikiyatrik bozukluklarda giderek daha fazla rol oynamaktadır. . Bu nedenle, beyinciğin insan beyin hastalıklarının fonksiyonel ve yapısal modellerine ve normatif davranışsal değişkenliğe dahil edilmesi zorunlu hale gelmiştir.
Anatomik olarak, serebellum superior ve inferior ekseni boyunca üç loba ayrılabilir: anterior, posterior ve flokülonodüler. Loblar ayrıca I-X 20,21 roma rakamlarıyla gösterilen10 lobüle bölünmüştür (Şekil 1). Serebellum ayrıca sırasıyla omurilik ve serebral korteksten girdiler alan orta hat (vermis) ve lateral (yarımküre) bölgelere ayrılabilir. I-V lobüllerini içeren ön lob, geleneksel olarak motor süreçlerle ilişkilendirilmiştir ve serebral motor kortekslerle karşılıklı bağlantılara sahiptir22. VI-IX lobullerini içeren posterior lob, öncelikle motor olmayan süreçler11 ile ilişkilidir ve prefrontal korteks, posterior parietal ve superior temporal serebral korteksler 8,23 ile karşılıklı bağlantılara sahiptir. Son olarak, X lobülünü içeren flokülonodüler lob, duruş ve yürüyüş sırasında göz hareketlerini ve vücut dengesini yöneten vestibüler çekirdeklerle karşılıklı bağlantılara sahiptir21.
Fonksiyonel nörogörüntüleme kullanan son çalışmaların giderek artan bir gövdesi, beyinciğin fonksiyonel nöroanatomisinin anatomik bölünmelerinin ötesinde daha da rafine edilmiş bir şekilde anlaşılmasını sağlamıştır. Örneğin, beyincik ve serebrum24 arasındaki fonksiyonel etkileşimlerin paternini haritalamak için dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (fMRI) teknikleri kullanılmıştır. Ek olarak, göreve dayalı bir parselasyon yaklaşımı kullanarak, King ve meslektaşları7, beyinciğin, çeşitli motor, duygusal, sosyal ve bilişsel görevlerle ilişkili farklı fonksiyonel sınırlarla kanıtlanan, genişliği boyunca zengin ve karmaşık bir işlevsel uzmanlık paterni gösterdiğini göstermiştir. Toplu olarak, bu çalışmalar hem sağlıklı değişkenlikte hem de serebellar yapı ve / veya fonksiyondaki değişikliklerle karakterize nörolojik hastalıklarda serebellum tutulumunun tam biyolojik karakterizasyonlarını geliştirmek için bireysel serebellar alt birimlerin incelenmesinin önemini vurgulamaktadır.
Bu çalışma, insanlarda yapısal MRG kullanarak serebellar hacimdeki lokal değişiklikleri ölçme yöntemlerine odaklanmaktadır. Genel olarak, MRG verilerini kullanarak bölgesel beyin hacminin nicelleştirilmesinde iki temel yaklaşım vardır: özellik tabanlı segmentasyon ve voksel tabanlı kayıt. Özellik tabanlı segmentasyon yaklaşımları, alt bölgeler arasındaki sınırları otomatik olarak tanımlamak için anatomik yer işaretleri ve standartlaştırılmış atlaslar kullanır. Segmentasyon için ana akım yazılım paketleri arasında FreeSurfer25, BrainSuite26 ve FSL-FIRST27 bulunur. Bununla birlikte, bu paketler beyinciğin sadece kaba parselasyonlarını sağlar (örneğin, her yarım küredeki tüm gri maddeyi ve tüm beyaz maddeyi etiketlemek), böylece bireysel serebellar lobülleri gözden kaçırır. Bu yaklaşımlar aynı zamanda yanlış segmentasyona, özellikle de çevredeki vaskülatürün aşırı dahil edilmesine eğilimlidir.
Örtük Çok Sınırlı Evrim (ACCLAIM28,29), Serebellar Analiz Araç Seti (CATK 30), Çoklu Otomatik Olarak Oluşturulan Şablonlar (MAGeT31), İnsan beyinciğinin ve lobüllerinin hızlı otomatik segmentasyonu (RASCAL32) kullanılarak Serebellar Lobüllerin Otomatik Sınıflandırılması dahil olmak üzere beyinciğin daha doğru ve daha ince taneli parselasyonunu sağlayan yeni makine öğrenimi ve çoklu atlas etiketleme algoritmaları geliştirilmiştir. ), grafik kesim segmentasyonu33 ve CEREbellum Segmentasyonu (CERES34). Son teknoloji ürünü tam otomatik beyincik parselasyon yaklaşımlarını karşılaştıran yakın tarihli bir makalede, CERES2'nin serebellar lobüllerin altın standart manuel segmentasyonuna göre diğer yaklaşımlardan daha iyi performans gösterdiği bulunmuştur35. Daha yakın zamanlarda, Han ve meslektaşları36, CERES2 ile eşit performans gösteren, hem sağlıklı hem de atrofik beyinciklere geniş uygulanabilirliğe sahip, 'kullanıma hazır' uygulama için açık kaynaklı Docker ve Tekillik konteyner formatında mevcut olan ve diğer yaklaşımlardan daha zaman verimli olan ACAPULCO (yerel olarak kısıtlanmış optimizasyona sahip U-Net kullanarak Otomatik Serebellum Anatomik Parselasyonu) adlı bir derin öğrenme algoritması geliştirdi. ACAPULCO, beyinciği otomatik olarak 28 anatomik bölgeye ayırır.
Özellik tabanlı segmentasyonun aksine, voksel tabanlı kayıt yaklaşımları, bir MRG'yi bir şablon görüntüsüne tam olarak eşleyerek çalışır. Bu eşlemeyi başarmak için, orijinal görüntüdeki voksellerin boyut ve şekil olarak çarpıtılması gerekir. Bu bozulmanın büyüklüğü, altın standart şablona göre her vokseldeki hacmin bir ölçüsünü etkili bir şekilde sağlar. Bu hacimsel değerlendirme şekli 'voksel tabanlı morfometri'37 olarak bilinir. FSL-FLIRT38/FNIRT39, SPM birleşik segmentasyon 40 ve CAT1241 gibi tüm beyin voksel tabanlı kayıt yaklaşımları, voksel tabanlı morfometri için yaygın olarak kullanılmaktadır. Bununla birlikte, bu yaklaşımlar beyinciği iyi hesaba katmamakta, bu da infratentorial bölgelerde (beyincik, beyin sapı42) düşük güvenilirlik ve geçerliliğe neden olmaktadır. Bu sınırlamaları hesaba katmak için, beyincik kaydını optimize etmek ve voksel tabanlı morfometri42,43'ün doğruluğunu artırmak için SUIT (Mekansal Tarafsız Kızılötesi Şablon) algoritması geliştirilmiştir.
Bölgesel serebellar hacmin tahmini için özellik tabanlı segmentasyon ve voksel tabanlı kayıt yaklaşımlarının temel güçlü ve zayıf yönleri vardır. Segmentasyon yaklaşımları, anatomik olarak tanımlanmış alanların hacmini ölçmek için önemli ölçüde daha doğrudur (örneğin, lobüller35). Bununla birlikte, beyinciğin farklı fonksiyonel modülleri arasındaki sınırlar, anatomik folia ve çatlaklarına (serebrum7'nin gyri ve sulci'sine eşdeğer) eşlenmez. Kayıt temelli yaklaşımlar anatomik yer işaretleri tarafından kısıtlanmadığından, beyinciğin daha ince taneli mekansal çıkarımı ve yüksek boyutlu yapı-fonksiyon haritalaması mümkündür44. Birlikte ele alındığında, segmentasyon ve kayıt yaklaşımları birbirini tamamlar ve farklı araştırma sorularını cevaplamak için kullanılabilir.
Burada, optimize edilmiş ve otomatik parselasyon (ACAPULCO) ve hacimsel niceleme için beyinciğin (SUIT) voksel tabanlı kaydını sağlamak için bu mevcut, doğrulanmış yaklaşımları entegre eden yeni bir standartlaştırılmış boru hattı sunulmaktadır (Şekil 2). Boru hattı, kalitatif görselleştirme ve nicel aykırı değer tespiti kullanarak kalite kontrol protokollerini ve Freesurfer kullanarak kafa içi hacmin (ICV) tahminini elde etmek için hızlı bir yöntem kullanarak belirlenmiş yaklaşımlara dayanmaktadır. İşlem hattı tamamen otomatiktir, yalnızca kalite kontrol çıkışlarını kontrol etmek için manuel müdahale gerekir ve Mac, Windows ve Linux işletim sistemlerinde çalıştırılabilir. Boru hattı, ticari olmayan amaçlar için kullanımına ilişkin herhangi bir kısıtlama olmaksızın serbestçe kullanılabilir ve kısa bir kayıt formu45'in doldurulmasının ardından ENIGMA Konsorsiyumu Görüntüleme Protokolleri web sayfasından ("ENIGMA Cerebellum Volumetrics Pipeline" altında) erişilebilir.
Gerekli tüm yazılımlar Malzeme Tablosunda listelenmiştir ve aşağıda açıklanan protokole ek olarak, işlem hattının indirilmesi üzerine canlı bir gösterim de dahil olmak üzere ayrıntılı öğreticiler mevcuttur. Son olarak, boru hattının Friedreich ataksi (FRDA) ve yaş ve cinsiyet uyumlu sağlıklı kontrolleri olan bir kohortta uygulanmasından ve grup düzeyinde istatistiksel çıkarımsal analizler için önerilerden temsili sonuçlar sağlanmaktadır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOT: Bu çalışmada kullanılan veriler, Monash Üniversitesi İnsan Araştırmaları Etik Kurulu (proje 7810) tarafından onaylanan bir projenin parçasıdır. Katılımcılar yazılı bilgilendirilmiş onam verdiler. İşlem hattı Mac, Windows veya Linux işletim sistemlerinde çalıştırılabilirken, ACAPULCO, SUIT ve QC işlem hatları Linux (Ubuntu) ve Mac (Catalina, Big Sur v11.0.1) işletim sistemlerinde açıkça test edilmiştir.
1. Modül 1: AKAPULKO (anatomik parselasyon)
- Veri toplama
- Tüm beynin 3D T1 ağırlıklı MRI görüntülerini 1 mm3 veya daha düşük bir çözünürlükte toplayın. İzotropik voksel boyutları (tipik olarak 1 mm x 1 mm x 1 mm) ve 3 Telsa (veya daha büyük) tarayıcı önerilir. Bu spesifikasyonları karşılayan verileri ayarlamak ve elde etmek için radyografi merkezindeki bir görüntüleme uzmanına danışın.
NOT: T2 ağırlıklı görüntüler bazen hacimsel analizler için kullanışlıdır; ancak, burada sunulan işlem hattı yalnızca T1 ağırlıklı verilere dayanır ve kullanılan bazı araçlar bu tür verilere özeldir. Bu nedenle, T2 ağırlıklı görüntüler kullanılamaz. - Brüt serebellar malformasyonları (örneğin, büyük lezyonlar) veya majör serebellar yer işaretlerinin (örneğin, majör anatomik çatlaklar) tanımlanmasını engelleyen önemli hareket artefaktlarını dışlamak için görüntülerin görsel kalite değerlendirmesini yapın. Önemli olsa bile, atrofik serebellayı otomatik olarak dışlamayın.
- Grup çalışmaları için, sorunlu verileri daha fazla tanımlamak için MRIQC46 gibi serbestçe temin edilebilen, standartlaştırılmış araçları kullanarak nicel kalite değerlendirmelerini de göz önünde bulundurun.
- dcm2niix47 gibi bir araç kullanarak tüm verileri NIFTI-GZ formatına dönüştürün.
- Tüm beynin 3D T1 ağırlıklı MRI görüntülerini 1 mm3 veya daha düşük bir çözünürlükte toplayın. İzotropik voksel boyutları (tipik olarak 1 mm x 1 mm x 1 mm) ve 3 Telsa (veya daha büyük) tarayıcı önerilir. Bu spesifikasyonları karşılayan verileri ayarlamak ve elde etmek için radyografi merkezindeki bir görüntüleme uzmanına danışın.
- Önerilen veri organizasyonu
- Malzeme Tablosunda listelenen tüm gerekli yazılımları edinin. İşlem hattını çalıştırmadan önce Docker48 veya Singularity49, Matlab50 veSPM12 51'in yüklendiğinden emin olun.
NOT: İşlem hattını açıklayan kapsamlı yazılı ve video eğitimleri de mevcuttur ( bkz. - Gerekli tüm yazılımlar yüklendikten sonra, çalışma dizininde klasörler oluşturun ve bunları 'acapulco', 'suit' ve 'freesurfer' olarak etiketleyin. Bunu, komut satırındaki mkdir komutunu kullanarak yapın.
- 'acapulco' dizininde bir çıktı klasörü oluşturun. Çıktı klasöründe, etütteki her konu için NIFTI-GZ biçiminde T1 ağırlıklı görüntüyü içeren bir dizin oluşturun.
NOT: Orijinal verilerin bir kopyasını başka bir yerde saklamanız önerilir.
- Malzeme Tablosunda listelenen tüm gerekli yazılımları edinin. İşlem hattını çalıştırmadan önce Docker48 veya Singularity49, Matlab50 veSPM12 51'in yüklendiğinden emin olun.
- ACAPULCO kullanarak anatomik serebellar parselasyon
- Malzeme Tablosu'na gidin ve ACAPULCO'yu çalıştırmak için gereken ilgili komut dosyalarını ve kapsayıcıları indirin (acapulco boru hattı dosyaları altında). 'Acapulco' dizinine (i) ACAPULCO Docker VEYA Tekillik kapsayıcısını (sırasıyla 'acapulco_0.2.1.tar.gz' veya '.sif'), (ii) QC_scripts arşivin içeriğini (3 dosya: 'QC_Master.R,' 'QC_Plots.Rmd' ve 'QC_Image_Merge.Rmd') ve (iii) 'R.sif' (tekillik) VEYA 'calculate_icv.tar' (docker) dosyasını yerleştirin.
- Bir terminal açın ve komut satırından ACAPULCO kapsayıcısını tek bir görüntüde çalıştırın (aşağıdaki <
> değiştirin). İşlemin tamamlanması için ~ 5 dakika bekleyin. - Docker'ı kullanarak şu komutu yazın:
docker yükü --giriş 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/< > - Tekilliği kullanarak şu komutu yazın:
tekillik run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/< >.nii.gz -o output/< >
- Docker'ı kullanarak şu komutu yazın:
- Kohorttaki tüm konularda/taramalarda döngü yapın. İşlem hattını indirmek için ENIGMA Imaging Protocols web sitesine (ENIGMA Cerebellum Volumetrics Pipeline altında) bağlantı için Malzeme Tablosu'na ve birden fazla konuyu seri olarak işlemek için bir for-loop'un nasıl oluşturulacağına dair örnekler içeren öğretici el kitabına bakın.
- İşlemden sonra, konuya özgü klasörlerde oluşturulan aşağıdaki dosyaları arayın:
- "
_n4_mni_seg_post_inverse.nii.gz" tanımlayın: orijinal olarak parsellenmiş beyincik maskesi (konu alanı). - "
_n4_mni_seg_post_volumes.csv" tanımlayın: akapulko tarafından üretilen 28 alt birimin her biri için hacimler (mm3 cinsinden); - Temsili görüntüleri tanımlayın ("resimler" dizininde): sagital, eksenel ve koronal.
- "
- İstatistiksel aykırı değer tespiti ve kalite kontrol (QC)
- Terminalden ve 'acapulco' dizininde, QC_scripts içeriğinin 'acapulco' dizininde olduğundan emin olun. QC komut dosyalarını çalıştırmak için:
- Docker'ı kullanarak şu komutu yazın:
docker yük calculate_icv.tar
docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
QC_Master.R çıkışı/ - Tekilliği kullanarak şu komutu yazın:
tekillik exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
- Docker'ı kullanarak şu komutu yazın:
- Terminalden ve 'acapulco' dizininde, QC_scripts içeriğinin 'acapulco' dizininde olduğundan emin olun. QC komut dosyalarını çalıştırmak için:
- ACAPULCO tarafından oluşturulan QC görüntülerinin incelenmesi
NOT: ACAPULCO parsellenmiş görüntülerin kalitesini kontrol etmek için 3 adımlı bir süreç vardır.- 'QC_Images.html' bir web tarayıcısında açın ve bariz arızaları veya sistematik sorunları tanımlamak için hızlı bir şekilde (konu başına ~ 10 sn) görüntüler arasında gezinin. İzleme için başarısız veya şüpheli parsellenmiş görüntülerin konu kimliklerini not edin.
NOT: Serebellar lobüllerin nöroanatomisi hakkında bir kılavuz için Şekil 3'e ve 'iyi' parselasyonlar, 'ince mis-parselasyonlar' ve 'küresel başarısızlık' parselasyonlarının örnekleri için aşağıdaki temsili sonuçlar bölümünde Şekil 4, Şekil 5 ve Şekil 6'ya bakınız. - Kantitatif istatistiksel aykırı değerler için kutu grafiklerini işaretlemek üzere 'Plots_for_Outliers.html' açın. Kutu grafiklerinin bıyıklarının üstünde veya altında aykırı değerler (ortalamanın üstünde veya altında 2.698 s.d) arayın. 'Aykırı Değerler' dosyasındaki ilgili sütunda '1' ile gösterilen aykırı değerleri tanımlayın ve 'Aykırı Değerler.csv' içindeki son .csv sütunda her konu için aykırı değer olarak tanımlanan toplam segment sayısını not edin.
- Bir veya daha fazla aykırı değer içeren her görüntüyü el ile inceleyin. KRİT: Standart bir NIFTI resim görüntüleyici (örneğin, FSLEyes veya MRICron) kullanarak, parselasyon diliminin kalitesini kontrol etmek için ACAPULCO maskesini orijinal T1w görüntüsünün üzerine yerleştirin.
- FSLEyes kullanarak komut satırından ayrıntılı QC için bindirmeler oluşturmak için, i) dizini 'acapulco' dizinine değiştirin, ii) görüntülenecek konuyu belirtin (değiştirin)
):
subj= - Aşağıdaki kodu terminale kopyalayıp yapıştırın (önceki satır tarafından ayarlandığı için {subj} öğesini el ile değiştirmeden):
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
NOT: Anormal segmentin dahil edilip edilmeyeceğine karar verilmesi gerekecektir, yani bir parselasyon hatası var mı, yoksa bireyin anatomisinde normal değişkenlik mi? Parsellenmiş her bölge ayrı ayrı ele alınır, bu nedenle bir görüntü için birkaç bölge hariç tutulabilirken, geri kalanı doğruysa korunabilir. -
Bir veya daha fazla parsellenmiş bölgenin son veri kümesinden dışlanması gerekiyor mu?
Evet (aykırı değer onaylanırsa), söz konusu konu için 'Cerebel_vols.csv' dosyasının karşılık gelen hücresindeki hacim tahminini NA ile değiştirerek bu parselasyonları analizden hariç tutun. -
Parselasyon hataları, beyinciğin bir kısmının maskeden çıkarılmasına neden olur mu?
Evet ise (örneğin, belirli serebellar lobüller maskede eksikse veya 'kesilmiş' görünüyorsa), konuyu derhal daha sonraki analizlerden hariç tutun (yani, SUIT modülünü bu konularda çalıştırmaya devam etmeyin).
- FSLEyes kullanarak komut satırından ayrıntılı QC için bindirmeler oluşturmak için, i) dizini 'acapulco' dizinine değiştirin, ii) görüntülenecek konuyu belirtin (değiştirin)
- 'QC_Images.html' bir web tarayıcısında açın ve bariz arızaları veya sistematik sorunları tanımlamak için hızlı bir şekilde (konu başına ~ 10 sn) görüntüler arasında gezinin. İzleme için başarısız veya şüpheli parsellenmiş görüntülerin konu kimliklerini not edin.
2. Modül 2: SUIT beyincik için optimize edilmiş voksel tabanlı morfometri
- SUIT kullanarak Voksel tabanlı morfometri analizleri
KRİT: Bu işlem hattı, beyinciğin SUIT şablonuna kaydının ve normalleştirilmesinin optimizasyonu için konuya özgü bir serebellar maskenin oluşturulmasına dayandığından, ACAPULCO modülünün zaten çalıştırılmış olmasını gerektirir. ACAPULCO tarafından üretilen konuya özgü maske tüm beyinciği içermiyorsa, bu SUIT modülünden hariç tutulmayı garanti eder. SUIT'i bağımsız çalıştırma talimatları için bkz.52.- Malzeme Tablosunda listelenen tüm gerekli yazılımları edinin. SPM12 klasörünün ve tüm alt klasörlerin MATLAB yolunda olduğundan emin olun. enigma_suit komut dosyalarının 'spm12/toolbox' dizinine kaydedildiğinden ve MATLAB yoluna eklendiğinden emin olun. MATLAB yolunu kontrol etmek için MATLAB komut penceresine pathtool yazın ve ilgili klasörleri eklemek için Alt klasörlerle ekle'yi tıklayın.
- Bir veya daha fazla konu için SUIT işlem hattını çalıştırın. İşlemin tamamlanması için ~15-20 dakika (grafik kullanıcı arabirimi [GUI] kullanılıyorsa) ve terminalden (bash/shell) çalışıyorsa ~5-7 dakika bekleyin.
- GUI'yi kullanmak için (konular seri olarak çalıştırılır), MATLAB komut penceresinden şu komutu yazın:
suit_enigma_all - İlk açılır pencerede, analize dahil edilecek 'acapulco/output' dizininden konu klasörlerini seçin. Pencerenin sağ tarafındaki klasörlere tıklayın veya sağ tıklayın ve Tümünü Seç'e tıklayın. Bitti'ye basın. İkinci açılır pencerede, analizlerin yazılacağı SUIT dizinini seçin.
- VEYA tek bir konu için MATLAB komut satırından işlevi çağırın, komutu yazın:
suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir') - VEYA terminal penceresinden, MATLAB'ın dışında, tek bir konu için şu komutu yazarak işlevi çağırın:
matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
- GUI'yi kullanmak için (konular seri olarak çalıştırılır), MATLAB komut penceresinden şu komutu yazın:
- İşlem hattını indirmek için ENIGMA Imaging Protocols web sitesine (ENIGMA Cerebellum Volumetrics Pipeline altında) bağlantı için Malzeme Tablosu'na ve birden fazla konuyu seri olarak işlemek için bir for-loop'un nasıl oluşturulacağına dair örnekler içeren öğretici el kitabına bakın.
- Komut dosyasıyla ilgili aşağıdaki noktaları arayın.
- Komut dosyasının N4 önyargısı düzeltilmiş, MNI hizalanmış (sert gövdeli) T1 görüntüsünü ve ACAPULCO beyincik maskesini çıktı dizinine kopyaladığından emin olun.
- Komut dosyasının beyinciğin gri ve beyaz maddesini bölümlere ayırdığından emin olun.
- Komut dosyasının, ACAPULCO maskesini kullanarak parselasyondaki aşırı ekleme hatalarını düzelttiğinden emin olun.
- DARTEL komut dosyasının, verileri Jacobian modülasyonu ile SUIT uzayına normalleştirdiğinden ve yeniden dilimlediğinden emin olun, böylece her vokselin değeri orijinal hacmiyle orantılı olur.
- Aşağıdaki son çıktılar için her bir öznenin klasörünü kontrol edin: 'wd
_seg1.nii' (gri madde) ve 'wd _seg2.nii' (beyaz madde).
- İstatistiksel aykırı değer tespiti ve kalite kontrolü
- Normalleştirilmiş, modüle edilmiş görüntüleri (wd*) büyük arızalara karşı görsel olarak inceleyin. MATLAB'da şu komutu yazın:
spm_display_4D - Suit alt klasörlerinden 'wd*seg1' görüntülerini manuel olarak seçin veya 'suit' dizinine gidin; Filtre kutusuna '^wd.*seg1' ekleyin (tırnak işaretleri yok) ve Rec düğmesine basın. Bitti'ye basın.
- Hepsinin iyi hizalandığından emin olmak için görüntüler arasında gezinin. Sağlıklı kontrollerden (A,B) ve ağır atrofik beyinciği olan bir bireyden (D) doğru şekilde normalleştirilmiş görüntüler için Şekil 7'ye bakınız.
NOT: Bu aşamada, denekler arasındaki anatomi çok benzerdir (aynı şablona kaydedildikleri için) ve hacim farklılıkları bunun yerine farklı voksel yoğunlukları tarafından kodlanır. Büyük başarısızlıklar açık olacaktır, örneğin, boş görüntüler, eksik dokunun geniş alanları, olağandışı yoğunluk gradyanları (yani, parlak voksellerin hepsi üstte, koyu voksellerin hepsi altta). Bu görüntüler sonraki adımlardan hariç tutulmalıdır. - Aykırı değerler için uzamsal kovaryans'ı kontrol edin. MATLAB'da şu komutu yazın:
check_spatial_cov- Önceki adıma göre 'wd*seg1' görüntülerini seçin. İstendiğinde, aşağıdaki seçenekleri belirleyin: Prop ölçeklendirme: Evet; Değişkenlik gösterecek değişken: Hayır; Dilim (mm): - 48 , Boşluk: 1.
- Her görüntünün örnekteki diğer tüm görüntülere göre ortalama uzamsal kovaryansını gösteren kutu grafiğine bakın. MATLAB komut penceresinde ortalamanın >2s.d. altında bulunan veri noktalarını tanımlayın. Bunlar için, SUIT klasöründeki "
_n4_mni.nii.gz" görüntüsünde yapılar (hareket, anatomik anormallikler), görüntü kalitesi sorunları veya ön işleme hataları olup olmadığını inceleyin. - Görüntü kalitesi ve ön işleme kabul edilebilirse ve önceki adımda modüle edilmiş görüntülerin görsel olarak incelenmesi segmentasyon ve normalleştirme ile ilgili bir sorun göstermiyorsa, bu verileri örnekte saklayın. Aksi takdirde, bu verileri hariç tutun.
- Normalleştirilmiş, modüle edilmiş görüntüleri (wd*) büyük arızalara karşı görsel olarak inceleyin. MATLAB'da şu komutu yazın:
3. MODÜL 3 (isteğe bağlı): FreeSurfer kullanarak kafa içi hacim (ICV) tahmini
NOT: Bu modül, ICV'yi hesaplamak için FreeSurfer işlem hattını kullanacaktır. Kohort için mevcut Freesurfer çıkışları varsa (herhangi bir sürüm) yeniden çalıştırılması gerekmez.
- FreeSurfer'ı Kurma
- FreeSurfer'ın indirildiğinden ve yüklendiğinden emin olun53. Malzeme Tablosuna gidin ve bu Modülü çalıştırmak için ilgili komut dosyalarını indirin ( ICV işlem hattı dosyaları altında). FreeSurfer ile çalışırken, aşağıdaki değişkenleri ayarlayın:
dışa aktarma FREESURFER_HOME=
kaynak $FREESURFER_HOME/SetUpFreeSurfer.sh ifadesini aşağıdaki gibi değiştirin:
export SUBJECTS_DIR=/enigma/Freesurfer
- FreeSurfer'ın indirildiğinden ve yüklendiğinden emin olun53. Malzeme Tablosuna gidin ve bu Modülü çalıştırmak için ilgili komut dosyalarını indirin ( ICV işlem hattı dosyaları altında). FreeSurfer ile çalışırken, aşağıdaki değişkenleri ayarlayın:
- Freesurfer autorecon1 çalıştırma
- Tek bir konu için, 'freesurfer' dizininin içinden (işlem süresi ~ 20 dakika), komutu yazın:
cd/enigma/freesurfer
recon-all -i .. /input/.nii.gz -s -autorecon1 - Birden çok konuyu seri olarak işlemek için döngü için nasıl oluşturulacağına ilişkin örnekler için öğretici el kitabına bakın.
- Tek bir konu için, 'freesurfer' dizininin içinden (işlem süresi ~ 20 dakika), komutu yazın:
- ICV'nin hesaplanması
- Veri organizasyonu
- 'Freesurfer' dizinine, (i) Modül 1'de kullanılan Docker VEYA Tekillik kabını (sırasıyla 'calculate_icv.tar' veya 'R.sif') ve (ii) xfm2det betiğini ( bkz. Ardından, gerekli ICV komut dosyasını klonlamak için bir git klonu yapın:
git klon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
- 'Freesurfer' dizinine, (i) Modül 1'de kullanılan Docker VEYA Tekillik kabını (sırasıyla 'calculate_icv.tar' veya 'R.sif') ve (ii) xfm2det betiğini ( bkz. Ardından, gerekli ICV komut dosyasını klonlamak için bir git klonu yapın:
- ICV çıkarmayı çalıştırma (işlem süresi ~5 dakika)
- 'Freesurfer' dizininden, tekillik ('R.sif') kapsayıcısına şunu yazın:
tekillik 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 - 'Freesurfer' dizininden, docker kapsayıcısıyla birlikte şunu yazın:
docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
calculate_icv/calculate_icv.py --freesurfer_dir=/yol/için/Serbest Sörfçü --
acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
calculate_icv - Kapsayıcı olmadan komut dosyası çalıştırma-ek gerekli yazılım ve bağımlılıklar için Malzeme Tablosu'na bakın. 'Freesurfer' dizininden şunu yazın:
./calculate_icv/ calculate_icv.py ---freesurfer_dir=/yol/to/freesurfer --
acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --
output_csv_name=Cerebel_vols.csv calculate_icv
NOT: Bu, her konu için ICV'yi hesaplar ve 'Cerebel_vols.csv' dosyasının sonuna ICV içeren bir sütun ekler.
- 'Freesurfer' dizininden, tekillik ('R.sif') kapsayıcısına şunu yazın:
- Veri organizasyonu
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Beyincik parselasyonu (ACAPULCO)
Beyincik parsellenmiş maskelerin kalite kontrolü:
Aşağıdaki örnekler ACAPULCO parsellenmiş çıktılarını göstermekte ve a) parsellenmiş maskenin bireysel düzeyde kalitesi ve b) belirli bir lobülün (ler) istatistiksel analizlere daha sonra dahil edilmesi veya hariç tutulması hakkında karar vermeyi yönlendirmektedir. Nihayetinde, bir konuyu dahil etme veya hariç tutma kararı özneldir; Burada çeşitli sağlıklı ve klinik gruplardan 'iyi parselasyonlar', 'ince parselasyon hataları' ve 'küresel başarısızlıklar' örnekleri verilmiştir.
'İyi parselasyonlar' örnekleri, sağlıklı ve ağır atrofik serebella da dahil olmak üzere Şekil 4'te sunulmuştur. Şekil 5'te, bireysel beyincik lobüllerinin ince üst ve alt kapanımları tasvir edilmiştir. Bunlar en yaygın parselasyon hatası türüdür ve nicel QC protokolünde istatistiksel aykırı değerler olarak tespit edilemeyebilir. Bu tür hatalar genellikle etkilenen bireysel lobüllerin dışlanmasını gerektirirken, parsellenmiş beyinciğin geri kalanı etkilenmez ve korunabilir. Buna karşılık, Şekil 6'da gösterildiği gibi 'Küresel başarısızlıklar', konunun tamamen dışlanmasını gerektirir.
İstatistiksel aykırı değer algılama:
Boru hattını göstermek için ACAPULCO, FRDA'lı 31 kişilik bir örneklem üzerinde çalıştırıldı (ortalama yaş = 36.5 yıl; SD= 13.0 yıl, 14 kadın) ve 37 yaş ve cinsiyet uyumlu sağlıklı kontroller (HC) (ortalama yaş= 37.1 yıl; SD = 12.8 yıl, 17 kadın) daha önce tarif edildiği gibi55. Tüm örneklem boyunca, istatistiksel aykırı değerler olarak 18 lobül tespit edildi (toplam örneklemin <% 1'i). Görüntüler üzerinde ayrıntılı QC yapıldıktan sonra, grup düzeyinde serebellar hacimler dosyasından (yani, 'Cerebel_vols.csv' dosyası) ilgili denekler için ayrı lobül hacmi çıkarılarak grup düzeyinde analizlerden 17 aykırı lobül çıkarıldı. Kalan aykırı değer bir segmentasyon hatası değil, bireyin beyincik anatomisindeki değişkenlikten dolayı kabul edildi ve bu nedenle analizde tutuldu. Ayrıca iki global parselasyon başarısızlığı vardı (1 FRDA hastası). Tüm serebellum lobüllerinde (yani, küresel parselasyon başarısızlıkları) baz dışlama oranı% 1.5 idi. Tablo 1, 28 anatomik YG'nin her biri için hariç tutma oranlarını göstermektedir. Sol lobül IX ve Sağ lobül Crus I en yüksek dışlama oranlarına sahipti.
Grup düzeyinde istatistiksel analiz:
Grup düzeyinde analize toplam 66 denek (30 FRDA hastası) dahil edildi. FRDA ve HC arasındaki beyincik lobül hacimlerinde anlamlı farklılıkları test etmek için iki kuyruklu Mann-Whitney bağımsız numune testleri yapılmıştır. Sonuçlar, FRDA'ya karşı HC'de korpus medullarede anlamlı derecede azalmış beyaz cevher gösterdi (p < 0.05, Bonferroni 28 karşılaştırma için düzeltildi). Gruplar arasında başka anlamlı bir farklılık yoktu. Örneklemdeki 28 serebellar alt birimin tümünün hacimleri için Ek Tablo S1'e bakınız.
Serebellum voksel tabanlı morfometri analizleri (SUIT)
Kalite kontrol:
İyi hizalanmış görüntülerin örnekleri ve FRDA ve Spinocerebellar ataksi pateintleri dahil olmak üzere hem sağlıklı kontroller hem de klinik gruplar için dışlama örnekleri Şekil 7'de gösterilmiştir. SUIT analizleri, beyincik maskesindeki eksik tüm serebellar örtü nedeniyle ek iki deneğin dışlanmasını takiben, yukarıda açıklanan örneklemden toplam 64 denek (28 FRDA; 36 HC) üzerinde gerçekleştirilmiştir.
Örneklemdeki tüm normalleştirilmiş görüntülerin birbirlerine göre uzamsal kovaryanslarını test ettikten sonra, iki tarama, numunenin geri kalanıyla ortalama uzamsal kovaryanslarına dayanarak istatistiksel aykırı değerler olarak tespit edildi (Şekil 8). Bununla birlikte, hem orijinal hem de normalleştirilmiş görüntülerin görsel incelemesi, bu bireylerin bazı benzersiz nöroanatomiye sahip olmalarına rağmen, her iki görüntüde de önemli bir eser bulunmadığını ve işlem adımlarının normal şekilde tamamlandığını göstermiştir. Bu nedenle, her iki denek de analizlerde tutulmuştur.
Grup düzeyinde istatistiksel analiz:
Görüntüler, maksimum yarıda (FWHM) 3 mm tam genişliğe sahip bir Gauss çekirdeği kullanılarak düzleştirildi. SnPM'de beyincik gri cevher hacimlerinde gruplar arası anlamlı farklılıkları test etmek için parametrik olmayan permütasyon testleri yapıldı. Bu amaçla, p < 0.001 küme oluşturma eşiği ile 5.000 permütasyon çalıştırıldı. Görüntüler, çıkarımı gri madde bölgeleriyle sınırlamak için SUIT gri madde atlası ile açıkça maskelendi. Kafa boyutunu düzeltmek için, intrakraniyal hacim modele bir eşdeğişkenlik olarak girildi. Grup sonuçlarının nihai çıkarımı p < 0.05'te gerçekleştirilmiş, aile bazında hata (FWE) küme düzeyinde düzeltilmiştir.
HC ile karşılaştırıldığında, FRDA, bilateral anterior lobüller I-V'de gri madde hacminde anlamlı derecede azalma gösterdi (sol: x= -10, y= -46, z= -26; T= 5.61; Ke= 754; sağ: x= 10, y= -38, z= -21; T= 6.83; Ke= 569); ve Vermis VI da dahil olmak üzere medial posterior lob bölgelerinde, çift taraflı olarak Lobül VI'ya uzanır (x= 3, y= -65, z= -20; T= 7.25) ve Vermis IX, Lobül IX'a çift taraflı olarak uzanır (x= 3, y= -65, z= -20; T= 6.46; Ke= 3974; Şekil 9).
Şekil 1: İnsan beyinciği. (A) Beyincik ve ana çatlaklarının, loblarının ve lobüllerinin düzleştirilmiş bir temsili. Kırmızı = ön lob (lobüller I-V); krem = arka lob (lobüller IV-IX); mor= flokkülonodüler lob. Beyincik orta hat "vermis" ve lateral "yarımküre" bölgelerine ayrılabilir. Tüm lobüller vermis ve yarımkürelerde tanımlanır. Lobül VII'de, vermisteki VIIAf, yarımkürelerde genişleyerek Crus I olur, vermisteki lobül VIIAt, yarımkürelerde Crus II olur ve lobül VIIB hem vermiste hem de yarımkürelerde etiketini korur. (B) Üst: Beyinciğin anatomik alt birimlerini farklı renklerde gösteren beyincik düz haritası. Alt: beyinciğin posterior görünümü. Bu rakam 56 ve 57'den uyarlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 2: İşlem hattının şematik gösterimi. Yüksek çözünürlüklü bir T1 MPRAGE görüntü gereklidir. Üç modül vardır: ACAPULCO, SUIT ve ICV. İşlem hattı tamamen otomatiktir (çıktıların QC'si için gereken manuel müdahale hariç), Docker ve Tekillik kapsayıcı biçiminde kullanılabilir ve konu başına baştan sona çalıştırılması yaklaşık 20 dakika sürer. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 3: 28 anatomik alt birimin her birini gösteren ACAPULCO parselasyonu. Bu rakam36'dan uyarlanmıştır. Kısaltmalar: CM = corpus medullare; Ver = vermis; R/L = sağ/sol. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 4: 'İyi' beyincik parselasyonlarına örnekler. Sagital (x= 0) ve koronal (y= -57) dilimler gösterilmiştir. (A, B) İki sağlıklı serebeldan parsellenmiş maskeleri gösteren Sagital ve koronal dilimler. Algoritma, bireysel alt birim sınırlarını doğru bir şekilde lokalize etti ve enine sinüsü, Crus I. (C) Bir SCA2 hastasının ağır atrofiye edilmiş bir beyinciğinin etiketlenmesine ve nicelleştirilmesine aşırı dahil etmedi. Burada, beyinciğin tüm kapsamı boyunca atrofi belirgindir, sulci geniştir ve çok fazla eksik doku vardır. Vaskülatürün arka loblarda sağ tarafta daha belirgin olan hafif bir aşırı dahil edilmesi vardır (sarı ok). Bu aşırı katılımın yanı sıra, ACAPULCO iyi çalıştı. Kısaltmalar: CM = corpus medullare; Ver = vermis; L/R = sol/sağ. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 5: Serebellar 'mis parselasyonlarına örnekler. ' (A) FRDA hastasında parselasyon hatası gösteren Sagital dilim (x= 0) ve koronal dilim (y= -57). Algoritma orta hat boyunca iyi çalışmamıştır ve Crus I ve II'nin (kırmızı ok) alt kısımları arka kısım boyunca belirgindir. Bu lobüller sonraki grup düzeyinde analizlerden hariç tutulacaktır. (B) Sağlıklı bir serebellarda parselasyon hatası gösteren Sagital dilim (x= 8), koronal dilim (y= -47). Algoritma sol lobül VIIIb'yi (kırmızı oklar) tamamen kaçırdı. Bu lobül, sonraki grup düzeyinde analizlerden hariç tutulacaktır. (C) Sağlıklı bir serebellarda parselasyon hatası gösteren Sagital dilim (x= -24) ve koronal dilim (y= -47). Bazı serebellar atrofi mevcuttur ve Crus I'in (kırmızı ok) yetersiz bir şekilde dahil edilmesi vardır. Kısaltmalar: FRDA = Friedreich ataksi; CM = korpus medullare; Ver = vermis; L/R = sol/sağ. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 6: Serebellar parselasyonun 'global başarısızlıkları' örnekleri. (A) Parselasyon başarısızlığını gösteren Sagital dilim (x= 0) ve koronal dilim (y= -57). Burada, beyincik sadece kısmen bölümlere ayrılmıştır ve oksipital lobun bazı kısımları yanlış bir şekilde beyincik olarak etiketlenmiştir. Bu tür başarısızlıklar büyük olasılıkla orijinal görüntünün başlığındaki bir sorundan kaynaklanmaktadır, bu da görüntünün ACAPULCO afin dönüşümünü dünya koordinatına ve ardından beyinciğin lokalizasyonunu etkileyecektir. (B) FRDA'lı bir kişide parselasyon başarısızlığını gösteren Sagital dilim (x= 0) ve koronal dilim (x= -57). Burada, CM tamamen yanlış bölümlere ayrılmıştır. Algoritma, CM'yi beynin dışında, başın arkasında (kırmızı oval) etiketlemiştir. Beyaz maddenin sınırları yakalanmamıştır ve özellikle sol lobüller VIIIb ve IX'u etkileyen gri madde olarak yanlış etiketlenmiştir. Sol lobül X de kaçırıldı (koronal dilim üzerindeki kırmızı ok). Bu örnekler, ACAPULCO ve SUIT analizleri için grup düzeyinde analizlerden derhal hariç tutulmayı garanti eder. Kısaltmalar: CM = corpus medullare; Ver = vermis; L/R = sol/sağ. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 7: Çarpık ve modüle edilmiş voksel tabanlı morfometri haritaları . (A, B) İki HC'den iyi hizalanmış serebellar gri cevher. (C) İstatistiksel bir aykırı değer olarak tespit edilen ancak analizde tutulan bir HC'den bir beyincik. (D) FRDA'lı bir kişiden atrofik bir beyincik. Beyincik şablona doğru şekilde çarpıtılmıştır; bu nedenle, bu dışlanmayı garanti etmez. (E) Bir istisna. Görüntünün üstünden altına doğru işlemedeki bir hatayı yansıtan bir gradyan vardır. (F) Kaynağı bilinmeyen görüntünün sağ alt köşesindeki hiperintens düzlem artefaktı dışlanmayı gerektirir. (G) Bir SCA2 hastasının ağır atrofiye serebellarına bir örnek. Beyincik şablona doğru şekilde çarpıtılmıştır; Bununla birlikte, düşük kontrasta neden olan çok sayıda eksik doku vardır. Bu bir dışlama olmaz. (H) Dışlanmayı gerektiren zayıf maskeleme örneği. Kısaltmalar: VBM = voksel tabanlı morfometri; HC = sağlıklı kontrol; FRDA = Friedreich ataksisi; SCA2 = Spinoserebellar ataksi 2. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 8: SUIT voksel tabanlı morfometri haritalarının uzamsal kovaryansı. 64 (28 FRDA) denekten oluşan bir kohort için voksel tabanlı morfometri haritalarının uzamsal kovaryansını gösteren kutu grafiği. Uzamsal kovaryans, her görüntünün örnekteki diğer tüm görüntülere göre ne kadar iyi hizalandığının bir ölçüsüdür. Veriler, ~ 0.95'lik ortalama bir uzamsal kovaryans korelasyonu ile birlikte sıkı bir şekilde kümelenmiştir. Burada, ortalamanın altında >2 SD olarak iki aykırı değer (1 FRDA, 1 HC) tespit edildi. Kısaltmalar: FRDA = Friedreich ataksi; HC = sağlıklı kontrol; SD = standart sapma; cont = kontrol. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 9. Serebellar gri cevher morfometrisinin voksel tabanlı morfometri analizinin gruplar arası sonuçları. (A) Sagittal, (B) koronal ve (C) FRDA'lı bireylerde voksel düzeyindeki istatistiksel haritaların tuz haritası gösterimleri ve kontrolleri, ICV kontrolü. Yalnızca p < 0.05 FWE küme düzeyinde düzeltilmiş olarak hayatta kalan vokseller gösterilir. Renk çubuğu T istatistiğini gösterir. Kısaltmalar: FRDA = Friedreich ataksi; ICV = kafa içi hacim; FWE = aile içi hata. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
| Lobül | % hariç |
| SANTİM | 1.5 |
| Sol Crus I | 2.9 |
| Sol Crus II | 2.9 |
| Sol I III | 2.9 |
| Sol IV | 1.5 |
| Sol IX | 4.51 |
| Sol V | 2.9 |
| Sol VI | 1.5 |
| Sol VIIB | 1.5 |
| Sol VIIIA | 1.5 |
| Sol VIIIB | 2.9 |
| Sol X | 2.9 |
| Sağ Crus I | 6.02 |
| Sağ Crus II | 2.9 |
| Sağ I III | 2.9 |
| Sağ IV | 1.5 |
| Sağ IX | 2.9 |
| Sağ V | 1.5 |
| Sağ VI | 1.5 |
| Sağ VIIB | 1.5 |
| Sağ VIIIA | 2.9 |
| Sağ VIIIB | 1.5 |
| Sağ X | 1.5 |
| Vermis IX | 1.5 |
| Vermis VI | 2.9 |
| Vermis VII | 1.5 |
| Vermis VIII | 1.5 |
| Vermis X | 1.5 |
Tablo 1: ACAPULCO'dan türetilen serebellar anatomik lobüller ve FRDA ve 37 HC'li 31 kişilik bir örneklemde dışlama oranları (%) Kısaltmalar: FRDA = Friedreich ataksisi; HC = sağlıklı kontroller.
Ek Tablo S1: Friedreich Ataksi ve sağlıklı kontrol bireylerinde 28 serebellar anatomik lobül hacminin (mm 3) sayısı. Bu tabloyu indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Beyincik, çok çeşitli insan motor3, bilişsel 58, duygusal10 ve dil 7,59 fonksiyonları için kritik öneme sahiptir ve birçok nörolojik ve psikiyatrik hastalıkta rol oynar. Bölgesel serebellar hacimlerin nicelleştirilmesi için standartlaştırılmış ve kolayca uygulanabilir bir yaklaşımın mevcudiyeti, giderek daha ayrıntılı 'tüm beyin' yapı-fonksiyon haritalamasına, eksiksiz hastalık modellemesine ve beyin hastalıklarına serebellar katkıları tanımlamak ve izlemek için geliştirilmiş fırsatlara katkıda bulunacaktır. Burada açıklanan bu standartlaştırılmış boru hattı, hem sağlık hem de hastalıkta otomatik beyincik parselasyonu ve serebellar gri madde morfometrisinin daha ince taneli mekansal profillemesi için son teknoloji yaklaşımları birleştirir.
Burada sunulan ACAPULCO kullanılarak yapılan kesitsel beyincik parselasyon analizinin sonuçları, FRDA'lı kişilerin (HC'ye karşı) beyaz cevher hacimlerini önemli ölçüde azalttığını göstermiştir. Bu bulgular, FRDA'da, özellikle dentat çekirdeklerinde, sürekli olarak erken, sağlam ve ilerleyici beyaz cevher hacmi kaybını gösteren FRDA'nın önceki çalışmalarını desteklemektedir. Ayrıca, superior ve inferior serebellar pedinküllerde ve dentat çekirdeklerde progresif nörodejenerasyonun paterni ve derecesinin, FRDA44'ün başlangıç yaşının bir faktörü olarak farklılık gösterdiği gösterilmiştir. SUIT analizinden elde edilen sonuçlar ek bulgular ortaya koydu. Spesifik olarak, bilateral lobüller I-IV ve Sağ V'ye karşılık gelen ve lobül VI'ya uzanan ön lob bölgelerinde FRDA'da (HC'ye karşı) anlamlı voksel düzeyinde hacim kaybı vardı. Ek olarak, SUIT analizi, lobül IX, X ve Vermis dahil olmak üzere medial posterior lob bölgelerinde FRDA'da (HC'ye karşı) önemli hacim kaybı olduğunu ortaya koymuştur. Gruplar arasındaki farklılıkların bu modeli, tüm beyin VBM yaklaşımı55 kullanılarak, FRDA hastalarının aynı kohortunda daha önce yayınlanmış çalışmalarla karşılaştırılabilir.
Nörolojik ve psikiyatrik hastalıklarda serebellar anormalliklerin tanımlanması, translasyonel etkisi olan yüksek öncelikli bir araştırma alanıdır. Nörolojik hastalıkların izlenmesi ve tedavisinde etkili olan – özellikle serebellumun nörodejenerasyonun birincil bölgesi olduğu yerlerde – beyincik tutulumunun tam biyolojik karakterizasyonlarının geliştirilmesidir. Burada sunulan boru hattı, bireysel serebellar lobül gri madde morfometrisi ile hastalığın klinik bitiş noktaları için "altın standart" olarak kullanılan klinik ölçümler arasındaki ilişkilere izin verir. Bu tür araştırmaların önemli bir çeviri etkisi olabilir. Örneğin, nadir görülen serebellar hastalıklar alanında, klinik semptomlarla eşleşen veya klinik semptomları öngören bir hasta alt grubunda belirli bir serebellar gri cevher atrofisi profilinin tanımlanması, klinik uygulamaya rehberlik etmek için etkilere sahip olacaktır. SUIT modülünün dahil edilmesi, beyinciğin yapı-fonksiyon haritalaması veya beyincik60'ın fonksiyonel gradyanlarının analizi gibi ilginç araştırma sorularının ele alınmasına izin verir.
Grup düzeyinde istatistiksel analizler için genel öneriler
AKAPULKO: Her denek için her serebellar lobülün (mm3 cinsinden) hacimleri Cerebel_vols.csv kaydedilir. Grup düzeyindeki etkilerin istatistiksel çıkarımı sırasında, kafa büyüklüğündeki değişkenliği hesaba katmak için intrakraniyal hacim (ICV; Cerebel_vols.csv de kaydedilmiştir) kontrol edilmelidir. Alfa anlamlılık eşikleri, birden fazla lobül arasındaki çıkarımı hesaba katmak için düzeltilmelidir.
SUIT: Gri cevher serebellar VBM, SPM veya FSL gibi standart MRI işleme yazılımı kullanılarak wd
Beyincikteki VBM için, genellikle maksimum yarıda (FWHM) 3 mm'den fazla olmayan tam genişliğe sahip bir Gauss uzamsal pürüzsüzleştirme çekirdeği kullanılması önerilir. Vokseller arasında birden fazla karşılaştırmayı hesaba katmak için uygun istatistiksel düzeltme uygulanmalıdır. Genel olarak, parametrik olmayan yaklaşımların kullanılması önerilir (örneğin, SnPM veya FSL-Randomize).
ACAPULCO kullanarak beyinciğin başarılı bir şekilde parsellenmesi için en kritik adım, T1 görüntülerinin işlem öncesi ve sonrası genel kalite kontrolüdür. Kullanıcının kötü kontrastlı görüntüleri (örneğin, görüntü boyunca tutarsız bir gradyan) ve baş ve hareket artefaktlarının ciddi şekilde eğilmesini kontrol etmesi şiddetle tavsiye edilir, bunların hepsi algoritmanın performansını etkileyebilir. Ayrıca ACAPULCO algoritması atrofiye serebellar üzerine eğitilmiş olsa da, lezyon verileri üzerinde eğitilmemiştir. Serebral korteksteki lezyonların algoritmanın performansını ve ardından parselasyonun doğruluğunu etkilemesinin beklenmeyeceği tahmin edilmektedir; Bununla birlikte, beyincikteki büyük enfarktlar muhtemelen parselasyon hataları verecektir. İşlem sonrası beyincik maskesinin kalite kontrolü esastır. Minör parselasyon hataları (örneğin, beyincik lobüllerinin küçük alt ve aşırı kapanımları) bazen istatistiksel aykırı değerler olarak tespit edilmez; tersine, bariz bir parselasyon hatasına rağmen, verilerin normal aralıkta olduğu durumlarda yanlış aykırı değer olmayan örnekler oluşabilir. Bir konu aykırı değer olarak tanımlanırsa, o konu için lobül (ler) in dahil edilip edilmeyeceği konusunda karar verme sürecine rehberlik etmek için beyincik maskesi diliminin takip, ayrıntılı kalite kontrolünü yapmak önemlidir. SUIT işlem hattını (Modül 2) çalıştırırken bir diğer kritik adım, ACAPULCO modülünün zaten çalıştırılmış olmasını gerektirmesidir. Spesifik olarak, SUIT, beyincik izolasyonunu ve segmentasyonunu çalıştırmak için ACAPULCO'da üretilen beyincik maskesini gerektirir. Tam serebellar kapsama alanı sağlamak için beyincik maskesinin kalite kontrolünden geçirilmesi önemlidir.
Protokolde bazı sınırlamalar vardır. İlk olarak, ACAPULCO serebellar gri madde parselasyonu için son teknoloji ürünü doğruluk elde ederken, beyaz madde parselasyonu için optimize edilmemiştir; korpus medullare, beyaz maddenin ana gövdesini kaplar, ancak tüm beyaz maddenin bir ölçüsünü sağlamaz. İkincisi, ACAPULCO'daki beyinciği lokalize etmek ve segmentlere ayırmak için kullanılan evrişimli sinir ağları, eğitimde kullanılmayan farklı kontrastlara veya görüntülere sahip görüntülere iyi genelleme yapmaz. Örneğin, eğitimde yalnızca 3T görüntüler kullanıldığından, 1,5 T'lik bir tarayıcıda elde edilen görüntüleri kullanan parselasyon kalitesi tipik olarak iyi değildir; ayrıca, bu görüntüler üzerinde gerçekleştirilen temel gerçeğe ilişkin herhangi bir istatistik yoktur. Son olarak, boru hattı, kafa büyüklüğünün beyincik hacmi tahminleri üzerindeki kafa karıştırıcı etkilerini, grup düzeyinde istatistiksel analizlere ilgi duymayan bir regresyoncu olarak dahil edilebilecek bir ICV tahmini sağlayarak kontrol eder. Bununla birlikte, ideal bir yaklaşım, QC'yi çalıştırmadan önce ICV ile düzeltilmiş beyincik hacimlerini bireysel düzeyde hesaplamak olacaktır, böylece tespit edilen aykırı değerler, deneklerin nöroanatomisindeki doğal değişkenliği değil, gerçek bir parselasyon hatasını yansıtır (örneğin, büyük bir kafaya sahip olmak).
Sonuç olarak, bir dizi nörolojik hastalığa geniş uygulanabilirliğe sahip olan beyincik gri mater morfometrisini incelemek için standartlaştırılmış bir boru hattı sunuyoruz. Boru hattı, büyük, çok sahalı çalışmalara ve 'mega analizlere' izin verecek şekilde kurulmuştur ve sahada güvenilirliği ve tekrarlanabilirliği kolaylaştırmak için araştırma grupları tarafından kullanılmak üzere halka açıktır. Nihayetinde, bu boru hattı, nörolojik hastalıklarda hastalık ilerlemesi ile serebellar yapısal değişiklikleri daha fazla karakterize etmek ve izlemek için güçlü bir metodolojik yaklaşım sunmaktadır. Şu anda uzunlamasına bir boru hattı geliştirilmektedir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların açıklayacağı bir çıkar çatışması yoktur.
Acknowledgments
Bu makalede sunulan çalışma, Avustralya Ulusal Sağlık ve Tıbbi Araştırma Konseyi (NHMRC) Fikir Bursu: APP1184403 tarafından finanse edilmiştir.
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.
