Yapısal Manyetik Rezonans Görüntüleme Kullanarak İnsan Serebellar Gri Madde Morfometrisini İncelemek için Standartlaştırılmış Bir Boru Hattı

Rebecca Kerestes; Shuo Han; Srinivas Balachander; Carlos Hernandez-Castillo; Jerry L. Prince; Jörn Diedrichsen; Ian H. Harding

doi:10.3791/63340

Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Yapısal Manyetik Rezonans Görüntüleme Kullanarak İnsan Serebellar Gri Madde Morfometrisini İncelemek için Standartlaştırılmış Bir Boru Hattı

4.1K görüntülenme

⸱

DOI:

10.3791/63340

⸱

4 Şubat 2022

Rebecca Kerestes¹ , Shuo Han² , Srinivas Balachander³ , Carlos Hernandez-Castillo⁴ , Jerry L. Prince⁵^,⁶ , Jörn Diedrichsen⁷ , Ian H. Harding¹^,⁸

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

Bu makalede

Özet

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.

Özet

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.

Giriş

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 motor^{olmayan fonksiyonlardaki} rolü için ikna edici kanıtlar sağlar ^7,12 (bkz. 6 inceleme için). Ayrıca, beyincik anormallikleri, Parkinson hastalığı 13, Alzheimer hastalığı 14,15, epilepsi^16,17^, 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-FIRST^{27 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 (ACCLAIM^28,29), 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 morfometri^42,43'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 (serebrum^7'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 formu^45'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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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
1. 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.
2. 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.
3. Grup çalışmaları için, sorunlu verileri daha fazla tanımlamak için MRIQC⁴⁶ gibi serbestçe temin edilebilen, standartlaştırılmış araçları kullanarak nicel kalite değerlendirmelerini de göz önünde bulundurun.
4. dcm2niix⁴⁷ gibi bir araç kullanarak tüm verileri NIFTI-GZ formatına dönüştürün.
Önerilen veri organizasyonu
1. Malzeme Tablosunda listelenen tüm gerekli yazılımları edinin. İşlem hattını çalıştırmadan önce Docker⁴⁸ veya Singularity⁴⁹, Matlab⁵⁰ ve^{SPM12 51'in} yüklendiğinden emin olun.
  NOT: İşlem hattını açıklayan kapsamlı yazılı ve video eğitimleri de mevcuttur ( bkz.
2. Gerekli tüm yazılımlar yüklendikten sonra, çalışma dizininde klasörler oluşturun ve bunları 'acapulco', 'suit' ve 'freesurfer' olarak etiketleyin. Bunu, komut satırındaki mkdir komutunu kullanarak yapın.
3. '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.
ACAPULCO kullanarak anatomik serebellar parselasyon
1. 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.
2. Bir terminal açın ve komut satırından ACAPULCO kapsayıcısını tek bir görüntüde çalıştırın (aşağıdaki <> değiştirin). İşlemin tamamlanması için ~ 5 dakika bekleyin.
  1. 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/<>
  2. Tekilliği kullanarak şu komutu yazın:
    tekillik run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
3. 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.
4. İşlemden sonra, konuya özgü klasörlerde oluşturulan aşağıdaki dosyaları arayın:
  1. "_n4_mni_seg_post_inverse.nii.gz" tanımlayın: orijinal olarak parsellenmiş beyincik maskesi (konu alanı).
  2. "_n4_mni_seg_post_volumes.csv" tanımlayın: akapulko tarafından üretilen 28 alt birimin her biri için hacimler (mm³ cinsinden);
  3. Temsili görüntüleri tanımlayın ("resimler" dizininde): sagital, eksenel ve koronal.
İstatistiksel aykırı değer tespiti ve kalite kontrol (QC)
1. Terminalden ve 'acapulco' dizininde, QC_scripts içeriğinin 'acapulco' dizininde olduğundan emin olun. QC komut dosyalarını çalıştırmak için:
  1. 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/
  2. Tekilliği kullanarak şu komutu yazın:
    tekillik exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
ACAPULCO tarafından oluşturulan QC görüntülerinin incelenmesi
NOT: ACAPULCO parsellenmiş görüntülerin kalitesini kontrol etmek için 3 adımlı bir süreç vardır.
1. '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.
2. 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.
3. 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.
  1. FSLEyes kullanarak komut satırından ayrıntılı QC için bindirmeler oluşturmak için, i) dizini 'acapulco' dizinine değiştirin, ii) görüntülenecek konuyu belirtin (değiştirin) ):
    subj=
  2. 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.
  3. 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.
  4. 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).

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.
1. 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.
2. 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.
  1. GUI'yi kullanmak için (konular seri olarak çalıştırılır), MATLAB komut penceresinden şu komutu yazın:
    suit_enigma_all
  2. 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.
  3. VEYA tek bir konu için MATLAB komut satırından işlevi çağırın, komutu yazın:
    suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
  4. 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"
3. 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.
4. Komut dosyasıyla ilgili aşağıdaki noktaları arayın.
  1. Komut dosyasının N4 önyargısı düzeltilmiş, MNI hizalanmış (sert gövdeli) T1 görüntüsünü ve ACAPULCO beyincik maskesini çıktı dizinine kopyaladığından emin olun.
  2. Komut dosyasının beyinciğin gri ve beyaz maddesini bölümlere ayırdığından emin olun.
  3. Komut dosyasının, ACAPULCO maskesini kullanarak parselasyondaki aşırı ekleme hatalarını düzelttiğinden emin olun.
  4. DARTEL komut dosyasının, verileri Jacobian modülasyonu ile SUIT uzayına normalleştirdiğinden ve yeniden dilimlediğinden emin olun, böylece her vokselin değeri orijinal hacmiyle orantılı olur.
  5. 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
1. Normalleştirilmiş, modüle edilmiş görüntüleri (wd*) büyük arızalara karşı görsel olarak inceleyin. MATLAB'da şu komutu yazın:
  spm_display_4D
2. 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.
3. 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.
4. Aykırı değerler için uzamsal kovaryans'ı kontrol edin. MATLAB'da şu komutu yazın:
  check_spatial_cov
  1. Önceki adıma göre 'wd*seg1' görüntülerini seçin. İstendiğinde, aşağıdaki seçenekleri belirleyin: Prop ölçeklendirme: Evet; Değişkenlik gösterecek değişken: Hayır; Dilim (mm): - 48 , Boşluk: 1.
  2. 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.
  3. 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.

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
1. 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
2. ifadesini aşağıdaki gibi değiştirin:
  export SUBJECTS_DIR=/enigma/Freesurfer
Freesurfer autorecon1 çalıştırma
1. Tek bir konu için, 'freesurfer' dizininin içinden (işlem süresi ~ 20 dakika), komutu yazın:
  cd /enigma/freesurfer
  recon-all -i .. /input/.nii.gz -s -autorecon1
2. Birden çok konuyu seri olarak işlemek için döngü için nasıl oluşturulacağına ilişkin örnekler için öğretici el kitabına bakın.
ICV'nin hesaplanması
1. Veri organizasyonu
  1. '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
2. ICV çıkarmayı çalıştırma (işlem süresi ~5 dakika)
  1. '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
  2. '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
  3. 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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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 ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların açıklayacağı bir çıkar çatışması yoktur.

Teşekkürler

Bu makalede sunulan çalışma, Avustralya Ulusal Sağlık ve Tıbbi Araştırma Konseyi (NHMRC) Fikir Bursu: APP1184403 tarafından finanse edilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
Ad	Şirket	Katalog numarası	Yorumlar
ACAPULCO boru hattı dosyaları	0.2.1	http://enigma.ini.usc.edu/protocols/imaging-protocols/	Lütfen acapulco sürüm 0.2.1'i kullandığınızdan emin olun
Mac için		https://docs.docker.com/desktop/mac/install/	macOS sürüm 10.14 veya daha yeni olmalıdır Docker gerektirir sudo priviledges Docker, Mac OS'ta bir bellek (RAM) kısıtlaması uygular. RAM'i artırmak için Docker Desktop'ı açın, Tercihler'e gidin ve kaynaklara tıklayın. Belleği maksimuma çıkarın
Windows		için Docker https://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT komut dosyaları		http://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer	7	https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall	Freesurfer ile her çalıştığınızda aşağıdaki değişkenlerin ayarlanması gerekir: export FREESURFER_HOME=freesurfer _installation_directory source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=path/enigma/Freesurfer
FSL (FSLeyes için). İsteğe bağlı	6	https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
ICV ardışık düzen dosyaları		http://enigma.ini.usc.edu/protocols/imaging-protocols/	ICV ardışık düzeni iki şekilde çalıştırılabilir: 1) docker/tekillik ile. Ek bir yazılıma ihtiyacınız olmayacak; 2) docker/tekillik olmadan- bu, ICV komut dosyasını (calculate_icv.py) manuel olarak çalıştırmayı içerir. Aşağıdaki ek yazılıma ihtiyacınız olacak: Python sürümü =3.5 Python modülü pandas Python modülü fire Python modülü tabulate Python modülü Colorama
		https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB*	2019 veya daha yenisi	https://au.mathworks.com/	Akademik bir lisans gereklidir
Singularity	3.7 veya daha yenisi	https://www.sylabs.io/docs/	Yüksek performanslı bilgi işlem (HPC) kümeleri için tercih edilir:
SPM	12	http://www.fil.ion.ucl.ac.uk/spm/software/spm12/	spm12 ve tüm alt klasörlerin MATLAB yolunuzda olduğundan emin olun
SUIT Toolbox	3.4	http://www.diedrichsenlab.org/imaging/suit_download.htm	SUIT toolbox'ı spm12/toolbox dizinine yerleştirdiğinizden emin olun
. Sorun giderme kılavuzu ve segmentasyon çıktısı örnekleri		http://enigma.ini.usc.edu/protocols/imaging-protocols/
Eğitim kılavuzu ve video		http://enigma.ini.usc.edu/protocols/imaging-protocols/	Manuel ve beraberindeki canlı gösterim, boru hattının baştan sona nasıl çalıştırılacağına ilişkin ayrıntılı adım adım talimatlar sağlar.
* Ücretsiz olarak mevcut değildir; akademik bir lisans gereklidir

. Docker

Kaynaklar

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. Cerebellar ataxias: an update. Current Opinion in Neurology. 33 (1), 150-160 (2020).
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. Cerebellum and nonmotor function. Annual Review of Neuroscience. 32, 413-434 (2009).
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. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
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. Voxel-based morphometry--the methods. Neuroimage. 11 (6), 805-821 (2000).
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. Unified segmentation. Neuroimage. 26 (3), 839-851 (2005).
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. The cerebellum and cognition. Neuroscience Letters. 688, 62-75 (2019).
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. Functional gradients of the cerebellum. Elife. 7, 36652(2018).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Serebellar Morfometri Yapısal MRG Serebellum Parselasyonu Voksel Tabanlı Morfometri Gri Cevher Hacmi Friedreich Ataksisi Kalite Kontrol Anatomik Parselasyon SUIT İş Akışı ACAPULCO Parselasyonu

Yapısal Manyetik Rezonans Görüntüleme Kullanarak İnsan Serebellar Gri Madde Morfometrisini İncelemek için Standartlaştırılmış Bir Boru Hattı