Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Science Education
Neuropsychology

A subscription to JoVE is required to view this content.

Misurazione delle differenze di materia grigia con la morfometria basata su voxel
 
Click here for the English version

Misurazione delle differenze di materia grigia con la morfometria basata su voxel: il cervello musicale

Overview

Fonte: Laboratori di Jonas T. Kaplan e Sarah I. Gimbel—University of Southern California

L'esperienza modella il cervello. È ben chiaro che i nostri cervelli sono diversi come risultato dell'apprendimento. Mentre molti cambiamenti legati all'esperienza si manifestano a livello microscopico, ad esempio da aggiustamenti neurochimici nel comportamento dei singoli neuroni, possiamo anche esaminare i cambiamenti anatomici alla struttura del cervello a livello macroscopico. Un famoso esempio di questo tipo di cambiamento viene dal caso dei tassisti di Londra, che insieme all'apprendimento dei complessi percorsi della città mostrano un volume maggiore nell'ippocampo, una struttura cerebrale nota per svolgere un ruolo nella memoria di navigazione. 1

Molti metodi tradizionali di esame dell'anatomia del cervello richiedono un tracciamento scrupoloso delle regioni anatomiche di interesse al fine di misurarne le dimensioni. Tuttavia, utilizzando le moderne tecniche di neuroimaging, ora possiamo confrontare l'anatomia del cervello tra gruppi di persone utilizzando algoritmi automatizzati. Mentre queste tecniche non si avvalgono delle sofisticate conoscenze che i neuroanatomisti umani possono portare al compito, sono veloci e sensibili a differenze molto piccole nell'anatomia. In un'immagine strutturale di risonanza magnetica del cervello, l'intensità di ciascun pixel volumetrico, o voxel, si riferisce alla densità della materia grigia in quella regione. Ad esempio, in una risonanza magnetica ponderata T1, i voxel molto luminosi si trovano in luoghi in cui ci sono fasci di fibre di sostanza bianca, mentre i voxel più scuri corrispondono alla materia grigia, dove risiedono i corpi cellulari dei neuroni. La tecnica di quantificare e confrontare la struttura del cervello su una base voxel-by-voxel è chiamata morfometria basata su voxel, o VBM. 2 In VBM, registriamo prima tutti i cervelli in uno spazio comune, appianando eventuali differenze grossolane nell'anatomia. Confrontiamo quindi i valori di intensità dei voxel per identificare differenze localizzate e su piccola scala nella densità della materia grigia.

In questo esperimento, dimostreremo la tecnica VBM confrontando il cervello dei musicisti con quello dei non musicisti. I musicisti si impegnano in un intenso allenamento motorio, visivo e acustico. Ci sono prove da più fonti che il cervello delle persone che hanno attraversato l'allenamento musicale sono funzionalmente e strutturalmente diversi da quelli che non lo hanno fatto. Qui, seguiamo Gaser e Shlaug3 e Bermudez et al. 4 nell'uso di VBM per identificare queste differenze strutturali nel cervello dei musicisti.

Procedure

1. Recluta 40 musicisti e 40 non musicisti.

  1. I musicisti dovrebbero avere almeno 10 anni di formazione musicale formale. L'allenamento con qualsiasi strumento musicale è accettabile. I musicisti dovrebbero anche praticare attivamente il loro strumento per almeno un'ora / giorno.
  2. I soggetti di controllo dovrebbero avere poca o formale formazione nel suonare uno strumento musicale.
  3. Tutti i partecipanti devono essere destrimani.
  4. Tutti i partecipanti non dovrebbero avere una storia di disturbi neurologici, psichiatrici o cardiaci.
  5. Tutti i partecipanti non dovrebbero avere metallo nei loro corpi che non possono rimuovere per garantire che siano sicuri per la risonanza magnetica.

2. Procedure di pre-scansione

  1. Compila i documenti pre-scansione.
  2. Quando i partecipanti arrivano per la loro scansione fMRI, fai prima compilare un modulo di schermo metallico per assicurarsi che non abbiano controindicazioni per la risonanza magnetica, un modulo di risultati incidentali che dà il consenso affinché la loro scansione sia esaminata da un radiologo e un modulo di consenso che dettaglia i rischi e i benefici dello studio.
  3. Prepara i partecipanti ad andare nello scanner rimuovendo tutto il metallo dal loro corpo, tra cui cinture, portafogli, telefoni, fermagli per capelli, monete e tutti i gioielli.

3. Metti il partecipante nello scanner.

  1. Dare ai partecipanti tappi per le orecchie per proteggere le orecchie dal rumore dello scanner e dei telefoni auricolari da indossare in modo che possano sentire lo sperimentatore durante la scansione e farli sdraiare sul letto con la testa nella bobina.
  2. Dare al partecipante la palla di spremimento di emergenza e istruirlo a spremerlo in caso di emergenza durante la scansione.
  3. Utilizzare cuscinetti di schiuma per fissare la testa dei partecipanti nella bobina per evitare movimenti eccessivi durante la scansione e ricordare al partecipante che è molto importante rimanere il più fermo possibile durante la scansione, poiché anche i più piccoli movimenti offuscano le immagini.

4. Raccolta dei dati

  1. Raccogli una scansione anatomica ad alta risoluzione di tutto il cervello. Questa scansione dovrebbe essere una sequenza ponderata T1 come un Magnetization Prepared Rapid Gradient Echo (MP-RAGE) con voxel isotropi da 1 mm.

5. Analisi dei dati

  1. Rimuovere il cranio da ogni scansione anatomica del cervello utilizzando un software automatizzato. Controlla lo stripping del cranio per la qualità.
  2. Creare un modello di materia grigia specifico per lo studio utilizzando un processo iterativo di registrazione lineare e non lineare (Figura 1).
    1. Usa un software automatizzato per segmentare il cervello di ogni soggetto in materia bianca, materia grigia e CSF in base all'intensità di ciascun voxel.
    2. Esegui una trasformazione affine lineare con 12 gradi di libertà per registrare il cervello di ciascun soggetto in uno spazio atlante standard, come l'atlante MNI152.
    3. Deforma l'immagine della materia grigia di ciascun soggetto in questo spazio e mediali tutti insieme.
    4. Specchia questa immagine da sinistra a destra e poi fai la media delle immagini speculari insieme per produrre il cervello del modello di materia grigia.
    5. Registra nuovamente il cervello di ogni soggetto a questo modello usando una trasformazione non lineare.
    6. Media di tutti i cervelli appena trasformati insieme.
    7. Crea un'immagine speculare di questo nuovo modello e fai la media delle due immagini speculari insieme per produrre un modello finale di materia grigia per questo studio.

Figure 1
Figura 1: Creazione di un modello di materia grigia specifico per lo studio. Usando trasformazioni lineari e non lineari iterative, ogni cervello viene registrato in uno spazio comune e mediato insieme per creare un cervello modello di materia grigia specifico per lo studio.

  1. Registra l'immagine della materia grigia di ciascun soggetto nel modello e pre-elaborazione.
    1. Usa una trasformazione non lineare per registrare il cervello di ciascun soggetto nel modello specifico dello studio.
    2. Per compensare la quantità che ogni struttura cerebrale è stata allungata per adattarsi allo spazio del modello, moltiplicare per una misura di quanta deformazione è stata fatta. Questa misura è chiamata jacobiana del campo di curvatura. Questo passaggio è per tenere conto del fatto che le strutture possono sembrare avere più materia grigia semplicemente perché sono state allungate maggiormente dal processo di registrazione non lineare.
    3. Lisciare i dati usando un kernel gaussiano con un Full Width Half Maximum (FWHM) di 10 mm.
    4. Questi cervelli allineati e levigati serviranno come dati finali per l'analisi basata su voxel.
  2. Utilizzate il modello lineare generale per analizzare la differenza tra i gruppi ad ogni voxel.
    1. Modella ogni gruppo di cervelli con un regressore separato e calcola un contrasto che confronta i due gruppi, generando mappe statistiche che quantificano la probabilità di differenze in ogni voxel.
    2. Soglia delle mappe statistiche per identificare cluster statisticamente significativi.
      1. Impiegare una tecnica di correzione di confronti multipli come False Discovery Rate (FDR) per controllare il fatto che stavano facendo migliaia di test statistici simultanei. Con FDR, un valore q di 0,01 stimerà il tasso di falsi positivi sopra la soglia all'1%.

Il nostro cervello è modellato dalle esperienze, con conseguenti cambiamenti nel volume corticale.

Ad esempio, alcune competenze, come l'apprendimento e la padronanza di una seconda lingua, hanno dimostrato di aumentare la densità della materia grigia, dove risiedono i corpi cellulari, in particolare in strutture come il lobo frontale.

Prima dei progressi moderni, per misurare le dimensioni di una particolare area, gli scienziati avrebbero dovuto tracciare scrupolosamente la regione di interesse, un compito molto noioso. Ora, esistono tecniche di neuroimaging più sensibili, note come morfometria basata su voxel, VBM, per catturare piccole differenze volumetriche nella neuroanatomia.

Basato su precedenti lavori di Gaser e Shlaug, nonché di Bermudez e colleghi, questo video dimostra come raccogliere immagini di risonanza magnetica strutturale e utilizzare VBM per identificare i valori di intensità dei voxel nel cervello di individui con esperienze diverse - musicisti esperti rispetto a quelli con una formazione molto limitata - così come in altri casi di competenza, come giocare a scacchi.

In questo esperimento, a due gruppi di partecipanti – musicisti formalmente addestrati e controlli senza tale formazione – viene chiesto di mentire in uno scanner MRI mentre vengono raccolte immagini strutturali del loro cervello.

Particolari regioni possono quindi essere definite utilizzando un approccio automatizzato, basato sull'intensità dei pixel volumetrici, chiamati voxel. Ad esempio, ammassi molto luminosi indicano la posizione dei fasci di fibre di sostanza bianca, mentre i voxel più scuri corrispondono ad aree con materia grigia densa.

Seguendo questa segmentazione per ogni cervello, le immagini vengono trasformate, registrate in un atlante standard, che è uno spazio comune per consentire confronti tra soggetti.

Spesso, questo processo di registrazione può allungare un'immagine, il che fa sembrare che alcune strutture abbiano più materia grigia di quanto non facciano in realtà.

Pertanto, il modello deve essere moltiplicato per una misura di quanta deformazione è stata fatta, chiamata determinante jacobiano, per compensare lo stiramento ripetuto, e quindi tutte le differenze grossolane nell'anatomia vengono appianate.

Dopo l'applicazione delle trasformazioni, la variabile dipendente viene calcolata come le differenze nella densità della materia grigia tra il cervello dei musicisti rispetto ai controlli non musicisti.

A causa dell'aumento dell'uso di elaborazioni uditive complesse in musicisti abili, si prevede che questo gruppo mostrerà una maggiore densità di materia grigia nelle regioni uditive del cervello, come il lobo temporale superiore e il giro di Heschl, rispetto al gruppo di controllo.

Prima dell'esperimento, recluta 40 musicisti che praticano attivamente qualsiasi strumento 1 ora al giorno e hanno almeno 10 anni di formazione musicale formale, oltre a 40 controlli non musicisti che hanno poca o nessuna formazione adeguata.

Il giorno della scansione, saluta ogni partecipante in laboratorio e verifica che soddisfi i requisiti di sicurezza mentre compila i moduli di consenso necessari.

Si prega di fare riferimento a un altro progetto fMRI in questa raccolta per maggiori dettagli su come preparare le persone a entrare nella sala di scansione e nel foro dello scanner.

Ora, istruisci il partecipante a rimanere fermo nello scanner e inizia a scansionare l'intero cervello raccogliendo una sequenza anatomica ad alta risoluzione, ponderata T1 come Magnetization Prepared-Rapid Gradient Echo con voxel isotropi da 1 mm.

Seguendo il protocollo di raccolta delle immagini, licenziare il partecipante e avviare l'analisi.

Per iniziare la pre-elaborazione, isolare il cervello dal cranio per ogni scansione e controllare la qualità dello stripping.

Per questo studio, creare uno specifico modello di materia grigia segmentando prima il cervello di ciascun soggetto in materia bianca e grigia e liquido spinale cerebrale, CSF, in base all'intensità di ciascun voxel. Nota, il software distingue automaticamente i voxel luminosi come materia bianca, i voxel scuri come materia grigia e le aree all'interno dei ventricoli come CSF.

Esegui una trasformazione affine lineare con 12° di libertà, per registrare il cervello di ciascun soggetto in uno spazio atlante standard. Deforma l'immagine della materia grigia di ciascun soggetto in questo spazio e mediali tutti insieme.

Quindi, rispecchia questo da sinistra a destra e, ancora una volta, fai la media delle immagini insieme per produrre il modello iniziale di materia grigia.

Quindi, esegui una trasformazione non lineare per registrare nuovamente il cervello di ciascun soggetto nella figura della materia grigia e mediarli insieme. Crea una copia speculare di questa nuova immagine e ancora una volta media i due insieme per produrre un modello finale di materia grigia specifico per lo studio.

Ora registra il cervello di ogni soggetto all'ultima figura di materia grigia usando una trasformazione non lineare e moltiplica per una misura jacobiana di quanta deformazione è stata fatta per compensare la quantità che ogni struttura cerebrale è stata allungata per adattarsi allo spazio del modello.

Successivamente, lisciare i dati utilizzando un kernel gaussiano con un Full-Width Half Maximum di 10 mm per aumentare la sovrapposizione di voxel cerebrali simili su tutti i soggetti.

Una volta completata la pre-elaborazione, modella ogni gruppo di cervelli con un regressore separato. Calcola un contrasto che confronta i due gruppi per generare mappe statistiche che quantificano la probabilità di differenze in ogni voxel.

Infine, eseguire una tecnica di correzione di confronti multipli, ad esempio un False Discovery Rate con un valore q di 0,01, per controllare le migliaia di test statistici simultanei eseguiti. Questo valore stimerà il tasso di falsi positivi al di sopra di una soglia dell'1%.

Qui, l'analisi VBM ha rivelato significativi aumenti bilaterali della densità della materia grigia nel lobo temporale superiore del cervello dei musicisti rispetto ai controlli. La più grande differenza è stata mostrata sul lato destro, e questo includeva la porzione posteriore del giro di Heschl, la posizione della corteccia uditiva primaria.

Ora che hai familiarità con come usare VBM per studiare la neuroanatomia, diamo un'occhiata a come i ricercatori usano questa tecnica per studiare le differenze strutturali in altre popolazioni.

Mentre molti compiti che coinvolgono un intenso allenamento ed esperienza sono associati ad aumenti del volume della materia grigia, questo allargamento non è sempre il caso di tutti i tipi di abilità apprese, come nel cervello di un giocatore di scacchi esperto.

Rispetto ai controlli, il volume della materia grigia è stato ridotto nella giunzione occipito-temporale, un'area importante per il riconoscimento degli oggetti. Tali risultati si traducono in un'anomalia interessante che può aiutare gli scienziati a capire ulteriormente come il volume corticale si riferisce alle prestazioni in compiti impegnativi.

Gli individui che sono ciechi dalla nascita spesso hanno un volume di materia grigia più piccolo nella loro corteccia visiva rispetto ai controlli. È interessante notare che, attraverso l'uso di VBM, i ricercatori hanno scoperto un significativo allargamento in aree del cervello non responsabili della visione, come la corteccia uditiva, che era il doppio delle dimensioni trovate nei controlli a vista.

Queste differenze strutturali possono servire come base anatomica per spiegare perché altri sensi sono intensificati negli individui ciechi.

Inoltre, l'analisi strutturale mri e VBM su pazienti naïve ai farmaci con disturbo depressivo maggiore indica anche differenze nei volumi di materia grigia rispetto ai controlli.

Gli scienziati hanno scoperto che questi pazienti avevano diminuito il volume della materia grigia nella corteccia frontale e nell'insula, il che potrebbe spiegare perché i pazienti depressi hanno difficoltà con il controllo cognitivo sui sentimenti negativi verso se stessi e gli altri.

Hai appena visto il video di JoVE sulla morfometria basata su voxel. Ora dovresti avere una buona comprensione di come raccogliere immagini anatomiche usando la risonanza magnetica e di come analizzare e interpretare le differenze nell'intensità della materia grigia nelle regioni della corteccia uditiva. Dovresti anche aver imparato che non tutte le aree di competenza portano ad aumenti della densità corticale.

Grazie per l'attenzione!

Subscription Required. Please recommend JoVE to your librarian.

Results

L'analisi VBM ha rivelato significativi aumenti localizzati della densità della materia grigia nel cervello dei musicisti rispetto ai controlli non musicisti. Queste differenze sono state trovate nei lobi temporali superiori su entrambi i lati. Il cluster più grande e significativo si trovava sul lato destro e comprende la porzione posteriore del giro di Heschl (Figura 2). Il giro di Heschl è la posizione della corteccia uditiva primaria e le cortecce circostanti sono coinvolte in complesse elaborazioni uditive. Pertanto, questi risultati sono coerenti con i precedenti risultati delle differenze morfologiche tra musicisti e non musicisti nelle regioni uditive del cervello.

Figure 2
Figura 2: Differenze di materia grigia tra i gruppi. I musicisti hanno mostrato una densità di materia grigia significativamente più alta nel lobo temporale superiore su entrambi i lati, con le maggiori differenze sul lato destro. Questa regione comprende parte del giro di Heschl, la corteccia uditiva primaria.

Subscription Required. Please recommend JoVE to your librarian.

Applications and Summary

La tecnica VBM ha il potenziale per dimostrare differenze localizzate nella materia grigia tra gruppi di persone o in associazione con una misurazione che varia tra un gruppo di persone. Oltre a trovare differenze strutturali che si riferiscono a diverse forme di allenamento, questa tecnica può rivelare differenze anatomiche associate a condizioni neuropsicologiche ad ampio raggio come depressione, dislessia5, 6 o schizofrenia. 7

È importante notare che ci sono più spiegazioni per l'esistenza di differenze tra i gruppi nell'anatomia del cervello. Ad esempio, nel caso dei musicisti, potrebbe esserci un pregiudizio di autoselezione. Potremmo trovare tali differenze se le persone con una certa anatomia cerebrale hanno maggiori probabilità di diventare musicisti. Per stabilire che le differenze strutturali tra gruppi di persone sono il risultato dell'esperienza, il modo più definitivo è quello di impiegare uno studio longitudinale che segua le persone nel tempo.

Subscription Required. Please recommend JoVE to your librarian.

References

  1. Maguire, E.A., et al. Navigation-related structural change in the hippocampi of taxi drivers. Proc Natl Acad Sci U S A 97, 4398-4403 (2000).
  2. Ashburner, J. & Friston, K.J. Voxel-based morphometry--the methods. Neuroimage 11, 805-821 (2000).
  3. Gaser, C. & Schlaug, G. Brain structures differ between musicians and non-musicians. J Neurosci 23, 9240-9245 (2003).
  4. Bermudez, P., Lerch, J.P., Evans, A.C. & Zatorre, R.J. Neuroanatomical correlates of musicianship as revealed by cortical thickness and voxel-based morphometry. Cereb Cortex 19, 1583-1596 (2009).
  5. Bora, E., Fornito, A., Pantelis, C. & Yucel, M. Gray matter abnormalities in Major Depressive Disorder: a meta-analysis of voxel based morphometry studies. J Affect Disord 138, 9-18 (2012).
  6. Richlan, F., Kronbichler, M. & Wimmer, H. Structural abnormalities in the dyslexic brain: a meta-analysis of voxel-based morphometry studies. Hum Brain Mapp 34, 3055-3065 (2013).
  7. Zhang, T. & Davatzikos, C. Optimally-Discriminative Voxel-Based Morphometry significantly increases the ability to detect group differences in schizophrenia, mild cognitive impairment, and Alzheimer's disease. Neuroimage 79, 94-110 (2013).

Transcript

Please note that all translations are automatically generated.

Click here for the English version.

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

Waiting X
Simple Hit Counter