Una pipeline standardizzata per l'esame della morfometria della materia grigia cerebellare umana utilizzando la risonanza magnetica strutturale
Summary
Viene presentata una pipeline standardizzata per l’esame della morfometria della materia grigia del cervelletto. La pipeline combina approcci ad alta risoluzione e all’avanguardia per la parcellazione ottimizzata e automatizzata del cervelletto e la registrazione basata su voxel del cervelletto per la quantificazione volumetrica.
Abstract
Molteplici linee di ricerca forniscono prove convincenti per un ruolo del cervelletto in una vasta gamma di funzioni cognitive e affettive, andando ben oltre la sua associazione storica con il controllo motorio. Studi di neuroimaging strutturale e funzionale hanno ulteriormente affinato la comprensione della neuroanatomia funzionale del cervelletto al di là delle sue divisioni anatomiche, evidenziando la necessità di esaminare le singole subunità cerebellari nella variabilità sana e nelle malattie neurologiche. Questo documento presenta una pipeline standardizzata per l’esame della morfometria della materia grigia del cervelletto che combina approcci ad alta risoluzione e all’avanguardia per la parcellazione ottimizzata e automatizzata del cervelletto (Automatic Cerebellum Anatomical Parcellation using U-Net Local Constrained Optimization; ACAPULCO) e registrazione basata su voxel del cervelletto (Spatially Unbiased Infra-tentorial Template; SUIT) per la quantificazione volumetrica.
La pipeline ha un’ampia applicabilità a una serie di malattie neurologiche ed è completamente automatizzata, con un intervento manuale richiesto solo per il controllo di qualità degli output. La pipeline è disponibile gratuitamente, con una documentazione di accompagnamento sostanziale e può essere eseguita su sistemi operativi Mac, Windows e Linux. La pipeline viene applicata in una coorte di individui con atassia di Friedreich (FRDA) e vengono forniti risultati rappresentativi, nonché raccomandazioni su analisi statistiche inferenziali a livello di gruppo. Questa pipeline potrebbe facilitare l’affidabilità e la riproducibilità in tutto il campo, fornendo in definitiva un potente approccio metodologico per caratterizzare e tracciare i cambiamenti strutturali cerebellari nelle malattie neurologiche.
Introduction
Il cervelletto è una parte del cervello storicamente associata al controllo motorio 1,2,3 e si pensa che sia integralmente coinvolto solo in una piccola serie di malattie rare, come le atassie ereditarie4. Tuttavia, le linee convergenti di ricerca degli studi di tracciamento anatomico nei primati non umani, così come gli studi sulle lesioni umane e sul neuroimaging, forniscono prove convincenti di un ruolo del cervelletto in una vasta gamma difunzioni cognitive 5,6,7, affettive 8,9,10,11 e altre funzioni non motorie 7,12 (vedere 6 per la revisione). Inoltre, le anomalie del cervelletto sono sempre più implicate in una vasta gamma di disturbi neurologici e psichiatrici, tra cui il morbo di Parkinson13, il morbo di Alzheimer14,15, l’epilessia 16,17, la schizofrenia18 e il disturbo dello spettro autistico19 . Pertanto, è diventato essenziale incorporare il cervelletto in modelli funzionali e strutturali di malattie del cervello umano e variabilità comportamentale normativa.
Anatomicamente, il cervelletto può essere diviso lungo il suo asse superiore a inferiore in tre lobi: anteriore, posteriore e flocculonodulare. I lobi sono ulteriormente suddivisi in 10 lobuli indicati con numeri romani I-X20,21 (Figura 1). Il cervelletto può anche essere raggruppato in zone di linea mediana (vermi) e laterale (emisfero), che ricevono rispettivamente input dal midollo spinale e dalla corteccia cerebrale. Il lobo anteriore, comprendente i lobuli I-V, è stato tradizionalmente associato ai processi motori e ha connessioni reciproche con le cortecce motorie cerebrali22. Il lobo posteriore, comprendente i lobuli VI-IX, è principalmente associato ai processi non motori11 e ha connessioni reciproche con la corteccia prefrontale, le cortecce cerebrali parietali posteriori e temporali superiori 8,23. Infine, il lobo flocculonodulare, comprendente il lobulo X, ha connessioni reciproche con i nuclei vestibolari che governano i movimenti oculari e l’equilibrio del corpo durante la posizione e l’andatura21.
Un crescente corpo di lavori recenti che utilizzano il neuroimaging funzionale ha ulteriormente perfezionato la comprensione della neuroanatomia funzionale del cervelletto al di là delle sue divisioni anatomiche. Ad esempio, le tecniche di risonanza magnetica funzionale (fMRI) a riposo sono state utilizzate per mappare il modello di interazioni funzionali tra il cervelletto e il cervello24. Inoltre, utilizzando un approccio di parcellazione basato su attività, King e colleghi7 hanno dimostrato che il cervelletto mostra un modello ricco e complesso di specializzazione funzionale attraverso la sua ampiezza, evidenziato da confini funzionali distinti associati a una varietà di compiti motori, affettivi, sociali e cognitivi. Collettivamente, questi studi evidenziano l’importanza di esaminare le singole subunità cerebellari per sviluppare caratterizzazioni biologiche complete del coinvolgimento del cervelletto sia nella variabilità sana che nelle malattie neurologiche caratterizzate da alterazioni della struttura e/o della funzione cerebellare.
Il presente lavoro si concentra sui metodi per quantificare i cambiamenti locali nel volume cerebellare utilizzando la risonanza magnetica strutturale nell’uomo. In generale, ci sono due approcci fondamentali alla quantificazione del volume cerebrale regionale utilizzando i dati mrI: segmentazione basata su funzionalità e registrazione basata su voxel. Gli approcci di segmentazione basati sulle funzionalità utilizzano punti di riferimento anatomici e atlanti standardizzati per identificare automaticamente i confini tra le sottoregioni. I pacchetti software tradizionali per la segmentazione includono FreeSurfer25, BrainSuite26 e FSL-FIRST27. Tuttavia, queste confezioni forniscono solo parcellazioni grossolane del cervelletto (ad esempio, etichettando l’intera materia grigia e l’intera materia bianca in ciascun emisfero), trascurando così i singoli lobuli cerebellari. Questi approcci sono anche soggetti a una cattiva segmentazione, in particolare all’eccessiva inclusione della vascolarizzazione circostante.
Sono stati sviluppati nuovi algoritmi di apprendimento automatico e di etichettatura multi-atlante, che forniscono una parcellazione più accurata e granulare del cervelletto, tra cui la classificazione automatica dei lobuli cerebellari utilizzando l’evoluzione multi-limite implicita (ACCLAIM28,29), Cerebellar Analysis Toolkit (CATK30), Multiple Automatically Generated Templates (MAGeT31), Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL32 ), la segmentazione ataglio grafico 33 e la segmentazione del CERVELLETTO (CERES34). In un recente articolo che confronta gli approcci di parcellazione del cervelletto completamente automatizzati all’avanguardia, CERES2 ha scoperto di superare altri approcci relativi alla segmentazione manuale gold standard dei lobuli cerebellari35. Più recentemente, Han e colleghi36 hanno sviluppato un algoritmo di deep learning chiamato ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with localmente con ottimizzazione vincolata), che funziona alla pari con CERES2, ha un’ampia applicabilità sia ai cervelletti sani che atrofizzati, è disponibile in formato contenitore Open Source Docker e Singularity per l’implementazione “off-the-shelf” ed è più efficiente in termini di tempo rispetto ad altri approcci. ACAPULCO parcella automaticamente il cervelletto in 28 regioni anatomiche.
A differenza della segmentazione basata su funzionalità, gli approcci di registrazione basati su voxel operano mappando con precisione una risonanza magnetica a un’immagine modello. Per ottenere questa mappatura, i voxel nell’immagine originale devono essere distorti in termini di dimensioni e forma. L’entità di questa distorsione fornisce effettivamente una misura del volume ad ogni voxel rispetto al modello gold standard. Questa forma di valutazione volumetrica è nota come «morfometria basata su voxel»37. Gli approcci di registrazione basati su voxel per l’intero cervello, come FSL-FLIRT38 / FNIRT39, SPM unified segmentation40 e CAT1241, sono comunemente usati per la morfometria basata su voxel. Tuttavia, questi approcci non spiegano bene il cervelletto, con conseguente scarsa affidabilità e validità nelle regioni infratentoriali (cervelletto, troncocerebrale 42). Per tenere conto di queste limitazioni, l’algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) è stato sviluppato per ottimizzare la registrazione del cervelletto e migliorare l’accuratezza della morfometria basata su voxel42,43.
La segmentazione basata su funzionalità e gli approcci di registrazione basati su voxel per la stima del volume cerebellare regionale hanno punti di forza e di debolezza fondamentali. Gli approcci di segmentazione sono sostanzialmente più accurati per quantificare il volume delle aree anatomicamente definite (ad esempio, i lobuli35). Tuttavia, i confini tra moduli funzionali distinti del cervelletto non si mappano sulle sue folia anatomiche e fessure (equivalenti a gyri e sulci del cervello7). Poiché gli approcci basati sulla registrazione non sono vincolati da punti di riferimento anatomici, è possibile un’inferenza spaziale a grana più fine e una mappatura struttura-funzione ad alta dimensione del cervelletto44. Nel loro insieme, gli approcci di segmentazione e registrazione sono complementari tra loro e possono essere utilizzati per rispondere a diverse domande di ricerca.
Qui viene presentata una nuova pipeline standardizzata, che integra questi approcci esistenti e convalidati per fornire una parcellazione ottimizzata e automatizzata (ACAPULCO) e la registrazione basata su voxel del cervelletto (SUIT) per la quantificazione volumetrica (Figura 2). La pipeline si basa sugli approcci stabiliti per includere protocolli di controllo della qualità, utilizzando la visualizzazione qualitativa e il rilevamento quantitativo dei valori anomali e un metodo rapido per ottenere una stima del volume intracranico (ICV) utilizzando Freesurfer. La pipeline è completamente automatizzata, con l’intervento manuale richiesto solo per il controllo delle uscite del controllo qualità, e può essere eseguita su sistemi operativi Mac, Windows e Linux. La pipeline è liberamente disponibile senza restrizioni del suo utilizzo per scopi non commerciali ed è accessibile dalla pagina web ENIGMA Consortium Imaging Protocols (sotto “ENIGMA Cerebellum Volumetrics Pipeline”), dopo la compilazione di un breve modulo di registrazione45.
Tutto il software richiesto è elencato nella Tabella dei materiali e tutorial dettagliati, inclusa una dimostrazione dal vivo, sono disponibili al momento del download della pipeline, oltre al protocollo descritto di seguito. Infine, vengono forniti risultati rappresentativi, dall’implementazione della pipeline in una coorte di persone con atassia di Friedreich (FRDA) e controlli sani abbinati all’età e al sesso, insieme a raccomandazioni per analisi statistiche inferenziali a livello di gruppo.
Protocol
Representative Results
Discussion
Il cervelletto è fondamentale per una vasta gamma di funzioni motorieumane 3, cognitive58, affettive10 e linguaggio 7,59 ed è implicato in molte malattie neurologiche e psichiatriche. La disponibilità di un approccio standardizzato e facilmente implementabile per la quantificazione dei volumi cerebellari regionali contribuirà a una mappatura struttura-funzione “intero cervello” sempre pi?…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Il lavoro presentato in questo manoscritto è stato finanziato da un Australian National Health and Medical Research Council (NHMRC) Ideas Grant: APP1184403.
Materials
| 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. 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, 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. , 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).
- 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)
- . FreeSurfer download and install Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (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).
