Måling gyrification (cortical folding) i alle aldre representerer et vindu inn i tidlig utvikling av hjernen. Derfor har vi tidligere utviklet en algoritme for å måle lokale gyrification på tusenvis av steder over halvkule<sup> 1</sup>. I denne artikkelen detalj vi beregningen av denne lokale gyrification indeksen.
Kortikale folding (gyrification) bestemmes i løpet av de første månedene av livet, slik at uønskede hendelser i denne perioden la spor som vil kunne identifiseres i alle aldre. Som nylig gjennomgått av Mangin og kolleger 2, flere metoder eksisterer for å kvantifisere ulike kjennetegn ved gyrification. For eksempel kan sulcal morfometri brukes til å måle formen deskriptorer som dybde, lengde eller indekser av inter-hemisfærisk asymmetri 3. Disse geometriske egenskapene har fordelen av å være lette å tolke. Men stoler sulcal morfometri tett på nøyaktig identifikasjon av et gitt sett av sulci og dermed gir et fragmentert beskrivelse av gyrification. En mer finkornede kvantifisering av gyrification kan oppnås med krumning-baserte målinger, hvor glattet absolutt bety krumning er vanligvis beregnet på tusenvis av steder over kortikale overflate 4. Krumningen er imidlertid ikke straightforward å forstå, ettersom det fortsatt uklart om det er noen direkte sammenheng mellom curvedness og en biologisk meningsfull korrelerer som kortikale volum eller overflate. For å løse de ulike problemstillingene ved måling av cortical folding, vi tidligere utviklet en algoritme for å kvantifisere lokale gyrification med en utsøkt romlig oppløsning og av enkle tolkning. Vår metode er inspirert av Gyrification Index 5, en metode som opprinnelig ble brukt i sammenlignende neuroanatomy å evaluere cortical folding forskjellene på tvers av arter. I vår implementering, som vi navn l ocal Gyrification Index (l GI 1), måler vi mengden av cortex begravd i sulcal folder sammenlignet med mengden av synlig cortex i sirkulære områder av interesse. Gitt at cortex vokser først og fremst gjennom radial ekspansjon 6, ble vår metode spesielt utviklet for å identifisere tidlige feil av kortikale utvikling.
I ther artikkelen, vi detalj beregning av lokale Gyrification Index, som nå er fritt distribuert som en del av FreeSurfer Software ( http://surfer.nmr.mgh.harvard.edu/ , Martinos Center for Biomedical Imaging, Massachusetts General Hospital) . FreeSurfer gir et sett med automatiserte rekonstruksjon verktøy av hjernens kortikale overflate fra strukturell MRI data. Den kortikale overflate ut i den innfødte plass av bildene med sub-millimeter nøyaktighet er så videre brukes til oppretting av en ytre overflate, som vil tjene som grunnlag for l GI beregningen. Et sirkelformet område av interesse er så avgrenset på den ytre overflaten, og den tilsvarende delen av renter på kortikale overflaten er identifisert ved hjelp av en matchende algoritme som beskrevet i vår valideringsstudie 1. Denne prosessen er gjentatte ganger iterated med stor grad overlappende regioner av interesse, som resulterer i kortikale kart gyrification forr påfølgende statistiske sammenligninger (Fig. 1). Av notatet, var en annen måling av lokale gyrification med en lignende inspirasjon foreslått av Toro og kolleger 7, der folding index på hvert punkt er beregnet som forholdet mellom kortikale området i en sfære dividert med arealet av en plate med samme radius. De to implementasjoner varierer i at den ene av Toro et al. er basert på Euclidian avstander og dermed anser usammenhengende flekker av cortical området, mens vår bruker en streng Geodesic algoritme og omfatter kun den kontinuerlige oppdateringen av kortikale område åpning på hjernens overflate i et sirkulært område av interesse.
Protokollen ovenfor beskriver hvordan måle lokale Gyrification indeks basert på cerebral T1-vektet MR og gjennomføre statistisk gruppe sammenligninger. Vår metode er spesielt designet for å lokalisere tidlig avbrudd i cortical ekspansjon prosess og som sådan er av spesiell interesse i mange nevrologiske eller psykiatriske tilstander. Eksempler på gruppe sammenligninger i kliniske prøver kan bli funnet i publikasjoner av vår gruppe 1,12 eller av andre 13-16. Prosessen er helautomatisk og kr…
The authors have nothing to disclose.
Denne forskningen ble støttet av Nasjonalt kompetansesenter i forskning (NCCR) "SYNAPSY – The Synaptic Bases of Mental Diseases" finansiert av det sveitsiske National Science Foundation (n ° 51AU40_125759). Utvikling av lokale Gyrification Index ble støttet med tilskudd fra det sveitsiske National Research Fund til Dr. Marie Schaer (323500-111165) og Dr. Stephan Eliez (3200-063135,00 / 1, 3232 til 063134,00 / 1, PP0033-102864 og 32473B -121996) og ved Center for Biomedical Imaging (CIBM) av Genève-Lausanne universiteter og EPFL, samt fundamenter Leenaards og Louis-Jeantet. Støtte til utvikling av FreeSurfer programvare ble gitt delvis av National Center for Research Resources (P41-RR14075, og NCRR BIRN morfometriske Prosjekt BIRN002, U24 RR021382), National Institute for Biomedical Imaging og bioteknologi (R01 EB001550, R01EB006758), Statens institutt for nevrologiske lidelser og hjerneslag (R01 NS052585-01) så vel som psykiske lidelser og Neuroscience Discovery (sinn) Institute, og er en del av National Alliance for Medical bilde Computing (dynamisk), finansiert av National Institutes of Health gjennom NIH Roadmap for Medical Research, U54 Grant EB005149. Ekstra støtte ble gitt av autisme og dysleksi prosjekt finansiert av Ellison Medical Foundation.
Material: a Unix or Mac workstation with a processor of 2GHz or faster and a minimum of 4GB of RAM, with FreeSurfer installed (http://surfer.nmr.mgh.harvard.edu/fswiki, preferably the latest version, but no older than version 4.0.3). In order to compute the local Gyrification Index, MATLAB is also required (http://www.mathworks.com/) along with the Image Processing Toolbox.
Data: A sample of good quality (high-resolution, high contrast) cerebral MRI T1-weighted dataset. Your group of subjects must be preferably matched for age and gender. Given the normal inter-individual variability in cerebral morphology, the number of subjects in each group should be sufficient to identify an existing group difference (the more – the better). A reasonable minimum sample size would be around 20 subjects per group (although you can probably go for less if the intensity of changes is large and if your groups are tightly matched for gender and age).
Name of the equipment | Company | Catalogue number | Comments |
FreeSurfer | Martinos Center for Biomedical Imaging, MGH | Version newer than 4.0.3 | |
Matlab | Mathworks | Image Processing Toolbox |