JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
자동 번역
Please note that all translations are automatically generated. Click here for the English version.
신경과학

構造磁気共鳴イメージングを用いたヒト小脳灰白質形態測定検査のための標準化されたパイプライン

Published: February 04, 2022
doi:
10.3791/63340
, , , , , ,
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

Summary

小脳灰白質形態測定を調べるための標準化されたパイプラインが提示される。このパイプラインは、最適化された自動化された小脳パーセル化のための高解像度の最先端のアプローチと、体積定量のための小脳のボクセルベースの登録を組み合わせています。

Abstract

複数の研究ラインは、運動制御との歴史的な関連性をはるかに超えて、幅広い認知機能および情動機能における小脳の役割についての説得力のある証拠を提供します。構造的および機能的神経画像研究は、小脳の機能的神経解剖学の解剖学的区分を超えてさらに理解を深め、健康な変動性および神経学的疾患における個々の小脳サブユニットの検査の必要性を強調した。この論文は、最適化された自動化された小脳パーセルレーション(U-Net局所制約最適化を用いた自動小脳解剖学的パーセルレーション;ACAPULCO)および小脳のボクセルベースの登録(空間的に偏りのないインフラテントリアルテンプレート;SUIT)は、体積定量化用です。

パイプラインは、さまざまな神経疾患に広く適用可能で、完全に自動化されており、手動介入は出力の品質管理にのみ必要です。パイプラインは自由に利用でき、かなりのドキュメントが添付されており、Mac、Windows、およびLinuxオペレーティングシステムで実行できます。パイプラインは、フリードライヒ運動失調症(FRDA)を有する個人のコホートに適用され、代表的な結果、ならびにグループレベルの推論統計分析に関する推奨事項が提供される。このパイプラインは、分野全体の信頼性と再現性を促進し、最終的には神経学的疾患における小脳構造変化を特徴付け、追跡するための強力な方法論的アプローチを提供する可能性がある。

Introduction

小脳は歴史的に運動制御1,2,3に関連する脳の一部であり、遺伝性運動失調症4などの希少疾患のごく一部にしか関与していないと考えられている。しかし、非ヒト霊長類における解剖学的追跡研究、ならびにヒト病変および神経画像研究からの収束する研究ラインは、認知5、6,7、情動的8,9,10,11、および他の非運動機能7,12の広い配列における小脳の役割についての説得力のある証拠を提供する(6を参照のこと。 レビュー用)。さらに、小脳の異常は、パーキンソン病13、アルツハイマー病14,15、てんかん16,17、統合失調症18、および自閉症スペクトラム障害19を含む広範囲の神経学的および精神医学的障害にますます関与している。.したがって、小脳をヒトの脳疾患および規範的行動変動の機能的および構造的モデルに組み込むことが不可欠となっている。

解剖学的には、小脳は、その上軸から下軸に沿って、前葉、後軸、およびフロキュロノドラーの3つの葉に分けることができる。葉はさらにローマ数字I-X 20,21で示される10個の小葉に細分される(図1)。小脳はまた、正中線(朱色)および側方(半球)ゾーンにグループ化することができ、これらはそれぞれ脊髄および大脳皮質からの入力を受け取る。小葉I〜Vを含む前葉は、伝統的に運動過程と関連しており、大脳運動皮質22と相互接続している。小葉VI−IXを含む後葉は、主に非運動プロセス11と関連しており、前頭前野、後頭頂部、および上側頭大脳皮質8,23と相互接続を有する。最後に、小葉Xを含む球状葉は、姿勢および歩行中の眼球運動および身体平衡を支配する前庭核との相互接続を有する21。

機能的ニューロイメージングを用いた最近の研究の増加により、小脳の機能的神経解剖学の理解が解剖学的分裂を超えてさらに洗練されました。例えば、安静状態機能的磁気共鳴画像法(fMRI)技術は、小脳と大脳との間の機能的相互作用のパターンをマッピングするために使用されてきた24。さらに、Kingたちの研究グループは、タスクベースのパーセレーションアプローチを用いて、小脳がその幅全体にわたって機能的特殊化の豊かで複雑なパターンを示し、さまざまな運動、情動、社会的、認知的タスクに関連する明確な機能的境界によって証明されたことを実証した。これらの研究は、健康な変動性と小脳の構造および/または機能の変化を特徴とする神経学的疾患の両方における小脳の関与の完全な生物学的特徴付けを開発するために、個々の小脳サブユニットを調べることの重要性を強調している。

本研究は、ヒトの構造MRIを用いて小脳容積の局所的変化を定量化する方法に焦点を当てる。一般に、MRIデータを用いた局所脳容積の定量化には、特徴ベースの セグメンテーション と ボクセルベースの登録という2つの基本的なアプローチがある。フィーチャベースのセグメンテーションアプローチでは、解剖学的ランドマークと標準化されたアトラスを使用して、サブリージョン間の境界を自動的に識別します。セグメンテーションのための主流のソフトウェアパッケージには、FreeSurfer25、BrainSuite26、 FSL-FIRST27などがあります。しかしながら、これらのパッケージは、小脳の粗いパーセル化(例えば、各半球における灰白質全体および白質全体を標識する)のみを提供し、したがって個々の小脳小葉を見落とす。これらのアプローチはまた、誤ったセグメンテーション、特に周囲の血管系の過剰包含を起こしやすい。

暗黙的な多境界進化(ACCLAIM28,29)、小脳分析ツールキット(CATK 30)、複数の自動生成テンプレート(MAGeT31)、ヒト小脳とその小葉の迅速な自動セグメンテーション(RASCAL32)、グラフカットセグメンテーション33、およびCEREbellum Segmentation(CERES34)。最先端の完全自動化小脳パーセル化アプローチを比較した最近の論文で、CERES2は、小脳小葉のゴールドスタンダードの手動セグメンテーションと比較して、他のアプローチよりも優れていることが判明した35。より最近では、Hanら36は、CERES2と同等に動作し、健康な小脳と萎縮した小脳の両方に幅広い適用性を持ち、オープンソースのDockerおよびSingularityコンテナ形式で「既製」実装に利用可能であり、他のアプローチよりも時間効率が良いACAPULCO(局所的に制約された最適化を伴うU-Netを使用した自動小脳解剖学的解析)と呼ばれる深層学習アルゴリズムを開発した。ACAPULCOは自動的に小脳を28の解剖学的領域にパーセルします。

特徴ベースのセグメンテーションとは対照的に、ボクセルベースの登録アプローチは、MRIをテンプレート画像に正確にマッピングすることによって動作します。このマッピングを実現するには、元のイメージのボクセルのサイズと形状を歪める必要があります。この歪みの大きさは、ゴールドスタンダードテンプレートに対する各ボクセルの体積の尺度を効果的に提供します。この形式の体積評価は、「ボクセルベースのモルフォメトリー」37として知られています。FSL-FLIRT38/FNIRT39、SPM統合セグメンテーション40、CAT1241などの全脳ボクセルベースの登録アプローチは、ボクセルベースの形態測定に一般的に使用されています。しかしながら、これらのアプローチは小脳をうまく説明しておらず、その結果、インフラ領域(小脳、脳幹42)における信頼性および妥当性が乏しい。これらの制限を説明するために、小脳の登録を最適化し、ボクセルベースの形態測定の精度を向上させるために、SUIT(空間的に偏りのないインフラテントリアルテンプレート)アルゴリズムが開発されました42,43。

局所小脳容積の推定のための特徴ベースのセグメンテーションおよびボクセルベースの登録アプローチには、基本的な長所と短所がある。セグメンテーションアプローチは、解剖学的に定義された領域(例えば、小葉35)の体積を定量化するために実質的により正確である。しかし、小脳の別個の機能モジュール間の境界は、その解剖学的葉および亀裂(大脳のジャイリおよびスルシ7に相当)にマッピングされない。登録ベースのアプローチは解剖学的ランドマークによって制約されないので、小脳のよりきめ細かい空間推論および高次元構造機能マッピングが可能である44。まとめると、セグメンテーションと登録のアプローチは互いに補完的であり、さまざまな研究の質問に答えるために使用できます。

ここでは、これらの既存の検証済みアプローチを統合した新しい標準化されたパイプラインを提示し、体積定量化のための最適化された自動パーセル化(ACAPULCO)およびボクセルベースの小脳の登録(SUIT)を提供します(図2)。パイプラインは、定性的可視化と定量的外れ値検出を使用した品質管理プロトコル、およびFreesurferを使用して頭蓋内容積(ICV)の推定を得るための迅速な方法を含む確立されたアプローチに基づいています。パイプラインは完全に自動化されており、品質管理の出力を確認するためにのみ手動の介入が必要であり、Mac、Windows、およびLinuxオペレーティングシステムで実行できます。パイプラインは、非商業目的での使用に制限なく自由に利用でき、簡単な登録フォーム45の完了後、ENIGMAコンソーシアムイメージングプロトコルのWebページ(「ENIGMA小脳容積測定パイプライン」の下)からアクセスできます。

必要なソフトウェアはすべて 資料表に記載されており、ライブデモを含む詳細なチュートリアルは、以下に説明するプロトコルに加えて、パイプラインのダウンロード時に利用できます。最後に、フリードライヒ運動失調症(FRDA)および年齢および性別が一致した健康な対照を有する人々のコホートにおけるパイプラインの実施から、グループレベルの統計的推論分析のための推奨事項とともに、代表的な結果が提供される。

Protocol

注:この研究で使用されたデータは、モナッシュ大学人間研究倫理委員会(プロジェクト7810)によって承認されたプロジェクトの一部でした。参加者は書面によるインフォームドコンセントを提供しました。パイプラインは Mac、Windows、または Linux オペレーティング・システムで実行できますが、ACAPULCO、SUIT、および QC パイプラインは、Linux (Ubuntu) および Mac (Catalina、Big Sur v11.0.1) オペレーティ?…

Representative Results

小脳パーセレーション(アカプルコ) 小脳パーセルマスクの品質管理:以下の例は、ACAPULCOパーセル化出力を示し、a)個人レベルでのパーセル化マスクの品質、およびb)その後の統計分析からの特定の小葉の包含または除外に関する意思決定を導く。究極的には、主題を含めるか除外するかの決定は主観的です。ここでは、さまざまな健康および臨…

Discussion

小脳は、人間の運動3、認知58、感情10、および言語7,59の幅広い機能に重要であり、多くの神経学的および精神医学的疾患に関与している。局所小脳容積の定量化のための標準化された容易に実装可能なアプローチの利用可能性は、ますます詳細な「全脳」構造機能マッピング、完全な疾患モデ?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

この原稿で発表された研究は、オーストラリア国民健康医学研究評議会(NHMRC)のアイデアグラント:APP1184403によって資金提供されました。

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=equationfreesurfer _installation_directoryequation
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=equationpathequation/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 equation=3.5
Python 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
DOWNLOAD MATERIALS LIST

References

  1. Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
  2. Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
  3. 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).
  4. Manto, M., Gandini, J., Feil, K., Strupp, M. Cerebellar ataxias: an update. Current Opinion in Neurology. 33 (1), 150-160 (2020).
  5. 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).
  6. Strick, P. L., Dum, R. P., Fiez, J. A. Cerebellum and nonmotor function. Annual Review of Neuroscience. 32, 413-434 (2009).
  7. 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).
  8. Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
  9. Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, 561-579 (1998).
  10. Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
  11. Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
  18. 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).
  19. 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).
  20. 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).
  21. Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , 394-412 (2018).
  22. 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).
  23. 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).
  24. 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).
  25. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  26. Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
  27. 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).
  28. 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).
  29. 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).
  30. Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
  31. Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
  32. 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).
  33. Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
  34. Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
  35. Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
  36. Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819 (2020).
  37. Ashburner, J., Friston, K. J. Voxel-based morphometry–the methods. Neuroimage. 11 (6), 805-821 (2000).
  38. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
  39. Andersson, J., Jenkinson, M., Smith, S. . Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
  40. Ashburner, J., Friston, K. J. Unified segmentation. Neuroimage. 26 (3), 839-851 (2005).
  41. Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
  42. Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
  43. Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
  44. 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).
  45. MRIQC. Poldrack Lab, Stanford University Available from: https://mriqc.readthedocs.io/en/stable/ (2020)
  46. dcm2niix. Rorden Lab, University of South Carolina Available from: https://github.com/rordenlab/dcm2niix (2021)
  47. . Docker Available from: https://docs.docker.com/ (2021)
  48. Singularity. Sylabs Available from: https://sylabs.io/singularity (2021)
  49. MATLAB. The MathWorks, Inc Available from: https://au.mathworks.com/ (2021)
  50. Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020)
  51. . FreeSurfer download and install Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020)
  52. 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).
  53. Schmahmann, J. D. The cerebellum and cognition. Neuroscience Letters. 688, 62-75 (2019).
  54. Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402 (2015).
  55. Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
  56. Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
  57. Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S. Functional gradients of the cerebellum. Elife. 7, 36652 (2018).

Tags

Keywords: Cerebellar Grey Matter MorphometryStructural Magnetic Resonance ImagingAnatomical ParcellationVoxel-based MorphometryQuality ControlStandardized PipelineDockerSingularityMATLABSPM12AcapulcoRCIFQC ScriptsOutlier Detection
check_url/kr/63340?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Kerestes, R., Han, S., Balachander, S., Hernandez-Castillo, C., Prince, J. L., Diedrichsen, J., Harding, I. H. A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging. J. Vis. Exp. (180), e63340, doi:10.3791/63340 (2022).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image