En standardiserad pipeline presenteras för undersökning av storhjärnans gråämnesmorfometri. Rörledningen kombinerar högupplösta, toppmoderna metoder för optimerad och automatiserad cerebellum parcellation och voxelbaserad registrering av lillhjärnan för volymetrisk kvantifiering.
Flera forskningslinjer ger övertygande bevis för en roll av cerebellum i ett brett spektrum av kognitiva och affektiva funktioner, som går långt utöver dess historiska samband med motorisk kontroll. Strukturella och funktionella neuroimagingstudier har ytterligare förfinat förståelsen av cerebellums funktionella neuroanatomi utöver dess anatomiska uppdelningar, vilket belyser behovet av undersökning av enskilda cerebellära underenheter i hälsosam variation och neurologiska sjukdomar. Detta dokument presenterar en standardiserad pipeline för att undersöka cerebellum grå substansmorfometri som kombinerar högupplösta, toppmoderna metoder för optimerad och automatiserad cerebellum parcellation (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) och voxelbaserad registrering av lillhjärnan (Spatially Unbiased Infra-tentorial Template; SUIT) för volymetrisk kvantifiering.
Rörledningen har bred tillämplighet på en rad neurologiska sjukdomar och är helt automatiserad, med manuell intervention som endast krävs för kvalitetskontroll av utgångarna. Pipelinen är fritt tillgänglig, med omfattande medföljande dokumentation, och kan köras på Mac-, Windows- och Linux-operativsystem. Pipelinen tillämpas i en kohort av individer med Friedreich-ataxi (FRDA), och representativa resultat, liksom rekommendationer om inferentiella statistiska analyser på gruppnivå, tillhandahålls. Denna pipeline kan underlätta tillförlitlighet och reproducerbarhet över hela fältet, vilket i slutändan ger ett kraftfullt metodologiskt tillvägagångssätt för att karakterisera och spåra cerebellära strukturella förändringar i neurologiska sjukdomar.
Lillhjärnan är en del av hjärnan som historiskt förknippats med motorisk kontroll 1,2,3 och tros vara integrerat involverad i endast en liten uppsättning sällsynta sjukdomar, såsom ärftlig ataxi4. Konvergerande forskningslinjer från anatomiska spårningsstudier på icke-mänskliga primater, liksom studier av mänskliga lesioner och neuroimaging, ger emellertid övertygande bevis för cerebellumets roll i ett brett spektrum av kognitiva 5,6,7, affektiva 8,9,10,11 och andra icke-motoriska funktioner 7,12 (se 6 för granskning). Vidare är avvikelser i lillhjärnan alltmer inblandade i ett brett spektrum av neurologiska och psykiatriska störningar, inklusive Parkinsons sjukdom13, Alzheimers sjukdom14,15, epilepsi16,17, schizofreni18 och autismspektrumstörning19 . Därför har det blivit viktigt att införliva cerebellum i funktionella och strukturella modeller av mänskliga hjärnsjukdomar och normativ beteendevariabilitet.
Anatomiskt kan cerebellum delas längs sin överlägsna underlägsna axel i tre lober: främre, bakre och flockulonodulär. Lobben är vidare indelade i 10 lobuler betecknade med romerska siffror I-X20,21 (Figur 1). Lillhjärnan kan också grupperas i mittlinje (vermis) och laterala (halvklot) zoner, som respektive tar emot ingångar från ryggmärgen och hjärnbarken. Den främre loben, som består av lobuler I-V, har traditionellt förknippats med motoriska processer och har ömsesidiga förbindelser med cerebrala motorkortikor22. Den bakre loben, som består av lobuler VI-IX, är främst associerad med icke-motoriska processer11 och har ömsesidiga förbindelser med prefrontal cortex, bakre parietal och överlägsen temporal cerebral kortik 8,23. Slutligen har den flockulonodulära loben, som består av lobule X, ömsesidiga förbindelser med vestibulära kärnor som styr ögonrörelser och kroppsjämvikt under hållning och gång21.
En växande kropp av nyligen arbete med funktionell neuroimaging har ytterligare förfinat förståelsen för cerebellumets funktionella neuroanatomi bortom dess anatomiska uppdelningar. Till exempel har vilotillståndsteknologier för funktionell magnetisk resonanstomografi (fMRI) använts för att kartlägga mönstret för funktionella interaktioner mellan lillhjärnan och storhjärnan24. Dessutom, med hjälp av en uppgiftsbaserad parcellationsmetod, visade King och kollegor7 att lillhjärnan visar ett rikt och komplext mönster av funktionell specialisering över dess bredd, vilket framgår av distinkta funktionella gränser i samband med en mängd olika motoriska, affektiva, sociala och kognitiva uppgifter. Sammantaget belyser dessa studier vikten av att undersöka enskilda cerebellära subenheter för att utveckla fullständiga biologiska karakteriseringar av cerebellum involvering i både hälsosam variabilitet och neurologiska sjukdomar som kännetecknas av förändringar i cerebellär struktur och / eller funktion.
Det aktuella arbetet fokuserar på metoder för att kvantifiera lokala förändringar i cerebellär volym med hjälp av strukturell MR hos människa. I allmänhet finns det två grundläggande metoder för kvantifiering av regional hjärnvolym med hjälp av MR-data: funktionsbaserad segmentering och voxelbaserad registrering. Funktionsbaserade segmenteringsmetoder använder anatomiska landmärken och standardiserade atlaser för att automatiskt identifiera gränser mellan delregioner. Vanliga mjukvarupaket för segmentering inkluderar FreeSurfer25, BrainSuite26 och FSL-FIRST27. Dessa förpackningar ger emellertid endast grova parcellationer av lillhjärnan (t.ex. märkning av hela grå substansen och hela vita substansen på varje halvklot), vilket förbiser de enskilda cerebellära lobulerna. Dessa tillvägagångssätt är också benägna att felsegmentera, särskilt överinkludering av den omgivande vaskulaturen.
Nya maskininlärnings- och multiatlasmärkningsalgoritmer har utvecklats, som ger mer exakt och finkornig parcelering av lillhjärnan, inklusive automatisk klassificering av Cerebellar Lobules-algoritm med implicit multigränsutveckling (ACCLAIM28,29), Cerebellar Analysis Toolkit (CATK30), flera automatiskt genererade mallar (MAGeT31), snabb automatisk segmentering av det mänskliga lillhjärnan och dess lobuler (RASCAL 32 ), grafsnittssegmentering33 och CEREbellum-segmentering (CERES34). I ett nyligen genomfört papper som jämförde toppmoderna helautomatiska cerebellum-parcellationsmetoder visade sig CERES2 överträffa andra metoder i förhållande till guldstandard manuell segmentering av cerebellära lobuler35. Mer nyligen utvecklade Han och kollegor36 en djupinlärningsalgoritm som heter ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), som fungerar i nivå med CERES2, har bred tillämplighet på både friska och atrofierade cerebellums, finns i öppen källkod Docker och Singularity containerformat för “off-the-shelf” -implementering och är mer tidseffektiv än andra metoder. ACAPULCO paketerar automatiskt lillhjärnan i 28 anatomiska regioner.
Till skillnad från funktionsbaserad segmentering fungerar voxelbaserade registreringsmetoder genom att exakt mappa en MR till en mallbild. För att uppnå denna mappning måste voxlarna i originalbilden förvrängas i storlek och form. Storleken på denna distorsion ger effektivt ett mått på volymen vid varje voxel i förhållande till guldstandardmallen. Denna form av volymetrisk bedömning kallas voxelbaserad morfometri37. Voxelbaserade registreringsmetoder för hela hjärnan, till exempel FSL-FLIRT38/FNIRT39, SPM unified segmentation40 och CAT1241, används ofta för voxelbaserad morfometri. Dessa tillvägagångssätt står emellertid inte väl för cerebellum, vilket resulterar i dålig tillförlitlighet och validitet i infratentoriella regioner (cerebellum, hjärnstam42). För att ta hänsyn till dessa begränsningar utvecklades algoritmen SUIT (Spatially Unbiased Infra-tentorial Template) för att optimera cerebellumregistrering och förbättra noggrannheten hos voxelbaserad morfometri42,43.
Funktionsbaserad segmentering och voxelbaserade registreringsmetoder för uppskattning av regional cerebellär volym har grundläggande styrkor och svagheter. Segmenteringsmetoder är betydligt mer exakta för att kvantifiera volymen av anatomiskt definierade områden (t.ex. lobuler35). Gränserna mellan distinkta funktionella moduler i lillhjärnan kartlägger emellertid inte dess anatomiska folia och sprickor (motsvarande gyri och sulci i storhjärnan7). Eftersom registreringsbaserade metoder inte begränsas av anatomiska landmärken är finkornig rumslig inferens och högdimensionell strukturfunktionskartläggning av lillhjärnan möjlig44. Sammantaget kompletterar segmenterings- och registreringsmetoder varandra och kan användas för att svara på olika forskningsfrågor.
Här presenteras en ny standardiserad pipeline som integrerar dessa befintliga, validerade metoder för att tillhandahålla optimerad och automatiserad parcelering (ACAPULCO) och voxelbaserad registrering av lillhjärnan (SUIT) för volymetrisk kvantifiering (Figur 2). Pipelinen bygger på de etablerade metoderna för att inkludera kvalitetskontrollprotokoll, med hjälp av kvalitativ visualisering och kvantitativ extremfallsdetektering, och en snabb metod för att erhålla en uppskattning av intrakraniell volym (ICV) med freesurfer. Pipelinen är helt automatiserad, med manuella åtgärder som endast krävs för att kontrollera kvalitetskontrollutgångarna och kan köras på Mac-, Windows- och Linux-operativsystem. Rörledningen är fritt tillgänglig utan begränsningar för dess användning för icke-kommersiella ändamål och kan nås från ENIGMA Consortium Imaging Protocols webbsida (under “ENIGMA Cerebellum Volumetrics Pipeline”), efter ifyllandet av ett kort registreringsformulär45.
All nödvändig programvara listas i materialförteckningen, och detaljerade handledning, inklusive en live-demonstration, finns tillgängliga vid nedladdning av rörledningen, utöver protokollet som beskrivs nedan. Slutligen tillhandahålls representativa resultat, från implementeringen av pipelinen i en kohort av personer med Friedreich-ataxi (FRDA) och ålders- och könsmatchade friska kontroller, tillsammans med rekommendationer för statistiska inferentiella analyser på gruppnivå.
Lillhjärnan är kritisk för ett brett spektrum av mänskliga motoriska3, kognitiva58, affektiva10 och språk 7,59 funktioner och är inblandad i många neurologiska och psykiatriska sjukdomar. Tillgången till ett standardiserat och lätt genomförbart tillvägagångssätt för kvantifiering av regionala cerebellära volymer kommer att bidra till alltmer detaljerad kartläggning av struktur…
The authors have nothing to disclose.
Arbetet som presenteras i detta manuskript finansierades av ett australian national health and medical research council (NHMRC) Ideas Grant: APP1184403.
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= ![]() ![]() source $FREESURFER_HOME/SetUpFreeSurfer.sh |
export SUBJECTS_DIR=![]() ![]() |
|||
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 ![]() 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 |