Un pipeline standardisé pour l’examen de la morphométrie de la matière grise cérébelleuse humaine à l’aide de l’imagerie par résonance magnétique structurelle

Summary

Un pipeline normalisé est présenté pour l’examen de la morphométrie de la matière grise du cervelet. Le pipeline combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet et l’enregistrement du cervelet à base de voxel pour la quantification volumétrique.

Abstract

De multiples axes de recherche fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives et affectives, allant bien au-delà de son association historique avec le contrôle moteur. Les études de neuroimagerie structurale et fonctionnelle ont affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques, soulignant la nécessité d’examiner les sous-unités cérébelleuses individuelles dans la variabilité saine et les maladies neurologiques. Cet article présente un pipeline standardisé pour l’examen de la morphométrie de la matière grise du cervelet qui combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) et l’enregistrement du cervelet à base de voxel (modèle infra-tentorial spatialement non biaisé; SUIT) pour la quantification volumétrique.

Le pipeline a une large applicabilité à une gamme de maladies neurologiques et est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour le contrôle de la qualité des résultats. Le pipeline est disponible gratuitement, accompagné d’une documentation d’accompagnement substantielle, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est appliqué dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA), et des résultats représentatifs, ainsi que des recommandations sur les analyses statistiques inférentielles au niveau du groupe, sont fournis. Ce pipeline pourrait faciliter la fiabilité et la reproductibilité dans l’ensemble du domaine, fournissant ainsi une approche méthodologique puissante pour caractériser et suivre les changements structurels cérébelleux dans les maladies neurologiques.

Introduction

Le cervelet est une partie du cerveau historiquement associée au contrôle moteur ^1,2,3 et on pense qu’il n’est pleinement impliqué que dans un petit ensemble de maladies rares, telles que les ataxies héréditaires⁴. Cependant, les lignes de recherche convergentes issues d’études de traçage anatomique chez des primates non humains, ainsi que d’études sur les lésions humaines et la neuroimagerie, fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives ^5,6,7, affectives ^8,9,10,11 et d’autres fonctions non ^{motrices 7,12} (voir 6  pour examen). En outre, les anomalies du cervelet sont de plus en plus impliquées dans un large éventail de troubles neurologiques et psychiatriques, y compris la maladie de Parkinson¹³, la maladie d’Alzheimer^14,15, l’épilepsie^16,17, la schizophrénie¹⁸ et les troubles du spectre autistique¹⁹ . Par conséquent, il est devenu essentiel d’incorporer le cervelet dans les modèles fonctionnels et structurels des maladies du cerveau humain et de la variabilité comportementale normative.

Anatomiquement, le cervelet peut être divisé le long de son axe supérieur à inférieur en trois lobes: antérieur, postérieur et floculonodulaire. Les lobes sont subdivisés en 10 lobules désignés par des chiffres romains I-X^20,21 (Figure 1). Le cervelet peut également être regroupé en zones médianes (vermis) et latérales (hémisphère), qui reçoivent respectivement des entrées de la moelle épinière et du cortex cérébral. Le lobe antérieur, composé de lobules I-V, a traditionnellement été associé à des processus moteurs et présente des connexions réciproques avec les cortex moteurs cérébraux²². Le lobe postérieur, composé de lobules VI-IX, est principalement associé aux processus non moteurs¹¹ et présente des connexions réciproques avec le cortex préfrontal, le cortex pariétal postérieur et le cortex cérébral temporal supérieur ^8,23. Enfin, le lobe floculonodulaire, comprenant le lobule X, a des connexions réciproques avec les noyaux vestibulaires qui régissent les mouvements oculaires et l’équilibre du corps pendant la posture et la démarche²¹.

Un nombre croissant de travaux récents utilisant la neuroimagerie fonctionnelle a affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques. Par exemple, des techniques d’imagerie par résonance magnétique fonctionnelle (IRMf) à l’état de repos ont été utilisées pour cartographier le modèle d’interactions fonctionnelles entre le cervelet et le cerveau²⁴. De plus, en utilisant une approche de parcellation basée sur les tâches, King et ses collègues⁷ ont démontré que le cervelet présente un modèle riche et complexe de spécialisation fonctionnelle dans toute son étendue, mis en évidence par des limites fonctionnelles distinctes associées à une variété de tâches motrices, affectives, sociales et cognitives. Collectivement, ces études soulignent l’importance d’examiner les sous-unités cérébelleuses individuelles afin de développer des caractérisations biologiques complètes de l’implication du cervelet dans la variabilité saine et les maladies neurologiques caractérisées par des altérations de la structure et/ou de la fonction cérébelleuses.

Le présent travail se concentre sur les méthodes de quantification des changements locaux dans le volume cérébelleux à l’aide de l’IRM structurelle chez l’homme. En général, il existe deux approches fondamentales pour quantifier le volume cérébral régional à l’aide de données IRM : la segmentation basée sur les caractéristiques et l’enregistrement basé sur le voxel. Les approches de segmentation basées sur les caractéristiques utilisent des repères anatomiques et des atlas standardisés pour identifier automatiquement les frontières entre les sous-régions. Les progiciels grand public pour la segmentation incluent FreeSurfer²⁵, BrainSuite²⁶ et FSL-FIRST²⁷. Cependant, ces emballages ne fournissent que des parcellations grossières du cervelet (par exemple, étiqueter toute la matière grise et toute la substance blanche dans chaque hémisphère), négligeant ainsi les lobules cérébelleux individuels. Ces approches sont également sujettes à une mauvaise segmentation, en particulier à la surinclusion du système vasculaire environnant.

De nouveaux algorithmes d’apprentissage automatique et d’étiquetage multi-atlas ont été développés, qui fournissent une parcellation plus précise et plus fine du cervelet, y compris la classification automatique de l’algorithme de lobules cérébelleux à l’aide de l’évolution multilimite implicite (ACCLAIM ^28,29), la boîte à outils d’analyse cérébelleuse (CATK³⁰), les modèles générés automatiquement multiples (MAGeT³¹), la segmentation automatique rapide du cervelet humain et de ses lobules (RASCAL³² ), segmentation graphique³³ et segmentation CEREbellum (CERES³⁴). Dans un article récent comparant les approches de parcellation du cervelet entièrement automatisées de pointe, CERES2 s’est avéré surpasser les autres approches par rapport à la segmentation manuelle de référence des lobules cérébelleux³⁵. Plus récemment, Han et ses collègues^{de 36} ont développé un algorithme d’apprentissage profond appelé ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), qui fonctionne sur un pied d’égalité avec CERES2, a une large applicabilité aux cervelets sains et atrophiés, est disponible en format de conteneur Docker et Singularity open-source pour une mise en œuvre « prête à l’emploi » et est plus rapide que d’autres approches. ACAPULCO répartit automatiquement le cervelet en 28 régions anatomiques.

Contrairement à la segmentation basée sur les fonctionnalités, les approches d’enregistrement basées sur le voxel fonctionnent en mappant précisément une IRM à une image modèle. Pour réaliser ce mappage, les voxels de l’image originale doivent être déformés en taille et en forme. L’ampleur de cette distorsion fournit effectivement une mesure du volume à chaque voxel par rapport au modèle d’étalon-or. Cette forme d’évaluation volumétrique est connue sous le nom de « morphométrie à base de voxel »³⁷. Les approches d’enregistrement basées sur le voxel du cerveau entier, telles que FSL-FLIRT³⁸/FNIRT³⁹, SPM unified segmentation⁴⁰ et CAT12⁴¹, sont couramment utilisées pour la morphométrie à base de voxel. Cependant, ces approches ne tiennent pas bien compte du cervelet, ce qui entraîne une fiabilité et une validité médiocres dans les régions infratentorielles (cervelet, tronc cérébral⁴²). Pour tenir compte de ces limitations, l’algorithme SUIT (Spatially Unbiased Infra-tentorial Template) a été développé pour optimiser l’enregistrement du cervelet et améliorer la précision de la morphométrie à base de voxel^42,43.

La segmentation basée sur les caractéristiques et les approches d’enregistrement basées sur le voxel pour l’estimation du volume cérébelleux régional ont des forces et des faiblesses fondamentales. Les approches de segmentation sont beaucoup plus précises pour quantifier le volume des zones anatomiquement définies (p. ex., lobules³⁵). Cependant, les limites entre les modules fonctionnels distincts du cervelet ne correspondent pas à ses folias anatomiques et à ses fissures (équivalents aux gyri et sulci du cerveau⁷). Comme les approches basées sur l’enregistrement ne sont pas limitées par des repères anatomiques, une inférence spatiale plus fine et une cartographie structure-fonction à haute dimension du cervelet sont^{possibles 44}. Prises ensemble, les approches de segmentation et d’enregistrement sont complémentaires et peuvent être utilisées pour répondre à différentes questions de recherche.

Ici, un nouveau pipeline standardisé est présenté, qui intègre ces approches existantes et validées pour fournir une parcellation optimisée et automatisée (ACAPULCO) et un enregistrement du cervelet à base de voxel (SUIT) pour la quantification volumétrique (Figure 2). Le pipeline s’appuie sur les approches établies pour inclure des protocoles de contrôle de la qualité, en utilisant la visualisation qualitative et la détection quantitative des valeurs aberrantes, ainsi qu’une méthode rapide pour obtenir une estimation du volume intracrânien (ICV) à l’aide de Freesurfer. Le pipeline est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour vérifier les sorties de contrôle qualité, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est disponible gratuitement sans restriction quant à son utilisation à des fins non commerciales et peut être consulté à partir de la page Web ENIGMA Consortium Imaging Protocols (sous « ENIGMA Cerebellum Volumetrics Pipeline »), après avoir rempli un bref formulaire d’inscription⁴⁵.

Tous les logiciels requis sont répertoriés dans la table des matériaux, et des didacticiels détaillés, y compris une démonstration en direct, sont disponibles lors du téléchargement du pipeline, en plus du protocole décrit ci-dessous. Enfin, des résultats représentatifs sont fournis, issus de la mise en œuvre du pipeline dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA) et de témoins sains appariés selon l’âge et le sexe, ainsi que des recommandations pour des analyses inférentielles statistiques au niveau du groupe.

Protocol

REMARQUE : Les données utilisées dans cette étude faisaient partie d’un projet approuvé par le Comité d’éthique de la recherche humaine de l’Université Monash (projet 7810). Les participants ont donné leur consentement éclairé par écrit. Alors que le pipeline peut être exécuté sur les systèmes d’exploitation Mac, Windows ou Linux, ACAPULCO, SUIT et les pipelines QC ont été explicitement testés sur les systèmes d’exploitation Linux (Ubuntu) et Mac (Catalina, Big Sur v11.0.1). <p class="jov…

Representative Results

Parcellation du cervelet (ACAPULCO) Contrôle de la qualité des masques parcellés au cervelet:Les exemples suivants illustrent les extrants parcellés d’ACAPULCO et guident la prise de décision concernant a) la qualité du masque parcellé au niveau individuel et b) l’inclusion ou l’exclusion ultérieure d’un ou de plusieurs lobules particuliers des analyses statistiques. En fin de compte, la décision d’inclure ou d’exclure un sujet est sub…

Discussion

Le cervelet est essentiel à un large éventail de fonctions motrices humaines³,^{cognitives 58},^{affectives 10} et^{linguistiques 7,59} et est impliqué dans de nombreuses maladies neurologiques et psychiatriques. La disponibilité d’une approche normalisée et facilement réalisable pour la quantification des volumes cérébelleux régionaux contribuera à une cartographie de plus en plus détail…

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 =3.5 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