JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Automatic Translation
Neuroscience

Um pipeline padronizado para examinar morfometria de matéria cinzenta cerebelar humana usando ressonância magnética estrutural

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

Um pipeline padronizado é apresentado para examinar a morfometria de matéria cinzenta de cerebelo. O pipeline combina abordagens de alta resolução e última geração para parcelamento otimizado e automatizado de cerebelo e registro baseado em voxel do cerebelo para quantificação volumosa.

Abstract

Várias linhas de pesquisa fornecem evidências convincentes para um papel do cerebelo em uma ampla gama de funções cognitivas e afetivas, indo muito além de sua associação histórica com o controle motor. Estudos estruturais e funcionais de neuroimagem têm refinado ainda mais a compreensão da neuronatomia funcional do cerebelo além de suas divisões anatômicas, destacando a necessidade de exame de subunidades cerebelares individuais em variabilidade saudável e doenças neurológicas. Este artigo apresenta um pipeline padronizado para examinar a morfometria de matéria cinzenta de cerebelo que combina abordagens de alta resolução e última geração para parcelação otimizada e automatizada de cerebelo (Parcelamento Anatômico Automático de Cerebelo usando otimização localmente restrita da U-Net; ACAPULCO) e registro baseado em voxel do cerebelo (Modelo Infra-tentorial Espacialmente Imparcial; TERNO) para quantificação volumosa.

O gasoduto possui ampla aplicabilidade a uma gama de doenças neurológicas e é totalmente automatizado, com intervenção manual necessária apenas para o controle de qualidade das saídas. O pipeline está livremente disponível, com documentação substancial, e pode ser executado em sistemas operacionais Mac, Windows e Linux. O gasoduto é aplicado em uma coorte de indivíduos com ataxia friedreich (FRDA), e são fornecidas recomendações sobre análises estatísticas inferenciais em nível de grupo. Este gasoduto poderia facilitar a confiabilidade e a reprodutibilidade em todo o campo, fornecendo, em última análise, uma abordagem metodológica poderosa para caracterizar e rastrear mudanças estruturais cerebelares em doenças neurológicas.

Introduction

O cerebelo é uma parte do cérebro historicamente associada ao controle motor 1,2,3 e acredita-se estar integralmente envolvido em apenas um pequeno conjunto de doenças raras, como ataxiasherdadas 4. No entanto, linhas convergentes de pesquisas de estudos de rastreamento anatômicos em primatas não humanos, bem como estudos de lesão humana e neuroimagem, fornecem evidências convincentes para um papel do cerebelo em uma ampla gama de 5,6,7 cognitivos, afetivos 8,9,10,11, e outras funções não motoras 7,12 (ver6  para revisão). Além disso, anormalidades do cerebelo estão cada vez mais implicadas em uma ampla gama de distúrbios neurológicos e psiquiátricos, incluindo doença de Parkinson13, doença de Alzheimer14,15, epilepsia16,17, esquizofrenia18 e transtorno do espectro autista19 . Por isso, tornou-se essencial incorporar o cerebelo em modelos funcionais e estruturais de doenças cerebrais humanas e variabilidade comportamental normativa.

Anatomicamente, o cerebelo pode ser dividido ao longo de seu eixo superior ao inferior em três lóbulos: anterior, posterior e flocculonodular. Os lobos são ainda subdivididos em 10 lobulas denotadas pelos numerais romanos I-X20,21 (Figura 1). O cerebelo também pode ser agrupado em zonas de linha média (vermis) e laterais (hemisfério), que respectivamente recebem entradas da medula espinhal e córtex cerebral. O lobo anterior, composto por lobules I-V, tem sido tradicionalmente associado a processos motores e tem conexões recíprocas com cortices motoras cerebrais22. O lobo posterior, composto por lobules VI-IX, está principalmente associado aos processos não motor11 e possui conexões recíprocas com o córtex pré-frontal, parietal posterior e cortices cerebrais temporais superiores 8,23. Por fim, o lobo flocculonodular, composto por lobule X, possui conexões recíprocas com núcleos vestibulares que regem os movimentos oculares e o equilíbrio corporal durante a postura e a marcha21.

Um corpo crescente de trabalhos recentes usando neuroimagem funcional tem ainda mais refinado a compreensão da neuronatomia funcional do cerebelo além de suas divisões anatômicas. Por exemplo, técnicas de ressonância magnética funcional (fMRI) de estado de repouso têm sido usadas para mapear o padrão de interações funcionais entre o cerebelo e o cerebrum24. Além disso, usando uma abordagem de parcelamento baseada em tarefas, King e seus colegas7 demonstraram que o cerebelo mostra um rico e complexo padrão de especialização funcional em toda a sua amplitude, evidenciado por diferentes limites funcionais associados a uma variedade de tarefas motoras, afetivas, sociais e cognitivas. Coletivamente, esses estudos destacam a importância de examinar subunidades cerebelares individuais para desenvolver caracterizações biológicas completas do envolvimento do cerebelo tanto na variabilidade saudável quanto nas doenças neurológicas caracterizadas por alterações na estrutura e/ou função cerebelar.

O presente trabalho se concentra em métodos para quantificar mudanças locais no volume cerebelar utilizando ressonância magnética estrutural em humanos. Em geral, existem duas abordagens fundamentais para a quantificação do volume cerebral regional usando dados de ressonância magnética: segmentação baseada em recursos e registro baseado em voxel. As abordagens de segmentação baseadas em recursos usam marcos anatômicos e atlas padronizados para identificar automaticamente limites entre sub-regiões. Os principais pacotes de software para segmentação incluem FreeSurfer25, BrainSuite26 e FSL-FIRST27. No entanto, esses pacotes fornecem apenas parcelas grosseiras do cerebelo (por exemplo, rotulando toda a matéria cinzenta e toda a matéria branca em cada hemisfério), ignorando assim os lobulos cerebelares individuais. Essas abordagens também são propensas à má segmentação, particularmente a superaclusão da vasculatura circundante.

Novos algoritmos de rotulagem de aprendizado de máquina e multi-atlas foram desenvolvidos, que fornecem parcelação mais precisa e mais fina do cerebelo, incluindo classificação automática do algoritmo de lobules cerebelar usando evolução implícita multi-fronteira (ACCLAIM28,29), Kit de Ferramentas de Análise Cerebelar (CATK30), Múltiplos Modelos Gerados Automaticamente (MAGeT31), Segmentação automática rápida do cerebelo humano e seus lobules (RASCAL32 ), segmentação de corte gráfico33 e Segmentação cerebellum (CERES34). Em um artigo recente comparando abordagens de parcelamento de cerebelo totalmente automatizados, o CERES2 superou outras abordagens relativas à segmentação manual padrão-ouro dos lobulos cerebelares35. Mais recentemente, Han e seus colegas36 desenvolveram um algoritmo de aprendizagem profunda chamado ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net com otimização localmente restrita), que funciona em comparação com o CERES2, tem ampla aplicabilidade para cerebelos saudáveis e atrofiados, está disponível em formato de contêiner Docker e Singularity de código aberto para implementação ‘off-the-shelf’, e é mais eficiente do que outras abordagens. A ACAPULCO parcela automaticamente o cerebelo em 28 regiões anatômicas.

Em contraste com a segmentação baseada em recursos, as abordagens de registro baseadas em voxel operam mapeando precisamente uma ressonância magnética para uma imagem de modelo. Para alcançar esse mapeamento, os voxels na imagem original devem ser distorcidos em tamanho e forma. A magnitude dessa distorção fornece efetivamente uma medida de volume em cada voxel em relação ao modelo padrão-ouro. Esta forma de avaliação volumosa é conhecida como “morfometria baseada em voxel”37. Abordagens de registro baseadas em voxel de cérebro inteiro, como FSL-FLIRT38/FNIRT39, segmentação unificada SPM40 e CAT1241, são comumente usadas para morfometria baseada em voxel. No entanto, essas abordagens não explicam bem o cerebelo, resultando em baixa confiabilidade e validade em regiões infratentoriais (cerebelo, troncocerebral 42). Para explicar essas limitações, o algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) foi desenvolvido para otimizar o registro de cerebelo e melhorar a precisão da morfometriabaseada em voxel 42,43.

As abordagens de segmentação baseadas em recursos e de registro baseadas em voxel para a estimativa do volume cerebelar regional têm pontos fortes e fracos fundamentais. As abordagens de segmentação são substancialmente mais precisas para quantificar o volume de áreas anatomicamente definidas (por exemplo, lobulos35). No entanto, os limites entre módulos funcionais distintos do cerebelo não mapeiam em suas folias anatômicas e fissuras (equivalentes a gyri e sulci do cerebrum7). Como as abordagens baseadas no registro não são restritas por marcos anatômicos, é possível44 inferência espacial de grãos finos e mapeamento de alta função de estrutura dimensional do cerebelo. Em conjunto, as abordagens de segmentação e registro são complementares entre si e podem ser utilizadas para responder a diferentes questões de pesquisa.

Aqui, é apresentado um novo pipeline padronizado, que integra essas abordagens existentes e validadas para fornecer parcelamento otimizado e automatizado (ACAPULCO) e registro baseado em voxel do cerebelo (SUIT) para quantificação volumosa (Figura 2). O pipeline baseia-se nas abordagens estabelecidas para incluir protocolos de controle de qualidade, utilizando visualização qualitativa e detecção quantitativa de outlier, e um método rápido para obter uma estimativa de volume intracraniano (ICV) usando Freesurfer. O pipeline é totalmente automatizado, com intervenção manual necessária apenas para verificar as saídas de controle de qualidade, e pode ser executado em sistemas operacionais Mac, Windows e Linux. O gasoduto está livremente disponível sem restrições de seu uso para fins não comerciais e pode ser acessado a partir da página web do ENIGMA Consortium Imaging Protocols (sob “ENIGMA Cerebellum Volumetrics Pipeline”), após a conclusão de um breve formulário de registro45.

Todos os softwares necessários estão listados na Tabela de Materiais, e tutoriais detalhados, incluindo uma demonstração ao vivo, estão disponíveis no download do pipeline, além do protocolo descrito abaixo. Finalmente, são fornecidos resultados representativos, a partir da implementação do gasoduto em uma coorte de pessoas com ataxia friedreich (FRDA) e controles saudáveis compatíveis com idade e sexo, juntamente com recomendações para análises estatísticas inferenciais de nível de grupo.

Protocol

NOTA: Os dados utilizados neste estudo fizeram parte de um projeto aprovado pelo Comitê de Ética em Pesquisa Humana da Universidade monash (projeto 7810). Os participantes forneceram consentimento por escrito informado. Enquanto o pipeline pode ser executado em sistemas operacionais Mac, Windows ou Linux, os gasodutos ACAPULCO, SUIT e os gasodutos QC foram explicitamente testados nos sistemas operacionais Linux (Ubuntu) e Mac (Catalina, Big Sur v11.0.1). 1. Módulo 1: ACAPULCO (parcela…

Representative Results

Parcelamento de cerebelo (ACAPULCO) Controle de qualidade das máscaras parceladas de cerebelo:Os exemplos a seguir demonstram as saídas parceladas da ACAPULCO e orientam a tomada de decisão sobre a) a qualidade da máscara parcelada no nível individual e b) posterior inclusão ou exclusão de um lobule(s) específico das análises estatísticas. Em última análise, a decisão de incluir ou excluir um assunto é subjetiva; exemplos de “boas parcelas”, …

Discussion

O cerebelo é fundamental para uma ampla gama de funçõesmotoras 3,cognitivas 58,afetivas 10 elinguagem 7,59 e está implicado em muitas doenças neurológicas e psiquiátricas. A disponibilidade de uma abordagem padronizada e facilmente implementável para a quantificação dos volumes cerebelares regionais contribuirá para um mapeamento estrutura-função estruturais cada vez mais detalha…

Disclosures

The authors have nothing to disclose.

Acknowledgements

O trabalho apresentado neste manuscrito foi financiado por um Subsídio de Ideias do Conselho Nacional de Saúde e Pesquisa Médica australiana (NHMRC): 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=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/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