Una tubería estandarizada para examinar la morfometría de materia gris cerebelosa humana utilizando imágenes de resonancia magnética estructural

Resumen

Se presenta una tubería estandarizada para examinar la morfometría de materia gris del cerebelo. La tubería combina enfoques de alta resolución y vanguardia para la parcelación optimizada y automatizada del cerebelo y el registro basado en vóxel del cerebelo para la cuantificación volumétrica.

Resumen

Múltiples líneas de investigación proporcionan evidencia convincente de un papel del cerebelo en una amplia gama de funciones cognitivas y afectivas, yendo mucho más allá de su asociación histórica con el control motor. Los estudios de neuroimagen estructural y funcional han refinado aún más la comprensión de la neuroanatomía funcional del cerebelo más allá de sus divisiones anatómicas, destacando la necesidad de examinar las subunidades cerebelosas individuales en la variabilidad saludable y las enfermedades neurológicas. Este artículo presenta una tubería estandarizada para examinar la morfometría de materia gris del cerebelo que combina enfoques de alta resolución y vanguardia para la parcelación de cerebelo optimizada y automatizada (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) y registro del cerebelo basado en vóxel (Spatially Unbiased Infra-tentorial Template; SUIT) para cuantificación volumétrica.

La tubería tiene una amplia aplicabilidad a una variedad de enfermedades neurológicas y está totalmente automatizada, con intervención manual solo requerida para el control de calidad de los resultados. La canalización está disponible gratuitamente, con documentación sustancial que la acompaña, y se puede ejecutar en los sistemas operativos Mac, Windows y Linux. La tubería se aplica en una cohorte de individuos con ataxia de Friedreich (FRDA), y se proporcionan resultados representativos, así como recomendaciones sobre análisis estadísticos inferenciales a nivel de grupo. Esta tubería podría facilitar la confiabilidad y la reproducibilidad en todo el campo, proporcionando en última instancia un poderoso enfoque metodológico para caracterizar y rastrear los cambios estructurales cerebelosos en las enfermedades neurológicas.

Introducción

El cerebelo es una parte del cerebro históricamente asociada con el control motor ^1,2,3 y se cree que está involucrado integralmente en solo un pequeño conjunto de enfermedades raras, como las ataxias hereditarias⁴. Sin embargo, las líneas convergentes de investigación de los estudios de rastreo anatómico en primates no humanos, así como los estudios de lesiones humanas y neuroimagen, proporcionan evidencia convincente de un papel del cerebelo en una amplia gama de funciones cognitivas ^5,6,7, afectivas 8,9,10,11 y otras funciones no motoras ^7,12 (ver 6  para su revisión). Además, las anomalías del cerebelo están cada vez más implicadas en una amplia gama de trastornos neurológicos y psiquiátricos, incluida la enfermedad de Parkinson¹³, la enfermedad de Alzheimer^14,15, la epilepsia^16,17, la esquizofrenia¹⁸ y el trastorno del espectro autista¹⁹ . Por lo tanto, se ha vuelto esencial incorporar el cerebelo en modelos funcionales y estructurales de enfermedades cerebrales humanas y variabilidad normativa del comportamiento.

Anatómicamente, el cerebelo se puede dividir a lo largo de su eje superior a inferior en tres lóbulos: anterior, posterior y floculonodular. Los lóbulos se subdividen en 10 lóbulos denotados por números romanos I-X^20,21 (Figura 1). El cerebelo también se puede agrupar en zonas de línea media (vermis) y lateral (hemisferio), que reciben respectivamente entradas de la médula espinal y la corteza cerebral. El lóbulo anterior, que comprende los lóbulos I-V, se ha asociado tradicionalmente con procesos motores y tiene conexiones recíprocas con cortezas motoras cerebrales²². El lóbulo posterior, que comprende los lóbulos VI-IX, se asocia principalmente con procesos no motores¹¹ y tiene conexiones recíprocas con la corteza prefrontal, el parietal posterior y las cortezas cerebrales temporales superiores ^8,23. Por último, el lóbulo floculonodular, que comprende el lóbulo X, tiene conexiones recíprocas con los núcleos vestibulares que gobiernan los movimientos oculares y el equilibrio corporal durante la postura y la marcha²¹.

Un creciente cuerpo de trabajo reciente que utiliza neuroimagen funcional ha refinado aún más la comprensión de la neuroanatomía funcional del cerebelo más allá de sus divisiones anatómicas. Por ejemplo, se han utilizado técnicas de resonancia magnética funcional (fMRI) en estado de reposo para mapear el patrón de interacciones funcionales entre el cerebelo y el cerebro²⁴. Además, utilizando un enfoque de parcelación basado en tareas, King y sus colegas⁷ demostraron que el cerebelo muestra un patrón rico y complejo de especialización funcional en toda su amplitud, evidenciado por distintos límites funcionales asociados con una variedad de tareas motoras, afectivas, sociales y cognitivas. Colectivamente, estos estudios resaltan la importancia de examinar subunidades cerebelosas individuales para desarrollar caracterizaciones biológicas completas de la participación del cerebelo tanto en la variabilidad saludable como en las enfermedades neurológicas caracterizadas por alteraciones en la estructura y / o función cerebelosa.

El presente trabajo se centra en los métodos para cuantificar los cambios locales en el volumen cerebeloso utilizando la resonancia magnética estructural en humanos. En general, hay dos enfoques fundamentales para la cuantificación del volumen cerebral regional utilizando datos de resonancia magnética: segmentación basada en características y registro basado en vóxel. Los enfoques de segmentación basados en características utilizan puntos de referencia anatómicos y atlas estandarizados para identificar automáticamente los límites entre las subregiones. Los principales paquetes de software para la segmentación incluyen FreeSurfer²⁵, BrainSuite²⁶ y FSL-FIRST²⁷. Sin embargo, estos paquetes proporcionan solo parcelaciones gruesas del cerebelo (por ejemplo, etiquetando toda la materia gris y toda la materia blanca en cada hemisferio), pasando por alto los lóbulos cerebelosos individuales. Estos enfoques también son propensos a la segmentación errónea, particularmente la inclusión excesiva de la vasculatura circundante.

Se han desarrollado nuevos algoritmos de aprendizaje automático y etiquetado multi atlas, que proporcionan una parcelación más precisa y de grano más fino del cerebelo, incluido el algoritmo de clasificación automática de lóbulos cerebelosos utilizando la evolución implícita de múltiples límites (ACCLAIM^28,29), el kit de herramientas de análisis cerebeloso (CATK³⁰), las plantillas generadas automáticamente múltiples (MAGeT³¹), la segmentación automática rápida del cerebelo humano y sus lóbulos (RASCAL³² ), segmentación de corte gráfico³³ y Segmentación cerebelo (CERES³⁴). En un artículo reciente que compara los enfoques de parcelación de cerebelo totalmente automatizados de última generación, se encontró que CERES2 supera a otros enfoques en relación con la segmentación manual estándar de oro de los lóbulos cerebelosos³⁵. Más recientemente, Han y sus colegas³⁶ desarrollaron un algoritmo de aprendizaje profundo llamado ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), que funciona a la par con CERES2, tiene una amplia aplicabilidad a cerebelos sanos y atrofiados, está disponible en formato de contenedor Docker y Singularity de código abierto para la implementación "lista para usar", y es más eficiente en el tiempo que otros enfoques. ACAPULCO parcela automáticamente el cerebelo en 28 regiones anatómicas.

A diferencia de la segmentación basada en características, los enfoques de registro basados en vóxeles operan asignando con precisión una resonancia magnética a una imagen de plantilla. Para lograr este mapeo, los vóxeles en la imagen original deben estar distorsionados en tamaño y forma. La magnitud de esta distorsión proporciona efectivamente una medida de volumen en cada vóxel en relación con la plantilla estándar de oro. Esta forma de evaluación volumétrica se conoce como "morfometría basada en vóxel"³⁷. Los enfoques de registro basados en vóxel de cerebro completo, como FSL-FLIRT³⁸ / FNIRT³⁹, SPM segmentación unificada⁴⁰ y CAT12⁴¹, se usan comúnmente para la morfometría basada en vóxel. Sin embargo, estos enfoques no tienen en cuenta bien el cerebelo, lo que resulta en una confiabilidad y validez deficientes en las regiones infratentoriales (cerebelo, tronco encefálico⁴²). Para tener en cuenta estas limitaciones, se desarrolló el algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) para optimizar el registro del cerebelo y mejorar la precisión de la morfometría basada en vóxel^42,43.

La segmentación basada en características y los enfoques de registro basados en vóxeles para la estimación del volumen cerebeloso regional tienen fortalezas y debilidades fundamentales. Los enfoques de segmentación son sustancialmente más precisos para cuantificar el volumen de áreas definidas anatómicamente (por ejemplo, lóbulos³⁵). Sin embargo, los límites entre los distintos módulos funcionales del cerebelo no se asignan a su folia anatómica y fisuras (equivalentes a giros y surcos del cerebro⁷). Como los enfoques basados en el registro no están limitados por puntos de referencia anatómicos, es posible una inferencia espacial de grano más fino y un mapeo de estructura-función de alta dimensión del cerebelo⁴⁴. En conjunto, los enfoques de segmentación y registro son complementarios entre sí y se pueden utilizar para responder a diferentes preguntas de investigación.

Aquí, se presenta una nueva tubería estandarizada, que integra estos enfoques existentes y validados para proporcionar una parcelación optimizada y automatizada (ACAPULCO) y un registro basado en vóxel del cerebelo (SUIT) para la cuantificación volumétrica (Figura 2). La tubería se basa en los enfoques establecidos para incluir protocolos de control de calidad, utilizando visualización cualitativa y detección cuantitativa de valores atípicos, y un método rápido para obtener una estimación del volumen intracraneal (ICV) utilizando Freesurfer. La canalización está totalmente automatizada, con intervención manual solo necesaria para verificar las salidas del control de calidad, y se puede ejecutar en los sistemas operativos Mac, Windows y Linux. La tubería está disponible gratuitamente sin restricciones de su uso para fines no comerciales y se puede acceder desde la página web de ENIGMA Consortium Imaging Protocols (en "ENIGMA Cerebellum Volumetrics Pipeline"), después de completar un breve formulario de registro⁴⁵.

Todo el software requerido se enumera en la Tabla de materiales, y los tutoriales detallados, incluida una demostración en vivo, están disponibles al descargar la tubería, además del protocolo que se describe a continuación. Finalmente, se proporcionan resultados representativos, a partir de la implementación de la tubería en una cohorte de personas con ataxia de Friedreich (FRDA) y controles sanos emparejados por edad y sexo, junto con recomendaciones para análisis inferenciales estadísticos a nivel de grupo.

Protocolo

NOTA: Los datos utilizados en este estudio fueron parte de un proyecto aprobado por el Comité de Ética de Investigación Humana de la Universidad de Monash (proyecto 7810). Los participantes dieron su consentimiento informado por escrito. Si bien la canalización se puede ejecutar en los sistemas operativos Mac, Windows o Linux, ACAPULCO, SUIT y las canalizaciones de control de calidad se han probado explícitamente en los sistemas operativos Linux (Ubuntu) y Mac (Catalina, Big Sur v11.0.1).

1. Módulo 1: ACAPULCO (parcelación anatómica)

1. Recogida de datos
   1. Recopile imágenes de resonancia magnética ponderadas en 3D T1 de todo el cerebro a una resolución de 1 mm³ o menos. Se recomiendan las dimensiones isotrópicas del vóxel (normalmente 1 mm x 1 mm x 1 mm) y un escáner 3-Telsa (o superior). Consulte con un especialista en imágenes en su centro de radiografía para configurar y adquirir datos que cumplan con estas especificaciones.
      NOTA: Las imágenes ponderadas en T2 a veces son útiles para análisis volumétricos; sin embargo, la canalización presentada aquí se basa únicamente en datos ponderados en T1, y algunas de las herramientas utilizadas son exclusivas de este tipo de datos. Como tal, no se pueden utilizar imágenes ponderadas en T2.
   2. Realizar una evaluación de la calidad visual de las imágenes para excluir malformaciones cerebelosas macroscópicas (por ejemplo, lesiones grandes) o artefactos de movimiento sustanciales que impidan la identificación de puntos de referencia cerebelosos importantes (por ejemplo, las principales fisuras anatómicas). No excluya automáticamente la cerebela atrofiada, incluso si es sustancial.
   3. Para los estudios grupales, también considere las evaluaciones cuantitativas de calidad utilizando herramientas estandarizadas disponibles gratuitamente como MRIQC⁴⁶ para identificar aún más los datos problemáticos.
   4. Convierta todos los datos al formato NIFTI-GZ utilizando una herramienta como dcm2niix⁴⁷.
2. Organización de datos recomendada
   1. Obtenga todo el software necesario como se indica en la Tabla de materiales. Asegúrese de que Docker⁴⁸ o Singularity⁴⁹, Matlab⁵⁰ y SPM12⁵¹ estén instalados antes de ejecutar la canalización.
      NOTA: También están disponibles extensos tutoriales escritos y en video que describen la tubería (consulte la Tabla de materiales).
   2. Una vez que se haya instalado todo el software necesario, cree carpetas en el directorio de trabajo y etiquételas como 'acapulco', 'suit' y 'freesurfer'. Haga esto usando el comando mkdir de la línea de comandos.
   3. En el directorio 'acapulco', cree una carpeta de salida . En la carpeta de salida , cree un directorio para cada sujeto del estudio que contenga la imagen ponderada T1 en formato NIFTI-GZ.
      NOTA: Se recomienda guardar una copia de los datos originales en otro lugar.
3. Parcelación cerebelosa anatómica utilizando ACAPULCO
   1. Vaya a la Tabla de Materiales y descargue los scripts y contenedores relevantes necesarios para ejecutar ACAPULCO (en archivos de tubería de acapulco). En el directorio 'acapulco', coloque el (i) contenedor ACAPULCO Docker OR Singularity ('acapulco_0.2.1.tar.gz' o '.sif', respectivamente), (ii) contenido del archivo QC_scripts (3 archivos: 'QC_Master.R', 'QC_Plots.Rmd' y 'QC_Image_Merge.Rmd'), y (iii) 'R.sif' (singularidad) O 'calculate_icv.tar' (docker).
   2. Abra un terminal y, desde la línea de comandos, ejecute el contenedor ACAPULCO en una sola imagen (reemplace <> en lo siguiente). Espere ~ 5 minutos para que se complete el procesamiento.
      1. Con Docker, escriba el comando:
         docker load --input acapulco_0.2.1.tar.gz
         docker run -v $PWD:$PWD -w $PWD -t --user $(id -u):$(id -g) --rm acapulco:latest -i output/<>/<>.nii.gz -o output/<>
      2. Con Singularity, escriba el comando:
         singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
   3. Bucle a través de todos los sujetos / escaneos en la cohorte. Consulte la Tabla de materiales para obtener un enlace al sitio web de ENIGMA Imaging Protocols para descargar la tubería (en ENIGMA Cerebellum Volumetrics Pipeline) y el manual tutorial que contiene ejemplos de cómo crear un bucle for para procesar múltiples sujetos en serie.
   4. Después del procesamiento, busque los siguientes archivos generados en las carpetas específicas del sujeto:
      1. Identifique "_n4_mni_seg_post_inverse.nii.gz": máscara de cerebelo parcelada en original (espacio sujeto).
      2. Identificar "_n4_mni_seg_post_volumes.csv": volúmenes (en mm³) para cada una de las 28 subunidades generadas por acapulco;
      3. Identificar imágenes representativas (en el directorio 'pics'): sagital, axial y coronal.
4. Detección estadística de valores atípicos y control de calidad (QC)
   1. Desde el terminal y en el directorio 'acapulco', asegúrese de que el contenido de QC_scripts está en el directorio 'acapulco'. Para ejecutar los scripts de control de calidad:
      1. Con Docker, escriba el comando:
         calculate_icv.tar de carga de Docker
         docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
         salida QC_Master.R/
      2. Con Singularity, escriba el comando:
         singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
5. Examinando las imágenes de control de calidad generadas por ACAPULCO
   NOTA: Hay un proceso de 3 pasos para verificar la calidad de las imágenes parceladas de ACAPULCO.
   1. Abra el 'QC_Images.html' en un navegador web y desplácese rápidamente (~ 10 s por tema) a través de las imágenes para identificar fallas obvias o problemas sistemáticos. Anote los ID de sujeto de las imágenes parceladas fallidas o sospechosas para el seguimiento.
      NOTA: Consulte la Figura 3 para obtener una guía sobre la neuroanatomía de los lóbulos cerebelosos y la Figura 4, Figura 5 y Figura 6 en la sección de resultados representativos a continuación para ver ejemplos de parcelaciones "buenas", "parcelaciones erróneas sutiles" y parcelaciones de "falla global".
   2. Abra el 'Plots_for_Outliers.html' para marcar las casillas de los valores atípicos estadísticos cuantitativos. Busque valores atípicos (2.698 s.d por encima o por debajo de la media) por encima o por debajo de los bigotes de las gráficas de caja. Coloque el cursor sobre los puntos de datos para mostrar el ID de sujeto. Identifique los valores atípicos denotados por un '1' en la columna correspondiente en el archivo 'Valores atípicos.csv' y anote el número total de segmentos identificados como valores atípicos para cada sujeto en la columna final en 'Valores atípicos.csv'.
   3. Inspeccione manualmente cada imagen que tenga uno o más valores atípicos. CRÍTICO: Utilizando un visor de imágenes NIFTI estándar (por ejemplo, FSLEyes o MRICron), superponga la máscara ACAPULCO en la imagen T1w original para verificar la calidad de la parcelación corte por rebanada.
      1. Para generar superposiciones para el control de calidad detallado desde la línea de comandos utilizando FSLEyes, i) cambie el directorio al directorio 'acapulco', ii) especifique el asunto a ver (reemplace ):
         subj=
      2. Copie/pegue el siguiente código en el terminal (sin cambiar manualmente {subj} ya que esto ha sido establecido por la línea anterior:
         t1_image=output/${subj}/${subj}.nii.gz
         acapulco_image=output/${subj}/${subj}_n4_mni_seg_post_inverse.nii.gz
         fsleyes ${t1_image} ${acapulco_image} --overlayType label --lut random_big --outline --outlineWidth 3 ${acapulco_image} --overlayType volume --alpha 50 --cmap random
         NOTA: Será necesario determinar si se debe incluir el segmento anormal o no, es decir, ¿hay un error de parcelación o es solo una variabilidad normal en la anatomía del individuo? Cada región parcelada se considera individualmente, por lo que algunas regiones pueden excluirse para una imagen, mientras que el resto se puede conservar si es correcto.
      3. ¿Es necesario excluir una o más regiones parceladas del conjunto de datos final?
         En caso afirmativo (se confirma el valor atípico), excluya esta parcelación del análisis sustituyendo la estimación de volumen por NA en la celda correspondiente del archivo «Cerebel_vols.csv» para ese sujeto.
      4. ¿Los errores de parcelación dan lugar a que parte del cerebelo se excluya de la máscara?
         En caso afirmativo ,por ejemplo, si faltan determinados lóbulos cerebelosos en la máscara o aparecen "cortados"), excluya inmediatamente al sujeto de otros análisis (es decir, no proceda a ejecutar el módulo SUIT en esos sujetos).

2. Módulo 2: Morfometría basada en vóxel optimizada para cerebelo SUIT

1. Análisis de morfometría basados en vóxel utilizando SUIT
   CRÍTICO: Esta canalización requiere que el módulo ACAPULCO ya se haya ejecutado, ya que se basa en la generación de una máscara cerebelosa específica del sujeto para la optimización del registro y la normalización del cerebelo a la plantilla SUIT. Si la máscara específica del sujeto generada por ACAPULCO no incluye todo el cerebelo, esto garantiza la exclusión del módulo SUIT. Para obtener instrucciones sobre cómo ejecutar SUIT independiente, consulte⁵².
   1. Obtenga todo el software necesario que aparece en la Tabla de materiales. Asegúrese de que la carpeta SPM12 y todas las subcarpetas están en la ruta de acceso de MATLAB. Asegúrese de enigma_suit scripts se guarden en el directorio 'spm12/toolbox' y se agreguen a la ruta de MATLAB. Para comprobar la ruta de acceso de MATLAB, escriba pathtool en la ventana de comandos de MATLAB y, a continuación, haga clic en Agregar con subcarpetas para agregar las carpetas correspondientes.
   2. Ejecute la canalización SUIT para uno o más temas. Espere ~ 15-20 min (si usa la interfaz gráfica de usuario [GUI]) y ~ 5-7 min si se ejecuta desde el terminal (bash / shell) para que se complete el procesamiento.
      1. Para utilizar la GUI (los sujetos se ejecutarán en serie), desde la ventana de comandos de MATLAB, escriba el comando:
         suit_enigma_all
      2. En la primera ventana emergente, seleccione las carpetas de asunto del directorio 'acapulco/output' para incluir en el análisis. Haga clic en las carpetas individuales en el lado derecho de la ventana, o haga clic con el botón derecho y seleccione todo. Presione Listo. En la segunda ventana emergente, seleccione el directorio SUIT, donde se escribirán los análisis.
      3. O Bien llame a la función desde la línea de comandos de MATLAB para un solo asunto, escriba el comando:
         suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. O Llame a la función desde la ventana del terminal, fuera de MATLAB, para un solo sujeto escribiendo el comando:
         matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
   3. Consulte la Tabla de materiales para obtener un enlace al sitio web de ENIGMA Imaging Protocols para descargar la tubería (en ENIGMA Cerebellum Volumetrics Pipeline) y el manual tutorial que contiene ejemplos de cómo crear un bucle for para procesar múltiples sujetos en serie.
   4. Busque los siguientes puntos con respecto al guión.
      1. Asegúrese de que el script copie la imagen T1 con sesgo corregido de N4 y alineada con MNI (cuerpo rígido) y la máscara de cerebelo de ACAPULCO en el directorio de salida.
      2. Asegúrese de que el guión segmenta la materia gris y blanca del cerebelo.
      3. Asegúrese de que el script corrige los errores de sobreinclusión en la parcelación utilizando la máscara ACAPULCO.
      4. Asegúrese de que el script DARTEL normalice y reslice los datos en el espacio SUIT con modulación jacobiana para que el valor de cada vóxel sea proporcional a su volumen original.
      5. Compruebe en la carpeta de cada sujeto los siguientes resultados finales: 'wd_seg1.nii' (materia gris) y 'wd_seg2.nii' (materia blanca).
2. Detección estadística de valores atípicos y control de calidad
   1. Inspeccione visualmente las imágenes normalizadas y moduladas (wd*) en busca de fallos importantes. En MATLAB, escriba el comando:
      spm_display_4D
   2. Seleccione manualmente las imágenes 'wd*seg1' de las subcarpetas del traje, o navegue hasta el directorio 'suit'; inserte '^wd.*seg1' en el cuadro Filtro (sin comillas) y pulse el botón Rec . Presione Listo.
   3. Desplácese por las imágenes para asegurarse de que todas estén bien alineadas. Consulte la Figura 7 para obtener imágenes correctamente normalizadas de controles sanos (A, B) y un individuo con un cerebelo muy atrófico (D).
      NOTA: En esta etapa, la anatomía entre sujetos es muy similar (ya que se han registrado en la misma plantilla), y las diferencias de volumen están codificadas por diferentes intensidades de vóxel. Las fallas importantes serán obvias, por ejemplo, imágenes en blanco, grandes áreas de tejido faltante, gradientes de intensidad inusuales (es decir, vóxeles brillantes todos en la parte superior, vóxeles oscuros todos en la parte inferior). Estas imágenes deben excluirse de los pasos posteriores.
   4. Compruebe la covarianza espacial para ver si hay valores atípicos. En MATLAB, escriba el comando:
      check_spatial_cov
      1. Seleccione las imágenes 'wd*seg1' según el paso anterior. Cuando se le solicite, seleccione las siguientes opciones: Escalado de prop: Sí; Variable para covary out: No; Rebanada (mm): - 48 , Gap: 1.
      2. Mire el diagrama de caja que muestra la covarianza espacial media de cada imagen en relación con todas las demás en la muestra. Identifique los puntos de datos que están >2s.d. por debajo de la media en la ventana de comandos de MATLAB. Para ellos, inspeccione la imagen "_n4_mni.nii.gz" en la carpeta SUIT en busca de artefactos (movimiento, anomalías anatómicas), problemas de calidad de imagen o errores de preprocesamiento.
      3. Si la calidad de la imagen y el preprocesamiento son aceptables y la inspección visual de las imágenes moduladas en el paso anterior no indica un problema con la segmentación y la normalización, conserve estos datos en la muestra. De lo contrario, excluya estos datos.

3. MÓDULO 3 (opcional): Estimación del volumen intracraneal (ICV) utilizando FreeSurfer

NOTA: Este módulo utilizará la canalización de FreeSurfer para calcular ICV. No es necesario volver a ejecutarlo si existen salidas de Freesurfer para la cohorte (cualquier versión).

1. Configuración de FreeSurfer
   1. Asegúrese de que FreeSurfer esté descargado e instalado⁵³. Vaya a la Tabla de materiales y descargue los scripts relevantes para ejecutar este módulo (en archivos de canalización ICV). Cuando trabaje con FreeSurfer, establezca las siguientes variables:
      directorio export FREESURFER_HOME=
      fuente $FREESURFER_HOME/SetUpFreeSurfer.sh
   2. Sustitúyase en el texto siguiente:
      export SUBJECTS_DIR=
2. Ejecución de Freesurfer autorecon1
   1. Para un solo sujeto, desde el interior del directorio 'freesurfer' (tiempo de procesamiento ~ 20 min), escriba el comando:
      cd
   2. Consulte el manual del tutorial para ver ejemplos de cómo crear un bucle for para procesar varios temas en serie.
3. Cálculo de ICV
   1. Organización de datos
      1. En el directorio 'freesurfer', coloque el (i) contenedor Docker OR Singularity utilizado en el Módulo 1 ('calculate_icv.tar' o 'R.sif', respectivamente) y (ii) el script xfm2det (consulte la Tabla de materiales). A continuación, haga un clon de git para clonar el script ICV requerido:
         https://github.com/Characterisation-Virtual-Laboratory/calculate_icv de clonación de git
   2. Ejecución de la extracción de ICV (tiempo de procesamiento ~ 5 min)
      1. Desde el directorio 'freesurfer', con el contenedor de singularidad ('R.sif'), escriba:
         singularity exec --cleanenv -B $PWD:$PWD R.sif calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/freesurfer --acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv calculate_icv
      2. Desde el directorio 'freesurfer', con el contenedor docker, escriba:
         docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
         calculate_icv/calculate_icv.py --freesurfer_dir=/path/to/Freesurfer --
         acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
         calculate_icv
      3. Ejecución de script sin contenedor: consulte la Tabla de materiales para obtener el software y las dependencias adicionales necesarios. Desde el directorio 'freesurfer', escriba:
         ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/path/to/freesurfer --
         acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --
         output_csv_name=Cerebel_vols.csv calculate_icv
         NOTA: Esto calculará el ICV para cada sujeto y agregará una columna con ICV al final del archivo 'Cerebel_vols.csv'.

Resultados

Parcelación cerebelo (ACAPULCO)

Control de calidad de las mascarillas parceladas de cerebelo:
Los siguientes ejemplos demuestran los resultados parcelados de ACAPULCO y guían la toma de decisiones sobre a) la calidad de la máscara parcelada a nivel individual y b) la inclusión o exclusión posterior de un lóbulo particular de los análisis estadísticos. En última instancia, la decisión de incluir o excluir un tema es subjetiva; aquí se proporcionan...

Discusión

El cerebelo es crítico para una amplia gama de funciones motoras humanas³,^{cognitivas 58}, afectivas¹⁰ y ^7,59 del lenguaje y está implicado en muchas enfermedades neurológicas y psiquiátricas. La disponibilidad de un enfoque estandarizado y fácilmente implementable para la cuantificación de los volúmenes cerebelosos regionales contribuirá a un mapeo cada vez más detallado de la estruct...

Materiales

Name	Company	Catalog Number	Comments
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