Mesure de la connectivité dans la voie visuelle primaire en albinisme humaine Utilisation Diffusion Tensor Imaging and Tractography

Résumé

Ce manuscrit décrit des algorithmes déterministes et probabilistes pour la matière blanche (WM) reconstruction, utilisé pour examiner les différences dans le rayonnement optique (OR) la connectivité entre l'albinisme et les contrôles. Bien que tractographie probabiliste suit de plus près le véritable cours de fibres nerveuses, tractographie déterministe a été effectué pour comparer la fiabilité et la reproductibilité des deux techniques.

Résumé

Dans l'albinisme, le nombre de saillie ipsilatérale cellules ganglionnaires de la rétine (CGR) est considérablement réduite. La rétine et chiasma optique ont été proposés comme sites candidats pour misrouting. Depuis une corrélation entre le nombre de noyau genouillé latéral (LGN) relais neurones et la taille LGN a été démontré, et sur la base des réductions précédemment rapportées dans des volumes LGN dans l'albinisme humaine, nous suggérons que les projections de fibres de LGN au cortex visuel primaire (V1) sont également réduits. L'étude des différences structurelles dans le système visuel de l'albinisme peut améliorer la compréhension du mécanisme de misrouting et les applications cliniques ultérieures. les données de diffusion et tractographie sont utiles pour la cartographie de la OR (de rayonnement optique). Ce manuscrit décrit deux algorithmes pour la reconstruction OU afin de comparer la connectivité du cerveau dans l'albinisme et le scanner IRM controls.An avec une bobine de tête 32 canaux a été utilisé pour acquérir des analyses structurelles. Une séquence 3D-MPRAGE pondérée en T1 avec 1 mm³ isotrope taille de voxel a été utilisé pour générer des images à haute résolution pour V1 segmentation. densité de protons multiples (PD) des images pondérées ont été acquises pour coronale droite et à gauche LGN localisation. Tenseur de diffusion d'imagerie (DTI) scans ont été acquises avec 64 directions de diffusion. Les deux méthodes de suivi déterministes et probabilistes ont été effectuées et comparées, avec LGN comme masque de semences et V1 comme masque cible. Bien que DTI offre une résolution spatiale relativement faible, et la délimitation précise des OR peut être difficile en raison de sa faible densité de fibres, tractographie a été montré pour être avantageux à la fois dans la recherche et clinique. statistiques de secteurs sur la base spatiale (TBSS) ont révélé les domaines de l'intégrité de la matière blanche considérablement réduite au sein de l'OR chez les patients atteints d'albinisme par rapport aux témoins. Des comparaisons par paires ont montré une réduction significative de LGN à la connectivité V1 albinisme par rapport aux témoins. En comparant les deux algorithmes de suivi ont révélé des résultats communs, le renforcement de la fiabilitéde la technique.

Introduction

L'albinisme est une maladie génétique caractérisée principalement par hypopigmentation manifeste observé chez les individus affectés. Elle est causée par des mutations héréditaires de gènes impliqués dans la synthèse de la mélanine ^1. Albinisme apparaît sous deux formes principales: albinisme oculo-cutané (OCA), un trait récessif autosomique présentant des caractéristiques à la fois oculaires et cutanées; et albinisme oculaire (OA), un trait lié à l'X plus répandue chez les hommes et caractérisé principalement par les symptômes oculaires ^2. Mélanine dans l'épithélium pigmentaire rétinien (EPR) est crucial pour le bon développement de la voie visuelle centrale. Son absence dans l' albinisme se traduit donc par une déficience visuelle, y compris la photophobie, nystagmus, acuité visuelle réduite et la perte de la vision binoculaire ^2-3. L' acuité visuelle a été liée à la morphologie de la fovéa, qui est modifiée dans l' albinisme ^4. Chez l'homme, une ligne rétinienne de entrecroisement se trouve le long de la frontière nasotemporal par la fovéa, avec des fibres de la rétine nasaletraversée vers l'autre hémisphère et ceux de la rétine temporelle étendant ipsilatérale. Le degré de la fonction visuelle réduite albinisme a été lié au niveau de l'hypopigmentation. Plus précisément, la pigmentation est inversement proportionnelle au décalage dans la rétine temporelle de la ligne de decussation ^5. En conséquence du décalage dans la ligne de entrecroisement dans la rétine temporelle, croisement des fibres du nerf optique est augmentée - une caractéristique commune à travers toutes les espèces ^3.

Des études d'IRM structurelles sur l' homme ont montré plus étroites chiasmes optiques dans l' albinisme par rapport aux témoins, ce qui est probablement le résultat de l' augmentation de traversée de RGC observées dans l' albinisme ^6-8. La rétine et chiasma optique expriment des signaux de guidage axonal tels que les récepteurs de la famille Eph et leurs ligands ⁹ et sont donc des sites candidats pour misrouting ^10.

Une étude sur des singes avec le glaucome induit a révélé une importante décembrerease dans le nombre de neurones de relais parvalbumin-immunoréactive LGN et le volume LGN ^11. Ceci suggère une corrélation entre la taille de LGN et le nombre de la matière blanche (WM) des trajectoires de déplacement à travers le OU à V1. Une étude post mortem sur l' albinisme humaine a également révélé plus petit LGN avec fusionnés M et P couches ^12. Haute résolution IRM structurelle confirme une réduction significative du volume de LGN dans albinisme ^8. Pris ensemble, ces résultats suggèrent que la diminution du volume LGN peut entraîner une réduction du nombre de neurones dans le LGN, et à son tour une diminution de la connectivité entre les LGN et V1.

Examiner les modèles de connectivité anatomique chez l'homme a été limitée. Dissection, injection de traceur et induction de la lésion sont des techniques invasives qui ne peuvent être utilisés post-mortem, et impliquent généralement un très petit nombre de patients. Des études antérieures utilisant carbocyanine teignent injections DiI ont démontré la connectivité neuronale entre V1 et V2 (secondaire c visuelleortex) ^13, ainsi que dans le complexe hippocampique en post-mortem de cerveaux humains aldéhyde fixe ^14. Fibres d'étiquetage de cette manière est limitée à des distances de quelques dizaines de millimètres du point d'injection ^14. imagerie du tenseur de diffusion, DTI, est une modalité IRM développée au début des années 1990-milieu pour identifier la direction des voies de la fibre et de l'organisation. Elle est une méthode non invasive qui permet de cartographier des grandes voies de MW dans le cerveau vivant. DTI est sensible à la diffusion des molécules d'eau dans les tissus biologiques ^15. Dans le cerveau, la diffusion de l'eau est anisotrope (inégale) en raison d'obstacles tels que les membranes et la myéline. WM a une grande diffusion anisotropie, ce qui signifie la diffusion est plus parallèle à que perpendiculairement à l'orientation des fibres ^16. anisotropie fractionnelle (FA) est une grandeur scalaire décrivant la préférence des molécules à diffuser de manière anisotrope. Les valeurs FA vont de 0-1, de bas en haut anisotfilants (liquide céphalo - rachidien (LCR) 16.

Rationaliser (déterministe) et suivi de la fibre probabiliste sont deux algorithmes différents pour la reconstruction du chemin 3D. tractographie déterministes utilise une méthode de propagation de la ligne reliant voxels voisins dans une région de semences définie. Deux critères d'arrêt utilisés dans cet algorithme sont l'angle de braquage et la valeur FA. Par conséquent, les voies de traçage entre voxels voisins est peu probable que les grands angles de braquage. L'algorithme serait donc progresse également que si la FA dans un voxel dépasse un certain seuil, ce qui limite son efficacité dans la définition précise des voies près de la matière grise, où anisotropie gouttes. Tractographie probabilistes, d'autre part, donne une carte de connectivité décrivant la probabilité d'un voxel à faire partie d'un tube entre deux régions d'intérêt (ROI) et progresse dans la matière grise tels que V1 ¹⁷ ainsi. En utilisant cette application IRM, structures clés WM comme leOu peuvent être délimitées, comme illustré dans les études précédentes ^18-20.

Cette étude utilise donc des données de diffusion et tractographie pour explorer l'effet de misrouting axonale sur la connectivité rétino-geniculo-corticale. Sur la base des réductions précédemment rapportées dans des volumes LGN dans l' albinisme humaine ^8, nous prévoyons que les projections de fibres de LGN à V1 sont également réduits (Figure 1).

Protocole

Déclaration éthique: L'étude actuelle a été approuvée par les participants humains Comité d'examen (HPRC) à l'Université York, à Toronto. Tous les participants ont donné leur consentement éclairé par écrit.

1. Sous réserve Préparation

Note: les participants Onze OCA, âgés de 36 ± 4 ans (6 femmes) ont été comparés à dix contrôles appariés selon l'âge, âgés de 32 ± 4 ans (6 femmes). L' histoire du participant est enregistré dans le tableau 1.

1. Demandez à chaque participant de remplir et signer un formulaire de consentement qui énumère les directives de sécurité IRM et protocole d'imagerie.
2. Pour chaque participant, fournir des bouchons d'oreille pour les oreilles. Position participant décubitus et la tête la première dans l'aimant, et point de repère au-dessus des yeux au niveau des sourcils. la tête du participant sécurisé avec des coussins pour réduire le mouvement de la tête. Donnez au participant une poire pour recevoir une alerte patient.

2. structurels IRM Paramètres

e_content "> Note: Toutes les images sont acquises sur un scanner IRM 3T en utilisant une bobine de tête 32 canaux en une seule session par sujet.:

1. Acquérir une pondération T1 anatomique haute résolution en utilisant une séquence 3D-MPRAGE couvrant l'ensemble du cerveau avec les paramètres suivants: temps d'acquisition 4 min 26 sec, champ de vision de 256 mm, 256 matrice, 192 tranches d'une épaisseur de tranche de 1 mm, avec un sur la taille de voxel isotrope de 1,0 mm ^3, TR = 1900 ms, TE (temps d' écho) = 2,52 ms avec un temps d'inversion de 900 ms et un angle de bascule de 9 °, 1 moyenne, imagerie parallèle (Ipat GRAPPA, facteur d'accélération de 2) .
2. Acquérir une séquence DTI couvrant le cortex, avec des tranches dans une orientation transversale suivant la commissure antérieure / commissure postérieure (AC-PC) en ligne, en utilisant les paramètres suivants: temps d'acquisition 8 min 5 sec, champ de vision de 192 mm, 128 matrice, voxels 1.5 1,5 mm dans le plan, 56 contigus (pas gap) tranches d'une épaisseur de 2 mm, TR = 6900 ms, TE = 86 ms, 64 directions, b-valeur de 1000 s / (image de référence avec une faible valeur b de 0 sec / mm ²⁾ mm ^2, 1 moyenne, imagerie parallèle (Ipat GRAPPA) avec un facteur d'accélération de 3.
3. Acquérir des images 30-40 PD pondérée dans une orientation coronale, parallèlement au tronc cérébral, qui couvre à partir de la mesure antérieure de la protubérance sur la partie postérieure du colliculus inférieur.
   1. Utilisez l'écho Turbo spin (spin écho FAST) séquence d'impulsions et les paramètres suivants: temps d'acquisition 1 min 29 sec par balayage, champ de vision de 192 mm, 256 matrice, 30-40 tranches d'une épaisseur de 1 mm, ce qui entraîne la taille de voxel 0,75 0,75 1 mm ^3, TR = 3,000 msec, TE = 22 msec, facteur de turbo 5, recentrant l' angle de bascule de 120 °, 1 moyenne, imagerie parallèle (Ipat GRAPPA) avec un facteur d'accélération de 2.
      Note: S12 a été scanné en utilisant les paramètres suivants: champ de vision de 180 mm, 512 matrice, 30 tranches avec 1 mm tranches épaisses, ce qui entraîne la taille de voxel 0,4 x 0,4 x 1,0 mm ^3. Tous les autres paramètres sont restés les mêmes. acquisittemps ion 2 min 47 sec.
4. Pré-traiter tous les scans en convertissant DICOM brut au format NIfTI utilisant le dcm2nii du programme.

3. LGN Délimitation

Remarque: Le LGN est une petite structure sous-corticale situé profondément dans le cerveau, d'où des images de PD-haute résolution sont nécessaires pour déterminer ses limites anatomiques. Dans ces analyses, le CGL apparaît comme une zone de forte intensité du signal par rapport aux voies de WM environnantes, ce qui facilite sa détection ^21. Le LGN anatomique identifié est ensuite utilisé comme une région d'amorçage pour tractographie.

1. Bien aveugle à l' appartenance au groupe, tracer manuellement droite et gauche masques LGN trois fois chacun sur les images PD moyennes interpolées à deux fois la résolution et la moitié de la taille de voxel (original matrice 256 x 256, taille 0,75 x 0,75 x 1 mm ³ voxel).
   1. Pour obtenir des images haute résolution PD utilisent la fonction de FLIRT librement disponibles et d'autres outils logiciels dans le logiciel de FMRIBBibliothèque (FLS, http://www.fmrib.ox.ac.uk/fsl/). Upsample, concaténer, mouvement des images correctes et moyennes PD pour chaque participant comme précédemment décrit ailleurs ^22.
   2. Charger l'image PD haute résolution en FSLView et cliquez sur l'onglet Outils pour sélectionner l'option simple (ou appuyez sur ) Pour agrandir l'image.
   3. Cliquez sur l'onglet Fichier pour sélectionner l'option Créer un masque, et utiliser la barre d'outils en haut à gauche de l'écran pour tracer le LGN dans chaque tranche. Si vous le souhaitez, changer le contraste de l'image en faisant glisser le long du min / max dans la barre d'outils pour faciliter la détection LGN.
2. Fusionner ces régions d'intérêt (ROI) dans un masque médian en utilisant la commande fslmerge.
3. Combinez des masques médians tous les noteurs de dans un masque médian unique en utilisant la même commande.

4. V1 Segmentation

1. Exécuter "recon-all" commande dans FreeSurfer23 (v5.3.0) sur le cerveaus dans l'espace anatomique natif (images pondérées en T1) pour le traitement automatisé.
2. Convertir les sorties appropriées dans le dossier mri nouvellement créé (orig.mgz, brain.mgz, rawavg.mgz, T1.mgz) à NIfTI utilisant "mri_convert".
3. Utiliser l'extraction du cerveau BET dans l'interface utilisateur graphique FSL pour corriger la sortie du cerveau crâne dénudé (brain.nii.gz) dans l'espace FreeSurfer si nécessaire. Choisissez l'extraction du cerveau norme Run en utilisant l'option MISE 2 (par défaut). Abaisser le seuil si l'image est manquant tissu cérébral, ou augmenter si le tissu non-cerveau est capturé (seuil par défaut 0,5). Sélectionnez l'image du cerveau extrait de sortie et de l'image de masque du cerveau binaire de sortie (ce dernier peut être utilisé pour des corrections manuelles) dans les options avancées.
4. Autre sortie V1 parcellisation à un masque volumétrique en utilisant "label2surf" et commandes "surf2volume".

5. Les inscriptions pré-suivi

Remarque: Pour les prochaines étapes, appelez le FLS GUI pour ouvrir chacun des followinoutils de g.

1. Utilisez l'extraction du cerveau BET et sélectionnez le champ Bias & option de nettoyage du cou pour le crâne bande rawavg.nii.gz, situé dans le dossier mri créé par «recon-all". Régler le seuil nécessaire.
2. enregistrement linéaire FLIRT Exécuter pour amener le cerveau à FreeSurfer et de l'espace anatomique natif à l'espace de diffusion.
   1. Sélectionnez brain.nii.gz, sortie de recon-all (espace FreeSurfer), ou le cerveau d'un sujet extrait T1 (espace anatomique natif) que l'image d'entrée, et une Eddy corrigées et l'image de diffusion (DWI) comme référence cerveau extrait image. Puis cliquez sur "Go".
      Remarque: Cette étape crée deux sorties, le cerveau d'entrée enregistré à l'image de référence (.nii.gz) et une matrice de transformation (.mat). En dehors de l'enregistrement, ce dernier fichier est requis pour tractographie lorsque l'espace de semences ne sont pas la diffusion. Utilisez les matrices de transformation de sortie (de .mat) créés dans cette étape pour tractographie comme expliqué dans 7.4.2.
3. Similaireà 5,2, l'enregistrement FLIRT linéaire courir pour amener PD le cerveau des participants à l'espace FreeSurfer et espace anatomique natif.
4. Préparer des masques de semences pour tractographie:
   1. Appliquer la transformation de FLIRT de Utils dans l'enregistrement boîte à outils FLIRT linéaire. Utilisez la sortie .mat comme la matrice de transformation, le CGL masque original comme entrée et brain.nii.gz (espace FreeSurfer) ou T1_brain.nii.gz (espace anatomique natif) (voir 5.2) que le volume de référence. Sélectionnez la méthode la plus proche voisin d'interpolation à partir des options avancées.
5. En utilisant uniquement les fichiers brain.nii.gz, préparer des masques cibles pour tractographie:
   1. Inscrivez cerveaux FreeSurfer à l'espace anatomique natif et créer des masques cibles en appliquant une transformation aux masques V1 (voir 5.2, 5.4.1) par interpolation Tri-Linéaire. Cliquez sur "Go".

6. LGN Normalization

1. Utilisez FNIRT enregistrement non linéaire, comme décrit précédemment à l'adresse http: //fsl.fmrib.ox.ac.uk / FLS / fslwiki / FNIRT pour amener les cerveaux non extraites des participants dans l'espace anatomique natif à l'espace INM, en utilisant le modèle du cerveau entier Institut neurologique de Montréal (MNI152).
   Remarque: l'enregistrement non-linéaire des images anatomiques d'origine est recommandée pour cette étape, que les inscriptions étaient plus précis quand FNIRT a été appliqué à la non-extrait T1 par rapport à FLIRT sur les cerveaux extraits.
2. Appliquer la transformation de masques LGN dans l'espace anatomique (LGN originale préalablement transformée en espace anatomique natif en 5.4) à l'aide du plus proche voisin interpolation comme décrit en 5.4.1 pour apporter des masques à l'espace INM.
3. Moyenne tous les masques LGN dans l'espace INM à travers les deux groupes en utilisant "3dMean" La commande AFNI.
4. Utilisez "fslmaths Thr" d'appliquer un seuil au masque de moyenne dans l'espace MNI.
5. Calculer le rayon du masque de moyenne dans l' espace en utilisant INM V = 4/3 πr ³ (assumer une sphère).
6. Notez le centre de coordi massenates de chaque masque LGN individu dans l'espace anatomique natif en utilisant la commande "fslstats -C".
7. Créer ROIs sphériques de volumes identiques à travers les participants:
   1. Utilisez "fslmaths" pour créer un point avec les coordonnées du masque de LGN individuelle appropriée dans l' espace anatomique natif de retour sur investissement enregistré en 6.6
   2. Utilisation de "fslmaths", appliquer le rayon du masque de moyenne dans l'espace MNI pour créer une sphère autour du point dans l'espace anatomique natif de retour sur investissement.
8. Utilisez ces masques standardisés comme semences pour tractographie.

7. probabilistes Tractography (FLS 5.0.4)

Remarque: Pour les prochaines étapes, appelez le Fdt_gui pour accéder à chacun des outils suivants.

1. Corriger les distorsions dans le SIEP avec Eddy correction actuelle. Sélectionnez l'option de correction à courant de Foucault dans le menu en haut de la fenêtre Diffusion Toolbox et télécharger le DWI comme entrée, laissant le defaulvolume de référence t (0).
2. Extrait de cerveau les images avec BET comme décrit en 4.3.
3. Sélectionnez le tenseurs de diffusion Option DTIFIT Reconstruction à partir du menu. Spécifiez un répertoire d'entrée contenant les fichiers suivants: diffusion de données pondérées, nodif_brain_mask (sortie du BET), BVEC et bval (doit être renommé bvecs et bvals; fichiers texte contenant des informations sur les paramètres d'acquisition d'image de diffusion, sortie de DICOM à la conversion NIfTI de diffusion données). Cliquez sur "Go" pour exécuter dtifit, qui correspond à un modèle de tenseur de diffusion à chaque voxel, la création de fichiers pour le post-traitement.
4. Ensuite, sélectionnez l'option dans le menu BedpostX (d'estimation des paramètres de diffusion). Utilisez le même répertoire d'entrée que pour DTIFIT. Cliquez sur 'Go' pour générer tous les fichiers nécessaires à la tractographie.
5. Dans le même menu, choisissez ProbtrackX pour le suivi probabiliste et l'exécuter pour chaque hémisphère séparément. Gardez les options par défaut de base (5000 échantillons, 0,2 courbure et loopcheck applied) et sélectionnez modifié Euler pour calculer rationalise probabilistes à partir des options avancées pour une précision accrue.
   1. Sélectionnez la sortie de BedpostX contenant des fichiers .merged que le répertoire BEDPOSTX.
   2. Sélectionnez un masque unique comme espace de graines et de charger le masque LGN transformé (dans l'espace anatomique natif) que l'image de la graine, T1 (cerveau dans l'espace anatomique natif) à matrice de transformation de diffusion comme la semence à la diffusion de transformation, et V1 (dans l'espace anatomique natif) dans des «cibles facultatives» (tous, mais des masques d'exclusion) comme cible.
   3. Utilisez convention de maillage par défaut (Caret) et charger le cerveau dans l'espace anatomique natif (image T1) comme image de référence de la surface.
6. Répétez ProbtrackX pour le suivi probabiliste utilisant la ROIs sphérique standard (créé à l'étape 6) en tant que régions de semences pour tractographie comme décrit dans 7.5.2. Télécharger ROIs de la même manière transformée LGN (espace anatomique) ont été téléchargés en 7.5.2.
7. Relancez tractographie (7.5), cette foisavec des semences (non normalisé) et les masques cibles dans l'espace FreeSurfer avec l'ajout de controlatéral blanc masque matière frontière FreeSurfer comme masque d'exclusion, pour éviter tout franchissement et d'assurer des connexions ipsilatérales directes. Cochez l'option Surface à partir de la boîte à outils ProbtrackX et sélectionnez FreeSurfer comme convention de maillage.
   Note: Il est important de souligner que la tractographie est toujours courir à partir de l'espace de diffusion, mais Probtrackx pour le suivi probabiliste permet l'entrée des semences et des cibles des masques dans un espace différent, avec une matrice de transformation de l'espace de diffusion. Dans cette étude, tractographie probabiliste a été exécuté avec des masques à la fois anatomique native et de l' espace FreeSurfer (Figure 2).

8. déterministes Tractography (DSI Studio)

1. Ouvert Eddy corrigé images pondérées en diffusion dans DSI studio ²⁴ en cliquant sur ​​Étape 1: Open Source Images. BVEC de charge et les fichiers Bval sur une fenêtre b-table qui est automatiquement opened pour créer une source (.src) fichier.
2. Chargez les fichiers source générés sur la fenêtre de reconstruction de modifier la valeur par défaut reconstruit masques du cerveau que nécessaire.
3. Ensuite, sélectionnez DTI comme la méthode de reconstruction ²⁵ et l' exécuter sur les fichiers source pour produire des fichiers d'information de fibres (de .fib).
4. Apportez PD le cerveau des participants à l'espace de diffusion utilisant FLIRT enregistrement linéaire.
5. Appliquer la transformation de masques LGN par interpolation du plus proche voisin comme décrit en 5.4.1.
6. Ouvrez .fib fichiers dans la fenêtre de suivi du programme.
7. Exécutez le suivi pour chaque hémisphère séparément, en utilisant LGN dans l'espace de diffusion comme la semence et de la région 17 (V1) de l'atlas Brodmann disponibles auprès de DSI studio comme la région terminative. Chargez le masque LGN en cliquant sur l'onglet Régions et Open Region. Sélectionnez l'option de semences sous Type dans la liste des régions sur la gauche de l'écran. Pour charger le masque de V1 de l'atlas, cliquez sur Atlas de la barre d'outils dans la liste des régions et dessélectionnez l'atlas appropriés.
8. Dans chaque essai, réglez le controlatéral WM (nommé gauche / droite-cérébro-substance blanche) masque d'atlas de segmentation FreeSurfer (voir encadré de la liste de la région dans la fenêtre de suivi) en tant que région d'évitement (ROA).
9. Répéter le suivi (8.7-8.8) en utilisant ROIs sphérique dans l'espace de diffusion à la place de l'individu LGN en tant que régions de semences pour tractographie.
   Note: Les ROIs sphériques ont le même volume dans toutes les matières et sont centrées sur le centre de masse de chaque LGN.
10. Répétez la normalisation de LGN, l'article 6, mais cette fois l'enregistrement des cerveaux dans l'espace de diffusion à l'espace MNI standard, et en appliquant des transformations à LGN dans l'espace de diffusion (LGN d'origine préalablement transformée en l'espace de diffusion en 08/04 à 08/05) pour amener des masques à l'espace MNI standard. Calculer le volume de la ROI sphérique que le volume moyen de tous les sujets LGN à travers l'espace INM.
    Remarque: Les paramètres de suivi peuvent être modifiés par l'utilisateur. Pour la plupart des essais, des paramètres de suivi par défaut ont été appliqués. Pour certaines personnes (A5, A7, S12), le seuil d'anisotropie (par défaut 0,14 à 0,15) a été abaissé (0,10-0,12) et le seuil angulaire (par défaut 60) a été augmentée (65-85) pour la visualisation plus agréable. Un schéma de la technique est représentée sur la figure 3.

9. Analyse statistique - TBSS (FSL)

Note: les statistiques spatiales sur la base des secteurs-est une analyse statistique de voxelwise de FA participants maps16 obtenu avec dtifit26. Il est largement utilisé pour les statistiques sur les données de diffusion. Cette approche voxelwise surmonte les problèmes potentiels d'alignement et de lissage vu dans l'analyse FA VBM-style et fournit l'enquête du cerveau entier, inatteignable par approaches16 base tractographie.

1. Exécuter "tbss_1_preproc" sur les données FA situés dans un répertoire TBSS nouvellement créé.
2. Exécuter "tbss_2_reg" - T pour appliquer l'enregistrement non linéaire, ce qui porte les données FA de chaque participant dans l'espace commun (FMRIB58_FA,image cible en TBSS).
3. Créer un squelette FA moyenne avec les centres de toutes les voies communes entre les participants à l' aide de "tbss_3_postreg -S".
4. Courir "Tbss_4_prestats 0,2" pour projeter aligné FA la carte de chaque participant sur le squelette moyenne de toutes les cartes FA alignés.
5. Créer des fichiers design.con et design.mat, veiller à ce que l'ordre de la matrice est compatible avec l'ordre dans lequel TBSS pré-traité les données FA.
6. Exécuter "randomiser", en utilisant l'option T2, qui est recommandé pour TBSS car il agit sur un squelette (un sous-ensemble réduit de données 3D), et 5.000 pré-mutations, ce qui donne des valeurs p plus précises.

10. Analyse statistique - SPSS

1. Extraction FA valeurs de données déterministes
   Remarque: Les valeurs FA basés déterministes ont été tirées de DSI studio statistiques de sortie des fichiers texte. Ces valeurs représentent la FA moyenne dans les voies générées, which dans ce cas correspondent à la région de l'OR.
   1. suivi de la fibre Run en studio DSI.
   2. Enregistrer les fichiers texte «statistiques» créées par DSI studio pour chaque ensemble généré de tracts et d'enregistrer les valeurs 'FA signifie' d'eux.
2. Extraction FA valeurs de données probabilistes
   Remarque: Les valeurs FA base-probabilistes sont dérivées de fichiers fdt_paths de sortie ProbtrackX2. Ceux-ci sont des images en 3D de la densité de l'appareil que dans cette étude couvrent la zone correspondant au OU.
   1. Utilisez l'enregistrement linéaire FLIRT pour amener les fichiers de fdt_paths de chaque participant à l'espace de diffusion.
   2. Binariser les masques de sortie en utilisant "fslmaths - bin".
   3. Pour chaque participant, il faut multiplier le masque par leur carte FA de dtifit en utilisant "fslmaths -mul".
   4. Exécutez commande "fslmeants" pour trouver la FA moyenne de chaque masque de l'appareil.
3. Exécution des analyses avec SPSS (en utilisant déterministes et probabilistes
   Données)
   Note: L'analyse statistique est réalisée en utilisant SPSS 20 pour Mac. Etant donné que l'hémisphère est une variable intra-sujet, un modèle linéaire généralisé (GENLIN), avec laquelle les effets de chaque côté du cerveau peuvent être examinées séparément, est appliquée. Plus précisément, l'équation d'estimation généralisée (EEG) est utilisé.
   1. Dans des essais séparés, réglez chacun moyenne FA et de rationaliser le nombre (ou le pourcentage waytotal générés rationalise, PGsl) comme variable dépendante.
      Remarque: Dans cette étude, de rationaliser le nombre est basé sur les valeurs de façon totale. Waytotal décrit le nombre total des lignes de courant générées qui n'ont pas été rejetées par les critères d' inclusion / exclusion ^27. Le nombre de lignes de courant générées (nGSL), qui se réfère au nombre total des lignes de courant envoyées, est égal au nombre de voxels dans le masque de semences multiplié par le nombre d'échantillons prélevés dans chaque voxel (5000 dans ce cas). rationalise Pourcentage générés (de PGsl), waytotal divisé par nGSL fois 100, est une mesure de Conne réussiectivité entre la semence et la cible.
   2. Étudier l'influence du groupe et du sexe sur LGN à la connectivité V1 en les définissant comme variables indépendantes dans tous les tests.
      Note: Les principaux effets ainsi que de deux et trois voies interactions ont été étudiées. Il est important de noter que ces tests individuels ne sont pas conditionnés à l'autre, de sorte que la signification d'un effet ou d'une interaction principale est indépendant de l'autre.
   3. Utilisez l'âge comme covariable pour tous les tests. En outre, utiliser le volume LGN comme covariable pour les tests de moyenne FA et waytotal comme variables dépendantes, mais omettre de tests avec PGsl comme variable dépendante.
      Remarque: Le volume total du cerveau a été trouvé pour être un covariable insignifiant et a donc été omis dans les statistiques.
   4. Sélectionnez la méthode de correction de Bonferroni pour ajuster les comparaisons multiples ²⁸ (niveau de signification p <0,05).

Résultats

Cette section présente un résumé des résultats obtenus en utilisant deux algorithmes différents de tractographie, déterministe et probabiliste. Volumes LGN dans l' espace de PD dans lequel les masques ont été initialement établis, ainsi que dans tous les autres espaces utilisés dans cette étude, sont enregistrés dans le tableau 2, et LGN traçage est illustrée à la figure 4. Les résultats présentés ici sont basés su...

Discussion

WM modifié et, plus particulièrement, une diminution de la connectivité dans albinisme par rapport aux témoins étaient attendus. Ainsi, la réduction de FA dans l'hémisphère droit de l'albinisme par rapport aux témoins, ainsi que la diminution de la connectivité chez les hommes atteints d'albinisme rapportés ici sont en ligne avec notre prévision. Genre et hémisphère effets ne sont pas tout à fait clair, bien que la recherche sur le cerveau sain qui suggère une diminution de la complexité WM ...

matériels

Name	Company	Catalog Number	Comments
Magnetom Tim Trio 3T MRI	Siemens (Erlangen, Germany)
FMRIB’s Software Library (FSL)			http://www.fmrib.ox.ac.uk/fsl/
FreeSurfer			http://surfer.nmr.mgh.harvard.edu
DSI Studio			http://dsi-studio.labsolver.org
SPSS