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

Resumo

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.

Resumo

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.

Introdução

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 ataxias^{herdadas 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 Alzheimer^14,15, epilepsia^16,17, 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-X^20,21 (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 (ACCLAIM^28,29), 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, tronco^{cerebral 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 morfometria^baseada 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.

Protocolo

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 (parcelamento anatômico)

1. Recolha de dados
   1. Colete imagens de ressonância magnética ponderadas em T1 3D de todo o cérebro com uma resolução de 1 mm³ ou menos. São recomendadas dimensões de voxel isotrópico (tipicamente 1 mm x 1 mm x 1 mm) e um scanner 3-Telsa (ou superior). Consulte um especialista em imagem em seu centro de radiografia para configurar e adquirir dados que atendam a essas especificações.
      NOTA: Imagens ponderadas com T2 às vezes são úteis para análises volumosas; no entanto, o pipeline aqui apresentado depende apenas de dados ponderados pelo T1, e algumas das ferramentas utilizadas são exclusivas para esse tipo de dados. Como tal, imagens com peso T2 não podem ser usadas.
   2. Faça uma avaliação de qualidade visual das imagens para excluir malformações cerebelares brutas (por exemplo, lesões grandes) ou artefatos de movimento substanciais que impedem a identificação de grandes marcos cerebelares (por exemplo, as principais fissuras anatômicas). Não exclua automaticamente cerebella atrofiada, mesmo que substancial.
   3. Para estudos em grupo, considere também avaliações quantitativas de qualidade utilizando ferramentas padronizadas e disponíveis livremente, como o MRIQC⁴⁶, para identificar ainda mais dados problemáticos.
   4. Converta todos os dados para o formato NIFTI-GZ usando uma ferramenta como dcm2niix⁴⁷.
2. Organização de dados recomendada
   1. Obtenha todos os softwares necessários conforme listado na Tabela de Materiais. Certifique-se de que o Docker⁴⁸ ou Singularity⁴⁹, Matlab⁵⁰ e SPM12⁵¹ sejam instalados antes de executar o pipeline.
      NOTA: Extensos tutoriais escritos e em vídeo que descrevem o pipeline também estão disponíveis (veja a Tabela de Materiais).
   2. Uma vez instalados todos os softwares necessários, crie pastas no diretório de trabalho e rotule-as como 'acapulco', 'terno' e 'freesurfer'. Faça isso usando o comando mkdir da linha de comando.
   3. No diretório 'acapulco', crie uma pasta de saída . Na pasta de saída , crie um diretório para cada assunto no estudo contendo a imagem ponderada T1 no formato NIFTI-GZ.
      NOTA: Recomenda-se manter uma cópia dos dados originais em outro lugar.
3. Parcelamento cerebelar anatômico usando ACAPULCO
   1. Vá até a Tabela de Materiais e baixe os scripts e contêineres relevantes necessários para executar o ACAPULCO (sob arquivos de pipeline acapulco). No diretório 'acapulco', coloque o (i) contêiner ACAPULCO Docker OU Singularity ('acapulco_0.2.1.tar.gz' ou '.sif', respectivamente), (ii) conteúdo do arquivo QC_scripts (3 arquivos: 'QC_Master.R', 'QC_Plots.Rmd', e 'QC_Image_Merge.Rmd') e (iii) arquivo 'R.sif' (singularidade) OU 'calculate_icv.tar' (docker).
   2. Abra um terminal e, a partir da linha de comando, execute o contêiner ACAPULCO em uma única imagem (substitua <> a seguir). Aguarde ~5 min para que o processamento seja concluído.
      1. Usando Docker, digite o comando:
         carga de docker --entrada 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. Usando singularidade, digite o comando:
         singularidade run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
   3. Loop em todos os assuntos/varreduras na coorte. Consulte a Tabela de Materiais para obter um link para o site da ENIGMA Imaging Protocols para baixar o pipeline (sob o ENIGMA Cerebellum Volumetrics Pipeline) e o manual tutorial contendo exemplos de como criar um loop para o processamento de vários assuntos em série.
   4. Após o processamento, procure os seguintes arquivos gerados nas pastas específicas do assunto:
      1. Identificar "_n4_mni_seg_post_inverse.nii.gz": máscara de cerebelo parcelado no original (espaço do sujeito).
      2. Identificar "_n4_mni_seg_post_volumes.csv": volumes (em mm³) para cada uma das 28 subunidades geradas por acapulco;
      3. Identificar imagens representativas (no diretório 'pics'): sagital, axial e coronal.
4. Detecção e controle de qualidade de outlier estatístico (QC)
   1. Do terminal e do diretório 'acapulco', garantem que o conteúdo de QC_scripts esteja no diretório 'acapulco'. Para executar os scripts QC:
      1. Usando Docker, digite o comando:
         carga docker calculate_icv.tar
         docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
         saída QC_Master.R/
      2. Usando singularidade, digite o comando:
         executivo de singularidade -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
5. Examinando as imagens do QC geradas pela ACAPULCO
   NOTA: Há um processo de 3 etapas para verificação de qualidade das imagens parceladas ACAPULCO.
   1. Abra o 'QC_Images.html' em um navegador da Web e role rapidamente (~10 s por assunto) role as imagens para identificar falhas óbvias ou problemas sistemáticos. Observe os IDs do assunto de imagens com falhas ou suspeitas parceladas para acompanhamento.
      NOTA: Consulte a Figura 3 para um guia sobre a neuronatomia dos lobulos cerebelares e figura 4, Figura 5 e Figura 6 na seção de resultados representativos abaixo, por exemplo, de parcelamentos 'bons', "erros sutis" e parcelamentos de "falha global".
   2. Abra o 'Plots_for_Outliers.html' para verificar os boxplots para obter outliers estatísticos quantitativos. Procure por outliers (2.698 s.d acima ou abaixo da média) acima ou abaixo dos bigodes das parcelas da caixa. Passe o mouse sobre os pontos de dados para exibir o ID do assunto. Identifique os outliers denotados por um '1' na coluna relevante no arquivo 'Outliers.csv' e observe o número total de segmentos identificados como outliers para cada assunto na coluna final em 'Outliers.csv'.
   3. Inspecione manualmente cada imagem com um ou mais outliers. CRÍTICA: Usando um visualizador de imagem NIFTI padrão (por exemplo, FSLEyes ou MRICron), sobreponha a máscara ACAPULCO na imagem T1w original para verificar a qualidade da parcelação fatia por fatia.
      1. Para gerar sobreposições para QC detalhado a partir da linha de comando usando FSLEyes, i) alterar o diretório para o diretório 'acapulco', ii) especificar o assunto a ser visualizado (substituir ):
         subj=
      2. Copie/cole o seguinte código para o terminal (sem alterar manualmente {subj} como este foi definido pela linha 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} --sobreposiçãoStosatossotos --lut random_big --contorno --outlineWidth 3 ${acapulco_image} --sobreposiçãoO volume do tipo --alfa 50 --cmap aleatório
         NOTA: Será necessário determinar se deve incluir ou não o segmento anormal, ou seja, há um erro de parcelamento ou é apenas uma variabilidade normal na anatomia do indivíduo? Cada região parcelada é considerada individualmente, de modo que algumas regiões podem ser excluídas para uma imagem, enquanto o restante pode ser retido se correto.
      3. Uma ou mais regiões parceladas precisam ser excluídas do conjunto de dados final?
         Se sim (outlier for confirmado), exclua esta parcelação(s) da análise substituindo a estimativa de volume por NA na célula correspondente do arquivo 'Cerebel_vols.csv' para esse assunto.
      4. Erros de parcelamento resultam na exclusão de parte do cerebelo da máscara?
         Se Sim, (por exemplo, se forem faltados lobules cerebelares particulares da máscara ou aparecerem 'cortados'), exclua imediatamente o assunto de novas análises (ou seja, não prossiga para executar o módulo SUIT sobre esses assuntos).

2. Módulo 2: Morfometria baseada em voxel otimizada para cerebelo

1. Análises de morfometria baseada em Voxel usando SUIT
   CRÍTICA: Este pipeline requer que o módulo ACAPULCO já tenha sido executado, pois conta com a geração de uma máscara cerebelar específica para otimização do registro e normalização do cerebelo para o modelo SUIT. Se a máscara específica do assunto gerada pela ACAPULCO não incluir todo o cerebelo, isso garante a exclusão do módulo SUIT. Para obter instruções sobre como executar suit autônomo, consulte⁵².
   1. Obtenha todos os softwares necessários listados na Tabela de Materiais. Certifique-se de que a pasta SPM12 e todas as subpastas estão no caminho MATLAB. Certifique-se de enigma_suit os scripts sejam salvos no diretório 'spm12/toolbox' e adicionados ao caminho MATLAB. Para verificar o caminho MATLAB, digite pathtool na janela de comando MATLAB e clique em Adicionar com subpastas para adicionar as pastas relevantes.
   2. Execute o pipeline SUIT para um ou mais assuntos. Aguarde ~15-20 min (se usar a interface gráfica do usuário [GUI]) e ~5-7 min se correr do terminal (bash/shell) para o processamento ser concluído.
      1. Para usar a GUI (os sujeitos serão executados em série), a partir da janela de comando MATLAB, digite o comando:
         suit_enigma_all
      2. Na primeira janela pop-up, selecione as pastas de assunto do diretório 'acapulco/output' para incluir na análise. Clique nas pastas individuais no lado direito da janela ou clique com o botão direito do mouse e selecione Tudo. Pressione feito. Na segunda janela pop-up, selecione o diretório SUIT, onde as análises serão escritas.
      3. OU Ligue para a função da linha de comando MATLAB para um único assunto, digite o comando:
         suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OU Ligue para a função da janela do terminal, fora do MATLAB, para um único assunto digitando o comando:
         matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), saída"
   3. Consulte a Tabela de Materiais para obter um link para o site da ENIGMA Imaging Protocols para baixar o pipeline (sob o ENIGMA Cerebellum Volumetrics Pipeline) e o manual tutorial contendo exemplos de como criar um loop para o processamento de vários assuntos em série.
   4. Procure os seguintes pontos em relação ao roteiro.
      1. Certifique-se de que o script copia a imagem T1 alinhada ao viés N4, alinhada ao MNI (corpo rígido) e a máscara de cerebelo ACAPULCO no diretório de saída.
      2. Certifique-se de que o script segmenta a matéria cinza e branca do cerebelo.
      3. Certifique-se de que o script corrige para erros de inclusão excessiva na parcelamento usando a máscara ACAPULCO.
      4. Certifique-se de que o script DARTEL normalize e recoxe os dados no espaço SUIT com modulação jacobiana para que o valor de cada voxel seja proporcional ao seu volume original.
      5. Verifique a pasta de cada assunto para as seguintes saídas finais: 'wd_seg1.nii' (matéria cinzenta) e 'wd_seg2.nii' (matéria branca).
2. Detecção e controle de qualidade de outlier estatístico
   1. Inspecione visualmente as imagens normalizadas e moduladas (wd*) para grandes falhas. No MATLAB, digite o comando:
      spm_display_4D
   2. Selecione manualmente as imagens 'wd*seg1' das subpastas do traje ou navegue até o diretório 'terno'; inserir '^wd.*seg1' na caixa Filtro (sem cotações) e pressione o botão Rec . Pressione feito.
   3. Role as imagens para garantir que todas estejam bem alinhadas. Consulte a Figura 7 para obter imagens corretamente normalizadas a partir de controles saudáveis (A,B) e um indivíduo com um cerebelo fortemente atroférico (D).
      NOTA: Nesta fase, a anatomia entre os sujeitos é muito semelhante (como foram registradas no mesmo modelo), e as diferenças de volume são codificadas por diferentes intensidades de voxel. Grandes falhas serão óbvias, por exemplo, imagens em branco, grandes áreas de tecido ausente, gradientes de intensidade incomuns (ou seja, voxels brilhantes todos no topo, voxels escuros todos na parte inferior). Essas imagens devem ser excluídas das etapas subsequentes.
   4. Verifique a covariância espacial para obter outliers. No MATLAB, digite o comando:
      check_spatial_cov
      1. Selecione as imagens 'wd*seg1' de acordo com a etapa anterior. Quando solicitado, selecione as seguintes opções: Dimensionamento de prop: Sim; Variável para covary out: Não; Fatia (mm): - 48 , Gap: 1.
      2. Olhe para a caixa exibindo a covariância espacial média de cada imagem em relação a todas as outras na amostra. Identifique pontos de dados >2s.d. abaixo da média na janela de comando MATLAB. Para estes, inspecione a imagem "_n4_mni.nii.gz" na pasta SUIT para artefatos (movimento, anormalidades anatômicas), problemas de qualidade de imagem ou erros de pré-processamento.
      3. Se a qualidade da imagem e o pré-processamento forem aceitáveis e a inspeção visual das imagens moduladas na etapa anterior não indicar um problema com segmentação e normalização, retenha esses dados na amostra. Caso contrário, exclua esses dados.

3. MÓDULO 3 (opcional): Estimativa de volume intracraniano (ICV) utilizando FreeSurfer

NOTA: Este módulo usará o pipeline FreeSurfer para calcular o ICV. Ele não precisa ser re-executado se houver saídas Freesurfer existentes para a coorte (qualquer versão).

1. Configuração do FreeSurfer
   1. Certifique-se de que o FreeSurfer seja baixado e instalado⁵³. Vá até a Tabela de Materiais e baixe os scripts relevantes para executar este Módulo (em arquivos de pipeline ICV). Ao trabalhar com o FreeSurfer, defina as seguintes variáveis:
      FREESURFER_HOME de exportação=diretório
      fonte $FREESURFER_HOME/SetUpFreeSurfer.sh
   2. Substitua no seguinte:
      exportar SUBJECTS_DIR=
2. Executando freesurferecon1
   1. Para um único assunto, de dentro do diretório 'freesurfer' (tempo de processamento ~20 min), digite o comando:
      cd
   2. Consulte o manual do tutorial para exemplos de como criar um loop para processar vários assuntos serialmente.
3. Cálculo do ICV
   1. Organização de dados
      1. No diretório 'freesurfer', coloque o (i) contêiner Docker OU Singularity usado no Módulo 1 ('calculate_icv.tar' ou 'R.sif', respectivamente) e (ii) xfm2det script (ver a Tabela de Materiais). Em seguida, faça um clone de git para clonar o script ICV necessário:
         https://github.com/Characterisation-Virtual-Laboratory/calculate_icv do clone git
   2. Executando extração de ICV (tempo de processamento ~5 min)
      1. Do diretório 'freesurfer', com recipiente de singularidade ('R.sif'), tipo:
         executivo da singularidade --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. Do diretório 'freesurfer', com contêiner docker, digite:
         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. Executando o script sem contêiner-ver a Tabela de Materiais para software e dependências adicionais necessários. Do diretório 'freesurfer', digite:
         ./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: Isso calculará o ICV para cada assunto e anexará uma coluna com ICV até o final do arquivo 'Cerebel_vols.csv'.

Resultados

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", ...

Discussão

O cerebelo é fundamental para uma ampla gama de funções^{motoras 3},^{cognitivas 58},^{afetivas 10} e^{linguagem 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...

Materiais

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