Yapısal Manyetik Rezonans Görüntüleme Kullanarak İnsan Serebellar Gri Madde Morfometrisini İncelemek için Standartlaştırılmış Bir Boru Hattı

Özet

Beyincik gri madde morfometrisini incelemek için standartlaştırılmış bir boru hattı sunulmuştur. Boru hattı, optimize edilmiş ve otomatik beyincik parselasyonu için yüksek çözünürlüklü, son teknoloji ürünü yaklaşımları ve hacimsel niceleme için beyinciğin voksel tabanlı kaydını birleştirir.

Özet

Çok sayıda araştırma hattı, beyinciğin çok çeşitli bilişsel ve duygusal işlevlerdeki rolü için zorlayıcı kanıtlar sunarak, motor kontrol ile tarihsel ilişkisinin çok ötesine geçmektedir. Yapısal ve fonksiyonel nörogörüntüleme çalışmaları, serebellumun fonksiyonel nöroanatomisinin anatomik bölünmelerinin ötesinde daha iyi anlaşılmasını sağlamış ve sağlıklı değişkenlik ve nörolojik hastalıklarda bireysel serebellar alt birimlerin incelenmesi ihtiyacını vurgulamıştır. Bu yazıda, optimize edilmiş ve otomatik beyincik parselasyonu için yüksek çözünürlüklü, son teknoloji ürünü yaklaşımları birleştiren beyincik gri madde morfometrisini incelemek için standartlaştırılmış bir boru hattı sunulmaktadır (U-Net Yerel Olarak Kısıtlı Optimizasyon kullanarak Otomatik Beyincik Anatomik Parselasyonu; ACAPULCO) ve beyinciğin voksel tabanlı kaydı (Mekansal Tarafsız Kızılötesi Şablon; SUIT) hacimsel niceleme için.

Boru hattı, bir dizi nörolojik hastalığa geniş uygulanabilirliğe sahiptir ve tamamen otomatiktir ve manuel müdahale sadece çıktıların kalite kontrolü için gereklidir. İşlem hattı, beraberindeki önemli belgelerle birlikte ücretsiz olarak kullanılabilir ve Mac, Windows ve Linux işletim sistemlerinde çalıştırılabilir. Boru hattı, Friedreich ataksi (FRDA) olan bireylerin bir kohortunda uygulanır ve temsili sonuçların yanı sıra grup düzeyinde çıkarımsal istatistiksel analizler hakkında öneriler sunulur. Bu boru hattı, saha genelinde güvenilirliği ve tekrarlanabilirliği kolaylaştırabilir ve sonuçta nörolojik hastalıklardaki serebellar yapısal değişiklikleri karakterize etmek ve izlemek için güçlü bir metodolojik yaklaşım sağlayabilir.

Giriş

Beyincik, tarihsel olarak motor kontrol ^1,2,3 ile ilişkili beynin bir parçasıdır ve kalıtsal ataksiler⁴ gibi sadece küçük bir dizi nadir hastalıkta bütünsel olarak yer aldığı düşünülmektedir. Bununla birlikte, insan olmayan primatlardaki anatomik izleme çalışmalarının yanı sıra insan lezyonu ve nörogörüntüleme çalışmalarından elde edilen yakınsak araştırma hatları, beyinciğin çok çeşitli bilişsel ^5,6,7, duygusal 8,9,10,11 ve diğer motor^{olmayan fonksiyonlardaki} rolü için ikna edici kanıtlar sağlar ^7,12 (bkz. 6  inceleme için). Ayrıca, beyincik anormallikleri, Parkinson hastalığı 13, Alzheimer hastalığı 14,15, epilepsi^16,17, şizofreni¹⁸ ve otizm spektrum bozukluğu ¹⁹ dahil olmak üzere çok çeşitli nörolojik ve psikiyatrik bozukluklarda giderek daha fazla rol oynamaktadır. . Bu nedenle, beyinciğin insan beyin hastalıklarının fonksiyonel ve yapısal modellerine ve normatif davranışsal değişkenliğe dahil edilmesi zorunlu hale gelmiştir.

Anatomik olarak, serebellum superior ve inferior ekseni boyunca üç loba ayrılabilir: anterior, posterior ve flokülonodüler. Loblar ayrıca I-X ^20,21 roma rakamlarıyla gösterilen¹⁰ lobüle bölünmüştür (Şekil 1). Serebellum ayrıca sırasıyla omurilik ve serebral korteksten girdiler alan orta hat (vermis) ve lateral (yarımküre) bölgelere ayrılabilir. I-V lobüllerini içeren ön lob, geleneksel olarak motor süreçlerle ilişkilendirilmiştir ve serebral motor kortekslerle karşılıklı bağlantılara sahiptir²². VI-IX lobullerini içeren posterior lob, öncelikle motor olmayan süreçler¹¹ ile ilişkilidir ve prefrontal korteks, posterior parietal ve superior temporal serebral korteksler ^8,23 ile karşılıklı bağlantılara sahiptir. Son olarak, X lobülünü içeren flokülonodüler lob, duruş ve yürüyüş sırasında göz hareketlerini ve vücut dengesini yöneten vestibüler çekirdeklerle karşılıklı bağlantılara sahiptir²¹.

Fonksiyonel nörogörüntüleme kullanan son çalışmaların giderek artan bir gövdesi, beyinciğin fonksiyonel nöroanatomisinin anatomik bölünmelerinin ötesinde daha da rafine edilmiş bir şekilde anlaşılmasını sağlamıştır. Örneğin, beyincik ve serebrum²⁴ arasındaki fonksiyonel etkileşimlerin paternini haritalamak için dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (fMRI) teknikleri kullanılmıştır. Ek olarak, göreve dayalı bir parselasyon yaklaşımı kullanarak, King ve meslektaşları⁷, beyinciğin, çeşitli motor, duygusal, sosyal ve bilişsel görevlerle ilişkili farklı fonksiyonel sınırlarla kanıtlanan, genişliği boyunca zengin ve karmaşık bir işlevsel uzmanlık paterni gösterdiğini göstermiştir. Toplu olarak, bu çalışmalar hem sağlıklı değişkenlikte hem de serebellar yapı ve / veya fonksiyondaki değişikliklerle karakterize nörolojik hastalıklarda serebellum tutulumunun tam biyolojik karakterizasyonlarını geliştirmek için bireysel serebellar alt birimlerin incelenmesinin önemini vurgulamaktadır.

Bu çalışma, insanlarda yapısal MRG kullanarak serebellar hacimdeki lokal değişiklikleri ölçme yöntemlerine odaklanmaktadır. Genel olarak, MRG verilerini kullanarak bölgesel beyin hacminin nicelleştirilmesinde iki temel yaklaşım vardır: özellik tabanlı segmentasyon ve voksel tabanlı kayıt. Özellik tabanlı segmentasyon yaklaşımları, alt bölgeler arasındaki sınırları otomatik olarak tanımlamak için anatomik yer işaretleri ve standartlaştırılmış atlaslar kullanır. Segmentasyon için ana akım yazılım paketleri arasında FreeSurfer²⁵, BrainSuite²⁶ ve FSL-FIRST^{27 bulunur}. Bununla birlikte, bu paketler beyinciğin sadece kaba parselasyonlarını sağlar (örneğin, her yarım küredeki tüm gri maddeyi ve tüm beyaz maddeyi etiketlemek), böylece bireysel serebellar lobülleri gözden kaçırır. Bu yaklaşımlar aynı zamanda yanlış segmentasyona, özellikle de çevredeki vaskülatürün aşırı dahil edilmesine eğilimlidir.

Örtük Çok Sınırlı Evrim (ACCLAIM^28,29), Serebellar Analiz Araç Seti (CATK 30), Çoklu Otomatik Olarak Oluşturulan Şablonlar (MAGeT³¹), İnsan beyinciğinin ve lobüllerinin hızlı otomatik segmentasyonu (RASCAL³²) kullanılarak Serebellar Lobüllerin Otomatik Sınıflandırılması dahil olmak üzere beyinciğin daha doğru ve daha ince taneli parselasyonunu sağlayan yeni makine öğrenimi ve çoklu atlas etiketleme algoritmaları geliştirilmiştir. ), grafik kesim segmentasyonu³³ ve CEREbellum Segmentasyonu (CERES³⁴). Son teknoloji ürünü tam otomatik beyincik parselasyon yaklaşımlarını karşılaştıran yakın tarihli bir makalede, CERES2'nin serebellar lobüllerin altın standart manuel segmentasyonuna göre diğer yaklaşımlardan daha iyi performans gösterdiği bulunmuştur³⁵. Daha yakın zamanlarda, Han ve meslektaşları³⁶, CERES2 ile eşit performans gösteren, hem sağlıklı hem de atrofik beyinciklere geniş uygulanabilirliğe sahip, 'kullanıma hazır' uygulama için açık kaynaklı Docker ve Tekillik konteyner formatında mevcut olan ve diğer yaklaşımlardan daha zaman verimli olan ACAPULCO (yerel olarak kısıtlanmış optimizasyona sahip U-Net kullanarak Otomatik Serebellum Anatomik Parselasyonu) adlı bir derin öğrenme algoritması geliştirdi. ACAPULCO, beyinciği otomatik olarak 28 anatomik bölgeye ayırır.

Özellik tabanlı segmentasyonun aksine, voksel tabanlı kayıt yaklaşımları, bir MRG'yi bir şablon görüntüsüne tam olarak eşleyerek çalışır. Bu eşlemeyi başarmak için, orijinal görüntüdeki voksellerin boyut ve şekil olarak çarpıtılması gerekir. Bu bozulmanın büyüklüğü, altın standart şablona göre her vokseldeki hacmin bir ölçüsünü etkili bir şekilde sağlar. Bu hacimsel değerlendirme şekli 'voksel tabanlı ^{morfometri'37} olarak bilinir. FSL-FLIRT³⁸/FNIRT³⁹, SPM birleşik segmentasyon 40 ve CAT12⁴¹ gibi tüm beyin voksel tabanlı kayıt yaklaşımları^, voksel tabanlı morfometri için yaygın olarak kullanılmaktadır. Bununla birlikte, bu yaklaşımlar beyinciği iyi hesaba katmamakta, bu da infratentorial bölgelerde (beyincik, beyin sapı⁴²) düşük güvenilirlik ve geçerliliğe neden olmaktadır. Bu sınırlamaları hesaba katmak için, beyincik kaydını optimize etmek ve voksel tabanlı morfometri^42,43'ün doğruluğunu artırmak için SUIT (Mekansal Tarafsız Kızılötesi Şablon) algoritması geliştirilmiştir.

Bölgesel serebellar hacmin tahmini için özellik tabanlı segmentasyon ve voksel tabanlı kayıt yaklaşımlarının temel güçlü ve zayıf yönleri vardır. Segmentasyon yaklaşımları, anatomik olarak tanımlanmış alanların hacmini ölçmek için önemli ölçüde daha doğrudur (örneğin, lobüller³⁵). Bununla birlikte, beyinciğin farklı fonksiyonel modülleri arasındaki sınırlar, anatomik folia ve çatlaklarına (serebrum^7'nin gyri ve sulci'sine eşdeğer) eşlenmez. Kayıt temelli yaklaşımlar anatomik yer işaretleri tarafından kısıtlanmadığından, beyinciğin daha ince taneli mekansal çıkarımı ve yüksek boyutlu yapı-fonksiyon haritalaması mümkündür⁴⁴. Birlikte ele alındığında, segmentasyon ve kayıt yaklaşımları birbirini tamamlar ve farklı araştırma sorularını cevaplamak için kullanılabilir.

Burada, optimize edilmiş ve otomatik parselasyon (ACAPULCO) ve hacimsel niceleme için beyinciğin (SUIT) voksel tabanlı kaydını sağlamak için bu mevcut, doğrulanmış yaklaşımları entegre eden yeni bir standartlaştırılmış boru hattı sunulmaktadır (Şekil 2). Boru hattı, kalitatif görselleştirme ve nicel aykırı değer tespiti kullanarak kalite kontrol protokollerini ve Freesurfer kullanarak kafa içi hacmin (ICV) tahminini elde etmek için hızlı bir yöntem kullanarak belirlenmiş yaklaşımlara dayanmaktadır. İşlem hattı tamamen otomatiktir, yalnızca kalite kontrol çıkışlarını kontrol etmek için manuel müdahale gerekir ve Mac, Windows ve Linux işletim sistemlerinde çalıştırılabilir. Boru hattı, ticari olmayan amaçlar için kullanımına ilişkin herhangi bir kısıtlama olmaksızın serbestçe kullanılabilir ve kısa bir kayıt formu^45'in doldurulmasının ardından ENIGMA Konsorsiyumu Görüntüleme Protokolleri web sayfasından ("ENIGMA Cerebellum Volumetrics Pipeline" altında) erişilebilir.

Gerekli tüm yazılımlar Malzeme Tablosunda listelenmiştir ve aşağıda açıklanan protokole ek olarak, işlem hattının indirilmesi üzerine canlı bir gösterim de dahil olmak üzere ayrıntılı öğreticiler mevcuttur. Son olarak, boru hattının Friedreich ataksi (FRDA) ve yaş ve cinsiyet uyumlu sağlıklı kontrolleri olan bir kohortta uygulanmasından ve grup düzeyinde istatistiksel çıkarımsal analizler için önerilerden temsili sonuçlar sağlanmaktadır.

Protokol

NOT: Bu çalışmada kullanılan veriler, Monash Üniversitesi İnsan Araştırmaları Etik Kurulu (proje 7810) tarafından onaylanan bir projenin parçasıdır. Katılımcılar yazılı bilgilendirilmiş onam verdiler. İşlem hattı Mac, Windows veya Linux işletim sistemlerinde çalıştırılabilirken, ACAPULCO, SUIT ve QC işlem hatları Linux (Ubuntu) ve Mac (Catalina, Big Sur v11.0.1) işletim sistemlerinde açıkça test edilmiştir.

1. Modül 1: AKAPULKO (anatomik parselasyon)

1. Veri toplama
   1. Tüm beynin 3D T1 ağırlıklı MRI görüntülerini 1 mm³ veya daha düşük bir çözünürlükte toplayın. İzotropik voksel boyutları (tipik olarak 1 mm x 1 mm x 1 mm) ve 3 Telsa (veya daha büyük) tarayıcı önerilir. Bu spesifikasyonları karşılayan verileri ayarlamak ve elde etmek için radyografi merkezindeki bir görüntüleme uzmanına danışın.
      NOT: T2 ağırlıklı görüntüler bazen hacimsel analizler için kullanışlıdır; ancak, burada sunulan işlem hattı yalnızca T1 ağırlıklı verilere dayanır ve kullanılan bazı araçlar bu tür verilere özeldir. Bu nedenle, T2 ağırlıklı görüntüler kullanılamaz.
   2. Brüt serebellar malformasyonları (örneğin, büyük lezyonlar) veya majör serebellar yer işaretlerinin (örneğin, majör anatomik çatlaklar) tanımlanmasını engelleyen önemli hareket artefaktlarını dışlamak için görüntülerin görsel kalite değerlendirmesini yapın. Önemli olsa bile, atrofik serebellayı otomatik olarak dışlamayın.
   3. Grup çalışmaları için, sorunlu verileri daha fazla tanımlamak için MRIQC⁴⁶ gibi serbestçe temin edilebilen, standartlaştırılmış araçları kullanarak nicel kalite değerlendirmelerini de göz önünde bulundurun.
   4. dcm2niix⁴⁷ gibi bir araç kullanarak tüm verileri NIFTI-GZ formatına dönüştürün.
2. Önerilen veri organizasyonu
   1. Malzeme Tablosunda listelenen tüm gerekli yazılımları edinin. İşlem hattını çalıştırmadan önce Docker⁴⁸ veya Singularity⁴⁹, Matlab⁵⁰ ve^{SPM12 51'in} yüklendiğinden emin olun.
      NOT: İşlem hattını açıklayan kapsamlı yazılı ve video eğitimleri de mevcuttur ( bkz.
   2. Gerekli tüm yazılımlar yüklendikten sonra, çalışma dizininde klasörler oluşturun ve bunları 'acapulco', 'suit' ve 'freesurfer' olarak etiketleyin. Bunu, komut satırındaki mkdir komutunu kullanarak yapın.
   3. 'acapulco' dizininde bir çıktı klasörü oluşturun. Çıktı klasöründe, etütteki her konu için NIFTI-GZ biçiminde T1 ağırlıklı görüntüyü içeren bir dizin oluşturun.
      NOT: Orijinal verilerin bir kopyasını başka bir yerde saklamanız önerilir.
3. ACAPULCO kullanarak anatomik serebellar parselasyon
   1. Malzeme Tablosu'na gidin ve ACAPULCO'yu çalıştırmak için gereken ilgili komut dosyalarını ve kapsayıcıları indirin (acapulco boru hattı dosyaları altında). 'Acapulco' dizinine (i) ACAPULCO Docker VEYA Tekillik kapsayıcısını (sırasıyla 'acapulco_0.2.1.tar.gz' veya '.sif'), (ii) QC_scripts arşivin içeriğini (3 dosya: 'QC_Master.R,' 'QC_Plots.Rmd' ve 'QC_Image_Merge.Rmd') ve (iii) 'R.sif' (tekillik) VEYA 'calculate_icv.tar' (docker) dosyasını yerleştirin.
   2. Bir terminal açın ve komut satırından ACAPULCO kapsayıcısını tek bir görüntüde çalıştırın (aşağıdaki <> değiştirin). İşlemin tamamlanması için ~ 5 dakika bekleyin.
      1. Docker'ı kullanarak şu komutu yazın:
         docker yükü --giriş 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. Tekilliği kullanarak şu komutu yazın:
         tekillik run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
   3. Kohorttaki tüm konularda/taramalarda döngü yapın. İşlem hattını indirmek için ENIGMA Imaging Protocols web sitesine (ENIGMA Cerebellum Volumetrics Pipeline altında) bağlantı için Malzeme Tablosu'na ve birden fazla konuyu seri olarak işlemek için bir for-loop'un nasıl oluşturulacağına dair örnekler içeren öğretici el kitabına bakın.
   4. İşlemden sonra, konuya özgü klasörlerde oluşturulan aşağıdaki dosyaları arayın:
      1. "_n4_mni_seg_post_inverse.nii.gz" tanımlayın: orijinal olarak parsellenmiş beyincik maskesi (konu alanı).
      2. "_n4_mni_seg_post_volumes.csv" tanımlayın: akapulko tarafından üretilen 28 alt birimin her biri için hacimler (mm³ cinsinden);
      3. Temsili görüntüleri tanımlayın ("resimler" dizininde): sagital, eksenel ve koronal.
4. İstatistiksel aykırı değer tespiti ve kalite kontrol (QC)
   1. Terminalden ve 'acapulco' dizininde, QC_scripts içeriğinin 'acapulco' dizininde olduğundan emin olun. QC komut dosyalarını çalıştırmak için:
      1. Docker'ı kullanarak şu komutu yazın:
         docker yük calculate_icv.tar
         docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
         QC_Master.R çıkışı/
      2. Tekilliği kullanarak şu komutu yazın:
         tekillik exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
5. ACAPULCO tarafından oluşturulan QC görüntülerinin incelenmesi
   NOT: ACAPULCO parsellenmiş görüntülerin kalitesini kontrol etmek için 3 adımlı bir süreç vardır.
   1. 'QC_Images.html' bir web tarayıcısında açın ve bariz arızaları veya sistematik sorunları tanımlamak için hızlı bir şekilde (konu başına ~ 10 sn) görüntüler arasında gezinin. İzleme için başarısız veya şüpheli parsellenmiş görüntülerin konu kimliklerini not edin.
      NOT: Serebellar lobüllerin nöroanatomisi hakkında bir kılavuz için Şekil 3'e ve 'iyi' parselasyonlar, 'ince mis-parselasyonlar' ve 'küresel başarısızlık' parselasyonlarının örnekleri için aşağıdaki temsili sonuçlar bölümünde Şekil 4, Şekil 5 ve Şekil 6'ya bakınız.
   2. Kantitatif istatistiksel aykırı değerler için kutu grafiklerini işaretlemek üzere 'Plots_for_Outliers.html' açın. Kutu grafiklerinin bıyıklarının üstünde veya altında aykırı değerler (ortalamanın üstünde veya altında 2.698 s.d) arayın. 'Aykırı Değerler' dosyasındaki ilgili sütunda '1' ile gösterilen aykırı değerleri tanımlayın ve 'Aykırı Değerler.csv' içindeki son .csv sütunda her konu için aykırı değer olarak tanımlanan toplam segment sayısını not edin.
   3. Bir veya daha fazla aykırı değer içeren her görüntüyü el ile inceleyin. KRİT: Standart bir NIFTI resim görüntüleyici (örneğin, FSLEyes veya MRICron) kullanarak, parselasyon diliminin kalitesini kontrol etmek için ACAPULCO maskesini orijinal T1w görüntüsünün üzerine yerleştirin.
      1. FSLEyes kullanarak komut satırından ayrıntılı QC için bindirmeler oluşturmak için, i) dizini 'acapulco' dizinine değiştirin, ii) görüntülenecek konuyu belirtin (değiştirin) ):
         subj=
      2. Aşağıdaki kodu terminale kopyalayıp yapıştırın (önceki satır tarafından ayarlandığı için {subj} öğesini el ile değiştirmeden):
         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
         NOT: Anormal segmentin dahil edilip edilmeyeceğine karar verilmesi gerekecektir, yani bir parselasyon hatası var mı, yoksa bireyin anatomisinde normal değişkenlik mi? Parsellenmiş her bölge ayrı ayrı ele alınır, bu nedenle bir görüntü için birkaç bölge hariç tutulabilirken, geri kalanı doğruysa korunabilir.
      3. Bir veya daha fazla parsellenmiş bölgenin son veri kümesinden dışlanması gerekiyor mu?
         Evet (aykırı değer onaylanırsa), söz konusu konu için 'Cerebel_vols.csv' dosyasının karşılık gelen hücresindeki hacim tahminini NA ile değiştirerek bu parselasyonları analizden hariç tutun.
      4. Parselasyon hataları, beyinciğin bir kısmının maskeden çıkarılmasına neden olur mu?
         Evet ise (örneğin, belirli serebellar lobüller maskede eksikse veya 'kesilmiş' görünüyorsa), konuyu derhal daha sonraki analizlerden hariç tutun (yani, SUIT modülünü bu konularda çalıştırmaya devam etmeyin).

2. Modül 2: SUIT beyincik için optimize edilmiş voksel tabanlı morfometri

1. SUIT kullanarak Voksel tabanlı morfometri analizleri
   KRİT: Bu işlem hattı, beyinciğin SUIT şablonuna kaydının ve normalleştirilmesinin optimizasyonu için konuya özgü bir serebellar maskenin oluşturulmasına dayandığından, ACAPULCO modülünün zaten çalıştırılmış olmasını gerektirir. ACAPULCO tarafından üretilen konuya özgü maske tüm beyinciği içermiyorsa, bu SUIT modülünden hariç tutulmayı garanti eder. SUIT'i bağımsız çalıştırma talimatları için bkz.⁵².
   1. Malzeme Tablosunda listelenen tüm gerekli yazılımları edinin. SPM12 klasörünün ve tüm alt klasörlerin MATLAB yolunda olduğundan emin olun. enigma_suit komut dosyalarının 'spm12/toolbox' dizinine kaydedildiğinden ve MATLAB yoluna eklendiğinden emin olun. MATLAB yolunu kontrol etmek için MATLAB komut penceresine pathtool yazın ve ilgili klasörleri eklemek için Alt klasörlerle ekle'yi tıklayın.
   2. Bir veya daha fazla konu için SUIT işlem hattını çalıştırın. İşlemin tamamlanması için ~15-20 dakika (grafik kullanıcı arabirimi [GUI] kullanılıyorsa) ve terminalden (bash/shell) çalışıyorsa ~5-7 dakika bekleyin.
      1. GUI'yi kullanmak için (konular seri olarak çalıştırılır), MATLAB komut penceresinden şu komutu yazın:
         suit_enigma_all
      2. İlk açılır pencerede, analize dahil edilecek 'acapulco/output' dizininden konu klasörlerini seçin. Pencerenin sağ tarafındaki klasörlere tıklayın veya sağ tıklayın ve Tümünü Seç'e tıklayın. Bitti'ye basın. İkinci açılır pencerede, analizlerin yazılacağı SUIT dizinini seçin.
      3. VEYA tek bir konu için MATLAB komut satırından işlevi çağırın, komutu yazın:
         suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. VEYA terminal penceresinden, MATLAB'ın dışında, tek bir konu için şu komutu yazarak işlevi çağırın:
         matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
   3. İşlem hattını indirmek için ENIGMA Imaging Protocols web sitesine (ENIGMA Cerebellum Volumetrics Pipeline altında) bağlantı için Malzeme Tablosu'na ve birden fazla konuyu seri olarak işlemek için bir for-loop'un nasıl oluşturulacağına dair örnekler içeren öğretici el kitabına bakın.
   4. Komut dosyasıyla ilgili aşağıdaki noktaları arayın.
      1. Komut dosyasının N4 önyargısı düzeltilmiş, MNI hizalanmış (sert gövdeli) T1 görüntüsünü ve ACAPULCO beyincik maskesini çıktı dizinine kopyaladığından emin olun.
      2. Komut dosyasının beyinciğin gri ve beyaz maddesini bölümlere ayırdığından emin olun.
      3. Komut dosyasının, ACAPULCO maskesini kullanarak parselasyondaki aşırı ekleme hatalarını düzelttiğinden emin olun.
      4. DARTEL komut dosyasının, verileri Jacobian modülasyonu ile SUIT uzayına normalleştirdiğinden ve yeniden dilimlediğinden emin olun, böylece her vokselin değeri orijinal hacmiyle orantılı olur.
      5. Aşağıdaki son çıktılar için her bir öznenin klasörünü kontrol edin: 'wd_seg1.nii' (gri madde) ve 'wd_seg2.nii' (beyaz madde).
2. İstatistiksel aykırı değer tespiti ve kalite kontrolü
   1. Normalleştirilmiş, modüle edilmiş görüntüleri (wd*) büyük arızalara karşı görsel olarak inceleyin. MATLAB'da şu komutu yazın:
      spm_display_4D
   2. Suit alt klasörlerinden 'wd*seg1' görüntülerini manuel olarak seçin veya 'suit' dizinine gidin; Filtre kutusuna '^wd.*seg1' ekleyin (tırnak işaretleri yok) ve Rec düğmesine basın. Bitti'ye basın.
   3. Hepsinin iyi hizalandığından emin olmak için görüntüler arasında gezinin. Sağlıklı kontrollerden (A,B) ve ağır atrofik beyinciği olan bir bireyden (D) doğru şekilde normalleştirilmiş görüntüler için Şekil 7'ye bakınız.
      NOT: Bu aşamada, denekler arasındaki anatomi çok benzerdir (aynı şablona kaydedildikleri için) ve hacim farklılıkları bunun yerine farklı voksel yoğunlukları tarafından kodlanır. Büyük başarısızlıklar açık olacaktır, örneğin, boş görüntüler, eksik dokunun geniş alanları, olağandışı yoğunluk gradyanları (yani, parlak voksellerin hepsi üstte, koyu voksellerin hepsi altta). Bu görüntüler sonraki adımlardan hariç tutulmalıdır.
   4. Aykırı değerler için uzamsal kovaryans'ı kontrol edin. MATLAB'da şu komutu yazın:
      check_spatial_cov
      1. Önceki adıma göre 'wd*seg1' görüntülerini seçin. İstendiğinde, aşağıdaki seçenekleri belirleyin: Prop ölçeklendirme: Evet; Değişkenlik gösterecek değişken: Hayır; Dilim (mm): - 48 , Boşluk: 1.
      2. Her görüntünün örnekteki diğer tüm görüntülere göre ortalama uzamsal kovaryansını gösteren kutu grafiğine bakın. MATLAB komut penceresinde ortalamanın >2s.d. altında bulunan veri noktalarını tanımlayın. Bunlar için, SUIT klasöründeki "_n4_mni.nii.gz" görüntüsünde yapılar (hareket, anatomik anormallikler), görüntü kalitesi sorunları veya ön işleme hataları olup olmadığını inceleyin.
      3. Görüntü kalitesi ve ön işleme kabul edilebilirse ve önceki adımda modüle edilmiş görüntülerin görsel olarak incelenmesi segmentasyon ve normalleştirme ile ilgili bir sorun göstermiyorsa, bu verileri örnekte saklayın. Aksi takdirde, bu verileri hariç tutun.

3. MODÜL 3 (isteğe bağlı): FreeSurfer kullanarak kafa içi hacim (ICV) tahmini

NOT: Bu modül, ICV'yi hesaplamak için FreeSurfer işlem hattını kullanacaktır. Kohort için mevcut Freesurfer çıkışları varsa (herhangi bir sürüm) yeniden çalıştırılması gerekmez.

1. FreeSurfer'ı Kurma
   1. FreeSurfer'ın indirildiğinden ve yüklendiğinden emin olun⁵³. Malzeme Tablosuna gidin ve bu Modülü çalıştırmak için ilgili komut dosyalarını indirin ( ICV işlem hattı dosyaları altında). FreeSurfer ile çalışırken, aşağıdaki değişkenleri ayarlayın:
      dışa aktarma FREESURFER_HOME=
      kaynak $FREESURFER_HOME/SetUpFreeSurfer.sh
   2. ifadesini aşağıdaki gibi değiştirin:
      export SUBJECTS_DIR=/enigma/Freesurfer
2. Freesurfer autorecon1 çalıştırma
   1. Tek bir konu için, 'freesurfer' dizininin içinden (işlem süresi ~ 20 dakika), komutu yazın:
      cd /enigma/freesurfer
      recon-all -i .. /input/.nii.gz -s -autorecon1
   2. Birden çok konuyu seri olarak işlemek için döngü için nasıl oluşturulacağına ilişkin örnekler için öğretici el kitabına bakın.
3. ICV'nin hesaplanması
   1. Veri organizasyonu
      1. 'Freesurfer' dizinine, (i) Modül 1'de kullanılan Docker VEYA Tekillik kabını (sırasıyla 'calculate_icv.tar' veya 'R.sif') ve (ii) xfm2det betiğini ( bkz. Ardından, gerekli ICV komut dosyasını klonlamak için bir git klonu yapın:
         git klon https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
   2. ICV çıkarmayı çalıştırma (işlem süresi ~5 dakika)
      1. 'Freesurfer' dizininden, tekillik ('R.sif') kapsayıcısına şunu yazın:
         tekillik 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. 'Freesurfer' dizininden, docker kapsayıcısıyla birlikte şunu yazın:
         docker run -v $PWD:$PWD -w $PWD -rm -it luhancheng/calculate_icv:latest
         calculate_icv/calculate_icv.py --freesurfer_dir=/yol/için/Serbest Sörfçü --
         acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --output_csv_name=Cerebel_vols.csv
         calculate_icv
      3. Kapsayıcı olmadan komut dosyası çalıştırma-ek gerekli yazılım ve bağımlılıklar için Malzeme Tablosu'na bakın. 'Freesurfer' dizininden şunu yazın:
         ./calculate_icv/ calculate_icv.py ---freesurfer_dir=/yol/to/freesurfer --
         acapulco_dir=/path/to/acapulco/QC/Cerebelvolsfile --
         output_csv_name=Cerebel_vols.csv calculate_icv
         NOT: Bu, her konu için ICV'yi hesaplar ve 'Cerebel_vols.csv' dosyasının sonuna ICV içeren bir sütun ekler.

Sonuçlar

Beyincik parselasyonu (ACAPULCO)

Beyincik parsellenmiş maskelerin kalite kontrolü:
Aşağıdaki örnekler ACAPULCO parsellenmiş çıktılarını göstermekte ve a) parsellenmiş maskenin bireysel düzeyde kalitesi ve b) belirli bir lobülün (ler) istatistiksel analizlere daha sonra dahil edilmesi veya hariç tutulması hakkında karar vermeyi yönlendirmektedir. Nihayetinde, bir konuyu dahil etme veya hariç tutma kararı özneldir; Burada çeşitli sa?...

Tartışmalar

Beyincik, çok çeşitli insan motor³, bilişsel 58, duygusal¹⁰ ve dil ^7,59 fonksiyonları için kritik öneme sahiptir ve birçok nörolojik ve psikiyatrik hastalıkta rol oynar. Bölgesel serebellar hacimlerin nicelleştirilmesi için standartlaştırılmış ve kolayca uygulanabilir bir yaklaşımın mevcudiyeti, giderek daha ayrıntılı 'tüm beyin' yapı-fonksiyon haritalamasına, eksik...

Malzemeler

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