Name: a standardized pipeline for examining human cerebellar grey matter morphometry using structural magnetic resonance imaging
Uploaded: 2022-02-04T14:00:00
Description: Watch this Scientific Journal Video about A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging at JoVE.com

本手稿中介绍的工作由澳大利亚国家卫生和医学研究委员会（NHMRC）创意补助金资助：APP1184403。

注：本研究中使用的数据是莫纳什大学人类研究伦理委员会批准的项目（项目7810）的一部分。与会者提供了书面知情同意书。虽然管道可以在Mac，Windows或Linux操作系统上运行，但ACAPULCO，SUIT和QC管道已经在Linux（Ubuntu）和Mac（Catalina，Big Sur v11.0.1）操作系统上进行了明确的测试。
1. 模块 1： ACAPULCO （解剖学包裹）
<ol><li>数据采集<ol>
<li>以1 mm 3或更低的分辨率收集...

小脑对广泛的人类运动3，认知58，情感10和语言7，59功能至关重要，并且与许多神经和精神疾病有关。用于量化区域小脑体积的标准化且易于实施的方法的可用性将有助于越来越详细的“全脑”结构功能映射，完整的疾病建模以及改善定义和跟踪小脑对脑疾病的贡献的机会。这里描述的这种标准化管...

小脑是大脑的一部分，历史上与运动控制1，2，3有关，并且被认为仅与一小部分罕见疾病（例如遗传性共济失调4）整体相关。然而，来自非人类灵长类动物解剖学追踪研究以及人类病变和神经影像学研究的趋同研究，为小脑在各种认知5，6，7，情感8，9，10，11和其他非运动功能中的作用提供了令人信服的证据7，12（见6 以供审查）。此外，小脑异常越来越多地与广泛的神经和精神疾病有关，包括帕金森病13，阿尔茨海默病14，15，癫痫16，17，精神分裂症18和自闭症谱系障碍19.因此，将小脑纳入人类脑部疾病和规范行为变异的功能和结构模型中变得至关重要。
在解剖学上，小脑可以沿其上下轴分为三个叶：前叶，后叶和絮状硬叶。波瓣进一步细分为10个小叶，用罗马数字I-X20，21表示（图1）。小脑也可以分为中线（蚯蚓）和侧（半球）区域，分别接收来自脊髓和大脑皮层的输入。前叶，包括小叶I-V，传统上与运动过程相关，并且与脑运动皮层22具有相互连接。后叶，包括小叶VI-IX，主要与非运动过程11相关，并且与前额叶皮层，后壁和颞上脑皮层8，23具有相互连接。最后，由小叶X组成的絮状硬核与前庭核具有相互连接，前庭核在姿势和步态21期间控制眼球运动和身体平衡。
最近越来越多的使用功能性神经影像学的工作进一步完善了对小脑功能性神经解剖学的理解，超越了其解剖结构。例如，静息状态功能性磁共振成像（fMRI）技术已被用于绘制小脑和大脑之间功能相互作用的模式24。此外，使用基于任务的包裹方法，King及其同事7证明小脑在其广度上显示出丰富而复杂的功能特化模式，这与各种运动，情感，社交和认知任务相关的不同功能边界证明了这一点。总的来说，这些研究强调了检查单个小脑亚基的重要性，以发展小脑参与健康变异性和以小脑结构和/或功能改变为特征的神经系统疾病的完整生物学特征。
本研究的重点是使用结构MRI在人体中量化小脑体积局部变化的方法。一般来说，使用MRI数据量化区域脑体积有两种基本方法：基于特征 的分割 和 基于体素的配准。基于特征的分割方法使用解剖学特征和标准化地图集来自动确定次区域之间的边界。用于细分的主流软件包包括FreeSurfer25，BrainSuite26和 FSL-FIRST27。然而，这些包仅提供小脑的粗包裹（例如，标记每个半球的整个灰质和整个白质），从而忽略了单个小脑小叶。这些方法也容易出现误断，特别是周围脉管系统的过度整合。
已经开发了新的机器学习和多图集标记算法，它们提供了更准确和更细粒度的小脑包裹，包括使用隐式多边界进化的小脑小脑自动分类算法（ACCLAIM28，29），小脑分析工具包（CATK30），多个自动生成的模板（MAGeT31），人类小脑及其小脑的快速自动分割（RASCAL32）），图形切割分割33和小脑分割（CERES34）。在最近的一篇论文中，比较了最先进的全自动小脑包裹方法，发现CERES2相对于小脑叶的黄金标准手动分割35优于其他方法。最近，Han及其同事36开发了一种名为ACAPULCO（使用U-Net进行局部约束优化的自动小脑解剖包裹）的深度学习算法，该算法与CERES2相当，对健康和萎缩的小脑具有广泛的适用性，以开源Docker和Singularity容器格式用于“现成”实现，并且比其他方法更具时效性。ACAPULCO自动将小脑包裹成28个解剖区域。
与基于特征的分割相比，基于体素的配准方法是将MRI精确映射到模板图像。要实现此映射，原始图像中的体素必须在大小和形状上失真。这种失真的幅度有效地提供了相对于黄金标准模板的每个体素的体积度量。这种形式的体积评估被称为“基于体素的形态测量”37。基于全脑体素的配准方法，如FSL-FLIRT38/FNIRT39、SPM统一分割40和CAT1241，通常用于基于体素的形态测量。然而，这些方法不能很好地解释小脑，导致在颅下区域（小脑，脑干42）的可靠性和有效性较差。为了解释这些局限性，开发了SUIT（空间无偏倚下层模板）算法来优化小脑配准并提高基于体素的形态测量42，43的准确性。
基于特征的分割和基于体素的配准方法用于估计区域小脑体积具有基本的优缺点。分割方法对于量化解剖学上定义的区域（例如，小叶35）的体积要准确得多。然而，小脑不同功能模块之间的边界不会映射到其解剖叶和裂缝上（相当于大脑的回和沟7）。由于基于配准的方法不受解剖学特征的约束，因此可以对小脑进行更细粒度的空间推断和高维结构功能映射44。总而言之，细分和注册方法是相辅相成的，可用于回答不同的研究问题。
在这里，提出了一个新的标准化管道，它集成了这些现有的，经过验证的方法，以提供优化和自动化的小脑包裹（ACAPULCO）和基于体素的配准（SUIT），用于体积量化（图2）。该管道建立在既定方法的基础上，包括质量控制协议，使用定性可视化和定量异常值检测，以及使用Freesurfer获得颅内体积（ICV）估计的快速方法。管道是完全自动化的，只需检查质量控制输出就需要手动干预，并且可以在Mac，Windows和Linux操作系统上运行。该管道是免费提供的，没有限制其用于非商业目的，并且可以在完成简短的注册表45后从ENIGMA联盟成像协议网页（在“ENIGMA小脑体积管道”下）访问。
所有必需的软件都列在 材料表中，除了下面描述的协议外，下载管道时还可以获得详细的教程，包括现场演示。最后，提供了代表性的结果，来自Friedreich共济失调（FRDA）患者队列和年龄和性别匹配的健康对照组的管道实施，以及组级统计推断分析的建议。

<table fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>ACAPULCO pipeline files&#160;</td>
			<td>0.2.1</td>
			<td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td>
			<td>Please make sure to use acapulco version 0.2.1</td>
		</tr>
		<tr>
			<td>Docker for Mac</td>
			<td></td>
			<td>https://docs.docker.com/desktop/mac/install/</td>
			<td>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</td>
		</tr>
		<tr>
			<td>Docker for Windows</td>
			<td></td>
			<td>https://docs.docker.com/docker-for-windows/install/</td>
			<td></td>
		</tr>
		<tr>
			<td>ENIGMA SUIT scripts</td>
			<td></td>
			<td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td>
			<td></td>
		</tr>
		<tr>
			<td>FreeSurfer</td>
			<td>7</td>
			<td>https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td>
			<td>Following variables need to be set everytime you work with Freesurfer: 
			export FREESURFER_HOME=<img alt="equation" src="/files/ftp_upload/63340/lesser.png" />freesurfer _installation_directory<img alt="equation" src="/files/ftp_upload/63340/greater.png" /> 
			source $FREESURFER_HOME/SetUpFreeSurfer.sh</td>
		</tr>
		<tr>
			<td></td>
			<td></td>
			<td></td>
			<td>export SUBJECTS_DIR=<img alt="equation" src="/files/ftp_upload/63340/lesser.png" />path<img alt="equation" src="/files/ftp_upload/63340/greater.png" />/enigma/Freesurfer</td>
		</tr>
		<tr>
			<td>FSL (for FSLeyes). Optional</td>
			<td>6</td>
			<td>https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation</td>
			<td></td>
		</tr>
		<tr>
			<td>ICV pipeline files</td>
			<td></td>
			<td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td>
			<td>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 <img alt="equation" src="/files/ftp_upload/63340/greater.png" />=3.5 
			Python module pandas 
			Python module fire 
			Python module tabulate 
			Python module Colorama</td>
		</tr>
		<tr>
			<td></td>
			<td></td>
			<td>https://github.com/Characterisation-Virtual-Laboratory/calculate_icv</td>
			<td></td>
		</tr>
		<tr>
			<td>MATLAB*</td>
			<td>2019 or newer</td>
			<td>https://au.mathworks.com/</td>
			<td>An academic license is required</td>
		</tr>
		<tr>
			<td>Singularity</td>
			<td>3.7 or newer</td>
			<td>https://www.sylabs.io/docs/</td>
			<td>Prefered for high performance computing (HPC) clusters</td>
		</tr>
		<tr>
			<td>SPM</td>
			<td>12</td>
			<td>http://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td>
			<td>Make sure spm12 and all subfolders are in your MATLAB path</td>
		</tr>
		<tr>
			<td>SUIT Toolbox</td>
			<td>3.4</td>
			<td>http://www.diedrichsenlab.org/imaging/suit_download.htm</td>
			<td>Make sure you place SUIT toolbox in spm12/toolbox directory</td>
		</tr>
		<tr>
			<td>Troubleshooting manual and segmentation output examples</td>
			<td></td>
			<td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td>
			<td></td>
		</tr>
		<tr>
			<td>Tutorial manual and video</td>
			<td></td>
			<td>http://enigma.ini.usc.edu/protocols/imaging-protocols/</td>
			<td>Manual and accompanying live demonstration provide detailed step-by-step instructions on how to run the pipeline from start to finish.</td>
		</tr>
		<tr>
			<td>*Not freely available; an academic license is required</td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

a standardized pipeline for examining human cerebellar grey matter morphometry using structural magnetic resonance imaging

多项研究为小脑在各种认知和情感功能中的作用提供了令人信服的证据，远远超出了其与运动控制的历史关联。结构和功能性神经影像学研究进一步完善了对小脑功能性神经解剖学的理解，超越了其解剖划分，突出了检查健康变异性和神经系统疾病中单个小脑亚基的必要性。本文提出了一种用于检查小脑灰质形态测量的标准化管道，该管道结合了高分辨率，最先进的方法，用于优化和自动化小脑包裹（使用U-Net局部约束优化的自动小脑解剖包裹;ACAPULCO）和基于体素的小脑注册（空间无偏倚的下层模板;SUIT）用于体积定量。 
该管道广泛适用于一系列神经系统疾病，并且是全自动的，仅对输出进行质量控制所需的手动干预。该管道是免费提供的，并附有大量文档，并且可以在Mac，Windows和Linux操作系统上运行。该管道应用于Friedreich共济失调（FRDA）患者的队列，并提供代表性结果以及组水平推断统计分析的建议。该管道可以促进整个领域的可靠性和可重复性，最终为表征和跟踪神经系统疾病中的小脑结构变化提供强大的方法学方法。

小脑包裹术
小脑包裹面罩的质量控制： 以下示例演示了 ACAPULCO 包裹输出，并指导了有关 a） 包裹式掩模在单个级别的质量以及 b） 随后在统计分析中包含或排除特定小叶的决策。归根结底，包括或排除一个主题的决定是主观的;这里提供了来自各种健康和临床群体的“良好包裹”，“微妙的包裹错误”和“全球失败”的例子。
<p class="jove_content"...

Watch this Scientific Journal Video about A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging at JoVE.com

A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging

提出了一种用于检查小脑灰质形态测量的标准化管道。该管道结合了高分辨率，最先进的方法，用于优化和自动化的小脑包裹和基于体素的小脑配准，以进行体积量化。

一种使用结构磁共振成像检查人小脑灰质形态测量的标准化管道

Multiple lines of research provide compelling evidence for a role of the cerebellum in a wide array of cognitive and affective functions, going far beyond ...

我们的管道使用最先进的方法，使用人体结构磁共振图像量化小脑亚基的体积。该过程包括解剖包裹，基于体素的形态测量和质量控制过程。我们的标准化管道大多是自动化的，以Docker和Singularity格式提供，并且对一系列神经系统疾病具有广泛的适用性。首先，请确保安装了 Docker 或 Singularity、MATLAB 和 SPM12。然后，使用命令行中的 make 目录命令，在工作目录中创建文件夹，并将它们标记为 acapulco、suit 和 freesurfer。接下来，在 acapulco 目录中，创建一个输出文件夹。在输出文件夹中，为研究中的每个受试者创建一个目录，其中包含NIFTI gz格式的t1加权图像。对于解剖学小脑包裹，下载阿卡普尔科容器，然后下载运行阿卡普尔科所需的相关脚本和容器。然后放置 acapulco Docker 或 Singularity 容器、QCs_scripts存档的内容以及 RCIF 容器或calculate_dicv。acapulco 目录中的 tar 文件。接下来，打开一个终端并使用 Singularity 键入指示的命令以在单个映像上运行 acapulco 容器。等待五分钟以完成处理。然后，循环遍历队列中的所有受试者或扫描。处理后，查找在特定于主题的文件夹中生成的文件。识别由阿卡普尔科产生的28个亚基中每个亚基的原始和体积的包裹小脑面罩。然后，从图片目录中，识别代表性的矢状、轴向和冠状图像。对于统计异常值检测和质量控制，请确保QC脚本的内容在acapulco目录中。然后，使用奇点，键入指示的命令。为了检查阿卡普尔科产生的QC图像，打开QC_Images。html在Web浏览器中，并快速滚动浏览图像以识别明显的故障或系统性问题。记下失败或可疑的包裹图像的主题 ID 以进行跟进。接下来，打开Plots_for_Outliers。html 以选中定量统计异常值的框图。在异常值的相关列中标识由 1 表示的异常值。csv 文件。并记下在“异常值.csv”中最后一列中标识为每个主题的异常值的段总数。手动检查具有一个或多个异常值的每个图像。如果使用标准的NIFTI图像查看器，请将acapulco蒙版叠加到原始t1加权图像上，以逐个切片检查包裹切片的质量。如果需要从最终数据集中排除一个或多个宗地区域，请通过在该主题的相应单元格中将体积估计值替换为 NA，将此宗地从分析中排除。如果包裹错误导致某些小脑被排除在面罩之外，请立即将受试者排除在进一步的分析之外。对于使用 SUIT 进行的基于体素的形态测量分析，请确保 SPM12 文件夹和所有子文件夹都在 MATLAB 路径中。此外，请确保enigma_suit脚本保存在 SPM12 工具箱目录中，并添加到 MATLAB 路径中。要检查 MATLAB 路径，请在 MATLAB 命令窗口中键入 pathtool，然后单击使用子文件夹添加以添加相关文件夹。接下来，使用图形用户界面，在 MATLAB 命令窗口中键入 suit_enigma_all，以便为一个或多个主题运行 SUIT 管道。在第一个弹出窗口中，从 acapulco 输出目录中选择要包含在分析中的主题文件夹。单击窗口右侧的各个文件夹，或右键单击并全选。然后，按完成。在第二个弹出窗口中，选择 SUIT 目录。要从 MATLAB 命令行为单个主题调用函数，请键入指示的命令。从命令行运行 SUIT 时，如果 SPM12 或 enigma_suit 目录未永久保存到 MATLAB 路径，则必须将该步骤添加到命令行中。要从 MATLAB 外部的终端窗口为单个主题调用函数，请键入所示命令。检查每个主题的文件夹中是否有最终输出。要目视检查归一化调制图像是否存在重大故障，请在 MATLAB 中键入 spm_display_4d。接下来，要选择所需的图像，请导航到 SUIT 目录，然后在筛选器框中键入指示的命令。然后，按“递归”按钮，然后按“完成”。滚动浏览图像以确保它们都对齐。接下来，要检查异常值的空间协方差，请在 MATLAB 中键入 check_spatial_cov。然后，从之前选择调制的图像，并在出现提示时设置Prop。缩放为“是”、“变量”以将协方差向外缩放为“否”、“切片”缩放至 48，将“间隙”缩放到 1。最后，查看显示每个图像相对于样本中所有其他图像的平均空间协方差的箱形图。在 MATLAB 命令窗口中识别比平均值低两个以上标准差的数据点。对于这些数据点，请检查 SUIT 文件夹中的相应图像是否存在伪影、图像质量问题。或预处理错误。这里显示的是来自棘小脑共济失调 2 型患者的严重萎缩小脑。尽管在边缘周围可以看到组织损失，但SUIT已经很好地将此图像扭曲到模板中。这不值得排除在外。在这里，从小脑的顶部到底部有一个明显的渐变，图像非常粗糙，需要排除。最后，在此示例中，遮罩效果不佳。边缘不干净，图像比通常从 SUIT 管道中流出的边缘更平滑。这将需要排除在外。这里显示了良好包状的例子，包括健康和严重萎缩的大脑，而在这里可以看到具有单个小脑叶微妙的过度和不足的杂分化的例子。这些类型的错误通常需要排除受影响的单个小叶，而包裹的小脑的其余部分可以保留。相反，全局故障需要完全排除该主题。当对31名患有Friedreich共济失调和37名健康对照组的样本进行阿卡普尔科时，左小叶IX和右小叶Crus I的排除率最高。弗里德赖希共济失调患者和健康对照个体中28个小脑解剖小叶体积的比较显示，弗里德赖希共济失调患者髓质中的白质显着减少。组间没有其他显著差异。此处显示了来自健康对照组和Friedreich共济失调的对齐图像的示例，而排除示例可以在此处看到。在测试了所有归一化图像的空间协方差后，根据两个扫描与样本其余部分的平均空间协方差，将两个扫描检测为统计异常值。在SNPM中进行非参数排列测试，以测试小脑灰质体积的组间显着差异。SUIT分析的结果表明，Friedreich共济失调患者双侧前叶I至V的灰质体积显着减少，内侧后叶区域（包括Vermis VI和Vermis IX.It 对于手动检查小脑面罩以确保达到小脑全覆盖至关重要，并且还要检查面罩中小脑叶的上囊和包内包物不足。该管道有助于执行对小脑灰质结构感兴趣的多站点组级统计分析。其他技术，如功能连接，也可用于探索单个小脑叶和大脑之间的连接。

Research

JoVE Journal

Neuroscience

Magnetic Resonance Spectroscopy of live Drosophila melanogaster using Magic Angle Spinning

Magnetic Resonance Spectroscopy of live Drosophila melanogaster using Magic Angle Spinning

生活磁共振波谱果蝇</em用魔角旋转

High-Resolution Magic Angle Spinning (HRMAS) proton magnetic resonance spectroscopy (1H-MRS) is a novel non-destructive technique that improves spectral ...

科研

神经科学

Multiple-mouse Neuroanatomical Magnetic Resonance Imaging

多鼠神经解剖学磁共振成像

The field of mouse phenotyping with magnetic resonance imaging (MRI) is rapidly growing, motivated by the need for improved tools for characterizing and ...

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

高分辨率人类中脑功能磁共振成像方法

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon ...

The Use of Magnetic Resonance Spectroscopy as a Tool for the Measurement of Bi-hemispheric Transcranial Electric Stimulation Effects on Primary Motor Cortex Metabolism

磁共振波谱的用途，用于对初级运动皮层新陈代谢双半球经颅电刺激效果的测量工具一

Transcranial direct current stimulation (tDCS) is a neuromodulation technique that has been increasingly used over the past decade in the treatment of ...

High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging

High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging

高分辨率<em&gt;在体内</em&gt;使用3T磁共振成像手动分割协议为人类海马子字段

The human hippocampus has been broadly studied in the context of memory and normal brain function and its role in different neuropsychiatric disorders has ...

High-resolution Structural Magnetic Resonance Imaging of the Human Subcortex In Vivo and Postmortem

High-resolution Structural Magnetic Resonance Imaging of the Human Subcortex In Vivo and Postmortem

高分辨率结构磁共振人类皮质下的成像<I&gt;在体内</I&gt;与死亡

The focus of this study was to test the resolution limits of structural MRI of a postmortem brain compared to living human brains. The resolution of ...

A Magnetic Resonance Imaging Protocol for Stroke Onset Time Estimation in Permanent Cerebral Ischemia

脑缺血中风发作时间估计的磁共振成像协议

MRI provides a sensitive and specific imaging tool to detect acute ischemic stroke by means of a reduced diffusion coefficient of brain water. In a rat ...

Automated Segmentation of Cortical Grey Matter from T1-Weighted MRI Images

t1 加权 mri 图像中皮质灰质的自动分割

Within neuroimaging research, a number of recent studies have discussed the impact of between-study differences in volumetric findings that are thought to ...

Diffusion Tensor Magnetic Resonance Imaging in Chronic Spinal Cord Compression

扩散张量磁共振成像在慢性脊髓压迫中的应用

Chronic spinal cord compression is the most common cause of spinal cord impairment in patients with nontraumatic spinal cord damage. Conventional magnetic ...