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

Le travail présenté dans ce manuscrit a été financé par une subvention Ideas Grant: APP1184403 de l’Australian National Health and Medical Research Council (NHMRC).

REMARQUE : Les données utilisées dans cette étude faisaient partie d’un projet approuvé par le Comité d’éthique de la recherche humaine de l’Université Monash (projet 7810). Les participants ont donné leur consentement éclairé par écrit. Alors que le pipeline peut être exécuté sur les systèmes d’exploitation Mac, Windows ou Linux, ACAPULCO, SUIT et les pipelines QC ont été explicitement testés sur les systèmes d’exploitation Linux (Ubuntu) et Mac (Catalina, Big Sur v11.0.1).
<p class="jov...

Le cervelet est essentiel à un large éventail de fonctions motrices humaines3,cognitives 58,affectives 10 etlinguistiques 7,59 et est impliqué dans de nombreuses maladies neurologiques et psychiatriques. La disponibilité d’une approche normalisée et facilement réalisable pour la quantification des volumes cérébelleux régionaux contribuera à une cartographie de plus en plus détail...

Le cervelet est une partie du cerveau historiquement associée au contrôle moteur 1,2,3 et on pense qu’il n’est pleinement impliqué que dans un petit ensemble de maladies rares, telles que les ataxies héréditaires4. Cependant, les lignes de recherche convergentes issues d’études de traçage anatomique chez des primates non humains, ainsi que d’études sur les lésions humaines et la neuroimagerie, fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives 5,6,7, affectives 8,9,10,11 et d’autres fonctions non motrices 7,12 (voir 6  pour examen). En outre, les anomalies du cervelet sont de plus en plus impliquées dans un large éventail de troubles neurologiques et psychiatriques, y compris la maladie de Parkinson13, la maladie d’Alzheimer14,15, l’épilepsie16,17, la schizophrénie18 et les troubles du spectre autistique19 . Par conséquent, il est devenu essentiel d’incorporer le cervelet dans les modèles fonctionnels et structurels des maladies du cerveau humain et de la variabilité comportementale normative.
Anatomiquement, le cervelet peut être divisé le long de son axe supérieur à inférieur en trois lobes: antérieur, postérieur et floculonodulaire. Les lobes sont subdivisés en 10 lobules désignés par des chiffres romains I-X20,21 (Figure 1). Le cervelet peut également être regroupé en zones médianes (vermis) et latérales (hémisphère), qui reçoivent respectivement des entrées de la moelle épinière et du cortex cérébral. Le lobe antérieur, composé de lobules I-V, a traditionnellement été associé à des processus moteurs et présente des connexions réciproques avec les cortex moteurs cérébraux22. Le lobe postérieur, composé de lobules VI-IX, est principalement associé aux processus non moteurs11 et présente des connexions réciproques avec le cortex préfrontal, le cortex pariétal postérieur et le cortex cérébral temporal supérieur 8,23. Enfin, le lobe floculonodulaire, comprenant le lobule X, a des connexions réciproques avec les noyaux vestibulaires qui régissent les mouvements oculaires et l’équilibre du corps pendant la posture et la démarche21.
Un nombre croissant de travaux récents utilisant la neuroimagerie fonctionnelle a affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques. Par exemple, des techniques d’imagerie par résonance magnétique fonctionnelle (IRMf) à l’état de repos ont été utilisées pour cartographier le modèle d’interactions fonctionnelles entre le cervelet et le cerveau24. De plus, en utilisant une approche de parcellation basée sur les tâches, King et ses collègues7 ont démontré que le cervelet présente un modèle riche et complexe de spécialisation fonctionnelle dans toute son étendue, mis en évidence par des limites fonctionnelles distinctes associées à une variété de tâches motrices, affectives, sociales et cognitives. Collectivement, ces études soulignent l’importance d’examiner les sous-unités cérébelleuses individuelles afin de développer des caractérisations biologiques complètes de l’implication du cervelet dans la variabilité saine et les maladies neurologiques caractérisées par des altérations de la structure et/ou de la fonction cérébelleuses.
Le présent travail se concentre sur les méthodes de quantification des changements locaux dans le volume cérébelleux à l’aide de l’IRM structurelle chez l’homme. En général, il existe deux approches fondamentales pour quantifier le volume cérébral régional à l’aide de données IRM : la segmentation basée sur les caractéristiques et l’enregistrement basé sur le voxel. Les approches de segmentation basées sur les caractéristiques utilisent des repères anatomiques et des atlas standardisés pour identifier automatiquement les frontières entre les sous-régions. Les progiciels grand public pour la segmentation incluent FreeSurfer25, BrainSuite26 et FSL-FIRST27. Cependant, ces emballages ne fournissent que des parcellations grossières du cervelet (par exemple, étiqueter toute la matière grise et toute la substance blanche dans chaque hémisphère), négligeant ainsi les lobules cérébelleux individuels. Ces approches sont également sujettes à une mauvaise segmentation, en particulier à la surinclusion du système vasculaire environnant.
De nouveaux algorithmes d’apprentissage automatique et d’étiquetage multi-atlas ont été développés, qui fournissent une parcellation plus précise et plus fine du cervelet, y compris la classification automatique de l’algorithme de lobules cérébelleux à l’aide de l’évolution multilimite implicite (ACCLAIM 28,29), la boîte à outils d’analyse cérébelleuse (CATK30), les modèles générés automatiquement multiples (MAGeT31), la segmentation automatique rapide du cervelet humain et de ses lobules (RASCAL32 ), segmentation graphique33 et segmentation CEREbellum (CERES34). Dans un article récent comparant les approches de parcellation du cervelet entièrement automatisées de pointe, CERES2 s’est avéré surpasser les autres approches par rapport à la segmentation manuelle de référence des lobules cérébelleux35. Plus récemment, Han et ses collèguesde 36 ont développé un algorithme d’apprentissage profond appelé ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), qui fonctionne sur un pied d’égalité avec CERES2, a une large applicabilité aux cervelets sains et atrophiés, est disponible en format de conteneur Docker et Singularity open-source pour une mise en œuvre « prête à l’emploi » et est plus rapide que d’autres approches. ACAPULCO répartit automatiquement le cervelet en 28 régions anatomiques.
Contrairement à la segmentation basée sur les fonctionnalités, les approches d’enregistrement basées sur le voxel fonctionnent en mappant précisément une IRM à une image modèle. Pour réaliser ce mappage, les voxels de l’image originale doivent être déformés en taille et en forme. L’ampleur de cette distorsion fournit effectivement une mesure du volume à chaque voxel par rapport au modèle d’étalon-or. Cette forme d’évaluation volumétrique est connue sous le nom de « morphométrie à base de voxel »37. Les approches d’enregistrement basées sur le voxel du cerveau entier, telles que FSL-FLIRT38/FNIRT39, SPM unified segmentation40 et CAT1241, sont couramment utilisées pour la morphométrie à base de voxel. Cependant, ces approches ne tiennent pas bien compte du cervelet, ce qui entraîne une fiabilité et une validité médiocres dans les régions infratentorielles (cervelet, tronc cérébral42). Pour tenir compte de ces limitations, l’algorithme SUIT (Spatially Unbiased Infra-tentorial Template) a été développé pour optimiser l’enregistrement du cervelet et améliorer la précision de la morphométrie à base de voxel42,43.
La segmentation basée sur les caractéristiques et les approches d’enregistrement basées sur le voxel pour l’estimation du volume cérébelleux régional ont des forces et des faiblesses fondamentales. Les approches de segmentation sont beaucoup plus précises pour quantifier le volume des zones anatomiquement définies (p. ex., lobules35). Cependant, les limites entre les modules fonctionnels distincts du cervelet ne correspondent pas à ses folias anatomiques et à ses fissures (équivalents aux gyri et sulci du cerveau7). Comme les approches basées sur l’enregistrement ne sont pas limitées par des repères anatomiques, une inférence spatiale plus fine et une cartographie structure-fonction à haute dimension du cervelet sontpossibles 44. Prises ensemble, les approches de segmentation et d’enregistrement sont complémentaires et peuvent être utilisées pour répondre à différentes questions de recherche.
Ici, un nouveau pipeline standardisé est présenté, qui intègre ces approches existantes et validées pour fournir une parcellation optimisée et automatisée (ACAPULCO) et un enregistrement du cervelet à base de voxel (SUIT) pour la quantification volumétrique (Figure 2). Le pipeline s’appuie sur les approches établies pour inclure des protocoles de contrôle de la qualité, en utilisant la visualisation qualitative et la détection quantitative des valeurs aberrantes, ainsi qu’une méthode rapide pour obtenir une estimation du volume intracrânien (ICV) à l’aide de Freesurfer. Le pipeline est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour vérifier les sorties de contrôle qualité, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est disponible gratuitement sans restriction quant à son utilisation à des fins non commerciales et peut être consulté à partir de la page Web ENIGMA Consortium Imaging Protocols (sous « ENIGMA Cerebellum Volumetrics Pipeline »), après avoir rempli un bref formulaire d’inscription45.
Tous les logiciels requis sont répertoriés dans la table des matériaux, et des didacticiels détaillés, y compris une démonstration en direct, sont disponibles lors du téléchargement du pipeline, en plus du protocole décrit ci-dessous. Enfin, des résultats représentatifs sont fournis, issus de la mise en œuvre du pipeline dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA) et de témoins sains appariés selon l’âge et le sexe, ainsi que des recommandations pour des analyses inférentielles statistiques au niveau du groupe.

<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

De multiples axes de recherche fournissent des preuves convaincantes du rôle du cervelet dans un large éventail de fonctions cognitives et affectives, allant bien au-delà de son association historique avec le contrôle moteur. Les études de neuroimagerie structurale et fonctionnelle ont affiné la compréhension de la neuroanatomie fonctionnelle du cervelet au-delà de ses divisions anatomiques, soulignant la nécessité d’examiner les sous-unités cérébelleuses individuelles dans la variabilité saine et les maladies neurologiques. Cet article présente un pipeline standardisé pour l’examen de la morphométrie de la matière grise du cervelet qui combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) et l’enregistrement du cervelet à base de voxel (modèle infra-tentorial spatialement non biaisé; SUIT) pour la quantification volumétrique. 
Le pipeline a une large applicabilité à une gamme de maladies neurologiques et est entièrement automatisé, avec une intervention manuelle uniquement nécessaire pour le contrôle de la qualité des résultats. Le pipeline est disponible gratuitement, accompagné d’une documentation d’accompagnement substantielle, et peut être exécuté sur les systèmes d’exploitation Mac, Windows et Linux. Le pipeline est appliqué dans une cohorte de personnes atteintes d’ataxie de Friedreich (FRDA), et des résultats représentatifs, ainsi que des recommandations sur les analyses statistiques inférentielles au niveau du groupe, sont fournis. Ce pipeline pourrait faciliter la fiabilité et la reproductibilité dans l’ensemble du domaine, fournissant ainsi une approche méthodologique puissante pour caractériser et suivre les changements structurels cérébelleux dans les maladies neurologiques.

Parcellation du cervelet (ACAPULCO)
Contrôle de la qualité des masques parcellés au cervelet: Les exemples suivants illustrent les extrants parcellés d’ACAPULCO et guident la prise de décision concernant a) la qualité du masque parcellé au niveau individuel et b) l’inclusion ou l’exclusion ultérieure d’un ou de plusieurs lobules particuliers des analyses statistiques. En fin de compte, la décision d’inclure ou d’exclure un sujet est sub...

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

Un pipeline normalisé est présenté pour l’examen de la morphométrie de la matière grise du cervelet. Le pipeline combine des approches de pointe à haute résolution pour une parcellation optimisée et automatisée du cervelet et l’enregistrement du cervelet à base de voxel pour la quantification volumétrique.

Un pipeline standardisé pour l’examen de la morphométrie de la matière grise cérébelleuse humaine à l’aide de l’imagerie par résonance magnétique structurelle

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 ...

Notre pipeline utilise des approches de pointe pour quantifier le volume des sous-unités cérébelleuses à l’aide d’images de résonance magnétique structurelle humaine. Le processus comprend la parcellation anatomique, la morphométrie à base de voxel et les processus de contrôle de la qualité. Notre pipeline standardisé est principalement automatisé, disponible au format Docker et Singularity, et a une large applicabilité à une gamme de maladies neurologiques.Pour commencer, assurez-vous que Docker ou Singularity, MATLAB et SPM12 sont installés. Ensuite, à l’aide de la commande make directory dans la ligne de commande, créez des dossiers dans le répertoire de travail et étiquetez-les acapulco, suit et freesurfer. Ensuite, dans le répertoire acapulco, créez un dossier de sortie.Dans le dossier de sortie, créez un répertoire pour chaque sujet de l’étude contenant l’image pondérée t1 au format NIFTI gz. Pour la parcellation cérébelleuse anatomique, téléchargez le récipient acapulco, puis téléchargez les scripts et conteneurs pertinents requis pour exécuter acapulco. Placez ensuite le conteneur acapulco Docker ou Singularity, le contenu de l’archive QCs_scripts et le conteneur RCIF ou calculate_dicv.tar dans le répertoire acapulco. Ensuite, ouvrez un terminal et à l’aide de Singularity, tapez la commande indiquée pour exécuter le conteneur acapulco sur une seule image. Attendez cinq minutes pour que le traitement se termine.Ensuite, parcourez en boucle tous les sujets ou scans de la cohorte. Après le traitement, recherchez les fichiers générés dans les dossiers spécifiques à l’objet. Identifier le masque de cervelet parcellé dans l’original et les volumes pour chacune des 28 sous-unités générées par l’acapulco.Ensuite, à partir du répertoire des photos, identifiez les images sagittales, axiales et coronales représentatives. Pour la détection statistique des valeurs aberrantes et le contrôle de la qualité, assurez-vous que le contenu des scripts QC se trouve dans le répertoire acapulco. Ensuite, à l’aide de Singularité, tapez la commande indiquée.Pour examiner les images QC générées par acapulco, ouvrez QC_Images. html dans un navigateur Web et faites défiler rapidement les images pour identifier les échecs évidents ou les problèmes systématiques. Notez les ID d’objet des images parcellées défaillantes ou suspectes pour le suivi.Ensuite, ouvrez Plots_for_Outliers. html pour cocher les graphiques de case pour les valeurs aberrantes statistiques quantitatives. Identifiez les valeurs aberrantes indiquées par un 1 dans la colonne correspondante des valeurs aberrantes.fichier csv. et notez le nombre total de segments identifiés comme valeurs aberrantes pour chaque sujet dans la dernière colonne de la section Valeurs aberrantes.csv. Inspectez manuellement chaque image ayant une ou plusieurs valeurs aberrantes.Si vous utilisez une visionneuse d’images NIFTI standard, superposez le masque acapulco sur l’image d’origine pondérée t1 pour vérifier la qualité de la parcellation tranche par tranche. Si une ou plusieurs régions parcellées doivent être exclues de l’ensemble de données final, exclure cette parcellation de l’analyse en remplaçant l’estimation du volume par NA dans la cellule correspondante de ce sujet. Si des erreurs de parcellation entraînent l’exclusion d’une partie du cervelet du masque, exclure immédiatement le sujet des analyses ultérieures.Pour les analyses de morphométrie basées sur le voxel à l’aide de SUIT, assurez-vous que le dossier SPM12 et tous les sous-dossiers se trouvent dans le chemin MATLAB. En outre, assurez-vous que les scripts enigma_suit sont enregistrés dans le répertoire de la boîte à outils SPM12 et ajoutés au chemin d’accès MATLAB. Pour vérifier le chemin d’accès MATLAB, tapez pathtool dans la fenêtre de commande MATLAB et cliquez sur Ajouter avec des sous-dossiers pour ajouter les dossiers appropriés.Ensuite, à l’aide de l’interface utilisateur graphique, tapez suit_enigma_all dans la fenêtre de commande MATLAB pour exécuter le pipeline SUIT pour un ou plusieurs sujets. Dans la première fenêtre contextuelle, sélectionnez les dossiers d’objet dans le répertoire de sortie acapulco à inclure dans l’analyse. Cliquez sur les dossiers individuels sur le côté droit de la fenêtre ou cliquez avec le bouton droit de la souris et sélectionnez tout.Ensuite, appuyez sur Terminé. Dans la deuxième fenêtre contextuelle, sélectionnez le répertoire SUIT. Pour appeler la fonction à partir de la ligne de commande MATLAB pour un seul sujet, tapez la commande indiquée.Lors de l’exécution de SUIT à partir de la ligne de commande, si les répertoires SPM12 ou enigma_suit ne sont pas enregistrés de manière permanente dans le chemin MATLAB, cette étape doit être ajoutée à la ligne de commande. Pour appeler la fonction à partir de la fenêtre du terminal en dehors de MATLAB pour un seul sujet, tapez la commande affichée. Vérifiez le dossier de chaque sujet pour les résultats finaux.Pour inspecter visuellement les images modulées normalisées à la recherche de défaillances majeures, tapez spm_display_4d dans MATLAB. Ensuite, pour sélectionner les images requises, accédez au répertoire SUIT et tapez la commande indiquée dans la zone de filtre. Ensuite, appuyez sur le bouton Récursif, suivi de Terminé.Faites défiler les images pour vous assurer qu’elles sont toutes bien alignées. Ensuite, pour vérifier la covariance spatiale des valeurs aberrantes, tapez check_spatial_cov dans MATLAB. Ensuite, sélectionnez les images modulées précédemment et, lorsque vous y êtes invité, définissez Prop.mise à l’échelle à yes, Variable à covariance à no, Slice à 48 et Gap à 1. Enfin, regardez le diagramme en boîte affichant la covariance spatiale moyenne de chaque image par rapport à toutes les autres de l’échantillon. Identifiez les points de données qui sont supérieurs à deux écarts-types en dessous de la moyenne dans la fenêtre de commande MATLAB.Pour ces points de données, inspectez les images appropriées dans le dossier SUIT à la recherche d’artefacts et de problèmes de qualité d’image. ou des erreurs de prétraitement. On voit ici un cervelet fortement atrophié d’un patient atteint d’ataxie spino-cérébelleuse 2.Malgré la perte de tissu observée sur les bords, SUIT a assez bien déformé cette image au modèle. Cela ne justifierait pas une exclusion. Ici, il y a un gradient clair de haut en bas du cervelet et l’image est assez brouillonne, justifiant une exclusion.Enfin, dans cet exemple, le masquage n’a pas bien fonctionné. Les bords ne sont pas propres et l’image est plus lisse que ceux qui sortent généralement du pipeline SUIT. Cela justifierait une exclusion.Des exemples de bonnes parcellations, y compris des cervelets sains et fortement atrophiés, sont montrés ici, tandis que des exemples de mauvaiscellations avec des inclusions subtiles de lobules de cervelet individuels peuvent être vus ici. Ces types d’erreurs nécessitent généralement l’exclusion des lobules individuels qui sont affectés, tandis que le reste du cervelet parcellé peut être conservé. En revanche, les échecs globaux nécessitent une exclusion complète du sujet.Lorsque l’acapulco a été exécuté sur un échantillon de 31 personnes atteintes d’ataxie de Friedreich et de 37 témoins sains, le lobule gauche IX et le lobule droit Crus, j’avais les taux d’exclusion les plus élevés. La comparaison des volumes de 28 lobules anatomiques cérébelleux dans l’ataxie de Friedreich et les individus témoins sains a montré une réduction significative de la substance blanche dans le corps médullaire dans l’ataxie de Friedreich. Il n’y avait pas d’autres différences significatives entre les groupes.Des exemples d’images bien alignées provenant à la fois de témoins sains et de l’ataxie de Friedreich sont présentés ici, tandis que des exemples d’exclusions peuvent être vus ici. Après avoir testé la covariance spatiale de toutes les images normalisées, deux scans ont été détectés comme des valeurs statistiques aberrantes en fonction de leur covariance spatiale moyenne avec le reste de l’échantillon. Des tests de permutation non paramétriques ont été effectués dans SNPM pour tester les différences significatives entre les groupes dans les volumes de matière grise du cervelet.Les résultats de l’analyse SUIT ont montré que les patients atteints d’ataxie de Friedreich avaient un volume de matière grise significativement réduit dans le lobule antérieur bilatéral I à V, et dans les régions du lobe postérieur médian, y compris Vermis VI et Vermis IX.It est crucial de vérifier manuellement les masques cérébelleux pour s’assurer que la couverture cérébelleuse complète a été atteinte, et d’inspecter également les masques pour détecter les inclusions excessives et insuffisantes de lobules cérébelleux. Ce pipeline facilite la réalisation d’analyses statistiques multi-sites au niveau du groupe qui s’intéressent à l’examen de la structure de la matière grise du cervelet. D’autres techniques, telles que la connectivité fonctionnelle, peuvent également être utilisées pour explorer la connectivité entre les lobules cérébelleux individuels et le cerveau.

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

Spectroscopie par résonance magnétique du direct Drosophila melanogaster En utilisant Magic Angle Spinning

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

Recherche

Neurosciences

Multiple-mouse Neuroanatomical Magnetic Resonance Imaging

Multiple-Mouse Imaging neuroanatomiques par résonance magnétique

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

Haute résolution magnétique fonctionnelle Méthodes d&#39;imagerie par résonance mésencéphale humain

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

L&#39;utilisation de la spectroscopie par résonance magnétique, un outil pour la mesure de la Bi-hémisphériques transcrânienne électriques effets de stimulation sur le moteur primaire Cortex métabolisme

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

Haute résolution<em&gt; In Vivo</em&gt; Protocole de segmentation manuelle pour les sous-zones de l&#39;hippocampe humain Utilisation 3T imagerie par résonance magnétique

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

Haute résolution structurelle Imagerie par résonance magnétique de la sous-cortex humain<I&gt; In Vivo</I&gt; Et Postmortem

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

Un protocole d’imagerie par résonance magnétique pour l’Estimation de temps AVC apparition dans l’ischémie cérébrale permanente

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

Segmentation automatique de substance grise corticale des Images d’IRM pondérées en T1

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

Diffusion tenseur imagerie par résonance magnétique dans la compression de la moelle épinière chronique

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