Unsere Pipeline verwendet modernste Ansätze zur Quantifizierung des Volumens von Kleinhirn-Untereinheiten unter Verwendung menschlicher struktureller Magnetresonanzbilder. Der Prozess umfasst anatomische Parzellierung, Voxel-basierte Morphometrie und Qualitätskontrollprozesse. Unsere standardisierte Pipeline ist größtenteils automatisiert, im Docker- und Singularity-Format verfügbar und hat eine breite Anwendbarkeit auf eine Reihe von neurologischen Erkrankungen.
Stellen Sie zunächst sicher, dass Docker oder Singularity, MATLAB und SPM12 installiert sind. Erstellen Sie dann mit dem Befehl make directory in der Befehlszeile Ordner im Arbeitsverzeichnis und beschriften Sie sie als acapulco, suit und freesurfer. Erstellen Sie als Nächstes im acapulco-Verzeichnis einen Ausgabeordner.
Erstellen Sie im Ausgabeordner ein Verzeichnis für jedes Thema in der Studie, das das t1-gewichtete Bild im NIFTI gz-Format enthält. Für die anatomische Kleinhirnpaketierung laden Sie den acapulco-Container herunter und laden Sie dann die relevanten Skripte und Container herunter, die zum Ausführen von acapulco erforderlich sind. Platzieren Sie dann den acapulco Docker- oder Singularity-Container, den Inhalt des QCs_scripts-Archivs und den RCIF-Container oder -calculate_dicv.
TAR-Datei im Acapulco-Verzeichnis. Öffnen Sie als Nächstes ein Terminal und geben Sie mit Singularity den angegebenen Befehl ein, um den Acapulco-Container auf einem einzelnen Image auszuführen. Warten Sie fünf Minuten, bis die Verarbeitung abgeschlossen ist.
Wiederholen Sie dann alle Motive oder Scans in der Kohorte. Suchen Sie nach der Verarbeitung nach den Dateien, die in den fachspezifischen Ordnern generiert wurden. Identifizieren Sie die paketierte Kleinhirnmaske im Original und in den Volumina für jede der 28 von acapulco erzeugten Untereinheiten.
Identifizieren Sie dann aus dem pics-Verzeichnis repräsentative sagittale, axiale und koronale Bilder. Stellen Sie für die statistische Ausreißererkennung und Qualitätskontrolle sicher, dass sich die Inhalte der QC-Skripte im acapulco-Verzeichnis befinden. Geben Sie dann mit Singularität den angegebenen Befehl ein.
Um die von acapulco generierten QC-Bilder zu untersuchen, öffnen Sie QC_Images. HTML in einem Webbrowser und scrollen Sie schnell durch die Bilder, um offensichtliche Fehler oder systematische Probleme zu identifizieren. Notieren Sie sich die Betreff-IDs von fehlgeschlagenen oder verdächtigen Paketbildern für die Nachverfolgung.
Öffnen Sie als Nächstes Plots_for_Outliers. HTML, um das Kontrollkästchen Diagramme für quantitative statistische Ausreißer zu aktivieren. Identifizieren Sie die Ausreißer, die durch eine 1 in der entsprechenden Spalte in den Ausreißern gekennzeichnet sind.
CSV-Datei. und notieren Sie die Gesamtzahl der Segmente, die als Ausreißer für jedes Thema identifiziert wurden, in der letzten Spalte unter Ausreißer.csv. Überprüfen Sie manuell jedes Bild mit einem oder mehreren Ausreißern.
Wenn Sie einen Standard-NIFTI-Bildbetrachter verwenden, überlagern Sie die Acapulco-Maske auf dem ursprünglichen t1-gewichteten Bild, um die Qualität der Parzellierung Slice für Slice zu überprüfen. Wenn ein oder mehrere paketierte Regionen aus dem endgültigen Datensatz ausgeschlossen werden müssen, schließen Sie diese Parzellierung von der Analyse aus, indem Sie die Volumenschätzung in der entsprechenden Zelle dieses Subjekts durch NA ersetzen. Wenn Parzellationsfehler dazu führen, dass ein Teil des Kleinhirns von der Maske ausgeschlossen wird, schließen Sie das Subjekt sofort von weiteren Analysen aus.
Stellen Sie bei voxelbasierten Morphometrieanalysen mit SUIT sicher, dass sich der SPM12-Ordner und alle Unterordner im MATLAB-Pfad befinden. Stellen Sie außerdem sicher, dass die enigma_suit Skripts im SPM12-Toolboxverzeichnis gespeichert und dem MATLAB-Pfad hinzugefügt werden. Um den MATLAB-Pfad zu überprüfen, geben Sie pathtool in das MATLAB-Befehlsfenster ein und klicken Sie auf Mit Unterordnern hinzufügen, um die entsprechenden Ordner hinzuzufügen.
Geben Sie als Nächstes über die grafische Benutzeroberfläche suit_enigma_all in das MATLAB-Befehlsfenster ein, um die SUIT-Pipeline für ein oder mehrere Themen auszuführen. Wählen Sie im ersten Popup-Fenster die Betreffordner aus dem acapulco-Ausgabeverzeichnis aus, die in die Analyse einbezogen werden sollen. Klicken Sie auf die einzelnen Ordner auf der rechten Seite des Fensters oder klicken Sie mit der rechten Maustaste und wählen Sie alle aus.
Drücken Sie dann auf Fertig. Wählen Sie im zweiten Popup-Fenster das SUIT-Verzeichnis aus. Um die Funktion über die MATLAB-Befehlszeile für einen einzelnen Betreff aufzurufen, geben Sie den angegebenen Befehl ein.
Wenn beim Ausführen von SUIT über die Befehlszeile die Verzeichnisse SPM12 oder enigma_suit nicht dauerhaft im MATLAB-Pfad gespeichert sind, muss dieser Schritt der Befehlszeile hinzugefügt werden. Um die Funktion aus dem Terminalfenster außerhalb von MATLAB für einen einzelnen Betreff aufzurufen, geben Sie den angezeigten Befehl ein. Überprüfen Sie den Ordner jedes Betreffs auf die endgültigen Ausgaben.
Um die normalisierten modulierten Bilder visuell auf größere Fehler zu untersuchen, geben Sie spm_display_4d in MATLAB ein. Um als Nächstes die gewünschten Bilder auszuwählen, navigieren Sie zum SUIT-Verzeichnis und geben Sie den angegebenen Befehl in das Filterfeld ein. Drücken Sie dann die rekursive Taste, gefolgt von Fertig.
Scrollen Sie durch die Bilder, um sicherzustellen, dass sie alle gut ausgerichtet sind. Um als Nächstes die räumliche Kovarianz auf Ausreißer zu überprüfen, geben Sie check_spatial_cov in MATLAB ein. Wählen Sie dann die modulierten Bilder von früher aus und setzen Sie Prop, wenn Sie dazu aufgefordert werden.
Skalierung auf ja, Variable auf Kovarianz, auf Nein, Slice auf 48 und Gap auf 1. Sehen Sie sich schließlich das Boxdiagramm an, das die mittlere räumliche Kovarianz jedes Bildes relativ zu allen anderen Bildern in der Stichprobe anzeigt. Identifizieren Sie die Datenpunkte, die mehr als zwei Standardabweichungen unter dem Mittelwert liegen, im MATLAB-Befehlsfenster.
Überprüfen Sie für diese Datenpunkte die entsprechenden Bilder im SUIT-Ordner auf Artefakte und Probleme mit der Bildqualität. oder Fehler bei der Vorverarbeitung. Hier ist ein stark verkümmertes Kleinhirn von einem spino-zerebellären Ataxie 2 Patienten gezeigt.
Trotz des Gewebeverlustes, der an den Rändern zu sehen ist, hat SUIT dieses Bild ziemlich gut zur Vorlage verzerrt. Dies würde einen Ausschluss nicht rechtfertigen. Hier gibt es einen deutlichen Farbverlauf von oben nach unten des Kleinhirns und das Bild ist ziemlich schrottig, was einen Ausschluss rechtfertigt.
Schließlich hat in diesem Beispiel die Maskierung nicht gut funktioniert. Die Kanten sind nicht sauber und das Bild ist glatter als diejenigen, die normalerweise aus der SUIT-Pipeline kommen. Dies würde einen Ausschluss rechtfertigen.
Beispiele für gute Parzellationen, einschließlich gesunder und stark verkümmerter Kleinhirn, werden hier gezeigt, während Beispiele für Fehlparzellierungen mit subtilen Über- und Untereinschlüssen einzelner Kleinhirnläppchen hier zu sehen sind. Diese Art von Fehlern erfordert im Allgemeinen den Ausschluss der einzelnen betroffenen Läppchen, während der Rest des paketierten Kleinhirns beibehalten werden kann. Im Gegensatz dazu erfordern globale Misserfolge einen vollständigen Ausschluss des Subjekts.
Als acapulco an einer Stichprobe von 31 Personen mit Friedreich-Ataxie und 37 gesunden Kontrollen durchgeführt wurde, hatten das linke Läppchen IX und das rechte Läppchen Crus I die höchsten Ausschlussraten. Der Vergleich der Volumina von 28 anatomischen Kleinhirnläppchen bei Friedreich-Ataxie und gesunden Kontrollpersonen zeigte bei Friedreich-Ataxie eine signifikant reduzierte weiße Substanz im Korpusmedullar. Es gab keine anderen signifikanten Unterschiede zwischen den Gruppen.
Beispiele für gut ausgerichtete Bilder sowohl von gesunden Kontrollen als auch von Friedreich-Ataxie werden hier gezeigt, während Beispiele für Ausschlüsse hier zu sehen sind. Nach dem Testen der räumlichen Kovarianz aller normalisierten Bilder wurden zwei Scans als statistische Ausreißer basierend auf ihrer mittleren räumlichen Kovarianz mit dem Rest der Stichprobe erkannt. Nicht-parametrische Permutationstests wurden in SNPM durchgeführt, um signifikante Unterschiede zwischen den Gruppen im Volumen der grauen Substanz des Kleinhirns zu testen.
Die Ergebnisse der SUIT-Analyse zeigten, dass Friedreich-Ataxie-Patienten das Volumen der grauen Substanz in den bilateralen vorderen Läppchen I bis V und in medialen hinteren Lappenregionen einschließlich Vermis VI und Vermis signifikant reduziert hatten IX.It entscheidend ist, die Kleinhirnmasken manuell zu überprüfen, um sicherzustellen, dass eine vollständige Kleinhirnabdeckung erreicht wurde, und auch die Masken auf Über- und Untereinschlüsse von Kleinhirnläppchen zu untersuchen. Diese Pipeline ermöglicht statistische Analysen auf Gruppenebene mit mehreren Standorten, die daran interessiert sind, die Struktur der grauen Substanz des Kleinhirns zu untersuchen. Andere Techniken, wie die funktionelle Konnektivität, können auch verwendet werden, um die Konnektivität zwischen einzelnen Kleinhirnläppchen und dem Großhirn zu untersuchen.
