Una pipeline standardizzata per l'esame della morfometria della materia grigia cerebellare umana utilizzando la risonanza magnetica strutturale

Viene presentata una pipeline standardizzata per l'esame della morfometria della materia grigia del cervelletto. La pipeline combina approcci ad alta risoluzione e all'avanguardia per la parcellazione ottimizzata e automatizzata del cervelletto e la registrazione basata su voxel del cervelletto per la quantificazione volumetrica.

Molteplici linee di ricerca forniscono prove convincenti per un ruolo del cervelletto in una vasta gamma di funzioni cognitive e affettive, andando ben oltre la sua associazione storica con il controllo motorio. Studi di neuroimaging strutturale e funzionale hanno ulteriormente affinato la comprensione della neuroanatomia funzionale del cervelletto al di là delle sue divisioni anatomiche, evidenziando la necessità di esaminare le singole subunità cerebellari nella variabilità sana e nelle malattie neurologiche. Questo documento presenta una pipeline standardizzata per l'esame della morfometria della materia grigia del cervelletto che combina approcci ad alta risoluzione e all'avanguardia per la parcellazione ottimizzata e automatizzata del cervelletto (Automatic Cerebellum Anatomical Parcellation using U-Net Local Constrained Optimization; ACAPULCO) e registrazione basata su voxel del cervelletto (Spatially Unbiased Infra-tentorial Template; SUIT) per la quantificazione volumetrica.

La pipeline ha un'ampia applicabilità a una serie di malattie neurologiche ed è completamente automatizzata, con un intervento manuale richiesto solo per il controllo di qualità degli output. La pipeline è disponibile gratuitamente, con una documentazione di accompagnamento sostanziale e può essere eseguita su sistemi operativi Mac, Windows e Linux. La pipeline viene applicata in una coorte di individui con atassia di Friedreich (FRDA) e vengono forniti risultati rappresentativi, nonché raccomandazioni su analisi statistiche inferenziali a livello di gruppo. Questa pipeline potrebbe facilitare l'affidabilità e la riproducibilità in tutto il campo, fornendo in definitiva un potente approccio metodologico per caratterizzare e tracciare i cambiamenti strutturali cerebellari nelle malattie neurologiche.

Il cervelletto è una parte del cervello storicamente associata al controllo motorio ^1,2,3 e si pensa che sia integralmente coinvolto solo in una piccola serie di malattie rare, come le atassie ereditarie⁴. Tuttavia, le linee convergenti di ricerca degli studi di tracciamento anatomico nei primati non umani, così come gli studi sulle lesioni umane e sul neuroimaging, forniscono prove convincenti di un ruolo del cervelletto in una vasta gamma di^{funzioni cognitive 5,6,7}, affettive ^8,9,10,11 e altre funzioni non motorie ^7,12 (vedere 6  per la revisione). Inoltre, le anomalie del cervelletto sono sempre più implicate in una vasta gamma di disturbi neurologici e psichiatrici, tra cui il morbo di Parkinson¹³, il morbo di Alzheimer^14,15, l'epilessia ^16,17, la schizofrenia¹⁸ e il disturbo dello spettro autistico¹⁹ . Pertanto, è diventato essenziale incorporare il cervelletto in modelli funzionali e strutturali di malattie del cervello umano e variabilità comportamentale normativa.

Anatomicamente, il cervelletto può essere diviso lungo il suo asse superiore a inferiore in tre lobi: anteriore, posteriore e flocculonodulare. I lobi sono ulteriormente suddivisi in 10 lobuli indicati con numeri romani I-X^20,21 (Figura 1). Il cervelletto può anche essere raggruppato in zone di linea mediana (vermi) e laterale (emisfero), che ricevono rispettivamente input dal midollo spinale e dalla corteccia cerebrale. Il lobo anteriore, comprendente i lobuli I-V, è stato tradizionalmente associato ai processi motori e ha connessioni reciproche con le cortecce motorie cerebrali²². Il lobo posteriore, comprendente i lobuli VI-IX, è principalmente associato ai processi non motori¹¹ e ha connessioni reciproche con la corteccia prefrontale, le cortecce cerebrali parietali posteriori e temporali superiori ^8,23. Infine, il lobo flocculonodulare, comprendente il lobulo X, ha connessioni reciproche con i nuclei vestibolari che governano i movimenti oculari e l'equilibrio del corpo durante la posizione e l'andatura²¹.

Un crescente corpo di lavori recenti che utilizzano il neuroimaging funzionale ha ulteriormente perfezionato la comprensione della neuroanatomia funzionale del cervelletto al di là delle sue divisioni anatomiche. Ad esempio, le tecniche di risonanza magnetica funzionale (fMRI) a riposo sono state utilizzate per mappare il modello di interazioni funzionali tra il cervelletto e il cervello²⁴. Inoltre, utilizzando un approccio di parcellazione basato su attività, King e colleghi⁷ hanno dimostrato che il cervelletto mostra un modello ricco e complesso di specializzazione funzionale attraverso la sua ampiezza, evidenziato da confini funzionali distinti associati a una varietà di compiti motori, affettivi, sociali e cognitivi. Collettivamente, questi studi evidenziano l'importanza di esaminare le singole subunità cerebellari per sviluppare caratterizzazioni biologiche complete del coinvolgimento del cervelletto sia nella variabilità sana che nelle malattie neurologiche caratterizzate da alterazioni della struttura e/o della funzione cerebellare.

Il presente lavoro si concentra sui metodi per quantificare i cambiamenti locali nel volume cerebellare utilizzando la risonanza magnetica strutturale nell'uomo. In generale, ci sono due approcci fondamentali alla quantificazione del volume cerebrale regionale utilizzando i dati mrI: segmentazione basata su funzionalità e registrazione basata su voxel. Gli approcci di segmentazione basati sulle funzionalità utilizzano punti di riferimento anatomici e atlanti standardizzati per identificare automaticamente i confini tra le sottoregioni. I pacchetti software tradizionali per la segmentazione includono FreeSurfer²⁵, BrainSuite²⁶ e FSL-FIRST²⁷. Tuttavia, queste confezioni forniscono solo parcellazioni grossolane del cervelletto (ad esempio, etichettando l'intera materia grigia e l'intera materia bianca in ciascun emisfero), trascurando così i singoli lobuli cerebellari. Questi approcci sono anche soggetti a una cattiva segmentazione, in particolare all'eccessiva inclusione della vascolarizzazione circostante.

Sono stati sviluppati nuovi algoritmi di apprendimento automatico e di etichettatura multi-atlante, che forniscono una parcellazione più accurata e granulare del cervelletto, tra cui la classificazione automatica dei lobuli cerebellari utilizzando l'evoluzione multi-limite implicita (ACCLAIM^28,29), Cerebellar Analysis Toolkit (CATK³⁰), Multiple Automatically Generated Templates (MAGeT³¹), Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL³² ), la segmentazione a^{taglio grafico 33} e la segmentazione del CERVELLETTO (CERES³⁴). In un recente articolo che confronta gli approcci di parcellazione del cervelletto completamente automatizzati all'avanguardia, CERES2 ha scoperto di superare altri approcci relativi alla segmentazione manuale gold standard dei lobuli cerebellari³⁵. Più recentemente, Han e colleghi³⁶ hanno sviluppato un algoritmo di deep learning chiamato ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with localmente con ottimizzazione vincolata), che funziona alla pari con CERES2, ha un'ampia applicabilità sia ai cervelletti sani che atrofizzati, è disponibile in formato contenitore Open Source Docker e Singularity per l'implementazione "off-the-shelf" ed è più efficiente in termini di tempo rispetto ad altri approcci. ACAPULCO parcella automaticamente il cervelletto in 28 regioni anatomiche.

A differenza della segmentazione basata su funzionalità, gli approcci di registrazione basati su voxel operano mappando con precisione una risonanza magnetica a un'immagine modello. Per ottenere questa mappatura, i voxel nell'immagine originale devono essere distorti in termini di dimensioni e forma. L'entità di questa distorsione fornisce effettivamente una misura del volume ad ogni voxel rispetto al modello gold standard. Questa forma di valutazione volumetrica è nota come «morfometria basata su voxel»³⁷. Gli approcci di registrazione basati su voxel per l'intero cervello, come FSL-FLIRT³⁸ / FNIRT³⁹, SPM unified segmentation⁴⁰ e CAT12⁴¹, sono comunemente usati per la morfometria basata su voxel. Tuttavia, questi approcci non spiegano bene il cervelletto, con conseguente scarsa affidabilità e validità nelle regioni infratentoriali (cervelletto, tronco^{cerebrale 42}). Per tenere conto di queste limitazioni, l'algoritmo SUIT (Spatially Unbiased Infra-tentorial Template) è stato sviluppato per ottimizzare la registrazione del cervelletto e migliorare l'accuratezza della morfometria basata su voxel^42,43.

La segmentazione basata su funzionalità e gli approcci di registrazione basati su voxel per la stima del volume cerebellare regionale hanno punti di forza e di debolezza fondamentali. Gli approcci di segmentazione sono sostanzialmente più accurati per quantificare il volume delle aree anatomicamente definite (ad esempio, i lobuli³⁵). Tuttavia, i confini tra moduli funzionali distinti del cervelletto non si mappano sulle sue folia anatomiche e fessure (equivalenti a gyri e sulci del cervello⁷). Poiché gli approcci basati sulla registrazione non sono vincolati da punti di riferimento anatomici, è possibile un'inferenza spaziale a grana più fine e una mappatura struttura-funzione ad alta dimensione del cervelletto⁴⁴. Nel loro insieme, gli approcci di segmentazione e registrazione sono complementari tra loro e possono essere utilizzati per rispondere a diverse domande di ricerca.

Qui viene presentata una nuova pipeline standardizzata, che integra questi approcci esistenti e convalidati per fornire una parcellazione ottimizzata e automatizzata (ACAPULCO) e la registrazione basata su voxel del cervelletto (SUIT) per la quantificazione volumetrica (Figura 2). La pipeline si basa sugli approcci stabiliti per includere protocolli di controllo della qualità, utilizzando la visualizzazione qualitativa e il rilevamento quantitativo dei valori anomali e un metodo rapido per ottenere una stima del volume intracranico (ICV) utilizzando Freesurfer. La pipeline è completamente automatizzata, con l'intervento manuale richiesto solo per il controllo delle uscite del controllo qualità, e può essere eseguita su sistemi operativi Mac, Windows e Linux. La pipeline è liberamente disponibile senza restrizioni del suo utilizzo per scopi non commerciali ed è accessibile dalla pagina web ENIGMA Consortium Imaging Protocols (sotto "ENIGMA Cerebellum Volumetrics Pipeline"), dopo la compilazione di un breve modulo di registrazione⁴⁵.

Tutto il software richiesto è elencato nella Tabella dei materiali e tutorial dettagliati, inclusa una dimostrazione dal vivo, sono disponibili al momento del download della pipeline, oltre al protocollo descritto di seguito. Infine, vengono forniti risultati rappresentativi, dall'implementazione della pipeline in una coorte di persone con atassia di Friedreich (FRDA) e controlli sani abbinati all'età e al sesso, insieme a raccomandazioni per analisi statistiche inferenziali a livello di gruppo.

NOTA: I dati utilizzati in questo studio facevano parte di un progetto approvato dal Comitato etico per la ricerca umana della Monash University (progetto 7810). I partecipanti hanno fornito il consenso informato scritto. Mentre la pipeline può essere eseguita su sistemi operativi Mac, Windows o Linux, ACAPULCO, SUIT e le pipeline QC sono state esplicitamente testate su sistemi operativi Linux (Ubuntu) e Mac (Catalina, Big Sur v11.0.1).

1. Modulo 1: ACAPULCO (parcellazione anatomica)

1. Raccolta dei dati
   1. Raccogli immagini MRI 3D pesate T1 dell'intero cervello ad una risoluzione di 1 mm³ o meno. Si consigliano dimensioni voxel isotrope (in genere 1 mm x 1 mm x 1 mm) e uno scanner 3-Telsa (o superiore). Consultare uno specialista di imaging presso il proprio centro di radiografia per impostare e acquisire dati che soddisfino queste specifiche.
      NOTA: le immagini pesate T2 sono talvolta utili per le analisi volumetriche; tuttavia, la pipeline qui presentata si basa solo su dati ponderati T1 e alcuni degli strumenti utilizzati sono esclusivi per questo tipo di dati. Pertanto, le immagini pesate T2 non possono essere utilizzate.
   2. Effettuare una valutazione della qualità visiva delle immagini per escludere malformazioni cerebellari grossolane (ad esempio, lesioni di grandi dimensioni) o artefatti di movimento sostanziali che impediscono l'identificazione dei principali punti di riferimento cerebellari (ad esempio, le principali fessure anatomiche). Non escludere automaticamente cerebella atrofizzata, anche se sostanziale.
   3. Per gli studi di gruppo, prendere in considerazione anche le valutazioni quantitative della qualità utilizzando strumenti standardizzati liberamente disponibili come MRIQC⁴⁶ per identificare ulteriormente i dati problematici.
   4. Converti tutti i dati in formato NIFTI-GZ utilizzando uno strumento come dcm2niix⁴⁷.
2. Organizzazione dei dati consigliata
   1. Ottenere tutto il software necessario come elencato nella Tabella dei materiali. Assicurati che Docker⁴⁸ o Singularity⁴⁹, Matlab⁵⁰ e SPM12⁵¹ siano installati prima di eseguire la pipeline.
      NOTA: sono disponibili anche ampi tutorial scritti e video che descrivono la pipeline (vedere la Tabella dei materiali).
   2. Una volta installato tutto il software necessario, crea cartelle nella directory di lavoro ed etichettale come "acapulco", "suit" e "freesurfer". Fallo usando il comando mkdir dalla riga di comando.
   3. Nella directory 'acapulco', creare una cartella di output . Nella cartella di output , creare una directory per ogni soggetto dello studio contenente l'immagine ponderata T1 in formato NIFTI-GZ.
      NOTA: si consiglia di conservare una copia dei dati originali altrove.
3. Parcellazione anatomica cerebellare con ACAPULCO
   1. Vai alla Tabella dei materiali e scarica gli script e i contenitori pertinenti necessari per eseguire ACAPULCO (sotto i file della pipeline acapulco). Nella directory 'acapulco', inserire (i) il contenitore ACAPULCO Docker OR Singularity (rispettivamente 'acapulco_0.2.1.tar.gz' o '.sif'), (ii) il contenuto dell'archivio QC_scripts (3 file: 'QC_Master.R', 'QC_Plots.Rmd' e 'QC_Image_Merge.Rmd') e (iii) 'R.sif' (singolarità) O 'calculate_icv.tar' (docker).
   2. Aprire un terminale e dalla riga di comando eseguire il contenitore ACAPULCO su una singola immagine (sostituire <> nel seguente modo). Attendere ~ 5 minuti per il completamento dell'elaborazione.
      1. Utilizzando Docker, digitare il comando:
         docker load --input 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 Singolarità, digita il comando:
         singularity run --cleanenv -B $PWD:$PWD acapulco-0.2.1.sif -i output/<>/<>.nii.gz -o output/<>
   3. Loop attraverso tutti i soggetti / scansioni nella coorte. Vedere la Tabella dei materiali per un collegamento al sito Web ENIGMA Imaging Protocols per scaricare la pipeline (in ENIGMA Cerebellum Volumetrics Pipeline) e il manuale tutorial contenente esempi di come creare un for-loop per l'elaborazione seriale di più soggetti.
   4. Dopo l'elaborazione, cercare i seguenti file generati nelle cartelle specifiche dell'oggetto:
      1. Identificare "_n4_mni_seg_post_inverse.nii.gz": maschera di cervelletto parcellata nell'originale (spazio soggetto).
      2. Identificare "_n4_mni_seg_post_volumes.csv": volumi (in mm³) per ciascuna delle 28 subunità generate da acapulco;
      3. Identifica le immagini rappresentative (nella directory "pics"): sagittale, assiale e coronale.
4. Rilevamento statistico dei valori anomali e controllo qualità (QC)
   1. Dal terminale e nella directory 'acapulco', assicurarsi che il contenuto di QC_scripts sia nella directory 'acapulco'. Per eseguire gli script QC:
      1. Utilizzando Docker, digitare il comando:
         calculate_icv.tar di caricamento docker
         docker run -v $PWD:$PWD -w $PWD --rm -it luhancheng/calculate_icv:latest Rscript
         Uscita QC_Master.R/
      2. Usando Singolarità, digita il comando:
         singularity exec -B $PWD:$PWD R.sif Rscript /path/to/QC_Master.R /path/to/acapulco/output
5. Esame delle immagini QC generate da ACAPULCO
   NOTA: Esiste un processo in 3 fasi per il controllo della qualità delle immagini parcellate ACAPULCO.
   1. Apri il "QC_Images.html" in un browser Web e scorri rapidamente (~ 10 s per soggetto) le immagini per identificare errori evidenti o problemi sistematici. Prendere nota degli ID oggetto di immagini parcellate non riuscite o sospette per il follow-up.
      NOTA: Vedere la Figura 3 per una guida sulla neuroanatomia dei lobuli cerebellari e la Figura 4, la Figura 5 e la Figura 6 nella sezione dei risultati rappresentativi di seguito per esempi di parcellazioni "buone", parcellazioni "sottili" e "fallimento globale".
   2. Apri il 'Plots_for_Outliers.html' per selezionare i boxplot per i valori anomali statistici quantitativi. Cerca i valori anomali (2.698 s.d sopra o sotto la media) sopra o sotto i baffi dei box plot. Passa il mouse sopra i punti dati per visualizzare l'ID soggetto. Identifica i valori anomali indicati da un "1" nella colonna pertinente nel file "Valori anomali.csv" e annota il numero totale di segmenti identificati come valori anomali per ciascun soggetto nella colonna finale in "Valori anomali.csv".
   3. Ispezionare manualmente ogni immagine con uno o più valori anomali. CRITICO: Utilizzando un visualizzatore di immagini NIFTI standard (ad esempio, FSLEyes o MRICron), sovrapporre la maschera ACAPULCO all'immagine T1w originale per verificare la qualità della parcellazione fetta per fetta.
      1. Per generare sovrapposizioni per QC dettagliato dalla riga di comando utilizzando FSLEyes, i) modificare la directory nella directory 'acapulco', ii) specificare l'oggetto da visualizzare (sostituire ):
         subj=
      2. Copia/incolla il seguente codice sul terminale (senza modificare manualmente {subj} poiché questo è stato impostato dalla riga precedente:
         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
         NOTA: Sarà necessario determinare se includere o meno il segmento anormale, cioè c'è un errore di parcellazione o è solo normale variabilità nell'anatomia dell'individuo? Ogni regione parcellata è considerata singolarmente, quindi alcune regioni possono essere escluse per un'immagine, mentre il resto può essere mantenuto se corretto.
      3. Una o più regioni parcellate devono essere escluse dal set di dati finale?
         Se Sì (è confermato il valore anomalo), escludere questa parcellazione dall'analisi sostituendo la stima del volume con NA nella cella corrispondente del file «Cerebel_vols.csv» per tale soggetto.
      4. Gli errori di parcellazione comportano l'esclusione di parte del cervelletto dalla maschera?
         Se Sì, (ad esempio, se particolari lobuli cerebellari mancano dalla maschera o appaiono "tagliati"), escludere immediatamente il soggetto da ulteriori analisi (cioè, non procedere all'esecuzione del modulo SUIT su tali soggetti).

2. Modulo 2: Morfometria basata su voxel ottimizzata per il cervelletto SUIT

1. Analisi morfometriche basate su Voxel con SUIT
   CRITICO: Questa pipeline richiede che il modulo ACAPULCO sia già stato eseguito, in quanto si basa sulla generazione di una maschera cerebellare specifica per soggetto per l'ottimizzazione della registrazione e la normalizzazione del cervelletto al modello SUIT. Se la maschera specifica per soggetto generata da ACAPULCO non include l'intero cervelletto, ciò giustifica l'esclusione dal modulo SUIT. Per istruzioni sull'esecuzione di SUIT standalone, vedere⁵².
   1. Ottenere tutto il software necessario elencato nella Tabella dei materiali. Assicurati che la cartella SPM12 e tutte le sottocartelle si trovino nel percorso MATLAB. Assicurati che enigma_suit script vengano salvati nella directory 'spm12/toolbox' e aggiunti al percorso MATLAB. Per controllare il percorso MATLAB, digita pathtool nella finestra di comando matlab, quindi fai clic su Aggiungi con sottocartelle per aggiungere le cartelle pertinenti.
   2. Eseguire la pipeline SUIT per uno o più soggetti. Attendere ~ 15-20 minuti (se si utilizza l'interfaccia utente grafica [GUI]) e ~ 5-7 minuti se in esecuzione dal terminale (bash / shell) per il completamento dell'elaborazione.
      1. Per utilizzare la GUI (i soggetti verranno eseguiti in serie), dalla finestra di comando di MATLAB, digitare il comando:
         suit_enigma_all
      2. Nella prima finestra pop-up, selezionare le cartelle oggetto dalla directory 'acapulco/output' da includere nell'analisi. Fare clic sulle singole cartelle sul lato destro della finestra oppure fare clic con il pulsante destro del mouse e selezionare tutto. Premere Fine. Nella seconda finestra pop-up, selezionare la directory SUIT, in cui verranno scritte le analisi.
      3. OPPURE Chiama la funzione dalla riga di comando matlab per un singolo soggetto, digita il comando:
         suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir')
      4. OPPURE Chiama la funzione dalla finestra del terminale, al di fuori di MATLAB, per un singolo soggetto digitando il comando:
         matlab -nodisplay -nosplash -r "suit_enigma_all('/path/to/acapulco/output/subjdir','/path/to/suitoutputdir'), exit"
   3. Vedere la Tabella dei materiali per un collegamento al sito Web ENIGMA Imaging Protocols per scaricare la pipeline (in ENIGMA Cerebellum Volumetrics Pipeline) e il manuale tutorial contenente esempi di come creare un for-loop per l'elaborazione seriale di più soggetti.
   4. Cerca i seguenti punti relativi allo script.
      1. Assicurarsi che lo script copi l'immagine T1 N4 con correzione di polarizzazione, allineata MNI (corpo rigido) e la maschera del cervelletto ACAPULCO nella directory di output.
      2. Assicurarsi che la scrittura segmenti la materia grigia e bianca del cervelletto.
      3. Assicurarsi che lo script corregga gli errori di sovrainclusione nella parcellazione utilizzando la maschera ACAPULCO.
      4. Assicurarsi che lo script DARTEL normalizzi e riduca i dati nello spazio SUIT con modulazione jacobiana in modo che il valore di ciascun voxel sia proporzionale al suo volume originale.
      5. Controllare la cartella di ciascun soggetto per i seguenti output finali: 'wd_seg1.nii' (materia grigia) e 'wd_seg2.nii' (sostanza bianca).
2. Rilevamento statistico dei valori anomali e controllo qualità
   1. Ispezionare visivamente le immagini normalizzate e modulate (wd*) per rilevare eventuali guasti gravi. In MATLAB, digita il comando:
      spm_display_4D
   2. Selezionare manualmente le immagini 'wd*seg1' dalle sottocartelle della tuta o passare alla directory 'suit'; inserire '^wd.*seg1' nella casella Filtro (senza virgolette) e premere il pulsante Rec . Premere Fine.
   3. Scorri le immagini per assicurarti che siano tutte ben allineate. Vedere la Figura 7 per immagini correttamente normalizzate da controlli sani (A,B) e da un individuo con un cervelletto fortemente atrofico (D).
      NOTA: In questa fase, l'anatomia tra soggetti è molto simile (in quanto sono stati registrati nello stesso modello) e le differenze di volume sono invece codificate da diverse intensità voxel. I principali fallimenti saranno evidenti, ad esempio immagini vuote, ampie aree di tessuto mancante, gradienti di intensità insoliti (ad esempio, voxel luminosi tutti in alto, voxel scuri tutti in basso). Queste immagini dovrebbero essere escluse dai passaggi successivi.
   4. Controlla la covarianza spaziale per i valori anomali. In MATLAB, digita il comando:
      check_spatial_cov
      1. Seleziona le immagini 'wd*seg1' come da passaggio precedente. Quando richiesto, selezionare le seguenti opzioni: Ridimensionamento dell'oggetto di scena: Sì; Variabile da covary out: No; Fetta (mm): - 48 , Gap: 1.
      2. Guarda il boxplot che mostra la covarianza spaziale media di ogni immagine rispetto a tutte le altre nel campione. Identifica i punti dati che sono >2s.d. sotto la media nella finestra di comando di MATLAB. Per questi, ispezionare l'immagine "_n4_mni.nii.gz" nella cartella SUIT per individuare artefatti (movimento, anomalie anatomiche), problemi di qualità dell'immagine o errori di pre-elaborazione.
      3. Se la qualità dell'immagine e la pre-elaborazione sono accettabili e l'ispezione visiva delle immagini modulate nel passaggio precedente non indica un problema con la segmentazione e la normalizzazione, conservare questi dati nel campione. In caso contrario, escludere questi dati.

3. MODULO 3 (opzionale): stima del volume intracranico (ICV) utilizzando FreeSurfer

NOTA: questo modulo utilizzerà la pipeline FreeSurfer per calcolare ICV. Non è necessario eseguirlo nuovamente se esistono output Freesurfer esistenti per la coorte (qualsiasi versione).

1. Configurazione di FreeSurfer
   1. Assicurarsi che FreeSurfer sia scaricato e installato⁵³. Vai alla Tabella dei materiali e scarica gli script pertinenti per eseguire questo modulo (sotto i file della pipeline ICV). Quando si lavora con FreeSurfer, impostare le seguenti variabili:
      esporta FREESURFER_HOME=
      source $FREESURFER_HOME/SetUpFreeSurfer.sh
   2. Sostituire nel modo seguente:
      export SUBJECTS_DIR=
2. Esecuzione di Freesurfer autorecon1
   1. Per un singolo soggetto, dall'interno della directory 'freesurfer' (tempo di elaborazione ~20 min), digita il comando:
      cd
   2. Vedere il manuale di esercitazione per esempi su come creare un ciclo preliminare per l'elaborazione seriale di più soggetti.
3. Calcolo dell'ICV
   1. Organizzazione dei dati
      1. Nella directory 'freesurfer', inserire il (i) contenitore Docker OR Singularity utilizzato nel Modulo 1 ('calculate_icv.tar' o 'R.sif', rispettivamente) e (ii) lo script xfm2det (vedere la Tabella dei materiali). Quindi, esegui un clone git per clonare lo script ICV richiesto:
         git clone https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
   2. Esecuzione dell'estrazione ICV (tempo di elaborazione ~ 5 min)
      1. Dalla directory 'freesurfer', con contenitore singularity ('R.sif'), digitare:
         singularity 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. Dalla directory 'freesurfer', con contenitore docker, digitare:
         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. Esecuzione di script senza contenitore: vedere la Tabella dei materiali per ulteriori software e dipendenze necessari. Dalla directory 'freesurfer', digita:
         ./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: questo calcolerà l'ICV per ogni soggetto e aggiungerà una colonna con ICV alla fine del file 'Cerebel_vols.csv'.

Parcellazione del cervelletto (ACAPULCO)

Controllo di qualità delle maschere parcellate al cervelletto:
I seguenti esempi dimostrano i risultati parcellizzati ACAPULCO e guidano il processo decisionale su a) la qualità della maschera parcellata a livello individuale e b) la successiva inclusione o esclusione di un particolare lobulo (s) dalle analisi statistiche. In definitiva, la decisione di includere o escludere un soggetto è soggettiva; esempi di "buone parcellazioni", "sottili errori di parcellazione" e "fallimenti globali" da una varietà di gruppi sani e clinici sono forniti qui.

Esempi di "buone parcellazioni" sono presentati nella Figura 4, anche in cerebella sana e fortemente atrofizzata. Nella Figura 5 sono raffigurate sottili inclusioni sopra e sotto di singoli lobuli del cervelletto. Questi sono il tipo più comune di errore di parcellazione e potrebbero non essere rilevati come valori anomali statistici nel protocollo QUANTITATIVO QC. Questi tipi di errori richiedono generalmente l'esclusione dei singoli lobuli interessati, mentre il resto del cervelletto parcellato non è influenzato e può essere mantenuto. Al contrario, i "fallimenti globali", come illustrato nella Figura 6, richiedono la completa esclusione del soggetto.

Rilevamento statistico dei valori anomali:
Per illustrare la pipeline, ACAPULCO è stato eseguito su un campione di 31 persone con FRDA (età media = 36,5 anni; SD= 13,0 anni, 14 femmine) e 37 controlli sani abbinati all'età e al sesso (HC) (età media = 37,1 anni; SD=12,8 anni, 17 femmine) come descritto in precedenza⁵⁵. In tutto il campione, 18 lobuli sono stati rilevati come valori anomali statistici (<1% del campione totale). Dopo aver eseguito un controllo di qualità dettagliato sulle immagini, 17 lobuli anomali sono stati rimossi dalle analisi a livello di gruppo rimuovendo il volume del singolo lobulo per i rispettivi soggetti dal file dei volumi cerebellari a livello di gruppo (cioè il file "Cerebel_vols.csv"). Il rimanente outlier è stato considerato non un errore di segmentazione ma piuttosto dovuto alla variabilità nell'anatomia del cervelletto dell'individuo ed è stato quindi mantenuto nell'analisi. Ci sono stati anche due fallimenti globali di parcellazione (1 paziente FRDA). Il tasso base di esclusione in tutti i lobuli del cervelletto (cioè i fallimenti globali della parcellazione) è stato dell'1,5%. La tabella 1 mostra i tassi di esclusione per ciascuno dei 28 ROI anatomici. Il lobulo sinistro IX e il lobulo destro Crus ho avuto i più alti tassi di esclusione.

Analisi statistica a livello di gruppo:
Un totale di 66 soggetti (30 pazienti con FRDA) sono stati inclusi nell'analisi a livello di gruppo. Sono stati condotti test su campioni indipendenti di Mann-Whitney a due code per testare differenze significative nei volumi di lobuli del cervelletto tra FRDA e HC. I risultati hanno mostrato una significativa riduzione della sostanza bianca nel midollo del corpo in FRDA vs HC (p < 0,05, Bonferroni ha corretto per 28 confronti). Non c'erano altre differenze significative tra i gruppi. Vedere la tabella supplementare S1 per i volumi di tutte le 28 subunità cerebellari del campione.

Analisi morfometriche basate su voxel del cervelletto (SUIT)

Controllo qualità:
Esempi di immagini ben allineate ed esempi di esclusioni sia per i controlli sani che per i gruppi clinici, tra cui FRDA e pateints di atassia spinocerebellare, sono mostrati nella Figura 7. Le analisi SUIT sono state eseguite su un totale di 64 soggetti (28 FRDA; 36 HC) dal campione sopra descritto, a seguito dell'esclusione di altri due soggetti a causa di una copertura cerebellare completa incompleta nella maschera del cervelletto.

Dopo aver testato la covarianza spaziale di tutte le immagini normalizzate nel campione l'una rispetto all'altra, due scansioni sono state rilevate come valori anomali statistici in base alla loro covarianza spaziale media con il resto del campione (Figura 8). Tuttavia, l'ispezione visiva sia delle immagini originali che di quelle normalizzate ha indicato che, sebbene questi individui avessero una neuroanatomia unica, non c'erano artefatti significativi in nessuna delle due immagini e le fasi di elaborazione completate normalmente. Come tale, entrambi i soggetti sono stati mantenuti nelle analisi.

Analisi statistica a livello di gruppo:
Le immagini sono state levigate utilizzando un kernel gaussiano di 3 mm a larghezza intera a metà massimo (FWHM). Test di permutazione non parametrica sono stati effettuati in SnPM per testare differenze significative tra i gruppi nei volumi di materia grigia del cervelletto. A tal fine, sono state eseguite 5.000 permutazioni, con una soglia di formazione di cluster di p < 0,001. Le immagini sono state esplicitamente mascherate con l'atlante della materia grigia SUIT per limitare l'inferenza alle regioni della materia grigia. Per correggere le dimensioni della testa, il volume intracranico è stato inserito come covariata nel modello. L'inferenza finale dei risultati del gruppo è stata effettuata a p < 0,05, errore familiare (FWE) corretto a livello di cluster.

Rispetto all'HC, la FRDA ha mostrato un volume di materia grigia significativamente ridotto nei lobuli anteriori bilaterali I-V (a sinistra: x= -10, y= -46, z= -26; T= 5,61; Ke= 754; destra: x= 10, y= -38, z= -21; T= 6,83; Ke= 569); e nelle regioni del lobo posteriore mediale, incluso Vermis VI, che si estende bilateralmente nel Lobulo VI (x= 3, y= -65, z= -20; T= 7,25), e Vermis IX che si estende bilateralmente nel Lobulo IX (x= 3, y= -65, z= -20; T= 6,46; Ke= 3974; Figura 9).

Figura 1: Il cervelletto umano. (A) Rappresentazione appiattita del cervelletto e delle sue principali fessure, lobi e lobuli. Rosso = lobo anteriore (lobuli I-V); crema= lobo posteriore (lobuli IV-IX); viola= lobo flocculonodulare. Il cervelletto può essere diviso in zone "vermis" della linea mediana e "emisfero" laterale. Tutti i lobuli sono identificati nel verme e negli emisferi. Nel lobulo VII, VIIAf nel vermis si espande negli emisferi per diventare Crus I, il lobule VIIAt al vermis diventa Crus II negli emisferi, e il lobule VIIB mantiene la sua etichetta sia nel vermis che negli emisferi. (B) In alto: mappa piatta del cervelletto che mostra le subunità anatomiche del cervelletto in diversi colori. In basso: una vista posteriore del cervelletto. Questa cifra è stata adattata da ⁵⁶ e ⁵⁷. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 2: Illustrazione schematica della pipeline. È necessaria un'immagine MPRAGE T1 ad alta risoluzione. Ci sono tre moduli: ACAPULCO, SUIT e ICV. La pipeline è completamente automatizzata (ad eccezione dell'intervento manuale richiesto per il controllo di qualità delle uscite), è disponibile in formato contenitore Docker e Singularity e richiede circa 20 minuti per essere eseguita dall'inizio alla fine, per soggetto. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 3: Parcellazione ACAPULCO che dimostra ciascuna delle 28 subunità anatomiche. Questa cifra è stata adattata da³⁶. Abbreviazioni: CM = corpus medullare; Ver = vermis; R/L = destra/sinistra. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 4: Esempi di parcellazioni "buone" del cervelletto. Vengono mostrate le fette sagittale (x = 0) e coronale (y = -57). (A, B) Fette sagittali e coronali che mostrano maschere parcellate da due cerebellari sani. L'algoritmo ha localizzato correttamente i confini delle singole subunità e non ha sovraincluso il seno trasversale nell'etichettatura e nella quantificazione di Crus I. (C) Un cervelletto fortemente atrofizzato di un paziente SCA2. Qui, l'atrofia è evidente lungo l'intera estensione del cervelletto, i sulci sono ampi e c'è molto tessuto mancante. C'è una leggera sovrainclusione della vascolarizzazione nei lobi posteriori che è più pronunciata sul lato destro (freccia gialla). A parte questa eccessiva inclusione, ACAPULCO ha funzionato bene. Abbreviazioni: CM = corpus medullare; Ver = vermis; L/R = sinistra/destra. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 5: Esempi di parcellazioni "mis" cerebellari. ( A) Fetta sagittale (x= 0) e fetta coronale (y = -57) che mostrano un errore di parcellazione in un paziente FRDA. L'algoritmo non ha funzionato bene lungo la linea mediana e le sottoinclusioni di Crus I e II (freccia rossa) sono evidenti lungo l'estensione posteriore. Questi lobuli sarebbero esclusi dalle successive analisi a livello di gruppo. (B) Fetta sagittale (x= 8), fetta coronale (y= -47) che mostra un errore di parcellazione in un cerebellare sano. L'algoritmo ha completamente mancato il lobulo sinistro VIIIb (frecce rosse). Questo lobulo sarebbe escluso dalle successive analisi a livello di gruppo. (C) Fetta sagittale (x= -24) e fetta coronale (y= -47) che mostrano un errore di parcellazione in un cerebellare sano. È presente una certa atrofia cerebellare e c'è una sottoinclusione di Crus I (freccia rossa). Abbreviazioni: FRDA = atassia di Friedreich; CM = corpus midollare; Ver = vermis; L/R = sinistra/destra. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 6: Esempi di "fallimenti globali" della parcellazione cerebellare. (A) Slice sagittale (x= 0) e slice coronale (y= -57) che mostrano un fallimento di parcellazione. Qui, il cervelletto è solo parzialmente segmentato e parti del lobo occipitale sono state erroneamente etichettate come cervelletto. Questi tipi di guasti sono probabilmente dovuti a un problema con l'intestazione dell'immagine originale, che influenzerà la trasformazione affine ACAPULCO dell'immagine in coordinate mondiali e la successiva localizzazione del cervelletto. (B) Fetta sagittale (x= 0) e fetta coronale (x= -57) che mostrano un fallimento della parcellazione in una persona con FRDA. Qui, il CM è stato completamente mal segmentato. L'algoritmo ha etichettato il CM nella parte posteriore della testa (ovale rosso), al di fuori del cervello. I confini della sostanza bianca non sono stati catturati e sono erroneamente etichettati come materia grigia, colpendo in particolare i lobuli sinistri VIIIb e IX. Anche il lobulo sinistro X è stato perso (freccia rossa sulla fetta coronale). Questi esempi giustificano l'esclusione immediata dalle analisi a livello di gruppo per le analisi ACAPULCO e SUIT. Abbreviazioni: CM = corpus medullare; Ver = vermis; L/R = sinistra/destra. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 7: Mappe morfometriche deformate e modulate basate su voxel. (A, B) Materia grigia cerebellare ben allineata da due HC. (C) Un cervelletto da un HC che è stato rilevato come un outlier statistico ma è stato mantenuto nell'analisi. (D) Un cervelletto atrofizzato da una persona con FRDA. Il cervelletto è stato deformato correttamente al modello; quindi, ciò non giustificherebbe l'esclusione. (E) Un'esclusione. C'è una sfumatura in contrasto dalla parte superiore a quella inferiore dell'immagine che riflette un errore nell'elaborazione. (F) Un artefatto piano iperintense in basso a destra dell'immagine di origine sconosciuta richiede l'esclusione. (G) Un esempio di cerebellare fortemente atrofizzato di un paziente SCA2. Il cervelletto è stato deformato correttamente al modello; tuttavia, c'è un sacco di tessuto mancante, con conseguente basso contrasto. Questa non sarebbe un'esclusione. (H) Esempio di mascheramento scadente che richiede l'esclusione. Abbreviazioni: VBM = morfometria basata su voxel; HC = controllo sano; FRDA = atassia di Friedreich; SCA2 = Atassia spinocerebellare 2. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 8: Covarianza spaziale delle mappe morfometriche basate su voxel SUIT. Box plot che illustra la covarianza spaziale delle mappe morfometriche basate su voxel per una coorte di 64 (28 soggetti FRDA). La covarianza spaziale è una misura di quanto sia ben allineata ogni immagine, rispetto a ogni altra immagine nel campione. I dati sono strettamente raggruppati insieme a una correlazione media di covarianza spaziale di ~ 0,95. Qui, sono stati rilevati due valori anomali (1 FRDA, 1 HC), poiché >2 SD al di sotto della media. Abbreviazioni: FRDA = atassia di Friedreich; HC = controllo sano; SD = deviazione standard; cont = controllo. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 9. Risultati tra gruppi di un'analisi morfometrica basata su voxel della morfometria della materia grigia cerebellare. (A) Rappresentazioni sagittali, (B) coronali e (C) di mappe statistiche a livello di voxel in individui con FRDA vs. controlli, controllando per ICV. Vengono mostrati solo i voxel che sopravvivono a p < 0,05 FWE a livello di cluster corretto. La barra dei colori indica la statistica T. Abbreviazioni: FRDA = atassia di Friedreich; ICV = volume intracranico; FWE = errore familiare. Fare clic qui per visualizzare una versione più grande di questa figura.

Tabella 1: Lobuli anatomici cerebellari derivati da ACAPULCO e tassi di esclusione (%) in un campione di 31 persone con FRDA e 37 HC. Abbreviazioni: FRDA = atassia di Friedreich; HC = controlli sani.

Tabella supplementare S1: Volumi (mm³) di 28 lobuli anatomici cerebellari nell'atassia di Friedreich e in individui sani. Fare clic qui per scaricare questa tabella.

Il cervelletto è fondamentale per una vasta gamma di funzioni motorie^{umane 3}, cognitive⁵⁸, affettive¹⁰ e linguaggio ^7,59 ed è implicato in molte malattie neurologiche e psichiatriche. La disponibilità di un approccio standardizzato e facilmente implementabile per la quantificazione dei volumi cerebellari regionali contribuirà a una mappatura struttura-funzione "intero cervello" sempre più dettagliata, alla modellazione completa della malattia e a migliori opportunità di definire e tracciare i contributi cerebellari alle malattie cerebrali. Questa pipeline standardizzata qui descritta combina approcci all'avanguardia per la parcellazione automatica del cervelletto e la profilazione spaziale a grana più fine della morfometria della materia grigia cerebellare sia in salute che in malattia.

I risultati dell'analisi della parcellazione del cervelletto trasversale utilizzando ACAPULCO qui presentati hanno mostrato che le persone con FRDA (vs HC) avevano significativamente ridotto i volumi di sostanza bianca. Questi risultati supportano studi precedenti di FRDA, che mostrano costantemente una perdita di volume precoce, robusta e progressiva della sostanza bianca, in particolare nei nuclei dentati, in FRDA. Inoltre, il modello e l'estensione della neurodegenerazione progressiva nei peduncoli cerebellari superiori e inferiori e nei nuclei dentati hanno dimostrato di differire come fattore di età di insorgenza della FRDA⁴⁴. I risultati dell'analisi SUIT hanno rivelato ulteriori risultati. In particolare, c'è stata una significativa perdita di volume a livello di voxel in FRDA (vs. HC) nelle regioni del lobo anteriore corrispondenti ai lobuli bilaterali I-IV e V destro, estendendosi nel lobulo VI. Inoltre, l'analisi SUIT ha rivelato una significativa perdita di volume in FRDA (vs HC) nelle regioni del lobo posteriore mediale, tra cui lobulo IX, X e Vermis. Questo modello di differenze tra gruppi è paragonabile al lavoro precedentemente pubblicato nella stessa coorte di pazienti FRDA, utilizzando un approccio VBM a cervello intero⁵⁵.

La definizione di anomalie cerebellari nelle malattie neurologiche e psichiatriche è un'area di ricerca ad alta priorità con impatto traslazionale. Strumentale al monitoraggio e al trattamento delle malattie neurologiche, in particolare quelle in cui il cervelletto è un sito primario di neurodegenerazione, è lo sviluppo di caratterizzazioni biologiche complete del coinvolgimento del cervelletto. La pipeline qui presentata consente di esplorare le relazioni tra la morfometria della materia grigia del singolo lobulo cerebellare e le misure cliniche che vengono utilizzate come "gold standard" per gli endpoint clinici della malattia. Tale ricerca può avere un impatto traslazionale significativo. Ad esempio, nello spazio delle malattie cerebellari rare, l'identificazione di un particolare profilo di atrofia della materia grigia cerebellare in un sottogruppo di pazienti che mappa o predice i sintomi clinici avrebbe implicazioni per guidare la pratica clinica. L'inclusione del modulo SUIT consente inoltre di affrontare interessanti questioni di ricerca come la mappatura struttura-funzione del cervelletto o l'analisi dei gradienti funzionali del cervelletto⁶⁰.

Raccomandazioni generali per le analisi statistiche a livello di gruppo
ACAPULCO: I volumi di ciascun lobulo cerebellare (in mm³) per ciascun soggetto sono registrati in Cerebel_vols.csv. Durante l'inferenza statistica degli effetti a livello di gruppo, il volume intracranico (ICV; registrato anche in Cerebel_vols.csv) dovrebbe essere controllato per tenere conto della variabilità delle dimensioni della testa. Le soglie di rilevanza alfa dovrebbero essere corrette per tenere conto dell'inferenza su più lobuli.

TUTA: Il VBM cerebellare della materia grigia può essere eseguito sulle immagini wdseg1.nii utilizzando software di elaborazione MRI standard come SPM o FSL. Vedere il manuale CAT12 per un'eccellente introduzione a VBM con SPM12⁵⁴. L'ICV dovrebbe essere controllato per tenere conto della variabilità delle dimensioni della testa.

Per il VBM nel cervelletto, si consiglia generalmente di utilizzare un kernel di levigatura spaziale gaussiana di larghezza non superiore a 3 mm a metà massimo (FWHM). Un'adeguata correzione statistica deve essere applicata per tenere conto di confronti multipli tra voxel. In generale, si consiglia di utilizzare approcci non parametrici (ad esempio, SnPM o FSL-Randomise).

Il passo più critico per il successo della parcellazione del cervelletto utilizzando ACAPULCO è il controllo generale della qualità delle immagini T1 prima e dopo l'elaborazione. Si consiglia vivamente all'utente di verificare la presenza di immagini a contrasto errato (ad esempio, un gradiente incoerente in tutta l'immagine) e una forte inclinazione della testa e artefatti di movimento, che possono influire sulle prestazioni dell'algoritmo. Inoltre, mentre l'algoritmo ACAPULCO è stato addestrato sul cerebellare atrofizzato, non è stato addestrato sui dati delle lesioni. Si prevede che le lesioni nella corteccia cerebrale non dovrebbero influire sulle prestazioni dell'algoritmo e sulla successiva accuratezza della parcellazione; tuttavia, grandi infarti nel cervelletto produrrebbero probabilmente errori di parcellazione. Il controllo di qualità della maschera del cervelletto dopo l'elaborazione è essenziale. Errori di parcellazione minori (ad esempio, minori sotto- e sovrainclusioni dei lobuli del cervelletto) a volte non sono rilevati come valori anomali statistici; al contrario, possono verificarsi casi di nonoutlier errati in cui i dati rientrano nell'intervallo normale, nonostante un evidente errore di parcellazione. Se un soggetto viene identificato come un outlier, è essenziale eseguire un controllo di qualità dettagliato e di follow-up della maschera del cervelletto fetta per fetta per guidare il processo decisionale sull'opportunità di includere o escludere il lobulo o i lobuli per quel soggetto. Un altro passaggio critico durante l'esecuzione della pipeline SUIT (Modulo 2) è che richiede che il modulo ACAPULCO sia già stato eseguito. In particolare, SUIT richiede la maschera del cervelletto prodotta in ACAPULCO per eseguire l'isolamento e la segmentazione del cervelletto. È importante che la maschera del cervelletto sia controllata in modo qualitativo per garantire una copertura cerebellare completa.

Ci sono alcune limitazioni al protocollo. In primo luogo, mentre ACAPULCO raggiunge una precisione all'avanguardia per la parcellazione della materia grigia cerebellare, non è ottimizzato per la parcellazione della sostanza bianca; il corpus midollare copre il corpo principale della sostanza bianca ma non fornisce una misura di tutta la sostanza bianca. In secondo luogo, le reti neurali convoluzionali utilizzate per localizzare e segmentare il cervelletto in ACAPULCO non generalizzano bene a immagini con contrasti diversi o immagini che non sono state utilizzate nell'allenamento. Ad esempio, poiché nell'addestramento sono state utilizzate solo immagini 3T, la qualità della parcellazione utilizzando immagini acquisite su uno scanner 1,5 T non è in genere altrettanto buona; inoltre, non ci sono statistiche rispetto alla verità di base che è stata eseguita su queste immagini. Infine, la pipeline controlla gli effetti confondenti delle dimensioni della testa sulle stime del volume del cervelletto fornendo una stima dell'ICV che può essere inclusa come regressore di nessun interesse nelle analisi statistiche a livello di gruppo. Tuttavia, un approccio ideale sarebbe quello di calcolare i volumi di cervelletto corretti per iCV a livello individuale prima di eseguire il QC, in modo tale che i valori anomali rilevati riflettano un vero errore di parcellazione e non la variabilità naturale nella neuroanatomia dei soggetti (ad esempio, avere una testa grande).

In conclusione, presentiamo una pipeline standardizzata per l'esame della morfometria della madre grigia del cervelletto, che ha un'ampia applicabilità a una serie di malattie neurologiche. La pipeline è stata creata per consentire ampi studi multisito e "mega analisi" ed è pubblicamente disponibile per l'uso da parte di gruppi di ricerca per facilitare l'affidabilità e la riproducibilità in tutto il campo. In definitiva, questa pipeline fornisce un potente approccio metodologico per caratterizzare e tracciare ulteriormente i cambiamenti strutturali cerebellari con la progressione della malattia nelle malattie neurologiche. Una pipeline longitudinale è attualmente in fase di sviluppo.

Gli autori non hanno conflitti di interesse da divulgare.

Il lavoro presentato in questo manoscritto è stato finanziato da un Australian National Health and Medical Research Council (NHMRC) Ideas Grant: APP1184403.