Dieses Dokument und alle Abbildungen speichern Abb. 1 werden im laufenden Betrieb generiert, indem die Eingabedatei über die R- und LaTeX-Interpreter mit dem knitr-Paket kompiliert wird. Dies erzeugt die Ausgabe pdf zusammen mit allen statistischen Zahlen und quantitativen demographischen Zusammenfassungen.

Kohortenauswahl

Die Stichprobe wurde zwischen Januar 2010 und Februar 2014 rekrutiert. Die Gesamtkohortenauswahl zielte darauf ab, die demografische Verteilung der Kinder im Alter von 7 zu 18 Jahre in den Vereinigten Staaten, basierend auf US-Volkszählungsdaten, in Bezug auf Rasse, ethnische Zugehörigkeit, Geschlecht und Familieneinkommen. Die Daten wurden an einem einzigen Standort, dem Ahmanson-Lovelace Brain Mapping Center an der UCLA, vom Laboratory of Functional MRI Technology (LOFT) gesammelt. In der Regel wurden gesunde, sich entwickelnde Kinder zwischen 7 und 18 Jahren in diese Studie aufgenommen. Ausschlusskriterien wurden entwickelt, um Kinder auszusortieren: (1) mit zuvor diagnostizierten Erkrankungen (einschließlich entwicklungs-, neurologischen, psychiatrischen und Lernstörungen); (2) die Kriterien für eine Lern- / psychiatrische Störung oder neurologische Erkrankung erfüllten, die zuvor nicht diagnostiziert wurden; (3) die Umweltbedingungen ausgesetzt waren, von denen bekannt ist oder die wahrscheinlich Auswirkungen auf die normale Entwicklung haben; (4) die sich keiner MRT-Untersuchung unterziehen können; und 5) mit eingeschränkten Englischkenntnissen (da mehrere Tests, die im Rahmen dieser Studie durchgeführt werden sollten, nicht in anderen Sprachen als Englisch verfügbar waren). Die vollständige Liste der Ausschlusskriterien ist unten aufgeführt:

• Entwicklungsstörungen & Medizinische Störungen: Bekannte Entwicklungsstörung (Gedeihstörung; PKU usw.).

• Schwerhörigkeit, die ein Hörgerät erfordert.

• Sehbehinderung (Strabismus, Sehbehinderung, die mit einer normalen Brille nicht korrigiert werden kann).

• Diabetes (Typ I, mit Insulin behandelt).

• Systemische rheumatologische Erkrankung (z. B. Glomerulonephritis, Endokarditis).

• Systemische Malignität, die eine Chemotherapie erfordert- & ZNS-Strahlentherapie Angeborener Herzfehler.

• Neurologische Störungen, Anfallsleiden.

• ZNS-Infektion (zum Beispiel Meningitis).

• Hirntumor.

• Geschichte der geschlossenen Kopfverletzung mit Bewusstlosigkeit > 5 min.

• Muskeldystrophie oder Myotone Dystrophie.

• Behavioral, Psychiatric, & Lernstörungen: Schizophrenie, Autismus-Spektrum-Störung, bipolare Störungen, Rezidivierende schwere Depression, Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS), Verhaltensstörung, Tourette-Störung, Obsessive Complusive Disorder (OCD), Drogenabhängigkeit.

• Kinderverhalten Checkliste (CBCL) Subscale score <70.

• IQ-Bewertung <80.

• Achievement score >2 s.d. unter Altersnormen.

• Aktuelle/vergangene Sprachstörung (Legasthenie, Stottern).

• Sonderpädagogische Förderung.

• MRT-Kontraindikationen: Metallimplantate (Zahnspangen, Stifte) oder Metallfragmente, Herzschrittmacher oder elektronische medizinische Implantate, Klaustrophobie, Schwangerschaft.

• Eingeschränkte Englischkenntnisse.

Die schriftliche Einverständniserklärung zur Teilnahme an der Studie und die öffentliche Veröffentlichung der Daten wurde von jedem Probanden und seinen Eltern gemäß den Richtlinien des Institutional Review Board (IRB) der University of California Los Angeles (UCLA) vor der IQ-Bewertung und den MR-Scans eingeholt.

Bewertung von Verhalten und Umwelt

Psychometrische Bewertung

Jedem Probanden wurde die Wechsler Abbreviated Scale of Intelligence (WASI)30,31 verabreicht, was zu drei komplementären IQ-Messungen führte: der verbale IQ (Wortschatz, Ähnlichkeiten), der Leistungs-IQ (Matrixdenken, Blockdesign) und der vollständige IQ. Die Korrelationen zwischen dem vollständigen IQ und dem verbalen IQ betragen 0,89, zwischen dem vollständigen IQ und dem Leistungs-IQ 0,86 und zwischen dem Leistungs-IQ und dem verbalen IQ 0,54.

Bewertung des sozioökonomischen Status und des elterlichen Hintergrunds

Das Familieneinkommen wurde innerhalb eines selbstberichteten Bereichs quantifiziert, der in USD definiert ist. Die Verteilung der grundlegenden Kohortendemografie ist in Abb. 2. Das Bildungsniveau von Vater und Mutter wurde nach Bildungsjahren bestimmt, wobei in dieser Kohorte mindestens acht Jahre mit mehreren Probanden mit ≥20 Jahren Bildung. Diese wurden anschließend in jahrelange Ausbildung für beide Elternteile übersetzt, wenn verfügbar. Die Probanden lieferten auch Selbstberichts-Ladder-Scores sowohl auf der Community- als auch auf der SES-Skala. Die Gemeinschaftsskala identifiziert das wahrgenommene soziale Ansehen des Subjekts in seiner lokalen Gemeinschaft. Die Leiter-SES identifiziert den wahrgenommenen Wohlstand des Subjekts im Verhältnis zur Gesellschaft als Ganzes. Beide Teilskalen liegen im Bereich von 1 bis 6, wobei die Werte den Sprossen auf der Leiter entsprechen.

Bildaufnahmemethoden

Alle MRT-Daten wurden mit einem Siemens 3 T TIM Trio Scanner unter Verwendung der Siemens 12-Kanal-Kopfspule erfasst.

T1-gewichtete Erfassung

Magnetisierungsvorbereitete MPRAGE-Bilder (Rapid Acquisition Gradient Echo) wurden unter Verwendung einer 3D-Inversionswiederherstellungssequenz mit TR/TE/TI=2,170/4.33/1,100 die Auflösung beträgt 1 × 1 × 1 mm3 bei einer Matrixgröße von 256 × 256 × 192. Der Flipwinkel = 7° und die Gesamtscanzeit betrug 8:08 min.

Zerebraler Blutfluss

PCASL-Bilder (Pseudo Continuous Arterial Spin Labeled) wurden unter Verwendung von Gradientenecho-Echo-Planar-Bildgebung (EPI) mit TR / TE = 4.000 / 12 ms aufgenommen. Die Auflösung beträgt 3,125 × 3,125 × 6 mm (5 mm mit 1 mm Lücke) über eine 64 × 64 × 24-Matrix. 40 Label/Kontroll-Paare wurden akquiriert. Generalized autocalibrating partially parallel Acquisition (GRAPPA) wurde mit einem Beschleunigungsfaktor von 2 verwendet. Die Markierungsdauer betrug 1,5 s und die Nachmarkierungsverzögerung 1,2 s. Die gesamte Abbildungszeit betrug 5:30 min.

Diffusionstensorerfassung

Diffusionsgewichtete Bilder wurden mit Single-Shot Multi-Slice unter Verwendung von Spin-Echo EPI mit TR / TE = 9.500 / 87 ms aufgenommen. Ein einzelnes b =0 Volumen wurde entlang diffusionsgewichteter Bilder für 30 Richtungen mit b-Wert = 1.000 aufgenommen. Die Auflösung beträgt 2 × 2 × 2 mm bei einer Matrixgröße von 128 × 128 × 75 Voxeln. Der Flip-Winkel = 90°.

BOLD acquisition

Blutsauerstoffspiegelabhängige (BOLD) Bilder wurden im Ruhezustand unter Verwendung von 2D EPI mit TR/TE=2.000/27 ms aufgenommen. Die Auflösung beträgt 4×4×4 mm über eine 64×64×25 Matrix und es wurden bis zu 244 Zeitpunkte erfasst. Der Flip-Winkel = 80°. Die Probanden mussten sich ruhig entspannen, während sie einen Fixierungspunkt betrachteten.

Bildverarbeitungsmethoden

Wir verwenden fortschrittliche Normalisierungswerkzeuge mit R (ANTsR) http://stnava.github.io/ANTsR/, um eine Datenbankdatei mit mehreren Modalitäten zu überprüfen, zu organisieren und zusammenzustellen, die den im PTBP verfügbaren Messbereich zusammenfasst. Alle Skripte und Quellcodes sind in ANTsR und seinen Abhängigkeiten verfügbar.ANTsR (answer) ist ein Open-Science-Analyse-Framework, das prädiktive biomedizinische Studien ermöglichen soll, die Bildgebungsmodalitäten mit anderen Daten integrieren. ANTsR löst statistische Anforderungen mit R, der statistischen Computersprache, und verwendet gleichzeitig einen ANTs-Kern für die Bildregistrierung, Segmentierung und Vorlagenkonstruktion32–36. Dieses Framework ist einzigartig universell, da es keine Annahmen über Bildinhalte oder Organsysteme macht, auf die es angewendet wird, und für N-dimensionale Daten (2-D, 3-D, 4-D) geeignet ist. Als Beweis für diese Allgemeinheit gewannen ANTsR-Tools zwei unabhängige Registrierungswettbewerbe, einen im Gehirn-MRI37 und einen im Lungen-CT38. Darüber hinaus ist ANTsR maßgeblich an einer der führenden Methoden zur Fusion von Gelenketiketten (Multiatlas-Segmentierung) beteiligt, die derzeit für die automatisierte anatomische Etikettierung verfügbar sind39 und gewann kürzlich offene Wettbewerbe in Segmentierung / Vorhersage, BRATS 2013 auf der MICCAI 2013 (Ref. 40) und die SATA Challenges bei MICCAI 2012 und MICCAI 2013, bei denen letztere verschiedene arten- und organsystemübergreifende Modalitäten verwendeten. Gleichzeitig ist das Framework so anpassbar, dass es zur Lösung spezifischer Analyseprobleme unter Einbeziehung von Vorwissen verwendet werden kann. Im Folgenden beschreiben wir, wie wir ANTsR einsetzen, um: (1) Bereitstellung einer mehrkanaligen Populationsvorlage, die für die in PTBP verfügbaren Modalitäten repräsentativ ist; (2) Überprüfen Sie die Datenqualität und Gültigkeit der Verarbeitungsentscheidungen in jeder Modalität; (3) Berechnen Sie zusammenfassende Messungen, die Biostatistikern und anderen Forschern einen einfachen Zugriff auf PTBP-Daten ermöglichen, ohne dass eine groß angelegte Bildverarbeitung erforderlich ist. Im folgenden Abschnitt werden wir über wichtige zusammenfassende Maßnahmen berichten, die zur Unterstützung der Validität sowohl der Akquisition als auch der Nachbearbeitung dienen. Die gesamte Software, die zur Erzielung dieser Ergebnisse verwendet wird, ist öffentlich verfügbar, wobei erhebliche Anstrengungen unternommen werden, um sowohl Anwendungsfälle auf hoher Ebene als auch einzelne Tools zu dokumentieren. Die gemeinsame Freigabe von Daten und Nachbearbeitungsströmen stellt einen Open-Science-Ansatz dar, der zunehmend als entscheidend für den Fortschritt der Wissenschaft anerkannt wird41-43.

Multiple modality population template

Die Normalisierung von Bildern auf ein Standardkoordinatensystem reduziert die Intersubjektvariabilität in Populationsstudien, ermöglicht den Vergleich von Koordinaten über Studien hinweg und ermöglicht den Einsatz datenbasierter Segmentierungs- / Beschriftungstechniken. Letztere sind wichtig für die Gewebesegmentierung, Gehirnextraktion, kortikale Parzellierung und funktionelle oder strukturelle Konnektivitätsstudien. Es gibt verschiedene Ansätze zur Bestimmung des normalisierten Raums, wie z. B. die Auswahl einer bereits vorhandenen Vorlage basierend auf einem einzelnen Thema, z. B. dem Talairach-Atlas 44, oder einer öffentlich verfügbaren gemittelten Gruppe von Themen, z. B. den MNI45- oder ICBM46-Vorlagen. Wir verwenden die symmetrische Groupwise Normalization Method (SyGN) von ref. 47, die während der Optimierung explizit die geometrische Komponente des normalisierten Raums modelliert, um Gehirnbilder zu erzeugen, die die untersuchte Population sowohl in Bezug auf die Form der Anatomie als auch auf das Erscheinungsbild der Anatomie darstellen. Die Kopplung der intrinsischen Symmetrie der paarweisen SYN-Registrierung33 und der optimierten formbasierten Mittelung des Template-Erscheinungsbilds durch SyGN führt zu einem leistungsfähigen Rahmen für populationsspezifische Bildgebungsstudien über Modalitäten und Arten hinweg 47-51. Wir erreichen diese Allgemeinheit der Anwendung, indem wir populationsspezifische Vorinformationen im Vorlagenraum speichern, um die Gehirnextraktion oder andere Quantifizierungsschritte zu unterstützen.Traditionell wurde dieser Ansatz für einzelne Modalitäten verwendet, aber in jüngerer Zeit wird er für mehrere Modalitäten über kohortenspezifische Vorlagen erweitert, die die durchschnittliche Form und das Aussehen von T1-, DTI- und Funktionsbildern erfassen, wie in refs 25, 32, 49, 52. Einige dieser Vorlagen wurden für den öffentlichen Gebrauch freigegeben29 und enthalten Bevölkerungsdurchschnitte mit Variationen sowohl über das Alter als auch über die Modalität. Während diese Ressourcen von Wert sind, folgen wir der Philosophie, eine bevölkerungsspezifische Vorlage für die PTBP und ihre Modalitäten zu erstellen, so dass wir die neueste Bildregistrierungsmethode nutzen.

Unser Template-Building-Verfahren konstruiert zunächst ein durchschnittliches T1-Gehirnbild aus der Gesamtpopulation (n = 119). Wir extrahieren dann das Template-Gehirn basierend auf Multi-Template-Etikettierung39,53, derzeit der Stand der Technik für die automatisierte Etikettierung. Mit einem ähnlichen Verfahren generieren wir probabilistische Gewebe- / Strukturprioren für jedes der 6 interessierenden Gewebe: kortex, tiefe graue Substanz, Liquor cerebrospinalis, weiße Substanz und das Kleinhirn. Eine Zusammenfassung des Verfahrens zum Erstellen von Vorlagen mit zwei Beispieldatensätzen finden Sie unter https://github.com/ntustison/TemplateBuildingExample (dies ist ein pädagogisches Anwendungsbeispiel, kein archivierter Datensatz oder veröffentlichte Software). Die gleichen Methoden wie die Vorlagen unter ref. 29, die wir als Ausgangspunkt für die PTBP Custom Tissue Prior Generation verwendet haben. Sobald das durchschnittliche Bild und Priors abgeschlossen sind (Datei PTBP.zip), kann man alle Daten durch eine kleine Deformationsregistrierung in den Standard MNI space54 übertragen (Datei PTBP_MNI.Zip).

Template-basierte Verarbeitung einzelner Subjekt-T1-Bilder

Eine Übersicht über die Template-basierte Strukturpipeline ist in ref. 29. Mit einer finalisierten T1-Vorlage können wir die einzelnen T1-Daten segmentieren und verarbeiten. Anschließend bearbeiten wir individuelle Modalitäten wie DTI, ASL und BOLD. Schließlich generieren wir die geometrischen Transformationen von den Begleitmodalitäten zum anatomischen Kernbild T1 sowie zum Schablonenraum. Wir erreichen dies, nachdem der vollständige Datensatz mit mehreren Modalitäten wie unten beschrieben verarbeitet wurde. Insgesamt werden hier die Schritte zur Verarbeitung eines einzelnen Mehrmodalitätsdatensatzes http://jeffduda.github.io/NeuroBattery/ zusammen mit einem Beispieldatensatz und einer Vorlage beschrieben, die zur Überprüfung der Reproduzierbarkeit des Verfahrens verwendet werden können. Dies wird für jedes Individuum in einer Population wiederholt. Wir geben nun einen Überblick über die Verarbeitungsschritte für T1 und dann für jede Modalität. Abbildung 1 fasst die vollständige Pipeline zusammen.

T1 brain extraction

Brain extraction using ANTs kombiniert Template Priors, Hochleistungs-Gehirnbildregistrierung33 und Atropos32 mit topologischen Verfeinerungen basierend auf mathematischer Morphologie, wie in ref. 29 und umgesetzt in antsBrainExtraction.sh . Ein Anwendungsbeispiel ist hier https://github.com/ntustison/antsBrainExtractionExample (dies ist ein pädagogisches Anwendungsbeispiel, kein archivierter Datensatz oder veröffentlichte Software). Kurz gesagt, In dieser Phase verwenden wir eine grobe und relativ schnelle Registrierung, um eine Verzerrung zwischen dem gesamten Kopfbild der Vorlage und dem interessierenden Thema zu berechnen. Dies ermöglicht es uns, eine probabilistische Gehirnextraktion von der Vorlage in den Subjektraum zu verzerren. Die Wahrscheinlichkeitskarte für die verzerrte Vorlage wird mit einem Schwellenwert von 0,5 festgelegt, und die resultierende Maske wird mit einem Radius von 2 erweitert. Atropos wird dann verwendet, um eine anfängliche Schätzung der 3-Gewebesegmentierung innerhalb der Maskenregion zu generieren. Jede der drei Gewebemasken wird spezifischen morphologischen Operationen unterzogen, die dann kombiniert werden, um eine Gehirnextraktionsmaske für den Rest des Arbeitsablaufs für die kortikale Dicke zu erstellen. Ein Vergleich unter Verwendung von Open-Access-Hirndaten mit öffentlich verfügbaren Gehirnextraktionsalgorithmen, einschließlich AFNIS 3dIntracranial55, BET2 von FSL (Ref. 56), Freesurfers mri_watershed57 und BrainSuite58 zeigten, dass unser kombinierter Registrierungs- / Segmentierungsansatz47 neben BrainSuite (tuned) und FreeSurfer auf höchstem Niveau abschneidet.

Six tissue segmentation

Unser Segmentierungsverfahren nutzt zwei Methoden, die von anatomischen Priors geleitet werden und die zusammenarbeiten, um das Gehirn in sechs anatomische / Gewebeklassen zu unterteilen: zerebrospinalflüssigkeit, kortikale graue Substanz, tiefe graue Substanz, weiße Substanz, Hirnstamm und Kleinhirn. Diese Gewebeprioren werden zuerst in den Subjektraum abgebildet, indem eine große Deformations-SyN-Registrierung zwischen dem Template-Großhirn und dem individuellen Subjekt-Großhirn durchgeführt wird, wie in refs 37, 42, 59. Die deformierten Template-Priors werden dann verwendet, um die Erwartungsmaximierungs- (EM-) Segmentierung (Atropos-Prior-basierte Segmentation32) im Wechsel mit der Inhomogenitätskorrektur über den N4-Bias-Feldkorrekturalgorithmus zu führen34. Der Name N4 leitet sich von der Tatsache ab, dass es sich um eine Verbesserung des klassischen N3-Algorithmus60 handelt. Atropos bezieht sich auf eine Figur in der griechischen Mythologie, die eine Schicksalsschere trug; Im Falle der Segmentierung bezieht sich die Schere auf die Aufteilung des Bildes in Teile. Aufgrund des wichtigen Zusammenspiels zwischen Segmentierung und Bias-Korrektur führen wir mehrere N4 ⇔ Atropos-Iterationen durch. Um Atropos und N4 besser zu integrieren, verwenden wir eine reine Gewebewahrscheinlichkeitsgewichtsmaske, die aus den aus dem Segmentierungsprozess generierten posterioren Wahrscheinlichkeiten generiert wird. Dieses Verfahren ist in den Nummern 29 und 32 näher beschrieben. Ein reproduzierbarer Beispiel-Segmentierungsdatensatz und eine Befehlszeile für die ANTs-Methode antsAtroposN4.sh ist hier https://github.com/ntustison/antsAtroposN4Example (dies ist ein pädagogisches Anwendungsbeispiel, kein archivierter Datensatz oder veröffentlichte Software).

Direkte (auch bekannt als KellySlater /KellyKapowski) Schätzung der kortikalen Dicke

Die Gehirnsegmentierung ermöglicht es uns, die kortikale Dicke über den Diffeomorphic Registration-based Cortical Thickness (DiReCT) -Algorithmus zu berechnen. DiReCT wurde in ref. 61 und in Verbindung mit dem Programm KellySlater zur Verfügung gestellt. Seitdem wurden mehrere Verbesserungen vorgenommen und in das Programm KellyKapowski aufgenommen, insbesondere die Bestimmung eines automatisierten Parametersatzes basierend auf umfangreichen Experimenten und Vergleich mit referenzkortikalen Dickenwerten, die in der Literatur verfügbar sind. Wichtig ist, dass wir kürzlich gezeigt haben, dass diese Methoden das FreeSurfer-paket62 in Bezug auf die Extraktion von Informationen aus der kortikalen Dicke übertreffen, die Geschlecht und Alter in einer großen Sammlung von Neurobildern über die gesamte Lebensspanne29 vorhersagen. Zu den wichtigsten Fortschritten gehört, dass die neuere Implementierung multithreaded ist, im strengen ITK-Codierungsstil geschrieben wurde und über ANTs mit einem einzigartigen Benutzeroberflächendesign, das speziell für ANTs-Tools entwickelt wurde, öffentlich verfügbar gemacht wurde. Ein Beispiel für einen Anwendungsfall mit zweidimensionalen Referenzdaten finden Sie in https://github.com/ntustison/antsCorticalThicknessExample (dies ist ein pädagogisches Anwendungsbeispiel, kein archivierter Datensatz oder veröffentlichte Software). Letztendlich erzeugt der direkte Algorithmus ein Bild im Subjekt-T1-Raum, das voxelweise Messungen der kortikalen Dicke enthält, die für die Verwendung in voxelbasierten oder regionsbasierten statistischen Studien wie in refs 50, 63-65 geeignet sind.

Regionale Gehirnmarkierung mit AAL-Etiketten

Der letzte Schritt in unserer T1-Pipeline umfasst die Erstellung von zusammenfassenden Messungen für das gesamte Gehirnvolumen, die sechs Gewebesegmentierungen und für die regionale und lobäre kortikale Dicke. Hierfür verwenden wir das weit verbreitete AAL Labelset66. Diese Beschriftungen werden von unserem hochauflösenden Gruppenvorlagenraum in den individuellen Subjektraum transformiert, indem der Umkehrung der diffeomorphen Abbildung der Vorlage gefolgt wird. AAL enthält regionale Standardkonstellationen des Kortex, Kleinhirn und Strukturen der tiefen grauen Substanz einschließlich Putamen, Thalamus, Hippocampi und Caudat. Für jedes Thema, das wir verarbeiten, messen wir diese Volumina und die regionale durchschnittliche Dicke, wodurch eine einzelne Informationszeile erzeugt wird, die schließlich in eine zusammenfassende demografische Datei eingegeben wird. Dies wird nicht nur zur Durchführung von Studien mit Kohortenvariablen verwendet, sondern auch zur anfänglichen Datenprüfung, dh zur Identifizierung von Probanden mit globalen oder regionalen Ausreißerwerten in Bezug auf bekannte Referenzwerte.

DTI-Verarbeitung

Unser Verfahren zur Analyse von DTI mit Ameisen wurde in ref. 67. Kurz gesagt, wir haben eine automatisierte Verarbeitungspipeline für die Diffusionsbildgebung unter Verwendung der Open-Source-Tools Camino68 und ANTs entwickelt, die Vorverarbeitung, Gehirnextraktion, Diffusionstensorberechnung und Normalisierung auf den Vorlagenraum sowie diagnostische Bilder im Subjektraum bietet Qualitätskontrolle, einschließlich fraktionierter Anisotropie, durchschnittlich korrigierter DWI und Rauschvarianz. Der Kern des Verfahrens besteht darin, zuerst Daten im DWI-Raum zu verarbeiten und anschließend die Daten in einen individuellen T1- oder Gruppenvorlagenraum umzuwandeln.

Der erste Schritt bei der DTI-Verarbeitung ist die Bewegungs- und Verzerrungskorrektur der diffusionsgewichteten Bilder. Das erste ungewichtete Bild in der Diffusionssequenz wird als Referenzbild für die Bewegungs- und Verzerrungskorrektur verwendet. Die verbleibenden ungewichteten Bilder werden starr auf das Referenzbild ausgerichtet und gemittelt; dieses Mittelbild wird als Referenzbild zur affinen Korrektur der diffusionsgewichteten Bilder (DWI) auf Bewegung und Verzerrung durch die Diffusionsgewichtungsgradienten verwendet. Eine Gehirnmaske wird berechnet, indem der durchschnittliche DWI an einer Vorlage ausgerichtet und die Vorlagengehirnmaske in den Motivraum verzerrt wird. Die Verarbeitung wird dann mit dem vom Gehirn extrahierten Bild fortgesetzt. Diffusionstensoren werden unter Verwendung eines iterativen gewichteten linearen Algorithmus der kleinsten Quadrate berechnet69.

Die transformierten DTI werden in den Vorlagenraum verzerrt, indem der Intra-Subjekt-DWI in T1-Warp mit dem Warp kombiniert wird, der zuvor definiert wurde, um das T1-Bild des Subjekts in den Vorlagenraum zu normalisieren. Die korrekte anatomische Orientierung der Diffusionstensoren wird durch Anwendung der Erhaltung der Hauptrichtungsmethode 70 erhalten, und skalare Statistiken wie FA und mittlere Diffusivität werden aus den normierten Diffusionstensoren berechnet.

Abschätzen von Störvariablen in Funktionsbildern

Bei der Verarbeitung von BOLD- oder ASL-Funktionsbildern sind mehrere Schritte üblich. Dazu gehören Gehirnextraktion, Bewegungskorrektur und Schätzung von Störvariablen. In den letzten ein bis zwei Jahren haben wir Methoden zur Schätzung dieser Parameter aus 4D-Zeitreihendaten in ANTs eingeführt. Die Bewegungskorrektur wird vom antsMotionCorr-Programm in ANTs durchgeführt, das eine Metrik zur gegenseitigen Informationsähnlichkeit und einen nichtlinearen konjugierten Gradientenoptimierer verwendet, um die affine oder starre Ähnlichkeit zwischen jedem Bild in einer Zeitreihe und einem sequenzspezifischen Referenzbild zu maximieren. Diese Methoden basieren auf der Revision Insight ToolKit Version 4, wie in ref. 71. Die Bewegungsparameter für jeden Zeitrahmen werden in eine CSV-Datei geschrieben, so dass sie zusammengefasst und möglicherweise als Störvariablen innerhalb von Statistiken auf Bevölkerungsebene verwendet werden können72. Wir treffen für jede Modalität unterschiedliche Referenzbilder. Für Fettdruck wählen wir das durchschnittliche Bild aus der Vollzeitreihe. Für CASL und pCASL wählen wir das durchschnittliche kontrollmarkierte Bild. Für PASL verwenden wir das erworbene M0-Bild. Eine Gehirnmaske wird entweder durch ein einfaches Morphologieverfahren (morphologische Erosion, gefolgt von einer Komponentenauswahl und morphologischer Dilatation) oder durch Ausrichten des Referenzbewegungskorrekturbilds auf eine sequenzspezifische Vorlage und Verziehen der Vorlage berechnet Gehirnmaske in den Subjektraum. Für die PTBP haben wir den letzteren Ansatz verwendet.

Das zweite große Ärgernis, jenseits der Bewegung, ist physiologischer Geräusche73-75. Während man sollte Wählen Sie die optimalen Störparameter für jede Studie und basierend auf der Datenqualität verwenden wir den datengesteuerten und automatischen CompCor-Ansatz75, der in ASL und BOLD validiert wurde und nicht auf anatomischer Segmentierung beruht. Der Ansatz führt eine singuläre Wertzerlegung für Voxel mit hoher zeitlicher Varianz durch und verwendet (typischerweise 3 bis 6) singuläre Vektoren als Störungsregressoren. Es wurde gezeigt, dass diese Regressoren physiologische Bewegungen, Scannergeräusche und andere Faktoren erfassen, die nichts mit dem zerebralen Blutfluss oder der Gehirnaktivierung zu tun haben. Sowohl die Bewegungskorrektur als auch die CompCor-Schätzung mit Ameisen werden hier gezeigt https://github.com/stnava/fMRIANTs (dies ist ein pädagogisches Anwendungsbeispiel, kein archivierter Datensatz oder veröffentlichte Software).

Zerebraler Blutfluss (CBF) aus ASL

Die parenchymale Perfusion ist ein wichtiger physiologischer Parameter bei der Bewertung und Behandlung von Hirnstörungen sowie ein Surrogatindex der neuronalen Aktivität76. Die ASL-Perfusions-MRT eignet sich auch ideal für pharmazeutische Studien in pädiatrischen Populationen, da sie eine absolute CBF-Quantifizierung ermöglicht, völlig nichtinvasiv ist und potenziell empfindlich auf das Ansprechen auf die Behandlung reagiert23. Im Gegensatz dazu neuroanatomisch definierte Messungen wie kortikale Dicke22,77,78 und FA leiten sich direkt von einer relevanten physikalischen Eigenschaft des abgebildeten Hirngewebes ab und können aufgrund von Intervention oder Training keine kurzfristigeren funktionellen Effekte erfassen. Die PTBP stellt die Machbarkeit der ASL-MRT in einer Altersspanne fest, in der sich das Gehirn schnell entwickelt und wenn frühe Anzeichen zukünftiger neuropsychiatrischer Störungen auftreten können. Dieses funktionelle quantitative Maß (im Vergleich zu den relativen Werten von BOLD) kann Veränderungen im Gehirn aufgrund von Verletzungen aufdecken79, Schmerz80, pharmakologische Intervention81,82 oder die sichtbaren strukturellen Veränderungen vorausgehen und auf eine kortikale Reorganisation hindeuten83. CBF ist eine wiederholbarere funktionelle Messung als BOLD84,85, kann in der Netzwerkanalyse anstelle von oder in Kombination mit BOLD86 verwendet werden und bietet eine einzigartige Sicht auf das Gehirn, die zu DTI und T1 komplementär ist.

Das M0-Bild jedes Probanden, das als Mittelwert der Kontrollbilder erhalten wurde, wurde mit dem T1-Bild des Probanden verzerrt antsIntermodalityIntrasubject.sh skript. Diese Transformationen wurden mit den Subjekt-zu-Vorlage-Transformationen verkettet, um die Vorlagenbeschriftungen in den nativen ASL-Bereich des Subjekts zu verzerren. Das M0-Bild diente als Referenz für die Bewegungskorrektur aller Zeitpunktvolumina. Zusätzlich zu den oben beschriebenen Bewegungs- und Störungsregressoren haben wir entweder das Tag- oder das Kontrolllabel des Bildes als Regressor aufgenommen, wobei der Koeffizient dieses Regressors der durchschnittlichen Differenz zwischen Tag und Kontrolle entspricht. Alle Regressoren wurden in ein robustes Regressionsschema für die CBF-Berechnung87 einbezogen. Die Gleichung für die CBF-Berechnung finden Sie in ref. 88 mit einer angenommenen Kennzeichnungseffizienz von 0,85. Vollständige Details sind im Open-Source-Skript unter https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh verfügbar (dies ist als Teil des Figshare-Repositorys verfügbar, Data Citation 1). Der Blut-T1-Wert wurde für Alter und Geschlecht als T1 = (2115,6–21,5 * Alter-73,3 * Geschlecht) ms angepasst, wobei das weibliche Geschlecht auf 0 und das männliche auf 1 gesetzt wurde, wie in Ref. 88.

Netzwerkanalyse mit ruhender Fettdruck-fMRT

Die Netzwerkanalyse kann mit einer von drei Arten von Eingangszeitreihendaten durchgeführt werden: Standard Fettdruck, ASL-Fettdruck oder ASL-CBF. Das ASL-CBF-Signal kann Vorteile gegenüber BOLD haben, insbesondere in den orbitofronalen und anterioren temporalen Regionen, in denen ein Standard-BOLD-Signalabbruch auftritt89,90. Da die ASL-CBF-Netzwerkanalyse jedoch relativ neu ist und wir andere Methoden zur Validierung von ASL-CBF haben, konzentrieren wir uns auf die Netzwerkanalyse unter Verwendung der Resting-BOLD-Modalität aus dem PTBP. Ziel ist es, Standardnetzwerkmessungen zu extrahieren, die zum Vergleich mit demografischen Merkmalen bewertet werden können, um die Gültigkeit der Erfassung und Verarbeitung zu ermitteln.

Wir stützen unsere Graphen- / Netzwerkkonstruktion auf die standardmäßigen AAL-Kortikaletiketten, die wir vom T1-Subjektraum in den BOLD-Raum transformieren. Wir ziehen es vor, die Analyse im Fettdruckbereich durchzuführen, um die mit der Interpolation und Neuabtastung von Bildern mit niedriger Auflösung verbundenen Verwirrungen zu minimieren, da diese die Ergebnisse motivabhängig verzerren können. Jedes FETTGEDRUCKTE Bild wird zunächst in Bezug auf die oben beschriebenen Baseline-Störparameter, d. h. Bewegungsparameter und CompCor-Singulärvektoren, residualisiert. Für jedes AAL-Label von Interesse (hier nur der Cortex, Labels 1-90) wird ein regionengemitteltes Zeitsignal berechnet. Jede Zeitreihe wird dann mit dem Christiano-Fitzgerald-filtering91 bandpassgefiltert, wie es von der R-Funktion cffilter im Paket mFilter implementiert ist, um einen für den spezifischen Datentyp geeigneten Frequenzbereich zu untersuchen. Für die Bandpassfilterung wählen wir den Frequenzbereich 0,01–0,1 Hz basierend auf früheren Arbeiten92 und auf vorläufigen Analysen der Netzwerkreproduzierbarkeit bei einigen Probanden. Die Netzwerkkomponente der Verarbeitungspipeline ist im ANTS/ANTsR-Skript antsBOLDNetworkAnalysis verfügbar.R, das davon ausgeht, dass Gehirnbeschriftungen und Bewegungsparameter verfügbar sind. Die primäre Ausgabe dieses Skripts, das unten bei der Datenprüfung verwendet wird, ist die N × N Pearson-Korrelationsmatrix, die durch die Korrelation zwischen den gefilterten Zeitsignalen für jede der N markierten Regionen definiert ist.