Este documento y todas las figuras excepto la Fig. 1 se generan sobre la marcha compilando el archivo de entrada a través de los intérpretes R y LaTeX utilizando el paquete knitr. Esto produce el pdf de salida junto con todas las cifras estadísticas y resúmenes demográficos cuantitativos.

Selección de cohortes

La muestra fue reclutada entre enero de 2010 y febrero de 2014. La selección general de cohortes buscó igualar la distribución demográfica de los niños de 7 a 18 años en los Estados Unidos, sobre la base de los datos del censo de los Estados Unidos, en términos de raza, etnia, género e ingresos familiares. Los datos fueron recolectados en un solo sitio, el Centro de Mapeo Cerebral Ahmanson-Lovelace de la UCLA, por el Laboratorio de Tecnología de Resonancia Magnética Funcional (LOFT, por sus siglas en inglés). En este estudio se inscribieron niños en desarrollo típicamente sanos entre 7 y 18 años de edad. Los criterios de exclusión se diseñaron para descartar a los niños: (1) con afecciones médicas diagnosticadas previamente (incluidos trastornos del desarrollo, neurológicos, psiquiátricos y de aprendizaje); (2) que cumplían los criterios para un trastorno de aprendizaje / psiquiátrico o una afección neurológica no diagnosticada previamente; (3) que hayan estado expuestos a condiciones ambientales que se sabe o es probable que afecten el desarrollo normal; (4) que no puedan someterse a una resonancia magnética; y 5) con un dominio limitado del inglés (ya que varias pruebas que se administrarían como parte de este estudio no estaban disponibles en otros idiomas que el inglés). La lista completa de criterios de exclusión se encuentra a continuación:

• Desarrollo & Trastornos médicos: Trastornos conocidos del desarrollo (Retraso del crecimiento, PKU, etc.).

• Discapacidad auditiva que requiere audífono.

• Discapacidad visual (estrabismo, discapacidad visual no corregible con gafas normales).

• Diabetes (tipo I, tratada con insulina).

• Enfermedad reumatológica sistémica (por ejemplo, glomerulonefritis, endocarditis).

• Neoplasia maligna sistémica que requiere quimioterapia- & Radioterapia en el SNC Defecto cardiaco congénito.

• Trastornos Neurológicos, trastornos Convulsivos.

• Infección del SNC (por ejemplo, meningitis).

• Tumor cerebral.

• Antecedentes de traumatismo craneal cerrado con pérdida de conciencia > 5 min.Distrofia muscular o distrofia miotónica.

• Trastornos Conductuales, Psiquiátricos, & Trastornos de Aprendizaje: Esquizofrenia, Trastorno del Espectro Autista, Trastornos Bipolares, Depresión Mayor Recurrente, Trastorno por Déficit de Atención con Hiperactividad (TDAH), Trastorno de Conducta, Trastorno de Tourette, Trastorno Obsesivo Complusivo (TOC), Drogodependencia.

• Puntuación de la subescala de la Lista de Comprobación del Comportamiento Infantil (CBCL) < 70.

• Clasificación de coeficiente intelectual < 80.

• Puntuación de logros > 2 días por debajo de las normas de edad.

• Trastorno del lenguaje actual / pasado (dislexia, tartamudez).

• colocación de educación Especial.

• Contraindicaciones de RMN: Implantes metálicos (brackets, pasadores) o fragmentos de metal, Marcapasos o implantes médicos electrónicos, claustrofobia, embarazo.

• dominio Limitado del inglés.

Se obtuvo el consentimiento informado por escrito para participar en el estudio y la divulgación pública de los datos de cada sujeto y sus padres de acuerdo con las pautas de la Junta de Revisión Institucional (IRB) de la Universidad de California en Los Ángeles (UCLA) antes de la evaluación del coeficiente intelectual y las exploraciones de RM.

Evaluación del comportamiento y el entorno

Evaluación psicométrica

Se administró a cada sujeto la Escala Abreviada de Inteligencia de Wechsler (WASI)30,31, lo que resultó en tres mediciones complementarias de CI: el Coeficiente Intelectual Verbal (Vocabulario, Similitudes), el Coeficiente Intelectual de Rendimiento (Razonamiento Matricial, Diseño de Bloques) y el Coeficiente Intelectual a Escala Completa. Las correlaciones entre el coeficiente intelectual a gran escala y el coeficiente intelectual verbal son de 0,89, entre el coeficiente intelectual a gran escala y el coeficiente intelectual de rendimiento son de 0,86 y entre el coeficiente intelectual de rendimiento y el coeficiente intelectual verbal son de 0,54.

La evaluación del nivel socioeconómico y antecedentes parentales

El ingreso familiar se cuantificó dentro de un rango autoinformado definido en USD. La distribución de la demografía básica de la cohorte se muestra en la Fig. 2. Los niveles de escolaridad paterna y materna se determinaron por años de escolaridad con, en esta cohorte, un mínimo de ocho años con varios sujetos con ≥20 años de escolaridad. Estos se tradujeron posteriormente en años de educación para ambos padres, cuando estaban disponibles. Los sujetos también proporcionaron puntajes de Escalera de autoinforme en las escalas de comunidad y SES. La escala comunitaria identifica la posición social percibida del sujeto dentro de su comunidad local. La escala-SES identifica la riqueza percibida del sujeto en relación con la sociedad en su conjunto. Ambas subescalas están en el rango de 1 a 6, donde los valores corresponden a los peldaños de la escalera.

Métodos de adquisición de imágenes

Todos los datos de resonancia magnética se adquirieron en un escáner Siemens 3 T TIM Trio utilizando la bobina de cabeza de 12 canales del producto.

Adquisición ponderada en T1

Las imágenes de Eco de Gradiente de Adquisición Rápida (MPRAGE) preparadas por magnetización se adquirieron utilizando una secuencia de recuperación de inversión 3D con TR / TE / TI=2,170/4.33/1,100 ms. La resolución es de 1×1×1 mm3 con un tamaño de matriz de 256×256×192. El ángulo de giro = 7° y el tiempo total de escaneo fue de 8: 08 min.

Flujo sanguíneo cerebral

Las imágenes marcadas con espín arterial pseudo continuo (pCASL) se adquirieron utilizando imágenes de eco plano de gradiente (EPI) con TR/TE=4.000 / 12 ms. La resolución es de 3,125×3,125×6 mm (5 mm con 1 mm de espacio) sobre una matriz de 64×64×24. se adquirieron 40 pares etiqueta / control. Se utilizó la adquisición parcialmente paralela de autocalibración generalizada (GRAPPA) con un factor de aceleración de 2. La duración del etiquetado fue de 1,5 s y el retraso posterior al etiquetado fue de 1,2 s. El tiempo total de obtención de imágenes fue de 5:30 min.

Adquisición de tensores de difusión

Las imágenes ponderadas por difusión se adquirieron con un solo disparo de corte múltiple utilizando EPI de eco-espín con TR/TE=9.500 / 87 ms. Se adquirió un solo volumen b=0 a lo largo de las imágenes ponderadas por difusión para 30 direcciones con valor b=1.000. La resolución es de 2×2×2 mm con un tamaño de matriz de 128×128×75 voxels. El ángulo de giro = 90°.

Adquisición en negrita

Las imágenes dependientes del nivel de oxígeno en sangre (NEGRITA) se adquirieron en estado de reposo utilizando EPI 2D con TR/TE=2.000/27 ms. La resolución es de 4×4×4 mm sobre una matriz de 64×64×25 y se adquirieron hasta 244 puntos de tiempo. El ángulo de giro=80°. Se requería que los sujetos se relajaran tranquilamente mientras miraban un punto de fijación.

Métodos de procesamiento de imágenes

Empleamos Herramientas de normalización avanzadas con R (ANTsR) http://stnava.github.io/ANTsR/ para verificar, organizar y ensamblar un archivo de base de datos de múltiples modalidades que resume el rango de mediciones disponibles en el PTBP. Todos los scripts y el código fuente están disponibles en ANTsR y sus dependencias.

ANTsR (answer) es un marco de análisis de ciencia abierta que busca habilitar estudios biomédicos predictivos que integren modalidades de imagen con otros datos. ANTsR resuelve las necesidades estadísticas con R, el lenguaje de computación estadística, mientras utiliza un núcleo ANTs para el registro de imágenes, la segmentación y la construcción de plantillas 32-36. Este marco es únicamente de propósito general, ya que no hace suposiciones sobre el contenido de la imagen o los sistemas de órganos a los que se aplica y es apropiado para datos N-dimensionales (2-D, 3-D, 4-D). Como evidencia de esta generalidad, ANTsR tools ganó dos concursos de registro independientes, uno en MRI37 cerebral y otro en CT38 pulmonar. Además, ANTsR es fundamental para uno de los principales métodos de fusión de etiquetas conjuntas (segmentación multi atlas) disponibles actualmente para el etiquetado anatómico automatizado 39 y recientemente ganó concursos abiertos en segmentación/predicción, BRATS 2013 en MICCAI 2013 (ref. 40) y los desafíos de SATA en MICCAI 2012 y MICCAI 2013, este último de los cuales empleó varias modalidades a través de especies y sistemas de órganos. Al mismo tiempo, el marco es personalizable de modo que se puede usar para resolver problemas de análisis específicos incorporando conocimientos previos. Describimos, a continuación, cómo empleamos ANTsR para: (1) proporcionar una plantilla de población multicanal representativa de las modalidades disponibles en PTBP; (2) verificar la calidad de los datos y la validez de las decisiones de procesamiento en cada modalidad; (3) calcular mediciones de resumen que permitan a los bioestadísticos y otros investigadores un fácil acceso a los datos PTBP sin la carga del procesamiento de imágenes a gran escala. En la siguiente sección, informaremos de las medidas clave de resumen que sirven para respaldar la validez de la adquisición y el procesamiento posterior. Todo el software utilizado para lograr estos resultados está a disposición del público, con importantes esfuerzos realizados para documentar tanto casos de uso de alto nivel como herramientas individuales. La publicación de flujos de datos y de posprocesamiento, en conjunto, constituye un enfoque de ciencia abierta cada vez más reconocido como crítico para el avance de la ciencia41–43.

Plantilla de población de modalidad múltiple

Normalizar las imágenes a un sistema de coordenadas estándar reduce la variabilidad entre sujetos en los estudios de población, permite comparar las coordenadas entre estudios y permite emplear técnicas de segmentación / etiquetado basadas en anteriores. Estos últimos son importantes para la segmentación de tejidos, la extracción cerebral, la parcelación cortical y los estudios de conectividad funcional o estructural. Existen varios enfoques para determinar el espacio normalizado, como la selección de una plantilla preexistente basada en un solo sujeto, por ejemplo, el Talairach atlas44, o un grupo de sujetos promediados disponibles públicamente, por ejemplo, las plantillas MNI45 o ICBM46. Empleamos el método de normalización de grupos simétricos (SyGN)de ref. 47 que modela explícitamente el componente geométrico del espacio normalizado durante la optimización para producir imágenes cerebrales que representan a la población en estudio en términos tanto de la forma de la anatomía como de la apariencia de la anatomía. El acoplamiento de la simetría intrínseca del registro en pares syn33 y el promedio optimizado basado en formas de SyGN de la apariencia de la plantilla conduce a un marco poderoso para estudios de imágenes específicos de la población en todas las modalidades y especies47-51. Logramos esta generalidad de aplicación almacenando información previa específica de la población dentro del espacio de la plantilla para ayudar con la extracción cerebral u otros pasos de cuantificación.

Tradicionalmente, este enfoque se utilizaba para modalidades únicas, pero, más recientemente, se amplía para múltiples modalidades a través de plantillas específicas de cohorte que capturan la forma y apariencia promedio de T1, DTI e imágenes funcionales, como en las referencias 25, 32, 49, 52. Algunas de estas plantillas se han publicado para uso público29 e incluyen promedios de población con variación en función de la edad y la modalidad. Si bien estos recursos son valiosos, seguimos la filosofía de construir una plantilla específica para la población para el PTBP y sus modalidades, de manera que aprovechemos la última metodología de registro de imágenes.

Nuestro procedimiento de construcción de plantillas primero construye una imagen cerebral T1 promedio de la población completa (n=119). A continuación,extraemos el cerebro de la plantilla basado en el etiquetado de múltiples plantillas 39, 53, actualmente el estado de la técnica para el etiquetado automatizado. Utilizando un procedimiento similar, generamos antecedentes probabilísticos de tejido / estructura para cada uno de los 6 tejidos de interés: corteza, materia gris profunda, líquido cefalorraquídeo, materia blanca y cerebelo. Hay disponible un resumen del procedimiento de creación de plantillas, con dos conjuntos de datos de ejemplo, en https://github.com/ntustison/TemplateBuildingExample (este es un ejemplo de uso pedagógico, no un conjunto de datos archivado o un software publicado). Los mismos métodos construyeron las plantillas disponibles en ref. 29 que utilizamos como punto de partida para la generación previa de tejidos personalizados PTBP. Una vez completada la imagen media y los antecedentes (archivo PTBP.zip), se pueden transferir todos los datos mediante un pequeño registro de deformación al espacio MNI estándar 54 (archivo PTBP_MNI.Postal).

Procesamiento basado en plantillas de imágenes T1 de sujetos individuales

Una descripción general de la tubería estructural basada en hormigas está disponible en ref. 29. Con una plantilla T1 finalizada, podemos segmentar y procesar los datos T1 individuales. Posteriormente procesamos modalidades individuales que incluyen DTI, ASL y BOLD. Finalmente, generamos las transformaciones geométricas de las modalidades de acompañamiento a la imagen anatómica del núcleo T1, así como el espacio de la plantilla. Logramos esto después de que se procese el conjunto de datos de modalidad múltiple completo, como se describe a continuación. En total, los pasos necesarios para procesar un conjunto de datos de modalidad múltiple individual se detallan aquí http://jeffduda.github.io/NeuroBattery/, junto con un conjunto de datos y una plantilla de ejemplo que se pueden usar para verificar la reproducibilidad del procedimiento. Esto se repite para cada individuo en una población. Ahora proporcionamos una descripción general de los pasos de procesamiento para T1 y luego para cada modalidad. En la Figura 1 se resume todo el proceso.

Extracción cerebral T1

Extracción cerebral usando HORMIGAS combina antecedentes de plantilla, registro de imágenes cerebrales de alto rendimiento 33 y Atropos32 con refinamientos topológicos basados en morfología matemática, como se describe en ref. 29 y aplicadas en antsBrainExtraction.sh. Un caso de uso de ejemplo está aquí https://github.com/ntustison/antsBrainExtractionExample(este es un ejemplo de uso pedagógico, no un conjunto de datos archivado o un software publicado). En resumen, en esta etapa, utilizamos un registro grueso y relativamente rápido para calcular una deformación entre la imagen de cabeza completa de la plantilla y el tema de interés. Esto nos permite deformar una extracción cerebral probabilística de la plantilla al espacio del sujeto. El mapa de probabilidad de la plantilla deformada se trilla en 0,5 y la máscara resultante se dilata con un radio de 2. Atropos se utiliza para generar una estimación inicial de segmentación de 3 tejidos dentro de la región de la máscara. Cada una de las tres máscaras de tejido se somete a operaciones morfológicas específicas que luego se combinan para crear una máscara de extracción cerebral para su uso en el resto del flujo de trabajo de espesor cortical. Una comparación utilizando datos cerebrales de acceso abierto con algoritmos de extracción cerebral disponibles públicamente, incluidos 3dIntracranial55 de AFNI, BET2 de FSL (ref. 56), mri_watershed57 de Freesurfer y BrainSuite58 demostraron que nuestro enfoque de registro/segmentación combinado47 funciona en el nivel superior junto con BrainSuite (afinado) y FreeSurfer.

Segmentación de seis tejidos

Nuestro procedimiento de segmentación aprovecha dos métodos que se guían por antecedentes anatómicos y que trabajan en conjunto para parcelar el cerebro en seis clases anatómicas / de tejidos: líquido cefalorraquídeo, materia gris cortical, materia gris profunda, materia blanca, tronco encefálico y cerebelo. Estos antecedentes de tejido se mapean primero en el espacio del sujeto realizando un registro SyN de gran deformación entre el cerebro de plantilla y el cerebro del sujeto individual, como en las referencias 37, 42, 59. Los priores de plantilla deformados se utilizan para guiar la segmentación de maximización de expectativas (EM) (segmentación basada en prior de atropos32) alternada con la corrección de la falta de homogeneidad a través del algoritmo de corrección de campo sesgado N434. El nombre N4 deriva del hecho de que es una mejora en el clásico algoritmo N360. Atropos se refiere a una figura de la mitología griega que blandía «tijeras del destino»; en el caso de la segmentación, las tijeras se refieren a dividir la imagen en partes. Debido a la importante interacción entre la segmentación y la corrección de sesgos, realizamos múltiples iteraciones N4 At Atropos. Para integrar mejor Atropos y N4, utilizamos una máscara de peso de probabilidad de tejido pura generada a partir de las probabilidades posteriores generadas a partir del proceso de segmentación. Este procedimiento se describe con más detalle en las referencias 29 y 32. Un ejemplo reproducible de conjunto de datos de segmentación y línea de comandos para el método ANTs antsAtroposN4.sh está aquí https://github.com/ntustison/antsAtroposN4Example(este es un ejemplo de uso pedagógico, no un conjunto de datos archivado o un software publicado).

Estimación de espesor cortical directa (también conocida como KellySlater/KellyKapowski)

La segmentación cerebral nos permite calcular el espesor cortical a través del algoritmo de Espesor Cortical basado en Registro Difeomórfico (directo). DiReCT se introdujo en ref. 61 y disponible en hormigas con el programa KellySlater. Desde entonces, se han realizado varias mejoras que se han incorporado al programa KellyKapowski, en particular, la determinación de un conjunto de parámetros automatizado basado en una amplia experimentación y comparación con los valores de espesor cortical de referencia disponibles en la literatura. Es importante destacar que recientemente demostramos que estos métodos superan al paquete freesurfer62 en términos de extracción de información del grosor cortical que es predictiva del género y la edad en una gran colección de neuroimágenes a lo largo de la vida útil 29. Entre los avances más significativos se encuentra que la implementación más reciente es multihilo, escrita en un riguroso estilo de codificación ITK, y se ha puesto a disposición del público a través de ANTs, con un diseño de interfaz de usuario único desarrollado específicamente para las herramientas ANTs. Un caso de uso de ejemplo con datos bidimensionales de referencia se encuentra en https://github.com/ntustison/antsCorticalThicknessExample (este es un ejemplo de uso pedagógico, no un conjunto de datos archivado o un software publicado). En última instancia, el algoritmo directo produce una imagen, en el espacio T1 del sujeto, que contiene mediciones de espesor cortical en vóxeles que son apropiadas para su uso en estudios estadísticos basados en vóxeles o basados en regiones, como en las referencias 50, 63-65.

Etiquetado cerebral regional con etiquetas AAL

El paso final de nuestra tubería T1 consiste en producir mediciones resumidas del volumen cerebral general, la segmentación de seis tejidos y el grosor cortical regional y lobar. Empleamos el juego de etiquetas AAL ampliamente utilizado para este proposito66. Estas etiquetas se transforman de nuestro espacio de plantilla de grupo de alta resolución al espacio de sujeto individual siguiendo el inverso de la asignación difeomórfica de la plantilla. AAL contiene estructuras regionales estándar de la corteza, el cerebelo y la materia gris profunda, incluyendo el putamen, el tálamo, el hipocampo y el caudado. Para cada tema que procesamos, medimos estos volúmenes y el grosor promedio regional produciendo una sola fila de información que finalmente se ingresa en un archivo demográfico resumido. Esto se utiliza no solo para realizar estudios de variables de cohorte, sino también para verificar los datos iniciales, es decir, identificar a los sujetos con valores atípicos globales o regionales con respecto a los valores de referencia conocidos.

Procesamiento de DTI

Nuestro procedimiento para analizar DTI con hormigas fue validado en ref. 67. En resumen, hemos desarrollado una tubería de procesamiento automatizado para imágenes de difusión utilizando las herramientas de código abierto Camino68 y ANTs, que proporciona procesamiento previo, extracción cerebral, cálculo de tensores de difusión y normalización para el espacio de plantilla, así como imágenes de diagnóstico en el espacio del sujeto para ayudar al control de calidad, incluida la anisotropía fraccionada, el DWI corregido promedio y la varianza de ruido. El núcleo del método es, en primer lugar, procesar los datos en el espacio DWI y, posteriormente, transformar los datos en un espacio de plantilla T1 individual o grupal.

El primer paso en el procesamiento DTI es realizar la corrección de movimiento y distorsión de las imágenes ponderadas por difusión. La primera imagen no ponderada en la secuencia de difusión se utiliza como imagen de referencia para la corrección de movimiento y distorsión. Las imágenes no ponderadas restantes están rígidamente alineadas con la imagen de referencia y promediadas; esta imagen promedio se utiliza como imagen de referencia para la corrección afín de las imágenes ponderadas por difusión (DWI) para el movimiento y la distorsión causados por los gradientes de ponderación de difusión. Una máscara cerebral se calcula alineando el DWI promedio con una plantilla y deformando la máscara cerebral de la plantilla en el espacio del sujeto. El procesamiento continúa en la imagen extraída del cerebro. Los tensores de difusión se calculan utilizando un algoritmo de mínimos cuadrados lineales ponderados iterativos69.

Los DTI transformados se deforman en el espacio de plantilla combinando el DWI intra-sujeto a deformación T1 con la deformación definida previamente para normalizar la imagen T1 del sujeto al espacio de plantilla. La orientación anatómica correcta de los tensores de difusión se conserva aplicando el método de preservación de la dirección principal70, y las estadísticas escalares como la FA y la difusividad media se calculan a partir de los tensores de difusión normalizados.

Estimación de variables molestas en imágenes funcionales

Son comunes varios pasos para procesar la RM funcional en NEGRITA o ASL. Estos incluyen extracción cerebral, corrección de movimiento y estimación de variables molestas. En los últimos uno o dos años, introdujimos métodos en ANTs para estimar estos parámetros a partir de datos de series temporales 4D. La corrección de movimiento es realizada por el programa antsMotionCorr en Hormigas que utiliza una métrica de similitud de información mutua y un optimizador de gradiente conjugado no lineal para maximizar la similitud afín o Rígida entre cada imagen en una serie temporal y una imagen de referencia específica de secuencia. Estos métodos se basan en la revisión de Insight Toolkit versión 4, como se describe en ref. 71. Los parámetros de movimiento para cada período de tiempo se escriben en un archivo CSV de modo que puedan resumirse y posiblemente utilizarse como variables molestas dentro de las estadísticas a nivel de población72. Hacemos diferentes elecciones de imagen de referencia para cada modalidad. Para NEGRITA, elegimos la imagen promedio de la serie de tiempo completo. Para CASL y pCASL, elegimos la imagen etiquetada de control promedio. Para PASL, utilizamos la imagen M0 adquirida. Una máscara cerebral se calcula mediante un procedimiento de morfología simple (erosión morfológica seguida de selección de componentes más grandes y dilatación morfológica) o alineando la imagen de corrección de movimiento de referencia a una plantilla específica de secuencia y deformando la máscara cerebral de plantilla en el espacio del sujeto. Para el PTBP, utilizamos el último enfoque.

La segunda molestia mayor, más allá del movimiento, es el ruido fisiológico73–75. Si bien se deben seleccionar los parámetros de molestia óptimos para cada estudio y en función de la calidad de los datos, elegimos utilizar el enfoque CompCor automático y basado en datos 75, que se validó en ASL y NEGRITA y no se basa en la segmentación anatómica. El enfoque realiza la descomposición de valores singulares en vóxeles de alta varianza temporal y utiliza (típicamente de 3 a 6) vectores singulares como regresores molestos. Se demostró que estos regresores capturaban el movimiento fisiológico, el ruido del escáner y otros factores que no están relacionados con el flujo sanguíneo cerebral o la activación AUDAZ. Aquí se muestran la corrección de movimiento y la estimación de CompCor con ANTs https://github.com/stnava/fMRIANTs (este es un ejemplo de uso pedagógico, no un conjunto de datos archivado o un software publicado).

El flujo sanguíneo cerebral (FSC) de la LSA

La perfusión parenquimatosa es un parámetro fisiológico importante en la evaluación y el manejo de los trastornos cerebrales, así como un índice subrogado de actividad neural76. La resonancia magnética de perfusión de LSA también es ideal para ensayos farmacéuticos en poblaciones pediátricas, ya que permite la cuantificación absoluta del FBC, es totalmente no invasiva y es potencialmente sensible a la respuesta al tratamiento23. Por el contrario, las mediciones definidas neuroanatómicamente,como el grosor cortical22,77, 78 y el AF, se derivan directamente de una propiedad física relevante del tejido cerebral fotografiado y pueden no capturar los efectos funcionales a corto plazo debido a la intervención o el entrenamiento. El PTBP establece la viabilidad de ASL-MRI en un rango de edad durante el cual el cerebro se está desarrollando rápidamente y cuando pueden surgir signos tempranos de trastornos neuropsiquiátricos futuros. Esta medida cuantitativa funcional (frente a los valores relativos proporcionados por BOLD) tiene el potencial de revelar alteraciones en el cerebro debidas a lesión79, dolor80, intervención farmacológica81,82 o que preceden a un cambio estructural visible y pueden indicar una reorganización cortica83. El CBF es una medición funcional más repetible que BOLD84,85, se puede usar en el análisis de redes en lugar de BOLD86 o en combinación con BOLD85 y proporciona una vista única del cerebro complementaria a DTI y T1.

La imagen M0 de cada sujeto, obtenida como la media de las imágenes de control, se deformó a la imagen T1 del sujeto utilizando el antsIntermodalityIntrasubject.sh guión. Estas transformaciones se concatenaron con las transformaciones de sujeto a plantilla para deformar las etiquetas de plantilla al espacio ASL nativo del sujeto. La imagen M0 sirvió como referencia para la corrección de movimiento de todos los volúmenes de puntos de tiempo. Además de los regresores de movimiento y molestias descritos anteriormente, incluimos la etiqueta o la etiqueta de control de la imagen como un regresor, con el coeficiente de ese regresor correspondiente a la diferencia promedio entre la etiqueta y el control. Todos los regresores se incluyeron en un esquema de regresión robusto para el cálculo de CBF87. La ecuación para el cálculo de CBF se puede encontrar en ref. 88 con una eficiencia de etiquetado asumida de 0,85. Los detalles completos están disponibles en el script de código abierto en https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (esto está disponible como parte del repositorio Figshare, Data Citation 1). El valor de T1 en sangre se ajustó por edad y sexo como T1=(2115,6–21,5*edad-73,3*sexo) em, donde el sexo femenino se fijó en 0 y el masculino en 1, como se sugiere en el ref. 88.

Análisis de red con fMRI en negrita en reposo

El análisis de red se puede realizar con cualquiera de los tres tipos de datos de series temporales de entrada: negrita estándar, ASL-NEGRITA o ASL-CBF. La señal ASL-CBF puede tener ventajas sobre la señal BOLD, particularmente en las regiones orbitofronales y temporales anteriores, donde se produce el abandono de la señal BOLD estándar 89,90. Sin embargo, como el análisis de red ASL-CBF es relativamente nuevo y tenemos otros métodos de validación de ASL-CBF, nos enfocamos en el análisis de red utilizando la modalidad de reposo en negrita del PTBP. El objetivo es extraer mediciones de red estándar que puedan evaluarse para compararlas con datos demográficos para ayudar a establecer la validez de la adquisición y el procesamiento.

Basamos nuestra construcción de grafos / redes en las etiquetas corticales AAL estándar que transformamos del espacio sujeto T1 al espacio en NEGRITA. Preferimos realizar análisis en el espacio en negrita para minimizar los confusos asociados con la interpolación y el remuestreo de imágenes de baja resolución, ya que pueden sesgar los resultados de una manera dependiente del sujeto. Cada imagen EN negrita se residualiza primero con respecto a los parámetros de molestia de línea de base descritos anteriormente, es decir, parámetros de movimiento y vectores singulares de CompCor. Para cada etiqueta AAL de interés (aquí solo la corteza, etiquetas 1-90), se calcula una señal de tiempo promedio de región. A continuación, cada serie temporal se filtra mediante paso de banda utilizando el filtro Christiano-Fitzgerald91, implementado por la función R cffilter en el mFilter de paquete, para examinar un rango de frecuencias apropiado para el tipo de datos específico. Para el filtrado de paso de banda, seleccionamos el rango de frecuencias 0,01-0,1 Hz en base a trabajos anteriores92 y a análisis preliminares, en algunos sujetos, de la reproducibilidad de la red. El componente de red de la canalización de procesamiento está disponible en el script ANTs/ANTsR antsBOLDNetworkAnalysis.R que asume que las etiquetas cerebrales y los parámetros de movimiento están disponibles. La salida principal de este script utilizado en la comprobación de datos, a continuación, es la matriz de correlación de Pearson N×N definida por la correlación entre las señales de tiempo filtradas para cada una de las N regiones etiquetadas.