Gli ingressi e le uscite della pipeline di elaborazione in modalità multipla. Il modello T1 media della popolazione è mostrato in alto a destra. Le etichette AAL sono mappate a ciascuna modalità e, insieme alla segmentazione a 6 tessuti, utilizzate per aiutare a calcolare le misurazioni di riepilogo per tutte le modalità e per la previsione multivariata.

Selezione di coorte

Il campione è stato reclutato tra gennaio 2010 e febbraio 2014. La selezione complessiva della coorte ha cercato di abbinare la distribuzione demografica dei bambini di età compresa tra 7 e 18 anni negli Stati Uniti, sulla base dei dati del censimento degli Stati Uniti, in termini di razza, etnia, sesso e reddito familiare. I dati sono stati raccolti in un unico sito, l’Ahmanson-Lovelace Brain Mapping Center dell’UCLA, dal Laboratorio di tecnologia MRI funzionale (LOFT). In questo studio sono stati arruolati bambini in via di sviluppo tipicamente sani di età compresa tra 7 e 18 anni. I criteri di esclusione sono stati progettati per escludere i bambini: (1) con condizioni mediche precedentemente diagnosticate (inclusi disturbi dello sviluppo, neurologici, psichiatrici e di apprendimento); (2) che hanno soddisfatto i criteri per un disturbo di apprendimento/psichiatrico o una condizione neurologica non precedentemente diagnosticata; (3) che erano stati esposti a condizioni ambientali note, o probabili, per influenzare lo sviluppo normale; (4) che non possono sottoporsi a una scansione MRI; e 5) con conoscenza della lingua inglese limitata (come diversi test da somministrare come parte di questo studio non erano disponibili in lingue diverse dall’inglese). L’elenco completo dei criteri di esclusione è riportato di seguito:

• Developmental & Disturbi medici: disturbo dello sviluppo noto (mancata crescita, PKU ecc.).

• Problemi di udito che richiedono apparecchi acustici.

• Disabilità visiva (strabismo, handicap visivo non correggibile con occhiali normali).

• Diabete (tipo I, trattato con insulina).

• Malattia reumatologica sistemica (ad esempio, glomerulonefrite, endocardite).

• Malignità sistemica che richiede chemio -& Radioterapia del SNC Difetto cardiaco congenito.

• Disturbi neurologici, disturbi convulsivi.

• Infezione del SNC (ad esempio, meningite).

• Tumore al cervello.

• Storia di trauma cranico chiuso con perdita di coscienza > 5 min.

• Distrofia muscolare o distrofia miotonica.

• Comportamentale, psichiatrico, & Disturbi dell’apprendimento: Schizofrenia, Disturbo dello spettro autistico, disturbi bipolari, Depressione maggiore ricorrente, Disturbo da deficit di attenzione e iperattività (ADHD), Disturbo della condotta, Disturbo di Tourette, Disturbo ossessivo-compulsivo (OCD), Tossicodipendenza.

• Child Behavior Checklist (CBCL) subscale score<70.

• Valutazione IQ < 80.

• Punteggio di realizzazione > 2 s.d. sotto le norme di età.

• Disturbo del linguaggio corrente / passato (dislessia, balbuzie).

• Collocamento di istruzione speciale.

• Controindicazioni MRI: impianti metallici (bretelle, perni) o frammenti metallici, Pacemaker o impianti medici elettronici, claustrofobia, gravidanza.

• Conoscenza della lingua inglese limitata.

Il consenso informato scritto a partecipare allo studio e al rilascio pubblico dei dati è stato ottenuto da ciascun soggetto e dai loro genitori secondo le linee guida dell’Institutional Review Board (IRB) dell’Università della California Los Angeles (UCLA) prima della valutazione del QI e delle scansioni MR.

Valutazione del comportamento e dell’ambiente

Valutazione psicometrica

La Wechsler Abbreviated Scale of Intelligence (WASI)30,31 è stata somministrata a ciascun soggetto con conseguente tre misurazioni complementari del QI: il QI Verbale (Vocabolario, Similarità), il QI delle prestazioni (Ragionamento a matrice, disegno a blocchi) e il QI a fondo scala. Le correlazioni tra il QI a fondo scala e il QI verbale sono 0,89, tra il QI a fondo scala e il QI delle prestazioni è 0,86 e tra il QI delle prestazioni e il QI verbale è 0,54.

La valutazione dello stato socioeconomico e del contesto genitoriale

Il reddito familiare è stato quantificato all’interno di un intervallo auto-segnalato definito in USD. La distribuzione dei dati demografici di base della coorte è mostrata in Fig. 2. I livelli di istruzione paterna e materna sono stati determinati da anni di istruzione con, in questa coorte, un minimo di otto anni con diversi soggetti che hanno ≥20 anni di istruzione. Questi sono stati successivamente tradotti in anni di istruzione per entrambi i genitori, quando disponibili. I soggetti hanno anche fornito punteggi Ladder self-report su entrambe le scale community e SES. La scala comunitaria identifica la posizione sociale percepita del soggetto all’interno della propria comunità locale. La Scala identifica la ricchezza percepita del soggetto rispetto alla società nel suo complesso. Entrambe le sotto-scale sono nell’intervallo da 1 a 6 dove i valori corrispondono ai gradini della scala.

Metodi di acquisizione delle immagini

Tutti i dati MRI sono stati acquisiti su uno scanner Siemens 3 T TIM Trio utilizzando il prodotto 12 channel head coil.

Acquisizione ponderata T1

Le immagini Rapid Acquisition Gradient Echo (MPRAGE) preparate con magnetizzazione sono state acquisite utilizzando una sequenza di recupero di inversione 3D con TR/TE / TI=2,170/4.33/1,100 ms. La risoluzione è 1×1×1 mm3 con una dimensione della matrice di 256×256×192. L’angolo di rotazione=7° e il tempo di scansione totale era di 8: 08 min.

Flusso sanguigno cerebrale

Le immagini pseudo-continue arterial spin etichettate (pCASL) sono state acquisite utilizzando l’imaging eco-planare a gradiente (EPI) con TR/TE=4.000 / 12 ms. La risoluzione è 3,125×3,125×6 mm (5 mm con 1 mm di spazio) su una matrice 64×64×24. Sono state acquisite 40 coppie etichetta / controllo. L’acquisizione parzialmente parallela autocalibrante generalizzata (GRAPPA) è stata utilizzata con un fattore di accelerazione di 2. La durata dell’etichettatura è stata di 1,5 s e il ritardo post-etichettatura è stato di 1,2 s. Il tempo totale di imaging è stato di 5: 30 min.

Acquisizione del tensore di diffusione

Le immagini ponderate per diffusione sono state acquisite con multi-slice a scatto singolo utilizzando spin-echo EPI con TR/TE=9.500 / 87 ms. Un singolo volume b=0 è stato acquisito lungo le immagini ponderate per diffusione per 30 direzioni con valore b=1.000. La risoluzione è 2×2×2 mm con una dimensione della matrice di 128×128×75 voxel. L’angolo di vibrazione=90°.

Acquisizione in GRASSETTO

Le immagini dipendenti dal livello di ossigeno nel sangue (in GRASSETTO) sono state acquisite nello stato di riposo utilizzando EPI 2D con TR/TE=2.000 / 27 ms. La risoluzione è 4×4×4 mm su una matrice 64×64×25 e sono stati acquisiti fino a 244 punti temporali. L’angolo di vibrazione=80°. I soggetti erano tenuti a rilassarsi tranquillamente mentre guardavano un punto di fissazione.

Metodi di elaborazione delle immagini

Utilizziamo strumenti di normalizzazione avanzati con R (ANTsR)http://stnava.github.io/ANTsR/ per controllare, organizzare e assemblare un file di database di modalità multiple che riassume la gamma di misure disponibili nel PTBP. Tutti gli script e il codice sorgente sono disponibili in ANTsR e le sue dipendenze.

ANTsR (answer) è un framework di analisi open-science che cerca di abilitare studi biomedici predittivi che integrano le modalità di imaging con altri dati. ANTsR risolve le esigenze statistiche con R, il linguaggio di calcolo statistico, mentre utilizza un nucleo ANTs per la registrazione delle immagini, la segmentazione e la costruzione di modelli32–36. Questo framework è unicamente di uso generale in quanto non fa ipotesi sul contenuto dell’immagine o sui sistemi di organi a cui è applicato ed è appropriato per i dati N-dimensionali (2-D, 3-D, 4-D). Come prova di questa generalità, ANTsR tools ha vinto due concorsi di registrazione indipendenti, uno in brain MRI37 e uno in lung CT38. Inoltre, ANTsR è strumentale a uno dei principali metodi di fusione di etichette congiunte (segmentazione multi-atlas) attualmente disponibili per l’etichettatura anatomica automatizzata39 e ha recentemente vinto concorsi aperti in segmentazione / previsione, BRATS 2013 al MICCAI 2013 (ref. 40) e le sfide SATA a MICCAI 2012 e MICCAI 2013, l’ultimo dei quali ha impiegato diverse modalità tra specie e sistemi di organi. Allo stesso tempo, il framework è personalizzabile in modo tale da poter essere utilizzato per risolvere specifici problemi di analisi incorporando conoscenze preliminari. Descriviamo, di seguito, come impieghiamo ANTsR per: (1) fornire un modello di popolazione multicanale rappresentativo delle modalità disponibili in PTBP; (2) verificare la qualità dei dati e la validità delle decisioni di elaborazione in ciascuna modalità; (3) calcolare misurazioni sommarie che consentano ai biostatisti e ad altri ricercatori un facile accesso ai dati PTBP senza oneri di elaborazione di immagini su larga scala. Nella sezione seguente, riporteremo le principali misure di riepilogo che servono a supportare la validità sia dell’acquisizione che della post-elaborazione. Tutto il software utilizzato per ottenere questi risultati è disponibile al pubblico con sforzi significativi fatti per documentare sia casi d’uso di alto livello che singoli strumenti. Il rilascio di dati e flussi di post-elaborazione, insieme, costituisce un approccio open–science sempre più riconosciuto come fondamentale per il progresso della scienza41-43.

Modello di popolazione a modalità multipla

La normalizzazione delle immagini in un sistema di coordinate standard riduce la variabilità intersoggettiva negli studi di popolazione, consente di confrontare le coordinate tra gli studi e consente di impiegare tecniche di segmentazione / etichettatura basate su precedenti. Questi ultimi sono importanti per la segmentazione dei tessuti, l’estrazione del cervello, la parcellazione corticale e gli studi di connettività funzionale o strutturale. Esistono vari approcci per determinare lo spazio normalizzato come la selezione di un modello preesistente basato su un singolo soggetto, ad esempio il Talairach atlas44, o un gruppo di soggetti medi disponibili pubblicamente, ad esempio i modelli MNI45 o ICBM46. Utilizziamo il metodo di normalizzazione simmetrico groupwise (SyGN) di ref. 47 che modella esplicitamente la componente geometrica dello spazio normalizzato durante l’ottimizzazione per produrre immagini cerebrali che rappresentano la popolazione in studio sia in termini di forma dell’anatomia che di aspetto dell’anatomia. L’accoppiamento tra la simmetria intrinseca della registrazione a coppie syn33 e la media ottimizzata basata sulla forma dell’aspetto del modello di SyGN porta a un potente framework per studi di imaging specifici della popolazione in modalità e specie47-51. Raggiungiamo questa generalità di applicazione memorizzando informazioni preliminari specifiche per la popolazione all’interno dello spazio del modello per aiutare con l’estrazione del cervello o altre fasi di quantificazione.

Tradizionalmente, questo approccio è stato utilizzato per singole modalità, ma, più recentemente, è esteso per più modalità tramite modelli specifici di coorte che catturano la forma media e l’aspetto di T1, DTI e immagini funzionali, come in refs 25, 32, 49, 52. Alcuni di questi modelli sono stati rilasciati per uso pubblico29 e includono medie di popolazione con variazioni sia per età che per modalità. Sebbene queste risorse siano di valore, seguiamo la filosofia di costruire un modello specifico per la popolazione per il PTBP e le sue modalità in modo tale da sfruttare la più recente metodologia di registrazione delle immagini.

La nostra procedura di costruzione del modello prima costruisce un’immagine media del cervello T1 dall’intera popolazione (n=119). Abbiamo quindi estrarre il cervello modello basato su multi-template labeling39, 53, attualmente lo stato-of-the-art per l’etichettatura automatica. Utilizzando una procedura simile, generiamo priori probabilistici di tessuto / struttura per ciascuno dei 6 tessuti di interesse: corteccia, materia grigia profonda, liquido cerebrospinale, materia bianca e il cervelletto. Un riepilogo della procedura di creazione del modello è disponibile, con due set di dati di esempio, in https://github.com/ntustison/TemplateBuildingExample (questo è un esempio di utilizzo pedagogico, non un set di dati archiviato o un software pubblicato). Gli stessi metodi hanno costruito i modelli disponibili al ref. 29 che abbiamo usato come punto di partenza per la generazione precedente del tessuto personalizzato PTBP. Una volta che l’immagine media e priori sono stati completati (file PTBP.zip), si può trasferire tutti i dati da una piccola registrazione deformazione nello standard MNI space54 (file PTBP_MNI.zip).

Elaborazione basata su template di singole immagini T1

Una panoramica della pipeline strutturale basata su ANTs è disponibile in ref. 29. Dato un modello T1 finalizzato, siamo in grado di segmentare ed elaborare i singoli dati T1. Successivamente elaboriamo le singole modalità tra cui DTI, ASL e BOLD. Infine, generiamo le trasformazioni geometriche dalle modalità companion all’immagine anatomica core T1 e allo spazio template. Raggiungiamo questo obiettivo dopo che il set di dati completo di modalità multipla è stato elaborato, come descritto di seguito. In totale, i passaggi necessari per l’elaborazione di un singolo set di dati di modalità multipla sono dettagliati qui http://jeffduda.github.io/NeuroBattery/, insieme a un set di dati e un modello di esempio che possono essere utilizzati per verificare la riproducibilità della procedura. Questo si ripete per ogni individuo in una popolazione. Ora forniamo una panoramica delle fasi di elaborazione per T1 e quindi per ogni modalità. Figura 1 riassume la pipeline completa.

T1 brain extraction

Brain extraction using ANTs combina priori di template, registrazione di immagini cerebrali ad alte prestazioni33 e Atropos32 con perfezionamenti topologici basati sulla morfologia matematica, come descritto in ref. 29 e attuato in antsBrainExtraction.sh. Un caso d’uso di esempio è qui https://github.com/ntustison/antsBrainExtractionExample (questo è un esempio di utilizzo pedagogico, non un set di dati archiviato o un software pubblicato). In breve, In questa fase, usiamo una registrazione grossolana e relativamente veloce per calcolare un ordito tra l’immagine intera del modello e il soggetto di interesse. Questo ci permette di deformare un’estrazione cerebrale probabilistica dal modello nello spazio soggetto. La mappa di probabilità del modello deformato viene soglia a 0,5 e la maschera risultante viene dilatata con un raggio di 2. Atropos viene quindi utilizzato per generare una stima iniziale di segmentazione a 3 tessuti all’interno della regione della maschera. Ciascuna delle tre maschere tissutali subisce specifiche operazioni morfologiche che vengono poi combinate per creare una maschera di estrazione cerebrale da utilizzare nel resto del flusso di lavoro dello spessore corticale. Un confronto utilizzando i dati del cervello ad accesso aperto con algoritmi di estrazione del cervello disponibili al pubblico tra cui 3dIntracranial55 di AFNI, BET2 di FSL (ref. 56), mri_watershed57 di Freesurfer e BrainSuite58 hanno dimostrato che il nostro approccio combinato di registrazione/segmentazione47 si comporta al massimo livello insieme a BrainSuite (tuned) e FreeSurfer.

Sei segmentazione tissutale

La nostra procedura di segmentazione sfrutta due metodi che sono guidati da priori anatomici e che lavorano di concerto per parcellizzare il cervello in sei classi anatomiche / tissutali: liquido cerebrospinale, materia grigia corticale, materia grigia profonda, materia bianca, tronco cerebrale e cervelletto. Questi priori tissutali vengono prima mappati nello spazio del soggetto eseguendo una registrazione SyN di grande deformazione tra il cervello del modello e il cervello del singolo soggetto, come in refs 37, 42, 59. I priori del modello deformato vengono quindi utilizzati per guidare la segmentazione EM (segmentazione basata su Atropos prior32) alternata alla correzione della disomogeneità tramite l’algoritmo di correzione del campo di bias N434. Il nome N4 deriva dal fatto che è un miglioramento sul classico algoritmo N360. Atropos si riferisce ad una figura nella mitologia greca che brandiva ‘ cesoie del destino’; nel caso di segmentazione, le cesoie si riferiscono a dividere l’immagine in parti. A causa dell’importante interazione tra segmentazione e correzione del bias, eseguiamo più iterazioni N4 At Atropos. Al fine di integrare meglio Atropos e N4, utilizziamo una maschera di peso di probabilità tissutale pura generata dalle probabilità posteriori generate dal processo di segmentazione. Questa procedura è descritta più dettagliatamente nei riferimenti 29 e 32. Un esempio riproducibile set di dati di segmentazione e riga di comando per il metodo ANTs antsAtroposN4.sh è qui https://github.com/ntustison/antsAtroposN4Example (questo è un esempio di utilizzo pedagogico, non un set di dati archiviato o un software pubblicato).

DiReCT (aka KellySlater/KellyKapowski) stima dello spessore corticale

La segmentazione del cervello ci consente di calcolare lo spessore corticale tramite l’algoritmo Diffeomorphic Registration-based Cortical Thickness (DiReCT). Diretto è stato introdotto nel ref. 61 e reso disponibile in formiche con il programma KellySlater. Da allora sono stati apportati diversi miglioramenti e incorporati nel programma KellyKapowski, in particolare determinando un set di parametri automatizzato basato su un’ampia sperimentazione e confronto con i valori di spessore corticale di riferimento disponibili in letteratura. È importante sottolineare che recentemente abbiamo dimostrato che questi metodi superano il pacchetto freesurfer62 in termini di estrazione di informazioni dallo spessore corticale che è predittivo del sesso e dell’età in una vasta collezione di neuroimmagini in tutta la vita29. Tra i progressi più significativi è che l’implementazione più recente è multi-threaded, scritta in rigoroso stile di codifica ITK, ed è stata resa disponibile al pubblico attraverso ANTs completo di un design di interfaccia utente unico sviluppato appositamente per gli strumenti ANTs. Un caso d’uso di esempio con dati bidimensionali di riferimento è in https://github.com/ntustison/antsCorticalThicknessExample (questo è un esempio di utilizzo pedagogico, non un set di dati archiviato o un software pubblicato). In definitiva, l’algoritmo diretto produce un’immagine, nello spazio soggetto T1, che contiene misurazioni voxel-saggio di spessore corticale che sono appropriati per l’uso in studi statistici voxel-based o regione-based come in refs 50, 63-65.

Regional brain labelling with AAL labels

La fase finale della nostra pipeline T1 prevede la produzione di misurazioni sommarie per il volume cerebrale complessivo, la segmentazione dei sei tessuti e per lo spessore corticale regionale e lobare. Impieghiamo il ampiamente usato AAL labelset per questo scopo66. Queste etichette vengono trasformate dal nostro spazio del modello di gruppo ad alta risoluzione nello spazio del singolo soggetto seguendo l’inverso della mappatura diffeomorfa del modello. AAL contiene parcellazioni regionali standard della corteccia, del cervelletto e delle strutture profonde della materia grigia tra cui il putamen, il talamo, l’ippocampo e il caudato. Per ogni soggetto che elaboriamo, misuriamo questi volumi e lo spessore medio regionale producendo una singola riga di informazioni che viene infine inserita in un file demografico di sintesi. Questo viene utilizzato non solo per l’esecuzione di studi di variabili di coorte, ma anche per il controllo dei dati iniziali, cioè l’identificazione di soggetti con valori anomali globali o regionali rispetto ai valori di riferimento noti.

Elaborazione DTI

La nostra procedura per analizzare DTI con ANTs è stata convalidata in ref. 67. In breve, abbiamo sviluppato una pipeline di elaborazione automatizzata per l’imaging a diffusione utilizzando gli strumenti open source Camino68 e ANTs, che fornisce pre-elaborazione, estrazione cerebrale, calcolo del tensore di diffusione e normalizzazione nello spazio del modello, nonché immagini diagnostiche nello spazio soggetto per aiutare il controllo di qualità, tra cui anisotropia frazionaria, DWI corretto medio e varianza del rumore. Il nucleo del metodo consiste, in primo luogo, elaborare i dati nello spazio DWI e, successivamente, trasformare i dati in T1 individuale o spazio modello di gruppo.

Il primo passo nell’elaborazione DTI consiste nell’eseguire la correzione del movimento e della distorsione delle immagini ponderate per la diffusione. La prima immagine non ponderata nella sequenza di diffusione viene utilizzata come immagine di riferimento per la correzione del movimento e della distorsione. Le restanti immagini non ponderate sono rigidamente allineate all’immagine di riferimento e mediate; questa immagine media viene utilizzata come immagine di riferimento per la correzione affine delle immagini ponderate per diffusione (DWI) per il movimento e la distorsione causati dai gradienti di ponderazione della diffusione. Una maschera cerebrale viene calcolata allineando il DWI medio a un modello e deformando la maschera cerebrale del modello nello spazio soggetto. L’elaborazione continua quindi sull’immagine estratta dal cervello. I tensori di diffusione sono calcolati utilizzando un algoritmo dei minimi quadrati lineari ponderato iterativo69.

I DTI trasformati vengono deformati nello spazio del modello combinando il DWI intra-soggetto a T1 warp con il warp precedentemente definito per normalizzare l’immagine T1 del soggetto nello spazio del modello. Il corretto orientamento anatomico dei tensori di diffusione viene preservato applicando il metodo di conservazione della direzione principale70 e le statistiche scalari come FA e diffusività media vengono calcolate dai tensori di diffusione normalizzati.

Stima delle variabili di disturbo nelle immagini funzionali

Diversi passaggi sono comuni all’elaborazione della risonanza magnetica funzionale GRASSETTO o ASL. Questi includono l’estrazione del cervello, la correzione del movimento e la stima delle variabili di fastidio. Negli ultimi uno o due anni, abbiamo introdotto metodi in ANTs per stimare questi parametri dai dati delle serie temporali 4D. La correzione del movimento viene eseguita dal programma antsMotionCorr in ANTs che utilizza una metrica di somiglianza delle informazioni reciproche e un ottimizzatore del gradiente coniugato non lineare per massimizzare la somiglianza affine o rigida tra ciascuna immagine in una serie temporale e un’immagine di riferimento specifica della sequenza. Questi metodi sono basati sulla revisione Insight ToolKit versione 4, come descritto in ref. 71. I parametri di movimento per ogni intervallo di tempo sono scritti in un file CSV in modo che possano essere riassunti ed eventualmente utilizzati come variabili di disturbo all’interno delle statistiche a livello di popolazione72. Facciamo diverse scelte di immagine di riferimento per ogni modalità. Per il GRASSETTO, scegliamo l’immagine media della serie a tempo pieno. Per CASL e pCASL, scegliamo il controllo medio etichettato immagine. Per PASL, usiamo l’immagine M0 acquisita. Una maschera cerebrale viene calcolata mediante una semplice procedura morfologica (erosione morfologica seguita da selezione dei componenti più grandi e dilatazione morfologica) o allineando l’immagine di correzione del movimento di riferimento a un modello specifico della sequenza e deformando la maschera cerebrale del modello nello spazio soggetto. Per il PTBP, abbiamo usato quest’ultimo approccio.

Il secondo grande fastidio, al di là del movimento, è il rumore fisiologico73-75. Mentre si dovrebbero selezionare parametri di fastidio ottimali per ogni studio e sulla base della qualità dei dati, scegliamo di utilizzare l’approccio CompCor basato sui dati e automatico75 che è stato convalidato in ASL e BOLD e non si basa sulla segmentazione anatomica. L’approccio esegue la decomposizione del valore singolare su voxel di varianza temporale elevata e utilizza (in genere da 3 a 6) vettori singolari come regressori di fastidio. Questi regressori hanno dimostrato di catturare il movimento fisiologico, il rumore dello scanner e altri fattori che non sono correlati al flusso sanguigno cerebrale o all’attivazione AUDACE. Sia la correzione del movimento che la stima del CompCor con ANTs sono mostrate qui https://github.com/stnava/fMRIANTs (questo è un esempio di utilizzo pedagogico, non un set di dati archiviato o un software pubblicato).

Il flusso ematico cerebrale (CBF) da ASL

La perfusione parenchimale è un importante parametro fisiologico nella valutazione e nella gestione dei disturbi cerebrali, nonché un indice surrogato dell’attività neurale76. ASL perfusion MRI è anche ideale per studi farmaceutici in popolazioni pediatriche in quanto consente la quantificazione assoluta del CBF, è totalmente non invasiva ed è potenzialmente sensibile alla risposta al trattamento23. Al contrario, le misurazioni neuroanatomicamente definite come lo spessore corticale22, 77, 78 e FA derivano direttamente da una proprietà fisica rilevante del tessuto cerebrale ripreso e potrebbero non riuscire a catturare effetti funzionali a breve termine a causa dell’intervento o dell’allenamento. Il PTBP stabilisce la fattibilità dell’ASL-MRI in una fascia di età durante la quale il cervello si sta rapidamente sviluppando e quando possono emergere i primi segni di futuri disturbi neuropsichiatrici. Questa misura quantitativa funzionale (rispetto ai valori relativi forniti da BOLD) ha il potenziale di rivelare alterazioni nel cervello dovute a ferimenti79, dolore80, intervento farmacologico81,82 o che precedono cambiamenti strutturali visibili e possono indicare una riorganizzazione corticale83. CBF è una misura funzionale più ripetibile di BOLD84,85, può essere utilizzato in analisi di rete al posto di o in combinazione con BOLD86 e fornisce una vista unica sul cervello complementare a DTI e T1.

L’immagine M0 di ciascun soggetto, ottenuta come media delle immagini di controllo, è stata deformata nell’immagine T1 del soggetto utilizzando antsIntermodalityIntrasubject.sh copione. Queste trasformazioni sono state concatenate con le trasformazioni da soggetto a modello per deformare le etichette del modello nello spazio ASL nativo del soggetto. L’immagine M0 serviva come riferimento per la correzione del movimento di tutti i volumi del punto temporale. Oltre ai regressori di movimento e fastidio sopra descritti, abbiamo incluso sia il tag o l’etichetta di controllo dell’immagine come regressore, con il coefficiente di tale regressore corrispondente alla differenza media tra tag e controllo. Tutti i regressori sono stati inclusi in un solido schema di regressione per il calcolo del CBF87. L’equazione per il calcolo CBF può essere trovata in ref. 88 con un’efficienza di etichettatura presunta di 0,85. Tutti i dettagli sono disponibili nello script open-source in https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (questo è disponibile come parte del repository Figshare, Data Citation 1). Il valore di T1 nel sangue è stato aggiustato per età e sesso come T1=(2115,6–21,5*età-73,3*sesso) ms, dove il sesso femminile è stato impostato su 0 e il maschio è stato impostato su 1, come suggerito in ref. 88.

Analisi di rete con fMRI in grassetto a riposo

L’analisi di rete può essere eseguita con uno qualsiasi dei tre tipi di dati delle serie temporali di input: standard BOLD, ASL-BOLD o ASL-CBF. Il segnale ASL-CBF può avere vantaggi rispetto BOLD in particolare nelle regioni orbitofronal e temporale anteriore dove si verifica l’abbandono del segnale BOLD standard89, 90. Tuttavia, poiché l’analisi della rete ASL-CBF è relativamente nuova e abbiamo altri metodi per convalidare ASL-CBF, ci concentriamo sull’analisi della rete utilizzando la modalità BOLD a riposo del PTBP. L’obiettivo è quello di estrarre misurazioni di rete standard che possono essere valutate per il confronto con i dati demografici per aiutare a stabilire la validità dell’acquisizione e dell’elaborazione.

Basiamo la nostra costruzione grafico / rete sulle etichette corticali standard AAL che trasformiamo dallo spazio soggetto T1 allo spazio GRASSETTO. Preferiamo eseguire analisi nello spazio GRASSETTO per ridurre al minimo i confondimenti associati all’interpolazione e al ricampionamento di immagini a bassa risoluzione in quanto potrebbero influenzare i risultati in modo dipendente dal soggetto. Ogni immagine in grassetto viene prima residualizzata rispetto ai parametri di fastidio di base descritti sopra, ovvero i parametri di movimento e i vettori singolari di CompCor. Per ogni etichetta AAL di interesse (qui solo la corteccia, etichette 1-90), viene calcolato un segnale di tempo medio della regione. Ogni serie temporale viene quindi filtrata tramite il filtro Christiano-Fitzgerald filtering91, come implementato dalla funzione R cffilter nel pacchetto mFilter, per esaminare un intervallo di frequenze appropriato per il tipo di dati specifico. Per il filtraggio passa-banda, selezioniamo la gamma di frequenze 0.01-0.1 Hz sulla base di precedenti lavori92 e su analisi preliminari, in alcuni soggetti, della riproducibilità di rete. Il componente di rete della pipeline di elaborazione è disponibile nello script ANTS/ANTsR antsBOLDNetworkAnalysis.R che presuppone che siano disponibili etichette cerebrali e parametri di movimento. L’output principale di questo script utilizzato nel controllo dei dati, di seguito, è la matrice di correlazione N×N Pearson definita dalla correlazione tra i segnali temporali filtrati per ciascuna delle regioni etichettate N.