脳灌流の小児テンプレート

この文書およびすべての図は、図を保存します。 1は、knitrパッケージを使用してRとLaTeXインタプリタを介して入力ファイルをコンパイルすることによって、その場で生成されます。 これは、すべての統計数値と定量的な人口統計学の要約と一緒に出力pdfを生成します。

図1:PTBPの概要。

複数のモダリティ処理パイプラインの入力と出力。 母集団平均T1テンプレートは右上に示されています。 AALラベルは、各モダリティにマッピングされ、6組織セグメンテーションとともに、すべてのモダリティの要約測定値を計算し、多変量予測のために使

コホート選択

サンプルはJanuary2010とFebruary2014の間に募集されました。 全体的なコホートの選択は、人種、民族性、性別、家族収入の観点から、米国の国勢調査データに基づいて、米国における7歳から18歳の子供の人口統計分布に一致するように求められました。 データは、単一のサイト、UCLAのAhmanson−Lovelace Brain Mapping Centerで、Laboratory o f Functional MRI Technology(LOFT)によって収集された。 典型的には、7歳から18歳の間の健康な発達中の子供がこの研究に登録された。 除外基準は、子供をスクリーニングするために設計されました:(1)以前に診断された病状(発達、神経学的、精神医学的、および学習障害を含む);(2)以前に診断されていない学習/精神医学的障害または神経学的状態の基準を満たしている人; (3)正常な発達に影響を与えることが知られている、または可能性が高い環境条件にさらされていた人、(4)MRIスキャンを受けることができない人、および5) 除外基準の完全なリストは以下のとおりです。

  • 発達&医学的障害:既知の発達障害(繁栄の失敗、PKUなど。).

  • 補聴器を必要とする聴覚障害。

  • 視覚障害(斜視、通常の眼鏡では矯正できない視覚障害)。

  • 糖尿病(i型、インスリンで治療)。

  • 全身性リウマチ性疾患(例えば、糸球体腎炎、心内膜炎)。化学療法を必要とする全身悪性腫瘍-&CNS放射線療法先天性心疾患。

  • 神経障害、発作障害。

  • CNS感染(例えば、髄膜炎)。/p>

  • 脳腫瘍。

  • 意識喪失を伴う閉鎖頭部外傷の歴史>5分。

  • 筋ジストロフィーまたは筋強直性ジストロフィー。

  • 行動、精神医学、&学習障害:統合失調症、自閉症スペクトラム障害、双極性障害、再発大うつ病、注意欠陥多動性障害(ADHD)、行動障害、トゥレット障害、強迫性Complusive障害(OCD)、薬物依存。

  • 子供の行動チェックリスト(CBCL)サブスケールスコア<70。

  • IQの評価<80。

  • 達成スコア>2s.d.年齢基準以下。

  • 現在/過去の言語障害(失読症、吃音)。

  • Mri禁忌:金属インプラント(中括弧、ピン)または金属片、ペースメーカーまたは電子医療インプラント、閉所恐怖症、妊娠。

  • 英語能力が制限されています。

Iq評価とMRスキャンの前に、カリフォルニア大学ロサンゼルス校(UCLA)のガイドラインのInstitutional Review Board(IRB)に従って、各被験者とその親からデータの研究と公

行動と環境の評価

心理測定評価

Wechsler Abbreated Scale of Intelligence(WASI)30,31を各被験者に投与し、IQの三つの相補的な測定を行いました: 口頭IQ(語彙、類似性)、パフォーマンスIQ(マトリックス推論、ブロックデザイン)、およびフルスケールIQ。 フルスケールIQと口頭IQの間の相関は0.89であり、フルスケールIQと性能IQの間は0.86であり、性能IQと口頭IQの間は0.54である。

社会経済的地位と親の背景の評価

家族の収入は、USDで定義された自己報告された範囲内で定量化されました。 基本的なコホート人口統計の分布を図1に示します。 2. 父親と母親の教育レベルは、このコホートでは、教育の年によって決定され、いくつかの科目が≥20年の教育を受けている最低八年であった。 これらは、その後、利用可能な場合、両方の親のための教育の年に翻訳されました。 被験者はまた、コミュニティとSESの両方のスケールで自己報告ラダースコアを提供しました。 コミュニティスケールは、被験者が地域社会内で認識されている社会的地位を識別します。 ラダー-SESは、社会全体に対する被験者の知覚された富を識別します。 両方のサブスケールは1から6の範囲にあり、値ははしごの段に対応します。

画像取得方法

すべてのMRIデータは、製品12チャンネルヘッドコイルを使用してSiemens3T TIM Trioスキャナで取得しました。

T1重み付け取得

磁化準備された迅速な取得勾配エコー(MPRAGE)画像は、TR/TE/TI=と3D反転回復シーケンスを使用して取得しました2,170/4.33/1,100 解像度は1×1×1mm3で、マトリックスサイズは256×256×192です。 フリップ角度=7°であり、全スキャン時間は8:0 8分であった。

脳血流

Pseudo continuous arterial spin labeled(pCASL)画像は、tr/TE=4,000/12msの勾配エコーエコー平面イメージング(EPI)を使用して取得しました。解像度は3.125×3.125×6mm(5mm、1mmのギャップ)64×64×24 4 0個の標識/対照対を取得した。 一般化された自動キャリブレーション部分並列集録(GRAPPA)は、加速係数2で使用されました。 標識期間は1.5秒であり、標識後の遅延は1.2秒であった。

拡散テンソル取得

拡散加重画像は、TR/TE=9,500/87msのスピンエコー EPIを使用してシングルショットマルチスライスで取得しました。b値=1,000の30方向の拡散加重画像に沿って単一のb=0ボリュームを取得しました。 解像度は2×2×2mmで、マトリックスサイズは128×128×75ボクセルです。 フリップ角度=90°。

BOLD acquisition

血中酸素レベル依存性(BOLD)画像は、TR/TE=2,000/27msの2D EPIを使用して静止状態で取得されました。解像度は4×4×4mmで、64×64×25マトリックス上で、最大244の時間点が取得されました。 フリップ角度=80°。 被験者は固定点を見ながら静かにリラックスする必要がありました。

画像処理方法

R(ANTsR)http://stnava.github.io/ANTsR/PTBPで利用可能な測定値の範囲をまとめた複数のモダリティデータベースファイルをチェック、整理、組み立てます。 すべてのスクリプトとソースコードは、ANTsRとその依存関係で利用できます。ANTsR(answer)は、画像モダリティを他のデータと統合する予測生物医学研究を可能にすることを目的とするオープンサイエンス分析フレームワークです。 ANTsRは、画像の登録、セグメンテーション、テンプレートの構築にANTsコアを使用しながら、統計計算言語Rで統計的ニーズを解決します32–36。 このフレームワークは、それが適用される画像コンテンツや臓器系についての仮定を行わず、N次元データ(2-D、3-D、4-D)に適しているという点で、一意に汎用 この一般性の証拠として、ANTsRツールは、脳MRI37と肺CT38で一つで、二つの独立した登録競技会を獲得しました。 さらに、ANTsRは、自動解剖学的ラベリング39のために現在利用可能な主要な関節ラベル融合(マルチアトラスセグメンテーション)方法の一つに尽力し、最近、segmentation/prediction,BRATS2013at MICCAI2013 40)およびMICCAI2012およびMICCAI2013におけるSATAの課題では、後者は種および器官系にわたっていくつかのモダリティを採用していました。 同時に、フレームワークは、事前の知識を組み込むことによって、特定の分析の問題を解決するために使用することができるようにカスタマ 以下では、ANTsRを次のように使用する方法について説明します。: (1)PTBPで利用可能なモダリティを代表するマルチチャネル母集団テンプレートを提供する;(2)各モダリティにおける処理決定のデータ品質と妥当性を確認する;(3)生物統計学者や他の研究者が大規模な画像処理の負担なしにPTBPデータに簡単にアクセスできるようにする要約測定を計算する。 以下のセクションでは、取得と後処理の両方の有効性をサポートするための主要な要約措置を報告します。 これらの結果を達成するために使用されるすべてのソフトウェアは、高レベルのユースケースと個々のツールの両方を文書化するために多大な努力を データと後処理ストリームの両方を一緒にリリースすることは、科学41-43の進歩にとって重要であるとますます認識されているオープンサイエンスアプローチを構成しています。

複数のモダリティ母集団テンプレート

画像を標準座標系に正規化すると、母集団研究のサブジェクト間の変動が減少し、座標を研究間で比較し、事前ベースのセグメンテーション/ラベリング技術を採用することができます。 後者は、組織セグメンテーション、脳抽出、皮質分割および機能的または構造的結合性の研究にとって重要である。 標準化された空間を決定するための様々なアプローチが存在し、例えば、単一の被験者、例えば、Talairach atlas44、または公的に利用可能な平均化された被験者群、例えば、MNI45またはICBM46テンプレートに基づく既存のテンプレートの選択などがある。 Refの対称グループワイズ正規化法(Sygn)を用いた。 これは、解剖学の形状および解剖学の外観の両方の観点から研究中の集団を表す脳画像を生成するために、最適化の間に正規化された空間の幾何学的 SyNペアワイズregistration33の本質的な対称性とテンプレートの外観のSyGNの最適化された形状ベースの平均化を結合することは、モダリティと種47-51全体の人口特 我々は、脳の抽出または他の定量化ステップを支援するために、テンプレート空間内の人口固有の事前情報を格納することにより、アプリケーションのこ

従来、このアプローチは単一のモダリティに使用されていましたが、最近では、refs25、32、49、52のように、T1、DTI、機能画像の平均形状と外観をキャプチャするコホート固有のテンプレートを介して複数のモダリティに拡張されています。 これらのテンプレートのいくつかは、公共の使用29のためにリリースされており、年齢とモダリティの両方で変動する人口平均を含んでいます。 これらのリソースは価値がありますが、私たちは最新の画像登録方法論を利用するように、PTBPとそのモダリティのための人口固有のテンプレートを構築

私たちのテンプレート構築手順は、最初に完全な集団(n=119)から平均T1脳画像を構築します。 次に、マルチテンプレートラベル39,53に基づいてテンプレートブレインを抽出します。 同様の手順を使用して、我々は、関心のある6つの組織のそれぞれの確率的組織/構造priorsを生成します: 皮質、深い灰白質、脳脊髄液、白質および小脳。 テンプレート構築手順の概要は、https://github.com/ntustison/TemplateBuildingExampleで二つのデータセットの例で利用できます(これは教育的な使用例であり、アーカイブされたデータセットや公開されたソフトウェアではありません)。 同じ方法で、ref. PTBPカスタム組織の前世代のための出発点として使用した図2 9を参照のこと。 平均画像とプリオールが完了すると(ファイルPTBP。zip)、小さな変形登録によってすべてのデータを標準MNI space54(ファイルPTBP_MNI.ジップ)。

個々の被写体T1画像のテンプレートベースの処理

ANTsベースの構造パイプラインの概要は、ref. 29. 確定されたT1テンプレートがあれば、個々のT1データをセグメント化して処理することができます。 その後、DTI、ASL、BOLDなどの個々のモダリティを処理します。 最後に、コンパニオンモダリティからコアT1解剖学的画像とテンプレート空間への幾何学的変換を生成します。 これは、以下で説明するように、完全な複数モダリティデータセットが処理された後に実現します。 合計で、個々の複数のモダリティデータセットを処理するための手順は、手順の再現性を検証するために使用できるデータセットとテンプレートの例と一緒に、http://jeffduda.github.io/NeuroBattery/ここで詳細に説明されています。 これは、集団内の各個人について繰り返されます。 ここでは、T1と各モダリティの処理ステップの概要を説明します。 図1は、パイプライン全体をまとめたものです。

T1脳抽出

アリを用いた脳抽出は、参考文献に記載されているように、テンプレート事前、高性能脳画像登録33、およびAtropos32を数学的形態に基づ で実装されている29antsBrainExtraction.sh.ユースケースの例はこちらhttps://github.com/ntustison/antsBrainExtractionExample(これは教育的な使用例であり、アーカイブされたデータセットや公開されたソフトウェアではありません)。 簡単に言えば、この段階では、テンプレート全体の頭の画像と関心のある被写体との間の反りを計算するために、粗くて比較的高速な登録を使用します。 これにより、テンプレートから対象空間に確率的な脳抽出をワープすることができます。 ワープされたテンプレート確率マップは0.5でしきい値として設定され、結果のマスクは半径2で拡張されます。 アトロポは、マスク領域内の最初の3組織セグメンテーション推定値を生成するために使用されます。 三つの組織マスクのそれぞれは、皮質の厚さのワークフローの残りの部分で使用するための脳抽出マスクを作成するために結合されている特定の形態学 オープンアクセス脳データと、AFNIの3dintracranial55、FSLのBET2を含む公的に利用可能な脳抽出アルゴリズムとの比較(ref. 56)、Freesurferのmri_watershed57、およびBrainsuite58は、私たちの組み合わせた登録/セグメンテーションアプローチ47がBrainSuite(tuned)とFreeSurferと並んでトップレベルで実行することを実証しました。

六つの組織セグメンテーション

私たちのセグメンテーション手順は、解剖学的事前によって導かれ、六つの解剖学的/組織クラスに脳をparcellateするために協調して働く二つの方法を活用しています: 脳脊髄液、皮層の灰白質、深い灰白質、白質、脳幹および小脳。 これらの組織プリオールは、参考文献3 7、4 2、5 9のように、テンプレート大脳と個々の被験者大脳との間の大変形Syn登録を行うことによって、まず被験者空間にマ 次に、変形されたテンプレート事前値を使用して、N4バイアス場補正アルゴリズム34を介して不均一性補正と交互に期待最大化(EM)セグメンテーション(アトロポ事前ベースのセグメンテーション32)をガイドします。 N4という名前は、古典的なN3algorithm60の改善であるという事実に由来しています。 アトロポス(Atropos)とは、ギリシア神話に登場する”運命の鋏”を振るった人物のことであり、分割の場合は画像を部分に分割することを指す。 セグメンテーションとバイアス補正の間の重要な相互作用のために、我々は複数のN4Βアトロポの反復を実行します。 より良いAtroposとN4を統合するために、我々はセグメンテーションプロセスから生成された事後確率から生成された純粋な組織確率重みマスクを使用し この手順は、参考文献29および32でより詳細に説明されています。 ANTsメソッドの再現可能なセグメンテーションデータセットとコマンドラインの例antsAtroposN4.sh ここにありますhttps://github.com/ntustison/antsAtroposN4Example(これは教育的な使用例であり、アーカイブされたデータセットや公開されたソフトウェアではありません)。

DiReCT(別名KellySlater/KellyKapowski)皮質厚さ推定

脳セグメンテーションは、Diffeomorphic Registrationベースの皮質厚さ(DiReCT)アルゴリズムを介して皮質厚さを計算することができます。 DiReCTはrefで導入されました。 61とプログラムKellySlaterでアリで利用可能になりました。 それ以来、いくつかの改善が行われ、特に文献で利用可能な参照皮質厚値との広範な実験と比較に基づいて自動化されたパラメータセットを決定する、プ 重要なことに、我々は最近、これらの方法は、lifespan29全体の神経画像の大規模なコレクションで性別と年齢を予測する皮質の厚さから情報を抽出する点でFreeSurfer package62よりも優れていることを示した。 最も重要な進歩の中で、より最近の実装は、厳密なITKコーディングスタイルで書かれたマルチスレッドであり、ANTsツールのために特別に開発されたユニークな 参照二次元データを使用したユースケースの例は、https://github.com/ntustison/antsCorticalThicknessExampleにあります(これは教育的な使用例であり、アーカイブされたデータセットや公開されたソフトウェ 最終的に、直接アルゴリズムは、参照50、63-65のようにボクセルベースまたは領域ベースの統計的研究での使用に適した皮質の厚さのボクセルワイズ測定を含む、被験者T1空間内の画像を生成する。

Aalラベルによる局所脳ラベリング

私たちのT1パイプラインの最後のステップは、全体的な脳容積、六つの組織セグメンテーション、およ この目的のために広く使用されているAALラベルセットを採用しています66. これらのラベルは,テンプレート微分同相写像の逆に従うことによって,高分解能グループテンプレート空間から個々の主題空間に変換される。 AALは被殻、視床、海馬および尾状突起を含む皮質、小脳および深い灰白質の構造の標準的な地域区分を含んでいます。 私たちが処理する各主題について、これらの量と地域平均厚さを測定し、最終的に要約人口統計ファイルに入力される単一の行の情報を生成します。 これは、コホート変数の研究を行うだけでなく、既知の参照値に関してグローバルまたは地域の外れ値を持つ被験者を識別する初期データチェックにも使

DTI処理

アリでDTIを分析するための私たちの手順は、参照で検証されました。 67. 簡単に言えば、我々は、オープンソースのツールCamino68とANTsを使用して拡散イメージングのための自動処理パイプラインを開発しました,前処理を提供します,脳抽出,拡散テンソル計算,テンプレート空間への正規化,だけでなく、分数異方性を含む品質管理を支援するために、被写体空間内の診断画像,平均補正DWI,およびノイズ分散. この方法の中核は、最初にDWI空間でデータを処理し、その後、データを個々のT1またはグループテンプレート空間に変換することです。DTI処理の最初のステップは、拡散加重画像の動きと歪みの補正を実行することです。

拡散シーケンス内の最初の重み付けされていない画像は、動きおよび歪み補正のための参照画像として使用されます。 残りの重み付けされていない画像は基準画像に厳密に整列され,平均化され,この平均画像は拡散重み付け勾配によって引き起こされる動きと歪みに対する拡散重み付け画像(DWI)のアフィン補正のための基準画像として使用される。 ブレインマスクは、平均DWIをテンプレートに整列させ、テンプレートのブレインマスクを対象空間にワープすることによって計算されます。 その後、脳から抽出された画像で処理が続行されます。 拡散テンソルは、反復加重線形最小二乗アルゴリズム69を使用して計算されます。

変換されたDTIは、被験者のT1画像をテンプレート空間に正規化するために以前に定義されたワープとt1ワープへの被験者内DWIを組み合わせることに 拡散テンソルの正しい方向は主方向保存法を適用することによって保存され、正規化された拡散テンソルからFAや平均拡散率などのスカラー統計量が計算される。

機能画像における迷惑変数の推定

いくつかのステップは、BOLDまたはASL機能MRIのいずれかを処理するのに共通しています。 これらには、脳の抽出、動き補正、および迷惑変数推定が含まれます。 最後の一から二年にわたって、我々は4D時系列データからこれらのパラメータを推定するためのANTsに方法を導入しました。 動き補正は、時系列内の各画像とシーケンス固有の参照画像との間のアフィンまたは剛体類似性を最大化するために、相互情報類似度メトリックと非線形共役勾配オプティマイザを使用するANTsのantsMotionCorrプログラムによって実行されます。 これらの方法は、参考文献に記載されているように、Insight ToolKitバージョン4リビジョンに基づいています。 71. 各時間枠の動きパラメータはCSVファイルに書き出され、集計され、人口レベルの統計72内の迷惑変数として使用される可能性があります。 私達は各様相のための参照のイメージの異なった選択をします。 太字の場合は、全時系列から平均画像を選択します。 CASLおよびPCASLでは、平均対照標識画像を選択する。 PASLでは、取得したM0イメージを使用します。 脳マスクは、単純な形態手順(形態学的侵食に続いて最大成分選択と形態学的拡張)または参照動き補正画像をシーケンス固有のテンプレートに整列させ、テンプ PTBPについては,後者のアプローチを用いた。

第二の主要な迷惑は、運動を超えて、生理学的ノイズ73–75です。 それぞれの研究に最適なパラメータを選択し、データの品質に基づいて選択する必要がありますが、我々はASLとBOLDで検証され、解剖学的セグメンテーションに依存しないデータ駆動型および自動CompCorアプローチ75を使用することを選択します。 このアプローチでは、高い時間分散ボクセルに対して特異値分解を実行し、迷惑リグレッサとして(通常は3から6)特異ベクトルを使用します。 これらの退行因子は、生理学的運動、スキャナノイズ、および脳血流または大胆な活性化とは無関係の他の因子を捕捉することが示された。 ANTsを用いた動き補正とCompCor推定の両方がここに示されていますhttps://github.com/stnava/fMRIANTs(これは教育的な使用例であり、アーカイブされたデータセットや公開されたソフトウェアではありません)。

ASLからの脳血流(CBF)

実質灌流は、脳障害の評価と管理における重要な生理学的パラメータであり、神経活動の代理指標である76。 ASL灌流MRIは、絶対的なCBF定量を可能にし、完全に非侵襲的であり、治療応答に潜在的に敏感であるため、小児集団における医薬品試験にも理想的に適 対照的に、皮質の厚さ22、77、78、FAなどの神経解剖学的に定義された測定は、画像化された脳組織の関連する物理的性質から直接派生し、介入や訓練のために短期間の機能的効果を捉えることができない可能性がある。 PTBPは、脳が急速に発達しており、将来の神経精神疾患の初期徴候が出現する可能性がある年齢範囲で、ASL-MRIの実現可能性を確立する。 この機能的定量的尺度(BOLDによって提供される相対的な値に対して)は、傷害79、痛み80、薬理学的介入81、82、または目に見える構造変化に先行し、皮質再編成83を示す可能性があることによる脳の変化を明らかにする可能性を有する。 CBFはBOLD84、85より反復可能な機能測定であり、BOLD86の代わりにまたは組み合わせてネットワーク解析に使用することができ、DTIおよびT1に相補的な脳

対照画像の平均として得られた各被験者のM0画像は、被験者のT1画像に歪ませられた。

被験者のt1画像に歪ませられた。

被験者のT1画像に歪ませられた。antsIntermodalityIntrasubject.sh スクリプト。 これらの変換は、件名からテンプレートへの変換と連結され、テンプレートラベルを件名ネイティブASL空間にワープしました。 M0画像は、すべての時点ボリュームの動き補正の基準として役立ちました。 上記で説明したモーションおよび迷惑リグレッサに加えて、画像のタグまたはコントロールラベルのいずれかをリグレッサとして含め、そのリグレッサの係数は、タグとコントロールの間の平均差に対応します。 すべてのリグレッサーは、CBF計算のためのロバスト回帰スキームに含まれていた87。 CBF計算の式は、参考文献に記載されています。 88の仮定された分類の効率の0.85。 完全な詳細は、https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.shのオープンソーススクリプトで入手できます(これはFigshareリポジトリ、Data Citation1の一部として入手できます)。 血液T1値は、年齢および性別について、t1=(2115.6–21.5*age-73.3*sex)msとして調整され、ここで、女性の性別は0に設定され、男性は1に設定された。 88.

安静時BOLD fMRIによるネットワーク解析

ネットワーク解析は、標準BOLD、ASL-BOLDまたはASL-CBFの三つのタイプの入力時系列データのいずれかで実行できます。 ASL-CBF信号は、特に標準的なBOLD信号ドロップアウトが発生する眼窩前部および前側頭領域においてBOLDよりも利点を有する89,90。 しかし、ASL-CBFネットワーク解析は比較的新しく、ASL-CBFを検証する他の方法があるため、PTBPからの安静時のBOLDモダリティを使用したネットワーク解析に焦点を当 目標は、取得および処理の妥当性を確立するのに役立つ人口統計との比較のために評価され得る標準的なネットワーク測定値を抽出することである。

私たちは、t1主題空間から太字空間に変換する標準的なAAL皮質ラベルに基づいてグラフ/ネットワーク構築をベースにしています。 低解像度画像の補間とリサンプリングに関連する交絡を最小限に抑えるために、太字の空間で解析を実行することを好みます。 各太字の画像は、最初に、上述したベースラインの迷惑パラメータ、すなわち、動きパラメータおよびCompcor特異ベクトルに関して残余化される。 関心のある各AALラベル(ここでは皮質、ラベル1-90のみ)について、領域平均時間信号が計算されます。 各時系列は、パッケージmFilterのR関数cffilterによって実装されるChristiano-Fitzgerald filtering91を使用してバンドパスフィルター処理され、特定のデータ型に適した周波数範囲を調べます。 バンドパスフィルタリングのために、我々は、ネットワークの再現性のいくつかの被験者では、以前のwork92と予備解析に基づいて、周波数範囲0.01–0.1Hzを選 処理パイプラインのネットワークコンポーネントは、ANTs/ANTsRスクリプトantsBOLDNetworkAnalysisで使用できます。脳のラベルと運動パラメータが利用可能であることを前提としたR。 以下のデータ検査で使用されるこのスクリプトの主な出力は、n個のラベルされた領域のそれぞれについて、フィルタされた時間信号間の相関によ

コメントを残す

メールアドレスが公開されることはありません。