ten dokument i wszystkie dane zapisać rys. 1 są generowane w locie przez kompilację pliku wejściowego za pomocą interpreterów R i LaTeX przy użyciu pakietu knitr. W ten sposób powstaje wyjściowy plik pdf wraz ze wszystkimi danymi statystycznymi i ilościowymi podsumowaniami demograficznymi.

dobór kohorty

próbka była rekrutowana między styczniem 2010 a lutym 2014. Ogólna selekcja kohort miała na celu dopasowanie rozkładu demograficznego dzieci w wieku od 7 do 18 lat w Stanach Zjednoczonych, na podstawie danych ze Spisu Powszechnego w USA, pod względem rasy, pochodzenia etnicznego, płci i dochodów rodziny. Dane zostały zebrane w jednym miejscu, Ahmanson-Lovelace Brain Mapping Center w UCLA, przez Laboratorium funkcjonalnej technologii MRI (LOFT). Do badania włączono zazwyczaj zdrowe rozwijające się dzieci w wieku od 7 do 18 lat. Kryteria wykluczenia zostały zaprojektowane w celu przesiewania dzieci: (1) z wcześniej zdiagnozowanymi schorzeniami (w tym zaburzeniami rozwojowymi, neurologicznymi, psychiatrycznymi i uczącymi się); (2) które spełniły kryteria dotyczące zaburzeń uczenia się/zaburzeń psychicznych lub schorzeń neurologicznych, które nie zostały wcześniej zdiagnozowane; (3) którzy byli narażeni na warunki środowiskowe znane lub prawdopodobnie wpływające na normalny rozwój; (4) którzy nie mogą poddać się badaniu MRI; oraz 5) z ograniczoną znajomością języka angielskiego (ponieważ kilka testów, które miały być przeprowadzone w ramach tego badania, nie było dostępnych w językach innych niż Angielski). Pełna lista kryteriów wykluczenia znajduje się poniżej:

• rozwojowe & zaburzenia medyczne: znane zaburzenia rozwojowe (niepowodzenie w rozwoju; PKU itp.).

• niedosłuch wymagający aparatu słuchowego.

• zaburzenia widzenia (zez, upośledzenie wzroku niewyrównane przy zwykłych okularach).

• cukrzyca (typ I, leczona insuliną).

• Układowe choroby reumatologiczne (na przykład kłębuszkowe zapalenie nerek, zapalenie wsierdzia).

• nowotwór układowy wymagający chemioterapii – & radioterapia OUN wrodzona wada serca.

• zaburzenia neurologiczne, zaburzenia napadowe.

• zakażenie OUN (na przykład zapalenie opon mózgowo-rdzeniowych).

• guz mózgu.

• historia zamkniętego urazu głowy z utratą przytomności > 5 min.

• dystrofia mięśniowa lub dystrofia miotoniczna.

• behawioralne, psychiatryczne, & zaburzenia uczenia się: schizofrenia, zaburzenia ze spektrum autyzmu, zaburzenia afektywne dwubiegunowe, nawracająca depresja, nadpobudliwość z deficytem uwagi (ADHD), zaburzenia zachowania, zaburzenia Tourette ’ a, zaburzenia obsesyjno-kompulsyjne (OCD), uzależnienie od narkotyków.

• ocena podskalowa zachowania dziecka (Cbcl) < 70.

• ocena IQ <80.

• > 2 s.D. poniżej normy wiekowej.

• obecne/przeszłe zaburzenia językowe (dysleksja, jąkanie).

• kształcenie specjalne.

• MRI przeciwwskazania: metalowe implanty (szelki, szpilki) lub metalowe fragmenty, rozrusznik serca lub elektroniczne implanty medyczne, klaustrofobia, ciąża.

• ograniczona znajomość języka angielskiego.

pisemną świadomą zgodę na udział w badaniu i publiczne udostępnienie danych uzyskano od każdego podmiotu i ich rodziców zgodnie z wytycznymi Institutional Review Board (IRB) Uniwersytetu Kalifornijskiego w Los Angeles (UCLA) przed oceną IQ i skanami MR.

ocena zachowania i środowiska

ocena Psychometryczna

każdemu podmiotowi podano skróconą skalę inteligencji Wechslera (WASI)30,31, co dało trzy uzupełniające się pomiary IQ: IQ słowne (słownictwo, podobieństwa), IQ wydajnościowe (rozumowanie macierzowe, konstrukcja blokowa) i IQ w pełnej skali. Korelacje między IQ w pełnej skali a IQ słownym wynoszą 0,89, między IQ w pełnej skali a IQ wydajnościowym wynosi 0,86, a między IQ wydajnościowym a IQ słownym wynosi 0,54.

ocena statusu społeczno-ekonomicznego i pochodzenia rodziców

dochód rodziny został określony ilościowo w zakresie własnym zdefiniowanym w USD. Rozkład podstawowych danych demograficznych kohorty przedstawiono na Fig. 2. Poziom wykształcenia ojcowskiego i matczynego był określony przez lata edukacji, w tej kohorcie minimum osiem lat, przy czym kilka osób miało ≥20 lat edukacji. Zostały one następnie przełożone na lata edukacji dla obojga rodziców, jeśli są dostępne. Badani dostarczyli również wyniki drabinkowe samo-raportów zarówno w skali społeczności, jak i SES. Skala społeczna określa postrzeganą pozycję społeczną podmiotu w lokalnej społeczności. Drabina-SES identyfikuje postrzegane bogactwo podmiotu w stosunku do społeczeństwa jako całości. Obie podskale mieszczą się w zakresie od 1 do 6, gdzie wartości odpowiadają szczebelom na drabinie.

metody akwizycji obrazu

wszystkie dane MRI zostały uzyskane na skanerze Siemens 3 T TIM Trio przy użyciu 12-kanałowej cewki głowicy produktu.

T1-weighted acquisition

magnetization-Prepared Rapid Acquisition Gradient Echo (MPRAGE) obrazy zostały uzyskane za pomocą sekwencji odzyskiwania inwersji 3D z TR/TE/TI=2,170/4.33/1,100 ms. rozdzielczość wynosi 1×1 × 1 mm3 przy rozmiarze matrycy 256×256×192. Kąt obrotu=7°, a całkowity czas skanowania wynosił 8: 08 min.

mózgowy przepływ krwi

obrazy Pseudo ciągłego spinu tętniczego (pCASL) uzyskano za pomocą gradientowego obrazowania EPI z TR/TE=4000/12 ms. rozdzielczość wynosi 3,125×3,125×6 mm (5 mm z przerwą 1 mm) na matrycy 64×64×24. Zdobyto 40 par label / control. Zastosowano uogólnioną autokalibrację częściowo równoległą akwizycją (GRAPPA) ze współczynnikiem przyspieszenia wynoszącym 2. Czas trwania etykietowania wynosił 1,5 s, a opóźnienie po etykiecie 1,2 s. Całkowity czas obrazowania wynosił 5: 30 min.

akwizycja tensora dyfuzyjnego

obrazy ważone dyfuzyjnie zostały uzyskane za pomocą pojedynczego strzału wielowarstwowego przy użyciu spin-echo EPI z TR/TE=9,500 / 87 ms. pojedyncza objętość b=0 została uzyskana wzdłuż obrazów ważonych dyfuzyjnie dla 30 kierunków z wartością B=1,000. Rozdzielczość wynosi 2×2×2 mm przy rozmiarze matrycy 128×128×75 wokseli. Kąt obrotu = 90°.

pogrubioną akwizycję

obrazy zależne od poziomu tlenu we krwi (pogrubioną) uzyskano w stanie spoczynku za pomocą 2D EPI z TR/TE=2000/27 ms. rozdzielczość wynosi 4×4×4 mm w matrycy 64×64×25 i uzyskano do 244 punktów czasowych. Kąt obrotu = 80°. Testerzy musieli się spokojnie zrelaksować, patrząc na punkt fiksacji.

Metody przetwarzania obrazu

stosujemy zaawansowane narzędzia normalizacyjne z R (ANTsR)http://stnava.github.io/ANTsR/ w celu sprawdzenia, zorganizowania i złożenia pliku bazy danych o wielu modalnościach, który podsumowuje zakres pomiarów dostępnych w PTBP. Wszystkie skrypty i Kod źródłowy są dostępne w ANTsR i jego zależnościach.

ANTsR (answer) to otwarta platforma analityczna, która ma na celu umożliwienie predykcyjnych badań biomedycznych, które integrują modalności obrazowania z innymi danymi. ANTsR rozwiązuje potrzeby statystyczne za pomocą r, języka obliczeń statystycznych, przy użyciu rdzenia ANTs do rejestracji obrazów, segmentacji i konstrukcji szablonów32–36. Ramy te mają wyjątkowo ogólny cel, ponieważ nie zawierają żadnych założeń dotyczących treści obrazu ani układów narządów, do których są stosowane, i są odpowiednie dla danych N-wymiarowych (2-D, 3-D, 4-D). Jako dowód tej ogólności, narzędzia ANTsR wygrały dwa niezależne konkursy rejestracyjne, jeden w mózgu mri37 i jeden w płucach CT38. Ponadto ANTsR odgrywa kluczową rolę w jednej z wiodących metod fuzji etykiet (segmentacji multi-atlas) dostępnych obecnie dla automatycznego etykietowania anatomicznego39, a ostatnio wygrał otwarte konkursy w segmentacji / przewidywaniu, BRATS 2013 NA MICCAI 2013(ref. 40) oraz wyzwania SATA podczas MICCAI 2012 i MICCAI 2013, z których ostatnie wykorzystywały kilka metod w różnych gatunkach i układach narządów. Jednocześnie struktura jest konfigurowalna w taki sposób, że może być używana do rozwiązywania konkretnych problemów analitycznych poprzez włączenie wcześniejszej wiedzy. Poniżej opisujemy, w jaki sposób stosujemy ANTsR do: (1) dostarczyć wielokanałowy szablon populacji reprezentatywny dla modalności dostępnych w PTBP; (2) sprawdzić jakość danych i ważność decyzji dotyczących przetwarzania w każdym modalności; (3) obliczyć sumaryczne pomiary, które umożliwiają biostatystom i innym badaczom łatwy dostęp do danych PTBP bez obciążenia przetwarzaniem obrazów na dużą skalę. W poniższej sekcji przedstawimy kluczowe środki podsumowujące, które służą wspieraniu ważności zarówno pozyskiwania, jak i przetwarzania końcowego. Całe oprogramowanie użyte do osiągnięcia tych wyników jest publicznie dostępne, przy znacznych wysiłkach poczynionych w celu udokumentowania zarówno przypadków użycia na wysokim poziomie, jak i poszczególnych narzędzi. Uwolnienie zarówno danych, jak i strumieni przetwarzania końcowego stanowi podejście oparte na otwartej nauce, coraz częściej uznawane za kluczowe dla rozwoju nauki41-43.

Multiple modality population template

normalizacja obrazów do standardowego układu współrzędnych zmniejsza zmienność międzyosobniczą w badaniach populacyjnych, umożliwia porównywanie współrzędnych w różnych badaniach i pozwala na zastosowanie technik segmentacji / etykietowania opartych na uprzedzeniach. Te ostatnie są ważne dla segmentacji tkanek, ekstrakcji mózgu,parcelacji korowej i badań funkcjonalnych lub strukturalnych połączeń. Istnieją różne podejścia do określania znormalizowanej przestrzeni, takie jak wybór istniejącego wcześniej szablonu opartego na pojedynczym przedmiocie, na przykład talairach atlas44, lub publicznie dostępnej uśrednionej grupie przedmiotów, na przykład szablonach MNI45 lub ICBM46. Stosujemy symetryczną metodę normalizacji grupowej (SyGN) ref. 47 który wyraźnie modeluje geometryczny Składnik znormalizowanej przestrzeni podczas optymalizacji, aby produkować obrazy mózgu, które reprezentują badaną populację zarówno pod względem kształtu anatomii, jak i wyglądu anatomii. Połączenie wewnętrznej symetrii rejestracji parami Syna33 i zoptymalizowanego uśredniania wyglądu szablonu opartego na kształtach sygn prowadzi do stworzenia potężnych ram dla badań obrazowych specyficznych dla populacji w zakresie modalności i gatunków47-51. Osiągamy tę ogólność zastosowania, przechowując wstępne informacje specyficzne dla populacji w przestrzeni szablonów, aby pomóc w ekstrakcji mózgu lub innych etapach kwantyfikacji.

tradycyjnie podejście to było stosowane dla pojedynczych modalności, ale ostatnio zostało rozszerzone dla wielu modalności za pomocą szablonów specyficznych dla kohorty, które rejestrują średni kształt i wygląd obrazów T1, DTI i funkcjonalnych, jak w refs 25, 32, 49, 52. Niektóre z tych szablonów zostały udostępnione do użytku publicznego29 i zawierają średnie liczby ludności ze zmiennością w zależności od wieku i sposobu użytkowania. Chociaż zasoby te mają wartość, kierujemy się filozofią budowania szablonu ptbp dla populacji i jego modalności, tak aby korzystać z najnowszej metodologii rejestracji obrazów.

nasza procedura budowania szablonów najpierw konstruuje średni obraz mózgu T1 z pełnej populacji (n=119). Następnie wyodrębniamy mózg szablonu w oparciu o etykietowanie z wieloma szablonami39, 53, które jest obecnie najnowocześniejszym rozwiązaniem do automatycznego etykietowania. Stosując podobną procedurę, generujemy probabilistyczne wartości tkanek/struktury dla każdej z 6 interesujących tkanek: kora mózgowa, istota szara, płyn mózgowo-rdzeniowy, istota biała i móżdżek. Podsumowanie procedury tworzenia szablonów jest dostępne, wraz z dwoma przykładowymi zestawami danych, pod adresem https://github.com/ntustison/TemplateBuildingExample (jest to przykład użycia Pedagogicznego, a nie zarchiwizowany zestaw danych lub opublikowane oprogramowanie). Te same metody skonstruowały szablony dostępne w ref. 29, które wykorzystaliśmy jako punkt wyjścia dla tkanki niestandardowej ptbp poprzedniej generacji. Po zakończeniu przeciętnego obrazu i priorów (plik PTBP.zip), można przenieść wszystkie dane poprzez małą rejestrację deformacji do standardowej przestrzeni MNI54 (plik PTBP_MNI.zip).

obróbka szablonowa poszczególnych przedmiotów zdjęcia T1

przegląd rurociągu strukturalnego opartego na Mrówkach jest dostępny w ref. 29. Mając gotowy szablon T1, jesteśmy w stanie segmentować i przetwarzać poszczególne dane T1. Następnie przetwarzamy poszczególne modalności, w tym DTI, ASL i BOLD. Na koniec generujemy przekształcenia geometryczne z modalności towarzyszących do obrazu anatomicznego rdzenia T1 oraz przestrzeni szablonów. Osiągamy to po przetworzeniu pełnego zestawu danych o wielu modalnościach, jak opisano poniżej. W sumie, kroki związane z przetwarzaniem indywidualnego zestawu danych wielomodalności są szczegółowe tutaj http://jeffduda.github.io/NeuroBattery/, wraz z przykładowym zestawem danych i szablonem, które mogą być wykorzystane do weryfikacji odtwarzalności procedury. Powtarza się to dla każdej osoby w populacji. Przedstawiamy teraz Przegląd etapów przetwarzania dla T1, a następnie dla każdej modalności. Rysunek 1 podsumowuje cały rurociąg.

T1 ekstrakcja mózgu

ekstrakcja mózgu przy użyciu mrówek łączy wzorce wzorcowe, wysokowydajną rejestrację obrazu mózgowego33 i Atropos 32 z udoskonaleniami topologicznymi opartymi na morfologii matematycznej, jak opisano w ref. 29 i realizowane w antsBrainExtraction.sh. przykładowy przypadek użycia znajduje się tutaj https://github.com/ntustison/antsBrainExtractionExample (jest to przykład użycia Pedagogicznego, a nie zarchiwizowany zbiór danych lub opublikowane oprogramowanie). Krótko mówiąc, na tym etapie używamy grubej i stosunkowo szybkiej rejestracji, aby obliczyć osnowę między szablonem całogłowym a przedmiotem zainteresowania. To pozwala nam wypaczać probabilistyczną ekstrakcję mózgu z szablonu w Przestrzeń podmiotu. Mapa prawdopodobieństwa wypaczonego szablonu jest młócona przy 0,5, a otrzymana maska jest rozszerzona o Promień 2. Atropos jest następnie używany do generowania początkowego oszacowania 3-segmentacji tkanek w obszarze maski. Każda z trzech masek tkankowych poddawana jest specyficznym operacjom morfologicznym, które są następnie łączone w celu utworzenia maski ekstrakcji mózgu do wykorzystania w pozostałej części przepływu pracy z grubością kory. Porównanie z wykorzystaniem otwartych danych mózgowych z publicznie dostępnymi algorytmami ekstrakcji mózgu, w tym AFNI 3DINTRACRANIAL55, FSL BET2 (ref. 56), mri_watershed Freesurfer57 i BrainSuite58 wykazały, że nasze połączone podejście do rejestracji / segmentacji 47 Działa na najwyższym poziomie obok BrainSuite (dostrojony) i FreeSurfer.

sześć segmentacji tkanek

nasza procedura segmentacji wykorzystuje dwie metody, które są kierowane przez predyspozycje anatomiczne i które działają wspólnie w celu podziału mózgu na sześć klas anatomicznych / tkankowych: płyn mózgowo-rdzeniowy, istota szara korowa, istota szara głęboka, istota biała, pień mózgu i móżdżek. Te prory tkankowe są najpierw odwzorowywane w przestrzeni testera poprzez przeprowadzanie dużej rejestracji Synodalnej deformacji między szablonowym móżdżkiem a indywidualnym móżdżkiem testera, jak w refach 37, 42, 59. Zdeformowane wzorce Priory są następnie wykorzystywane do kierowania segmentacją maksymalizacji oczekiwań (EM) (segmentacja oparta na uprzedzeniach atropos32)na przemian z korekcją niejednorodności za pomocą algorytmu korekcji pola biasu n434. Nazwa N4 wywodzi się z faktu, że jest ulepszeniem klasycznego algorytmu N360. Atropos odnosi się do postaci w mitologii greckiej, która dzierżyła „nożyce losu”; w przypadku segmentacji nożyce odnoszą się do podziału obrazu na części. Ze względu na ważną interakcję między segmentacją a korekcją biasu wykonujemy wiele iteracji N4 ⇔ Atropos. Aby lepiej zintegrować Atropos i N4, używamy czystej maski wagi prawdopodobieństwa tkanki Wygenerowanej z tylnych prawdopodobieństw wygenerowanych w procesie segmentacji. Procedura ta jest bardziej szczegółowo opisana w refs 29 i 32. Powtarzalny przykładowy zestaw danych segmentacji i wiersz poleceń dla metody ANTs antsAtroposN4.sh jest tutaj https://github.com/ntustison/antsAtroposN4Example (jest to przykład użycia Pedagogicznego, a nie zarchiwizowany zbiór danych lub opublikowane oprogramowanie).

bezpośrednia (Aka KellySlater/KellyKapowski) estymacja grubości kory

segmentacja mózgu umożliwia obliczenie grubości kory za pomocą algorytmu (Direct) opartego na rejestracji Dyfeomorficznej. DiReCT został wprowadzony w ref. 61 i udostępniony w programie KellySlater. Od tego czasu wprowadzono kilka ulepszeń i włączono je do programu KellyKapowski, w szczególności wyznaczając automatyczny zestaw parametrów na podstawie szeroko zakrojonych eksperymentów i porównań z dostępnymi w literaturze wartościami grubości kory. Co ważne, ostatnio wykazaliśmy, że metody te przewyższają pakiet Freesurfer62 pod względem wydobywania informacji z grubości kory, które są prognostyczne dla płci i wieku w dużej kolekcji neuroobrazów w całym życiu29. Wśród najważniejszych osiągnięć jest to, że nowsza implementacja jest wielowątkowa, napisana w rygorystycznym stylu kodowania ITK i została udostępniona publicznie za pośrednictwem ANTs wraz z unikalnym interfejsem użytkownika opracowanym specjalnie dla narzędzi ANTs. Przykładowy przypadek użycia z referencyjnymi danymi dwuwymiarowymi znajduje się w https://github.com/ntustison/antsCorticalThicknessExample (jest to przykład użycia Pedagogicznego, a nie zarchiwizowany zestaw danych lub opublikowane oprogramowanie). Ostatecznie algorytm bezpośredni wytwarza obraz, w przestrzeni podmiotu T1, który zawiera wokselowe Pomiary grubości kory, które są odpowiednie do zastosowania w badaniach statystycznych opartych na wokselach lub regionach, jak w refs 50, 63-65.

regionalne etykietowanie mózgu za pomocą etykiet AAL

ostatnim krokiem w naszym rurociągu T1 jest wykonanie podsumowania całkowitej objętości mózgu, sześciu segmentacji tkanek oraz grubości kory regionalnej i płatowej. W tym celu stosujemy powszechnie stosowany zestaw etykiet AAL66. Etykiety te są przekształcane z naszej przestrzeni szablonów grupowych wysokiej rozdzielczości w indywidualną przestrzeń podmiotową, postępując zgodnie z odwrotnością odwzorowania dyfeomorficznego szablonu. AAL zawiera standardowe regionalne struktury kory mózgowej, móżdżku i głębokiej istoty szarej, w tym skorupy, wzgórza, hipokampi i ogona. Dla każdego przedmiotu, który przetwarzamy, mierzymy te wielkości i średnią grubość regionu, tworząc jeden wiersz informacji, który jest ostatecznie wprowadzany do zbiorczego pliku demograficznego. Jest to wykorzystywane nie tylko do przeprowadzania badań zmiennych kohortowych, ale także do wstępnego sprawdzania danych, czyli identyfikacji podmiotów o globalnych lub regionalnych wartościach odstających w odniesieniu do znanych wartości referencyjnych.

przetwarzanie DTI

nasza procedura analizy DTI z mrówkami została zatwierdzona w ref. 67. W skrócie, opracowaliśmy zautomatyzowany rurociąg przetwarzania do obrazowania dyfuzyjnego przy użyciu narzędzi open source Camino68 i ANTs, który zapewnia wstępne przetwarzanie, ekstrakcję mózgu, obliczenia tensorowe dyfuzji i normalizację do przestrzeni szablonów, a także obrazy diagnostyczne w przestrzeni obiektu, aby pomóc w kontroli jakości, w tym anizotropii ułamkowej, średniej SKORYGOWANEJ DWI i wariancji szumu. Rdzeniem metody jest najpierw przetwarzanie danych w przestrzeni DWI, a następnie przekształcenie danych w indywidualną przestrzeń szablonów T1 lub grupową.

pierwszym krokiem w przetwarzaniu DTI jest wykonanie korekcji ruchu i zniekształceń obrazów ważonych dyfuzją. Pierwszy nieważony obraz w sekwencji dyfuzji jest używany jako obraz odniesienia do korekcji ruchu i zniekształceń. Pozostałe nieważone obrazy są sztywno wyrównane do obrazu odniesienia i uśrednione; ten średni obraz jest używany jako obraz odniesienia do afinicznej korekcji obrazów ważonych dyfuzją (DWI) dla ruchu i zniekształceń spowodowanych gradientami ciężaru dyfuzji. Maska mózgu jest obliczana przez wyrównanie średniego DWI do szablonu i wypaczenie maski mózgu szablonu w Przestrzeń obiektu. Następnie przetwarzanie jest kontynuowane na wyodrębnionym obrazie mózgu. Tensory dyfuzji są obliczane przy użyciu iteracyjnego algorytmu ważonych najmniejszych kwadratów liniowych69.

przekształcone DTI są wypaczane do przestrzeni szablonów poprzez połączenie DWI wewnątrz podmiotu do osnowy T1 z osnową wcześniej zdefiniowaną w celu normalizacji obrazu T1 podmiotu do przestrzeni szablonów. Prawidłowa orientacja anatomiczna tensorów dyfuzji jest zachowana przez zastosowanie metody zachowania głównego kierunku 70, A Statystyki skalarne, takie jak FA i średnia dyfuzyjność, są obliczane z znormalizowanych tensorów dyfuzji.

Szacowanie zmiennych uciążliwych w obrazach funkcjonalnych

kilka kroków jest wspólnych dla przetwarzania BOLD lub ASL funkcjonalnego MRI. Obejmują one ekstrakcję mózgu, korekcję ruchu i estymację zmiennych uciążliwych. W ciągu ostatnich 1-2 lat wprowadziliśmy do mrówek metody szacowania tych parametrów na podstawie danych z szeregów czasowych 4D. Korekcja ruchu jest wykonywana przez program antsMotionCorr w ANTs, który wykorzystuje metrykę wzajemnego podobieństwa informacji i nieliniowy sprzężony optymalizator gradientu, aby zmaksymalizować afiniczne lub sztywne podobieństwo między każdym obrazem w szeregu czasowym i określonym obrazem odniesienia. Metody te są oparte na zestawie narzędzi Insight w wersji 4, jak opisano w ref. 71. Parametry ruchu dla każdego przedziału czasowego są zapisywane w pliku CSV w taki sposób, że można je podsumować i ewentualnie wykorzystać jako zmienne uciążliwe w statystykach na poziomie populacji72. Dokonujemy różnych wyborów obrazu odniesienia dla każdej modalności. Dla pogrubienia wybieramy średni obraz z pełnego szeregu czasowego. Dla CASL i pCASL wybieramy średnią kontrolę oznaczoną obrazem. Dla PASL wykorzystujemy pozyskany obraz M0. Maska mózgu jest obliczana przez prostą procedurę morfologiczną (erozja morfologiczna, po której następuje wybór największego składnika i rozszerzenie morfologiczne) lub przez wyrównanie obrazu korekcji ruchu odniesienia do szablonu specyficznego dla sekwencji i wypaczenie maski mózgu szablonu w Przestrzeń podmiotu. W przypadku PTBP zastosowaliśmy to drugie podejście.

drugim poważnym uciążliwością, poza ruchem, jest hałas fizjologiczny73–75. Podczas gdy należy wybrać optymalne parametry uciążliwości dla każdego badania i w oparciu o jakość danych, zdecydujemy się użyć opartego na danych i automatycznego podejścia Compcor75, które zostało zatwierdzone w ASL i BOLD i nie opiera się na segmentacji anatomicznej. Podejście to wykonuje rozkład liczby pojedynczej na wokselach o wysokiej zmienności czasowej i wykorzystuje (zazwyczaj 3 do 6) wektory liczby pojedynczej jako regresory uciążliwości. Wykazano, że te regresory wychwytują ruch fizjologiczny, szum skanera i inne czynniki, które nie są związane z mózgowym przepływem krwi lub aktywacją odważną. Zarówno korekcja ruchu, jak i estymacja CompCor z mrówkami są pokazane tutaj https://github.com/stnava/fMRIANTs (jest to przykład użycia Pedagogicznego, a nie zarchiwizowany zestaw danych lub opublikowane oprogramowanie).

mózgowy przepływ krwi (CBF) z ASL

perfuzja miąższowa jest ważnym parametrem fizjologicznym w ocenie i leczeniu zaburzeń mózgu, a także zastępczym wskaźnikiem aktywności neuronowej76. Rezonans perfuzyjny ASL idealnie nadaje się również do badań farmaceutycznych w populacjach pediatrycznych, ponieważ umożliwia bezwzględne oznaczanie CBF, jest całkowicie nieinwazyjny i potencjalnie wrażliwy na odpowiedź na leczenie 23. W przeciwieństwie do tego, neuroanatomicznie zdefiniowane pomiary,takie jak grubość kory22,77, 78 i FA, wynikają bezpośrednio z odpowiednich właściwości fizycznych obrazowanej tkanki mózgowej i mogą nie wychwytywać krótkookresowych efektów funkcjonalnych z powodu interwencji lub treningu. PTBP określa wykonalność ASL-MRI w przedziale wiekowym, w którym mózg szybko się rozwija i kiedy mogą pojawić się wczesne objawy przyszłych zaburzeń neuropsychiatrycznych. Ta funkcjonalna miara ilościowa (w porównaniu z względnymi wartościami podanymi przez BOLD) może potencjalnie ujawnić zmiany w mózgu spowodowane urazem79, bólem80,interwencją farmakologiczną81, 82 lub które poprzedzają widoczne zmiany strukturalne i mogą wskazywać na reorganizację kory mózgowej83. CBF jest bardziej powtarzalnym pomiarem funkcjonalnym niż BOLD84,85, może być stosowany w analizie sieci zamiast lub w połączeniu z BOLD86 i zapewnia unikalny widok na mózg komplementarny do DTI i T1.

Obraz M0 każdego obiektu, uzyskany jako średnia obrazów kontrolnych, został wypaczony do obrazu T1 obiektu za pomocą antsIntermodalityIntrasubject.sh scenariusz. Transformacje te zostały połączone z transformacjami subject-to-template w celu wypaczenia etykiet szablonu do natywnej przestrzeni ASL subject. Obraz M0 służył jako punkt odniesienia dla korekcji ruchu wszystkich objętości punktów czasowych. Oprócz opisanych powyżej regresorów ruchu i uciążliwości, jako regresor włączyliśmy tag lub etykietę kontrolną obrazu, a współczynnik tego regresora odpowiada średniej różnicy między tagiem a kontrolą. Wszystkie regresory zostały uwzględnione w solidnym schemacie regresji do obliczania CBF87. Równanie do obliczania CBF można znaleźć w ref. 88 przy założonej wydajności etykietowania 0,85. Szczegółowe informacje dostępne są w skrypcie open-source pod adresem https://raw.github.com/stnava/ANTs/master/Scripts/antsASLProcessing.sh (jest on dostępny jako część repozytorium Figshare, Data Citation 1). Wartość T1 we krwi została dostosowana do wieku i płci jako T1=(2115,6–21,5*wiek-73,3*płeć) ms, gdzie Płeć żeńska została ustawiona na 0, a męska na 1, jak sugerowano w ref. 88.

analiza sieci ze spoczynkową pogrubieniem fMRI

analiza sieci może być wykonywana z dowolnym z trzech typów wejściowych danych szeregów czasowych: standard BOLD, ASL-BOLD lub ASL-CBF. Sygnał ASL-CBF może mieć przewagę nad BOLDEM, szczególnie w obszarach orbitofronalnych i przednich skroniowych,w których występuje standardowy spadek sygnału BOLD89, 90. Ponieważ jednak analiza sieci ASL-CBF jest stosunkowo nowa i mamy inne metody walidacji ASL-CBF, skupiamy się na analizie sieci przy użyciu modalności spoczynkowej z PTBP. Celem jest wyodrębnienie standardowych pomiarów sieci, które można ocenić w celu porównania z danymi demograficznymi, aby pomóc ustalić Ważność pozyskania i przetwarzania.

naszą konstrukcję wykresu/sieci opieramy na standardowych etykietach korowych AAL, które przekształcamy z przestrzeni podmiotu T1 w Przestrzeń pogrubioną. Wolimy przeprowadzać analizy w odważnej przestrzeni, aby zminimalizować zakłócenia związane z interpolacją i ponownym próbkowaniem obrazów o niskiej rozdzielczości, ponieważ mogą one zniekształcać wyniki w sposób zależny od podmiotu. Każdy pogrubiony obraz jest najpierw odwzorowywany w odniesieniu do parametrów podstawowych opisanych powyżej, czyli parametrów ruchu i wektorów CompCor. Dla każdej interesującej etykiety AAL (tutaj tylko kora, etykiety 1-90) obliczany jest uśredniony regionowo sygnał czasowy. Każdy szereg czasowy jest następnie filtrowany pasmowo za pomocą filtrowania Christiano-Fitzgerald91, zaimplementowanego przez funkcję R cffilter w pakiecie mfilter, w celu zbadania zakresu częstotliwości odpowiednich dla określonego typu danych. Do filtrowania pasmowo-passowego wybieramy zakres częstotliwości 0,01-0,1 Hz na podstawie wcześniejszych prac92 oraz na podstawie wstępnych analiz, w kilku tematach, odtwarzalności sieci. Komponent sieciowy rurociągu przetwarzania jest dostępny w skrypcie ANTs / ANTsR antsBOLDNetworkAnalysis.R, który zakłada, że dostępne są etykiety mózgu i parametry ruchu. Podstawowym wyjściem tego skryptu używanego w sprawdzaniu danych, Poniżej, jest macierz korelacji N×N Pearsona zdefiniowana przez korelację między filtrowanymi sygnałami czasowymi dla każdego z regionów oznaczonych N.