Summary

Eine standardisierte Pipeline zur Untersuchung der Morphometrie der menschlichen zerebellären grauen Substanz mittels struktureller Magnetresonanztomographie

Published: February 04, 2022
doi:

Summary

Es wird eine standardisierte Pipeline zur Untersuchung der Morphometrie der grauen Substanz des Kleinhirns vorgestellt. Die Pipeline kombiniert hochauflösende, hochmoderne Ansätze zur optimierten und automatisierten Kleinhirnpaketierung und voxelbasierten Registrierung des Kleinhirns zur volumetrischen Quantifizierung.

Abstract

Mehrere Forschungslinien liefern überzeugende Beweise für eine Rolle des Kleinhirns in einer Vielzahl von kognitiven und affektiven Funktionen, die weit über seine historische Assoziation mit der motorischen Kontrolle hinausgehen. Strukturelle und funktionelle Neuroimaging-Studien haben das Verständnis der funktionellen Neuroanatomie des Kleinhirns über seine anatomischen Abteilungen hinaus weiter verfeinert und die Notwendigkeit der Untersuchung einzelner Kleinhirnuntereinheiten bei gesunder Variabilität und neurologischen Erkrankungen hervorgehoben. Dieses Papier stellt eine standardisierte Pipeline zur Untersuchung der Mikrorebell-Morphometrie der grauen Substanz vor, die hochauflösende, hochmoderne Ansätze für eine optimierte und automatisierte Kleinhirnparzellierung (Automatic Cerebellum Anatomical Parcellation using U-Net Locally Constrained Optimization; ACAPULCO) und voxelbasierte Registrierung des Kleinhirns (Spatially Unbiased Infra-tentorial Template; SUIT) zur volumetrischen Quantifizierung.

Die Pipeline ist breit auf eine Reihe von neurologischen Erkrankungen anwendbar und vollständig automatisiert, wobei manuelle Eingriffe nur für die Qualitätskontrolle der Ergebnisse erforderlich sind. Die Pipeline ist frei verfügbar, mit umfangreicher Begleitdokumentation und kann auf Mac-, Windows- und Linux-Betriebssystemen ausgeführt werden. Die Pipeline wird in einer Kohorte von Personen mit Friedreich-Ataxie (FRDA) angewendet, und es werden repräsentative Ergebnisse sowie Empfehlungen zu inferentiellen statistischen Analysen auf Gruppenebene bereitgestellt. Diese Pipeline könnte die Zuverlässigkeit und Reproduzierbarkeit auf dem gesamten Gebiet erleichtern und letztendlich einen leistungsfähigen methodischen Ansatz zur Charakterisierung und Verfolgung von kleinhirnstrukturellen Veränderungen bei neurologischen Erkrankungen bieten.

Introduction

Das Kleinhirn ist ein Teil des Gehirns, der historisch mit der motorischen Kontrolle 1,2,3 verbunden ist und von dem angenommen wird, dass er nur an einer kleinen Anzahl seltener Krankheiten, wie vererbten Ataxien 4, beteiligt ist. Konvergierende Forschungslinien aus anatomischen Rückverfolgungsstudien an nichtmenschlichen Primaten sowie Studien zu menschlichen Läsionen und Neuroimaging liefern jedoch überzeugende Beweise für eine Rolle des Kleinhirns in einer Vielzahl von kognitiven5,6,7, affektiven8,9,10,11 und anderen nichtmotorischen Funktionen 7,12 (siehe 6  zur Überprüfung). Darüber hinaus sind Anomalien des Kleinhirns zunehmend mit einer breiten Palette von neurologischen und psychiatrischen Erkrankungen verbunden, darunter die Parkinson-Krankheit 13, die Alzheimer-Krankheit14,15, die Epilepsie16,17, die Schizophrenie 18 und die Autismus-Spektrum-Störung 19 . Daher ist es unerlässlich geworden, das Kleinhirn in funktionelle und strukturelle Modelle menschlicher Hirnerkrankungen und normativer Verhaltensvariabilität zu integrieren.

Anatomisch kann das Kleinhirn entlang seiner oberen bis unteren Achse in drei Lappen unterteilt werden: vordere, hintere und flockungstragende Achsen. Die Lappen sind weiter unterteilt in 10 Läppchen, die durch römische Ziffern I-X20,21 gekennzeichnet sind (Abbildung 1). Das Kleinhirn kann auch in Mittellinien- (Vermis) und laterale (Hemisphäre) Zonen gruppiert werden, die jeweils Eingaben vom Rückenmark und der Großhirnrinde erhalten. Der vordere Lappen, bestehend aus Läppchen I-V, wurde traditionell mit motorischen Prozessen in Verbindung gebracht und hat wechselseitige Verbindungen mit zerebralen motorischen Kortexen22. Der hintere Lappen, der die Läppchen VI-IX umfasst, ist in erster Linie mit nichtmotorischen Prozessen11 assoziiert und weist reziproke Verbindungen mit dem präfrontalen Kortex, dem posterioren Parietal und den oberen temporalen Hirnrinde 8,23 auf. Schließlich hat der flockungslobuläre Lappen, der das Läppchen X umfasst, wechselseitige Verbindungen mit vestibulären Kernen, die die Augenbewegungen und das Körpergleichgewicht während des Standes und des Ganges21 steuern.

Eine wachsende Zahl neuerer Arbeiten mit funktioneller Neurobildgebung hat das Verständnis der funktionellen Neuroanatomie des Kleinhirns über seine anatomischen Abteilungen hinaus weiter verfeinert. Zum Beispiel wurden Techniken der funktionellen Magnetresonanztomographie (fMRT) im Ruhezustand verwendet, um das Muster der funktionellen Wechselwirkungen zwischen Kleinhirn und Großhirn24 abzubilden. Darüber hinaus zeigten King und Kollegen7 unter Verwendung eines aufgabenbasierten Paketierungsansatzes, dass das Kleinhirn ein reiches und komplexes Muster funktioneller Spezialisierung über seine gesamte Breite zeigt, was durch ausgeprägte funktionelle Grenzen belegt wird, die mit einer Vielzahl von motorischen, affektiven, sozialen und kognitiven Aufgaben verbunden sind. Insgesamt unterstreichen diese Studien, wie wichtig es ist, einzelne Kleinhirnuntereinheiten zu untersuchen, um vollständige biologische Charakterisierungen der Kleinhirnbeteiligung sowohl bei gesunder Variabilität als auch bei neurologischen Erkrankungen zu entwickeln, die durch Veränderungen der Kleinhirnstruktur und / oder -funktion gekennzeichnet sind.

Die vorliegende Arbeit konzentriert sich auf Methoden zur Quantifizierung lokaler Veränderungen des Kleinhirnvolumens mittels struktureller MRT beim Menschen. Im Allgemeinen gibt es zwei grundlegende Ansätze zur Quantifizierung des regionalen Gehirnvolumens mithilfe von MRT-Daten: die merkmalsbasierte Segmentierung und die voxelbasierte Registrierung. Merkmalsbasierte Segmentierungsansätze verwenden anatomische Landmarken und standardisierte Atlanten, um Grenzen zwischen Teilbereichen automatisch zu identifizieren. Mainstream-Softwarepakete für die Segmentierung sind FreeSurfer25, BrainSuite 26 und FSL-FIRST27. Diese Verpackungen enthalten jedoch nur grobe Parzellierungen des Kleinhirns (z. B. Beschriftung der gesamten grauen Substanz und der ganzen weißen Substanz in jeder Hemisphäre), wodurch die einzelnen Kleinhirnläppchen übersehen werden. Diese Ansätze sind auch anfällig für Fehlsegmentierungen, insbesondere für die Überinklusion des umgebenden Gefäßsystems.

Es wurden neue Algorithmen für maschinelles Lernen und Multi-Atlas-Etikettierung entwickelt, die eine genauere und feinkörnigere Parzellierung des Kleinhirns ermöglichen, einschließlich des Algorithmus für die automatische Klassifizierung von Kleinhirnläppchen unter Verwendung der impliziten mehrgrenzenigen Evolution (ACCLAIM28,29), des Cerebellar Analysis Toolkit (CATK 30), mehrerer automatisch generierter Vorlagen (MAGeT 31), der schnellen automatischen Segmentierung des menschlichen Kleinhirns und seiner Läppchen (RASCAL 32 ), graph-cut segmentation33 und CEREbellum Segmentation (CERES34). In einem kürzlich erschienenen Artikel, in dem modernste vollautomatische Kleinhirnpaketierungsansätze verglichen wurden, wurde festgestellt, dass CERES2 andere Ansätze im Vergleich zur manuellen Goldstandardsegmentierung der Kleinhirnläppchen übertrifft35. In jüngerer Zeit entwickelten Han und seine Kollegen36 einen Deep-Learning-Algorithmus namens ACAPULCO (Automatic Cerebellum Anatomical Parcellation using U-Net with locally constrained optimization), der CERES2 ebenbürtig ist, eine breite Anwendbarkeit sowohl auf gesunde als auch auf atrophierte Kleinhirne hat, im Open-Source-Docker- und Singularity-Containerformat für die Implementierung “von der Stange” verfügbar ist und zeiteffizienter ist als andere Ansätze. ACAPULCO teilt das Kleinhirn automatisch in 28 anatomische Regionen ein.

Im Gegensatz zur featurebasierten Segmentierung funktionieren voxelbasierte Registrierungsansätze, indem eine MRT präzise auf ein Vorlagenbild abgebildet wird. Um dieses Mapping zu erreichen, müssen die Voxel im Originalbild in Größe und Form verzerrt sein. Das Ausmaß dieser Verzerrung liefert effektiv ein Maß für das Volumen an jedem Voxel relativ zur Goldstandard-Vorlage. Diese Form der volumetrischen Bewertung wird als “voxelbasierte Morphometrie” bezeichnet37. Ganzhirn-Voxel-basierte Registrierungsansätze wie FSL-FLIRT38/FNIRT39, SPM Unified Segmentation40 und CAT1241 werden häufig für die Voxel-basierte Morphometrie verwendet. Diese Ansätze erklären das Kleinhirn jedoch nicht gut, was zu einer schlechten Reliabilität und Validität in infratentorialen Regionen (Kleinhirn, Hirnstamm42) führt. Um diesen Einschränkungen Rechnung zu tragen, wurde der SUIT-Algorithmus (Spatially Unbiased Infra-tentorial Template) entwickelt, um die Kleinhirnregistrierung zu optimieren und die Genauigkeit der voxelbasierten Morphometriezu verbessern 42,43.

Merkmalsbasierte Segmentierung und voxelbasierte Registrierungsansätze zur Schätzung des regionalen Kleinhirnvolumens haben grundlegende Stärken und Schwächen. Segmentierungsansätze sind wesentlich genauer für die Quantifizierung des Volumens von anatomisch definierten Bereichen (z. B. Läppchen35). Grenzen zwischen verschiedenen funktionellen Modulen des Kleinhirns lassen sich jedoch nicht auf seine anatomische Folia und Fissuren (äquivalent zu Gyri und Sulci des Großhirns7) abbilden. Da registrierungsbasierte Ansätze nicht durch anatomische Landmarken eingeschränkt sind, ist eine feinkörnigere räumliche Inferenz und eine hochdimensionale Struktur-Funktions-Abbildung des Kleinhirns möglich44. Zusammengenommen ergänzen sich Segmentierungs- und Registrierungsansätze und können zur Beantwortung unterschiedlicher Forschungsfragen eingesetzt werden.

Hier wird eine neue standardisierte Pipeline vorgestellt, die diese bestehenden, validierten Ansätze integriert, um eine optimierte und automatisierte Paketierung (ACAPULCO) und voxelbasierte Registrierung des Kleinhirns (SUIT) für die volumetrische Quantifizierung zu ermöglichen (Abbildung 2). Die Pipeline baut auf den etablierten Ansätzen auf, um Qualitätskontrollprotokolle unter Verwendung qualitativer Visualisierung und quantitativer Ausreißererkennung sowie eine schnelle Methode zur Schätzung des intrakraniellen Volumens (ICV) mit Freesurfer zu umfassen. Die Pipeline ist voll automatisiert, wobei manuelle Eingriffe nur für die Überprüfung der Qualitätskontrollausgaben erforderlich sind, und kann auf Mac-, Windows- und Linux-Betriebssystemen ausgeführt werden. Die Pipeline ist ohne Einschränkungen ihrer Verwendung für nichtkommerzielle Zwecke frei verfügbar und kann über die Webseite ENIGMA Consortium Imaging Protocols (unter “ENIGMA Cerebellum Volumetrics Pipeline”) nach Ausfüllen eines kurzen Registrierungsformulars45 abgerufen werden.

Die gesamte erforderliche Software ist in der Materialtabelle aufgeführt, und detaillierte Lernprogramme, einschließlich einer Live-Demonstration, stehen beim Herunterladen der Pipeline zusätzlich zu dem unten beschriebenen Protokoll zur Verfügung. Schließlich werden repräsentative Ergebnisse aus der Implementierung der Pipeline in einer Kohorte von Menschen mit Friedreich-Ataxie (FRDA) und alters- und geschlechtsangepassten gesunden Kontrollen sowie Empfehlungen für statistische Inferenzanalysen auf Gruppenebene bereitgestellt.

Protocol

HINWEIS: Die in dieser Studie verwendeten Daten waren Teil eines Projekts, das von der Ethikkommission für Humanforschung der Monash University genehmigt wurde (Projekt 7810). Die Teilnehmer gaben eine schriftliche Einwilligung nach Aufklärung. Während die Pipeline auf Mac-, Windows- oder Linux-Betriebssystemen ausgeführt werden kann, wurden ACAPULCO, GAT und die QC-Pipelines explizit auf Linux- (Ubuntu) und Mac- (Catalina, Big Sur v11.0.1) Betriebssystemen getestet. 1. Modul 1: ACAP…

Representative Results

Kleinhirnpaketierung (ACAPULCO) Qualitätskontrolle von Kleinhirn-Paketmasken:Die folgenden Beispiele veranschaulichen die ACAPULCO-Paketausgaben und leiten die Entscheidungsfindung in Bezug auf a) die Qualität der Paketmaske auf individueller Ebene und b) die anschließende Einbeziehung oder den Ausschluss eines bestimmten Läppchens aus den statistischen Analysen. Letztendlich ist die Entscheidung, ein Subjekt aufzunehmen oder auszuschließen, subjektiv…

Discussion

Das Kleinhirn ist entscheidend für eine breite Palette von menschlichen motorischen3, kognitiven58, affektiven10 und Sprache 7,59 Funktionen und ist an vielen neurologischen und psychiatrischen Erkrankungen beteiligt. Die Verfügbarkeit eines standardisierten und leicht umsetzbaren Ansatzes für die Quantifizierung regionaler Kleinhirnvolumina wird zu einer immer detaillierteren Struktur-Fun…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Die in diesem Manuskript vorgestellte Arbeit wurde durch einen Ideenzuschuss des Australian National Health and Medical Research Council (NHMRC) finanziert: APP1184403.

Materials

ACAPULCO pipeline files  0.2.1 http://enigma.ini.usc.edu/protocols/imaging-protocols/ Please make sure to use acapulco version 0.2.1
Docker for Mac https://docs.docker.com/desktop/mac/install/ macOS must be version 10.14 or newer
Docker requires sudo priviledges
Docker imposes a memory (RAM) constraint on Mac OS. To increase the RAM, open Docker Desktop, go to Preferences and click on resources. Increase the Memory to the maximum
Docker for Windows https://docs.docker.com/docker-for-windows/install/
ENIGMA SUIT scripts http://enigma.ini.usc.edu/protocols/imaging-protocols/
FreeSurfer 7 https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall Following variables need to be set everytime you work with Freesurfer:
export FREESURFER_HOME=equationfreesurfer _installation_directoryequation
source $FREESURFER_HOME/SetUpFreeSurfer.sh
export SUBJECTS_DIR=equationpathequation/enigma/Freesurfer
FSL (for FSLeyes). Optional 6 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
ICV pipeline files http://enigma.ini.usc.edu/protocols/imaging-protocols/ ICV pipeline can be run in two ways: 1) with docker/singularity. You will not require additionl software; 2) without docker/singularity- this involves running the ICV script (calculate_icv.py) manually. You will require the following additional software:
Python version equation=3.5
Python module pandas
Python module fire
Python module tabulate
Python module Colorama
https://github.com/Characterisation-Virtual-Laboratory/calculate_icv
MATLAB* 2019 or newer https://au.mathworks.com/ An academic license is required
Singularity 3.7 or newer https://www.sylabs.io/docs/ Prefered for high performance computing (HPC) clusters
SPM 12 http://www.fil.ion.ucl.ac.uk/spm/software/spm12/ Make sure spm12 and all subfolders are in your MATLAB path
SUIT Toolbox 3.4 http://www.diedrichsenlab.org/imaging/suit_download.htm Make sure you place SUIT toolbox in spm12/toolbox directory
Troubleshooting manual and segmentation output examples http://enigma.ini.usc.edu/protocols/imaging-protocols/
Tutorial manual and video http://enigma.ini.usc.edu/protocols/imaging-protocols/ Manual and accompanying live demonstration provide detailed step-by-step instructions on how to run the pipeline from start to finish.
*Not freely available; an academic license is required

Riferimenti

  1. Holmes, G. The cerebellum of man (Hughlings Jackson memorial lecture). Brain. 62, 1-30 (1939).
  2. Ito, M. The modifiable neuronal network of the cerebellum. The Japanese Journal of Physiology. 34 (5), 781-792 (1984).
  3. Manto, M., Oulad Ben Taib, N. The contributions of the cerebellum in sensorimotor control: what are the prevailing opinions which will guide forthcoming studies. Cerebellum. 12 (3), 313-315 (2013).
  4. Manto, M., Gandini, J., Feil, K., Strupp, M. Cerebellar ataxias: an update. Current Opinion in Neurology. 33 (1), 150-160 (2020).
  5. Schmahmann, J. D. Disorders of the cerebellum: ataxia, dysmetria of thought, and the cerebellar cognitive affective syndrome. The Journal of Neuropsychiatry and Clinical Neurosciences. 16 (3), 367-378 (2004).
  6. Strick, P. L., Dum, R. P., Fiez, J. A. Cerebellum and nonmotor function. Annual Review of Neuroscience. 32, 413-434 (2009).
  7. King, M., Hernandez-Castillo, C. R., Poldrack, R. A., Ivry, R. B., Diedrichsen, J. Functional boundaries in the human cerebellum revealed by a multi-domain task battery. Nature Neuroscience. 22 (8), 1371-1378 (2019).
  8. Schmahmann, J. D. An emerging concept. The cerebellar contribution to higher function. Archives of Neurology. 48 (11), 1178-1187 (1991).
  9. Schmahmann, J. D., Sherman, J. C. The cerebellar cognitive affective syndrome. Brain. 121, 561-579 (1998).
  10. Schutter, D. J., van Honk, J. The cerebellum on the rise in human emotion. Cerebellum. 4 (4), 290-294 (2005).
  11. Stoodley, C. J., Schmahmann, J. D. Functional topography in the human cerebellum: a meta-analysis of neuroimaging studies. Neuroimage. 44 (2), 489-501 (2009).
  12. Guell, X., Gabrieli, J. D. E., Schmahmann, J. D. Triple representation of language, working memory, social and emotion processing in the cerebellum: convergent evidence from task and seed-based resting-state fMRI analyses in a single large cohort. Neuroimage. 172, 437-449 (2018).
  13. Lewis, M. M., et al. The role of the cerebellum in the pathophysiology of Parkinson’s disease. The Canadian Journal of Neurological Sciences. 40 (3), 299-306 (2013).
  14. Möller, C., et al. Different patterns of gray matter atrophy in early- and late-onset Alzheimer’s disease. Neurobiology of Aging. 34 (8), 2014-2022 (2013).
  15. Colloby, S. J., O’Brien, J. T., Taylor, J. P. Patterns of cerebellar volume loss in dementia with Lewy bodies and Alzheimer׳s disease: A VBM-DARTEL study. Psychiatry Research. 223 (3), 187-191 (2014).
  16. McDonald, C. R., et al. Subcortical and cerebellar atrophy in mesial temporal lobe epilepsy revealed by automatic segmentation. Epilepsy Research. 79 (2-3), 130-138 (2008).
  17. Marcián, V., et al. Morphological changes of cerebellar substructures in temporal lobe epilepsy: A complex phenomenon, not mere atrophy. Seizure. 54, 51-57 (2018).
  18. Nopoulos, P. C., Ceilley, J. W., Gailis, E. A., Andreasen, N. C. An MRI study of cerebellar vermis morphology in patients with schizophrenia: evidence in support of the cognitive dysmetria concept. Biological Psychiatry. 46 (5), 703-711 (1999).
  19. Stoodley, C. J. Distinct regions of the cerebellum show gray matter decreases in autism, ADHD, and developmental dyslexia. Frontiers in Systems Neuroscience. 8, 92 (2014).
  20. Larsell, O. The development of the cerebellum in man in relation to its comparative anatomy. The Journal of Comparative Neurology. 87 (2), 85-129 (1947).
  21. Haines, D. E., Mihailoff, G. A. The Cerebellum. Fundamental neuroscience for basic and clinical applications. 5th edn. , 394-412 (2018).
  22. Kelly, R. M., Strick, P. L. Cerebellar loops with motor cortex and prefrontal cortex of a nonhuman primate. Journal of Neuroscience. 23 (23), 8432-8444 (2003).
  23. Schmahmann, J. D., Pandya, D. N. Anatomical investigation of projections to the basis pontis from posterior parietal association cortices in rhesus monkey. The Journal of Comparative Neurology. 289 (1), 53-73 (1989).
  24. Buckner, R. L., Krienen, F. M., Castellanos, A., Diaz, J. C., Yeo, B. T. The organization of the human cerebellum estimated by intrinsic functional connectivity. Journal of Neurophysiology. 106 (5), 2322-2345 (2011).
  25. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  26. Shattuck, D. W., Leahy, R. M. BrainSuite: an automated cortical surface identification tool. Medical Image Analysis. 6 (2), 129-142 (2002).
  27. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. Neuroimage. 56 (3), 907-922 (2011).
  28. Bogovic, J. A., Bazin, P. L., Ying, S. H., Prince, J. L. Automated segmentation of the cerebellar lobules using boundary specific classification and evolution. Information Processing in Medical Imaging. 23, 62-73 (2013).
  29. Bogovic, J. A., Prince, J. L., Bazin, P. L. A Multiple object geometric deformable model for image segmentation. Computer Vision and Image Understanding: CVIU. 117 (2), 145-157 (2013).
  30. Price, M., Cardenas, V. A., Fein, G. Automated MRI cerebellar size measurements using active appearance modeling. Neuroimage. 103, 511-521 (2014).
  31. Chakravarty, M. M., et al. Performing label-fusion-based segmentation using multiple automatically generated templates. Humain Brain Mapping. 34 (10), 2635-2654 (2013).
  32. Weier, K., Fonov, V., Lavoie, K., Doyon, J., Collins, D. L. Rapid automatic segmentation of the human cerebellum and its lobules (RASCAL)–implementation and application of the patch-based label-fusion technique with a template library to segment the human cerebellum. Human Brain Mapping. 35 (10), 5026-5039 (2014).
  33. Yang, Z., et al. Automated cerebellar lobule segmentation with application to cerebellar structural analysis in cerebellar disease. Neuroimage. 127, 435-444 (2016).
  34. Romero, J. E., et al. CERES: A new cerebellum lobule segmentation method. Neuroimage. 147, 916-924 (2017).
  35. Carass, A., et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images. Neuroimage. 183, 150-172 (2018).
  36. Han, S., Carass, A., He, Y., Prince, J. L. Automatic cerebellum anatomical parcellation using U-Net with locally constrained optimization. Neuroimage. 218, 116819 (2020).
  37. Ashburner, J., Friston, K. J. Voxel-based morphometry–the methods. Neuroimage. 11 (6), 805-821 (2000).
  38. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Medical Image Analysis. 5 (2), 143-156 (2001).
  39. Andersson, J., Jenkinson, M., Smith, S. . Non-linear registration, aka spatial normalisation. Report No. TR07JA2. , (2010).
  40. Ashburner, J., Friston, K. J. Unified segmentation. Neuroimage. 26 (3), 839-851 (2005).
  41. Dahnke, R., Yotter, R. A., Gaser, C. Cortical thickness and central surface estimation. Neuroimage. 65, 336-348 (2013).
  42. Diedrichsen, J. A spatially unbiased atlas template of the human cerebellum. Neuroimage. 33 (1), 127-138 (2006).
  43. Diedrichsen, J., Balsters, J. H., Flavell, J., Cussans, E., Ramnani, N. A probabilistic MR atlas of the human cerebellum. Neuroimage. 46, 39-46 (2009).
  44. Harding, I. H., et al. Brain structure and degeneration staging in Friedreich ataxia: Magnetic resonance imaging volumetrics from the ENIGMA-Ataxia Working Group. Annals of Neurology. 90 (4), 570-583 (2021).
  45. MRIQC. Poldrack Lab, Stanford University Available from: https://mriqc.readthedocs.io/en/stable/ (2020)
  46. dcm2niix. Rorden Lab, University of South Carolina Available from: https://github.com/rordenlab/dcm2niix (2021)
  47. . Docker Available from: https://docs.docker.com/ (2021)
  48. Singularity. Sylabs Available from: https://sylabs.io/singularity (2021)
  49. MATLAB. The MathWorks, Inc Available from: https://au.mathworks.com/ (2021)
  50. Statistical parametric mapping SPM12. The Wellcome Centre for Human Neuroimaging Available from: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ (2020)
  51. . FreeSurfer download and install Available from: https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall (2020)
  52. Selvadurai, L. P., et al. Cerebral and cerebellar grey matter atrophy in Friedreich ataxia: the IMAGE-FRDA study. Journal of Neurology. 263 (11), 2215-2223 (2016).
  53. Schmahmann, J. D. The cerebellum and cognition. Neuroscience Letters. 688, 62-75 (2019).
  54. Diedrichsen, J., Zotow, E. Surface-based display of volume-averaged cerebellar imaging data. PLoS One. 10 (7), 0133402 (2015).
  55. Gottwald, B., Mihajlovic, Z., Wilde, B., Mehdorn, H. M. Does the cerebellum contribute to specific aspects of attention. Neuropsychologia. 41 (11), 1452-1460 (2003).
  56. Starowicz-Filip, A., et al. The role of the cerebellum in the regulation of language functions. Psychiatria Polska. 51 (4), 661-671 (2017).
  57. Guell, X., Schmahmann, J. D., Gabrieli, J., Ghosh, S. S. Functional gradients of the cerebellum. Elife. 7, 36652 (2018).

Play Video

Citazione di questo articolo
Kerestes, R., Han, S., Balachander, S., Hernandez-Castillo, C., Prince, J. L., Diedrichsen, J., Harding, I. H. A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging. J. Vis. Exp. (180), e63340, doi:10.3791/63340 (2022).

View Video