Конективно снимање за мапирање стаза људског мозга | молекуларна психијатрија

Конективно снимање за мапирање стаза људског мозга | молекуларна психијатрија

Anonim

Субјекти

  • Биотехнологија
  • Неурознаност

Апстрактан

Уз брзо напредовање техника конективне обраде слика, имамо прилику да мапирамо путеве људског мозга ин виво са невиђеном резолуцијом. У овом чланку анализирамо тренутна кретања дифузијског магнетног резонанца (МРИ) за реконструкцију анатомских путева у конектомским студијама. Прво уводимо позадину дифузионог МРИ-а са нагласком на технички напредак и изазове у врхунским шемама за набавку више шкољки које се користе у Хуман Цоннецтоме пројекту. Карактеризација микроструктуралног окружења у људском мозгу расправља се од модела тензора до модела опште оријентације влакана (ФОД) који могу разрешити прелазећа влакна у сваком вокселу слике. Помоћу трактографије засноване на ФОД-у описујемо нове методе реконструкције снопа влакана и анализу повезаности засноване на графовима. Надолазећи на ове нове догађаје, већ су постојале успешне примене техника повезивања слика у реконструкцији изазовних путева мозга. Примјери који укључују ретинофугалне путеве и пут мозга биће прегледани. Коначно, разговарамо о будућим правцима у повезивању слика и њеној интеракцији са другим аспектима истраживања имиџа мозга.

Увод

Мапирање повезаности можданих склопова од суштинске је важности за наше разумевање функција људског мозга. Различити неуролошки и ментални поремећаји повезани су са прекидом повезаности мозга у круговима као што су кортико-стриато-таламо-кортикална мрежа, 1, 2, 3 наградна кола 4 и лимбички систем. 5 Студије убризгавања пратилаца историјски су коришћене за ово мапирање и даље су најпоузданији начин закључивања аксоналне везе у мозгу сисара, 3, 6, али њихова употребљивост је ограничена на студије на животињама. За ин виво мапирање повезаности људског мозга, магнетна резонанца (МРИ) је најмоћнија модалитет са својом неинвазивном природом и свестраношћу у испитивању и структуре и функције мозга.

Постоје два главна модалитета за проучавање повезаности мозга са МРИ: дифузија и функционална МРИ (фМРИ). Дифузијска МРИ (дМРИ) сакупља сигнале осетљиве на дифузију молекула воде дуж различитих праваца. Подаци 7, 8 дМРИ могу се користити за израчунавање вероватноће расподјеле аксонских оријентација, које се затим спајају да би се успоставила структурна повезаност кроз регије мозга помоћу трактографских техника. 9, 10 фМРИ мери флуктуацију сигнала зависних од нивоа кисеоника у крви (БОЛД) и успоставља повезаност као синхронизацију фМРИ сигнала на различитим локацијама мозга. 11, 12, 13 Откако су пронађене обе технике пре две деценије, направљен је огроман напредак и технолошки и научно, што је кулминирало финансирањем пројекта Хуман Цоннецтоме (ХЦП: //ввв.хуманцоннецтомепројецт.орг/) од НИХ у 2009. 14, 15 Конкретно, били смо сведоци последњих неколико година драматичном напретку и сазревању вишепојасних техника слике и њиховом усвајању у конективним протоколима слике. 16, 17, 18 То је резултирало са скоро два реда повећања сликовних података са знатно побољшаном резолуцијом која обухвата просторне, временске и угаоне димензије. 19, 20, 21

Ови богати ресурси у повезивању слика пружају велике могућности за мапирање путева људског мозга са невиђеном тачношћу. С друге стране, ова лавина БИГ ДАТА 22, 23 ин цоннецтомицс 24, 25 такође представља изазове за постојеће алгоритме за анализу слике. Ово је подстакло развој нових аналитичких решења за проучавање повезаности мозга у различитим аспектима конектомске слике. У овом се чланку фокусирамо на преглед недавних напретка конектоматског снимања дМРИ методама. Прво уводимо основне концепте дифузијског снимања и сродне технике за моделирање микроструктуре мозга. Такође расправљамо о техникама трактографије и како се могу користити за реконструкцију снопова влакана и проучавање мрежне повезаности. Коначно, представљени су будући истраживачки правци у повезивању слика и њихова примена у неурознанственим истраживањима.

Позадина дифузијског снимања

Разумевање сигнала дифузијског снимања

У дМРИ експерименту, подаци које прикупљамо су серија 3Д волумена. Међу тим количинама, неке од њих, назване Б0 слике, генерисане су без примене дифузионих градијената. Остатак слика се добија са различитим градијентима дифузије који су корисни за карактеризацију аксона у различитим просторним распоредима. Као што је сажето у Табели 1, кључни параметри у дМРИ експериментима укључују време дифузије, јачину градијента и правце градијента. 26, 27 У принципу, дифузијски сигнал потиче од одмашивања спинова због њиховог померања током дМРИ експеримента. Време дифузије вјероватно одређује колико ће удаљени молекул воде или спинови прећи у дМРИ експерименту. Са повећањем времена дифузије, центрифуге ће вероватно отпутовати даље од своје првобитне локације и тако резултирати већим пригушењем МР сигнала. Поред времена дифузије, јачина градијента утиче и на сигнал дифузије. Што је јача градијентна јачина, то више пригушења имамо на дМРИ слици. Учинак времена дифузије и јачине градијента сажет је у количини која се назива б- вредност. У конвенционалним дМРИ експериментима, б- вредност је фиксирана и промењени су само правци градијента да би се добио низ 3Д волумена. Ово је такозвана К-лопта са једном шкољком 28 за разлику од шеме с више љуски (слике 1д-ф) која се користи у протоколима за повезивање слика. 20 У експериментима са више љуски, поред промене правца градијента користи се и мали скуп различитих б- вредности. То пружа могућност софистициранијег моделирања дифузије воде у људском мозгу. Генерално, можемо имати различиту вредност б за сваки правац нагиба. Ово је схема аквизиције усвојена у дифузијском спектру. 29 Потпуним узорковањем к-простора, дифузијским спектром слике теоретски се може опоравити профил дифузије на сваком вокселу, али суочава се са изазовима дугог времена скенирања и ниског сигнала до шума при високим б- вредностима.

Табела пуне величине

Image

Дифузије са више љуски из пројекта Хуман Цоннецтоме. Б0 слике из Л / Р фазног кодирања ( а ) и Р / Л фазног кодирања ( б ) показују да су слике искривљене у супротним фазама кодирања фаза због осетљивости у магнетном пољу. ( ц ) Исправљена Б0 слика након уклањања изобличења изазваног осетљивошћу и спајањем података из Л / Р и Р / Л фазних кодова. Дифузије са више љуски добивају податке из неколико б- вредности. За правце градијента дуж осе, слике из б = 1000, 2000, 3000 с мм - 2 приказане су у ( д - ф ). Имајте на уму веће пригушење интензитета слике са повећаном б- вредношћу.

Слика пуне величине

  • Преузмите ПоверПоинт слајд

Артефакти у дифузијском сликању

Главни артефакти у дифузијском снимању укључују кретање главе, вртложне струје 30 и изобличење изазвано осјетљивошћу. 31 Кретање главе и вртложне струје доводе до неусклађивања подручја мозга по обиму слике стечених у различитим смјеровима градијента. Ове двије врсте артефаката су по природи глобалне природе, па се обично исправљају у истом оквиру с методама регистрације слике. 32 Изазов је, међутим, драматична промена сликовних сигнала са променом смера градијента. Рани радови су се ослањали на регистрацију Б0 слика моделирајући кретање главе и вртложне струје као афине трансформације. 30 Са доступношћу података из густо узоркованог градијента, развијени су софистициранији модели који се ослањају на предвиђање сигнала из суседних праваца градијента. 33 У овом оквиру, полиномске трансформације се могу применити да би се постигле побољшане перформансе у исправљању изобличења из вртложних струја. 34

Изобличење изазвано изобличењем је последица нехомогености магнетног поља. Овиси о субјекту, тако да сваки преглед мозга може имати различит степен изобличења. Најтеже је у регионима са границом ткива и ваздуха, попут орбиталног фронталног кортекса или можданог дебла, па је поље изобличења инхерентно локално. Изобличење изазвано изобличењем не само да искривљава мозак, већ и доводи до губитка сигнала. То је узроковано нагомилавањем сигнала из више вокела у један вокел. Да би се исправила деформација изазвана осетљивошћу, рани радови су се ослањали на мерење мапе поља и користили то за исправљање геометријских изобличења, 35 али ова метода захтева много времена и не може да преокрене губитак сигнала због накупљања сигнала. У новије време развијене су методе засноване на прикупљању две копије дМРИ података са кодирањем супротних фаза (слике 1а-ц). 36, 37, 38 Овај приступ се заснива на запажању да се изобличења из супротних фазних кодирања зрцале једна другу. Технички је то изводљиво и са драматичним повећањем брзине аквизиције у протоколу за повезивање слике. У поређењу са корекцијама на основу мапа поља, боља корекција постигнута је код података из кодирања супротних фаза. 37

Осим горе споменутих артефаката, више суптилних артефаката, попут масовног кретања због пулсирања срца, придају се више пажње. 39 Скупно кретање из пулсације може проузроковати губитак дифузионог сигнала у регионима као што је мозак. Предложено је грчење срца 40, 41, али то води смањењу брзине стицања. За податке о повезивању слика, недавно су предложени аутоматизовани алгоритми који идентификују вокселе са таквим артефактима и мењају њихов број са предвиђеним вредностима из некорумпираних сигнала. 42

Микроструктурни модели

Поред МРИ параметара као што су време дифузије и градијентна јачина, локална микроструктура мозга такође утиче на сигнал дифузијског снимања. Код спинова унутар мијелинираних аксона, њихова дифузија је ограничена у попречном смеру. За спинове изван аксона, њихову дифузију омета околно ћелијско окружење, које укључује зидове аксона. 43 Са подацима дМРИ, наш циљ је квантитативно окарактерисати микроструктуру можданих ткива и открити промене услед патологије.

Тенсор модели

Да би се моделирала расподјела спинова помоћу дМРИ података, прво је предложена Гауссова дистрибуција. 7, 8 Тензорска матрица у Гауссовом моделу је симетрична и садржи шест параметара. Овом моделу је потребно само шест дифузијски пондерисаних слика, тако да се прикупљање података може прилично ефикасно спровести на 1.5Т МРИ скенерима, што је било веома пожељно у раним фазама дМРИ-а. За робусну процену тензора обично се добијају подаци из више смерних градијената који се крећу од 12 до 30 смерова. Различити нумерички алгоритми развијени су за процену тензора из дМРИ података који се креће од директног постављања 44 квадратних до софистициранијих приступа који обезбеђују не негативност матрикса тензора. 45 Од свог настанка, тензорски модел се широко користио у разним студијама снимања мозга. Тренутно је појам дифузијског тензорског снимања (ДТИ) готово синоним за дифузијско снимање иако је поље драстично напредовало изван тензорских модела.

Својствена структура модела тензора пружа неке од најпопуларнијих карактеристика у студијама повезивања. 46 Пошто је тензор матрица 3 × 3, има три сопствене вредности и придружене својствене векторе. Највећа својствена вредност назива се аксијална дифузивност, средња вредност остале две својствене вредности дефинише радијалне дифузности. Ове дефиниције одражавају нашу жељу за моделирањем дифузије завртања дуж аксона као издужених елипсоида. Користећи ове три својствене вредности, фракциона анизотропија (ФА) је дефинисана да карактерише анизотропију основне дифузије. ФА може примити вриједности између 0 и 1. ФА је 0 када је тензор чисто изотропан, односно, три властите вриједности су једнаке. ФА се повећава када тензор постане продуженији, односно дифузија воде је анизотропнија. Достиже вредност 1 када је тензор штапни модел са нултом радијалном дифузивношћу.

Мере дифузности су веома осетљиве мере за откривање микроструктурних промена. Примењени су у проучавању различитих неуролошких 47, 48, 49 и менталних поремећаја. 50, 51 Посебни опрез мора бити опрезан приликом тумачења ових мера, јер више патолошких догађаја може довести до врло сличних промена дифузности. Овај недостатак специфичности је једно од познатих ограничења дифузијског снимања. Иако је било напора који су покушали да раздвоје доприносе демијелинизацији, аксонској трансезији и едему, 52, 53 још увек је потребно урадити значајна истраживања како би се таква истраживања преточила у студије на људима.

Тензори и тензорске смеше високог реда

За моделирање анизотропије у дифузији воде, тензорски модел је најприкладнији за локације где постоји само један правац влакана. Када постоје сложеније конфигурације, укључујући навијање и укрштање влакана, потребне су нам напредније шеме прикупљања података и математички модели. Из перспективе сакупљања података, корисна је дифузна дифузијска слика високог угла која прикупља податке из великог броја (60–100) праваца градијента на истој б- вредности. 28, 54 Ово мотивира развој софистициранијих алгоритама за моделирање ради бољег карактеризирања дифузије воде из сложене архитектуре влакана.

Слично као и Гауссов модел смеше у статистици, мешавина тензорских модела 55, 56 природно је проширење тензора за карактеристику дифузионог сигнала високе кутне резолуције. Међутим, постоји неколико изазова у овом приступу. Прво је потребно да одаберете број компоненти. Ако је одабрано врло мало компоненти, можда ћемо пропустити важне смернице влакана и ако правилно окарактеришемо дМРИ сигнал. С друге стране, нумерички проблеми могу настати ако се користи превише компоненти јер би додатне компоненте могле бити присиљене да ставе шум у дМРИ сигнал. Будући да сложеност архитектуре влакана варира у различитим регионима мозга, непрактично је утврђивати број компоненти. Други изазов модела тензорске смеше је нелинеарност проблема оптимизације. За разлику од тензорског модела, оптимизација модела тензорске смеше је врло нелинеарна, што значи да можемо често срести локалне оптиме. Ово је посебно изазовно с обзиром на могућност да додатне компоненте тензора могу да стану на буку. Да би се ублажиле ове потешкоће, усвојени су узорковање из Монте Царла и избор теоријско-теоријског модела. 55

Дистрибуција оријентације влакна

Расподјела влакана (ФОД) 57, 58 је негативна функција дефинирана на јединичној сфери с њезиним вриједностима које представљају вјеројатност трагова влакана дуж сваког смјера (Слика 2а). Повезана је, али различита од функције расподјеле оријентације, која се израчунава с низом корака апроксимације у сликању к-куглице. 59 У поређењу са моделима мешавина тензора, ФОД има флексибилност у представљању произвољних конфигурација влакана, без потребе да а приори одређује број прелаза влакана. Нумеричко решење ФОД-а је такође много прецизније јер се обично састоји од деконволуционих корака који су квадратни или конвексни. 57, 58, 60, 61, 62, 63 Из ових разлога, ФОД постаје све популарнији и постаје све више стандардни стандард повезивања влакана.

Image

Илустрација дистрибуције оријентационих влакана (ФОД) реконструисана из података из Хуман Цоннецтоме Пројецт (ХЦП) методом коју смо недавно развили. 64 ( а ) ФОД је функција на јединичној сфери (одозго) и може се визуализовати као 3Д облик (одоздо) модулацијом полумјера облика у складу са величином функције ФОД. У региону од интереса (РОИ) који је приказан као црвени оквир у ( б ), ФОД-и су приказани у ( ц ). ( д ) Помоћу трактографије засноване на ФОД-у може се реконструисати потпунији приказ цорпус цорпус-а. Бочне пројекције цорпус цаллосум-а су успешно забележене. Као што је приказано у ( е ), волуменски приказ може се створити са 3 милиона тракта влакана да би се визуализовао конектор људског мозга.

Слика пуне величине

  • Преузмите ПоверПоинт слајд

Нумерички ФОД је представљен као линеарна комбинација сферних хармоника. 65 Већина постојећих алата за рачунање ФОД-ова развијена је за дМРИ податке са једним омотачем. Подаци са вишеструких љуска из ХЦП-а мотивирали су развој нових алгоритама за обнову ФОД-а. 64, 66, 67, 68, 69, 70 Помоћу података са више љуски и висококутне резолуције из ХЦП-а, можемо проценити ФОД-ове с високим редоследом сферних хармоника. 64 Ово ствара веома оштре ФОД-ове који ће побољшати разлучивост прелазећих влакана на сваком вокселу, што ће несумњиво помоћи алгоритама трактографије за моделирање повезаности мозга (Слика 2). Поред ФОД процене, подаци са више љуски ХЦП-а омогућили су у процену ФОД-а уграђивање модела 43, 71 преграда. 64 Ови параметри преграда пружају нове мере у погледу интегритета микроструктуре беле материје. Модели преграда такође побољшавају робусност процене ФОД-а у регионима са компликованим саставима ткива као што су талами и границе сиве материје / беле материје.

Трактографско мапирање можданих путева

Методе трактографије

Иако је много узбудљивих напретка у софистицираним алгоритмима трактографије, 72, 73, 74, рационалан приступ је и даље најраширенија метода за трактографију влакана помоћу тензора или ФОД-а. 9, 10, 75 Интуитивно, можемо замислити да овај алгоритам трактографије симулира кретање молекула воде дуж аксона. Почетни положај овог процеса праћења назива се семенска тачка. У свакој тачки процеса праћења, користимо ФОД или тензор на тренутној локацији да бисмо генерисали следећи правац за проширење тракта. Молекула воде се затим помера дуж овог смера за одређено растојање, што се назива величина корака. Процес се понавља све док се не задовољи критеријум заустављања. Тракт је прихваћен ако испуњава одређене анатомске захтеве који су типично специфични за проблем.

Постоји неколико кључних фактора који утичу на резултате трактографије влакана. Први фактор је анатомски протокол који прописујемо како бисмо утврдили да ли је влакнасти тракт важан. Ово представља анатомска сазнања која имамо о специфичним круговима који се проучавају. Практично, они су представљени као интересне регије (РОИ) кроз које влакнасти тракт треба да прође или избегне. Други фактор је да укупни облик влакана треба да буде биолошки веродостојан. Све у свему, очекује се глатка путања. Ово се контролише комбинацијом неколико параметара, укључујући величину корака и максимални угао окретања на сваком кораку. Трећи фактор је како генеришемо правац кретања на сваком кораку. Овде детерминистичка и вероватно вјеројатна трактографија одступају једна од друге. 55, 75 За детерминистичку трактографију одабран је смјер врха тензора или ФОД. Пошто ФОД-ови имају више врхова, одабире се један од њих, типично смер са најмањим углом и долазни правац. За пробабилистичку трактографију ФОД или тензор видимо као математичке репрезентације вероватноће расподеле праваца влакана. Да би се добио следећи правац за померање молекула воде, води се стохастички поступак за цртање узорка правца из ове дистрибуције. За сваки смер, шанса да буде изабран сразмерна је величини у вероватноћи дистрибуције. Овај правац је прихваћен ако задовољава ограничења облика.

Реконструкција снопа влакана

Једна главна примена трактографије је реконструкција дигиталног приказа главних снопова беле материје (Слика 3). То се постиже пажљиво дизајнираним анатомским протоколом, укључујући сет АНД РОИ-ова кроз које треба да прође влакнасти тракт и скуп НОТ РОИ-ова који влакнасти тракт не би требало да додирује. 76, 77, 78 Пошто је број АНД РОИ-ова обично мали (2–3), потребни су нам НЕ РОИ-и да додамо већу контролу над путањом снопа влакана. У раним студијама, РОИ су цртани ручно на анатомским МРИ сликама. Овај приступ захтева много времена и може се спровести само у студијама са малим узорцима. За велике студије као што је ХЦП, морамо да развијемо аутоматизоване алгоритме који могу да подстакну недавни развој алгоритама за анализу слике мозга. Помоћу софтверских алата као што су ФрееСурфер 79 и ФСЛ, 80 можемо извући скуп генеричких кортикалних и субкортикалних РОИ-а, али то обично није довољно. За додатне РОИ који су потребни за одређене снопове, фузијски оквир 81, 82, 83 налепнице пружа општу стратегију за аутоматизовану волуметријску сегментацију РОИ, коју смо такође проширили на површинске РОИ. 84 Ово укључује ручно цртање потребних РОИ-а на скупу репрезентативних предмета. Након тога, ове маске се постављају на простор слике нових субјеката помоћу нелинеарног софтвера за регистрацију. 85 РОИ нових субјеката коначно се формирају фузијом ових искривљених РОИ-а заснованих на процени гласања. Општи ток рада може се применити како на сиву материју тако и на белу материју. За изазовне ситуације у којима недостаје видљиви контраст у расположивим МРИ-има за ручну сегментацију, потребно је развити иновативне стратегије. На пример, предложена је комбинација контекстуалних информација из околних језгара и континуитета ретинофугалних тракта у дигиталном простору како би се аутоматски дефинисала бочна језгра геникалата за реконструкцију оптичког зрачења. 86

Image

Помоћу конеометалних слика, можемо прецизније реконструисати путеве људског мозга користећи трактографију засновану на расподјели влакана (ФОД) и анатомско подручје интереса (РОИ). ( а ) РОИ у медули и таламусу коришћени су за реконструкцију спиноталамичког пута. ( б ) За реконструкцију снопа форника користимо вишеструке РОИ-е, укључујући хипокампус, РОИ форникса, тело сисара и базални предњи мозак. Овде су приказана два РОИ-ја: црвена: форник; зелено: тело сисара. ( ц ) Реконструисани сноп форникса прекривен је површинама хипокампа. Имајте на уму да су две гране до тела сисара (задња грана) и базална предња мождина (предња грана) успешно реконструисане. ( д ) РОИ засновани на површини коришћени су за реконструкцију некинираног фасцикула. Зелена: орбитална фронтална кора; Црвено: предњи темпорални кортекс. ( е ) Реконструисани некинирани фасцикли на обе хемисфере прекривени су кортикалним површинама. ( ф ) Сноп цорпус цаллосум који повезује прецентрални гирус (моторни кортекс) обе хемисфере је реконструисан са РОИ, укључујући прецентрални гирус и РОИ средњег сагиттал цорпус-а. Оба РОИ-а су приказана као 3Д површине на овој парцели.

Слика пуне величине

  • Преузмите ПоверПоинт слајд

Чак и уз ограничење вишеструких РОИ-а, уобичајено је да реконструисани сноп влакана садржи вањске тракте. Могући узроци укључују сложеност анатомије, превелику слободу у вероватноћи трактографије или буку процењених ФОД-ова. За мале студије, ручно уређивање се може применити како би се уклонили остаци у сноповима. За велике студије развијене су различите аутоматизоване стратегије филтрирања. Интуитивно имамо два начина да идентификујемо вањске трактате. Први приступ заснован је на опажању да су вањски тракти обично далеко од „главног“ снопа. Математички се то може схватити као мера раздаљине између диференцијалних геометрија тракта влакана. Помоћу парних растојања између траката, може се примијенити техника спектралног групирања да би се влакнасти тракти подијелили у гроздове тракта. 87 Након тога, мали кластери се могу уклонити као остаци. Ово се успешно примењује у разним пројектима кластерирања снопова влакана. 88 Тешкоћа са овим приступом је недостатак интуиције у подешавању параметара за спектрално групирање. За појединачне снопове потребан је поступак прецизне прилагодбе да би се пронашли оптимални параметри за велику примјену. Други могући приступ идентификовању остатака заснован је на густини влакана. Ово претпоставља да су одмори више распршени по простору и имају мању густину од главног снопа. Да бисмо нумерички имплементирали ову идеју, можемо да претворимо трагове влакана у слику густоће тракта 89, а затим уклонимо одљевке следећи праг слике густине тракта. На основу приказа густине тракта снопова влакана, могу се развити и стратегије тополошке анализе за уклањање отпадних ткива. 90 За велике студије снимања мозга, успешна реконструкција снопова влакана можда ће требати комбинацију вишеструких приступа филтрирању тракта, јер сваки од њих бележи нешто другачији аспект спољних тракта.

Графичко моделирање

Користећи влакно трактографију, такође можемо да израдимо мрежне моделе конекомома мозга 91 и применимо мере засноване на графовима за проучавање повезаности. 92, 93 Постоје два главна корака у спровођењу мрежних студија у снимању мозга. Први корак је израда графикона, а други корак је израчунавање различитих мрежних мера.

Граф се састоји од скупа чворова и ивица. Два чвора су повезана ако између њих постоји ивица. Да би се дефинисали чворови за мождано повезивање, предложени су различити приступи како би се мозак раздвојио на много мањих подручја. Популарни избор је употреба кортикалних етикета произведених од софтверских алата као што је ФрееСурфер 79 или налепљивање атласа с кортикалним налепницама, као што је ЛПБА40 атлас, 94 у предметни простор. Више финозрнате парцеле могу се добити даљом дељењем ових подручја. 91 Ове парцеле, засноване на структурним МРИ, могу се даље побољшати мултимодалним информацијама. Недавни резултати ХЦП-а указују на то да се детаљна парцелација може добити помоћу функционалних образаца повезивања, 95 али се ослања на ручну интеракцију. Све у свему, дефиниција чворова у конектомским студијама и даље је отворено питање које захтева даља техничка и научна испитивања. Једном када имамо скуп чворова, можемо да дефинирамо ивице помоћу трактографије влакана, која могу бити пондерисана или неутежена. Ако постоје влакнасти тракти који повезују два РОИ-ја, можемо повезати везу помоћу количина као што су број трактата, средње вредности дифузности и ФА. Одређивањем тежине на ивицама можемо добити и бинарни графикон где је тежина на ивици 1 или (повезани) или 0 (неповезани).

Након довршетка конструкције графа може се генерирати приказ матрице гдје сваки унос биљежи тежину руба одговарајућих парова чворова означену индексом реда и ступаца матрице. Основне мере као што су степен чворова и најкраћи пут могу се лако израчунати из приказа матрице. Из ових основних мера могу се извући напредније мере попут карактеристичне дужине путање и коефицијента групирања. 25, 96 На основу ових мера може се дефинисати мала светлост, 92 која упоређује групирање чворова и њихових растојања са насумичним графовима. У новије време предложене су и успешно примењене квантитативне мере за центре и богате клубове за сликовне студије студија психијатрије. 97 Заједно са сноповима влакана за одређене склопове, мрежне мере су драгоцене за пружање комплементарних, глобалних карактеристика о повезаности можданих мрежа.

Примјена конектомске слике у мапирању можданих путева

Уз податке високе резолуције из конективног снимања, добили смо прилику да продужимо реконструкцију путева људског мозга са повећаном комплетношћу и хватањем ситнијих детаља. Иако су ови висококвалитетни конектоматски сликовни подаци ХЦП-а доступни тек недавно, постоје већ активни истраживачки напори да се реконструишу путеви које је било тешко постићи конвенционалним дифузијским техникама дифузије. Овде смо прегледали напредак ових раних студија у реконструкцији визуелних путева, можданих путева и језичних путева. Будући да је примјена протокола сликовног снимања ХЦП-а у студијама психијатрије ограничена до данас, пружамо ове примере да покажемо корисност реконструкције можданог пута најсавременијим МРИ методама. То ће се, надамо се, мотивирати за брзо усвајање протокола конективног снимања у будућим студијама психијатрије .

Визуелни путеви

Ретинофугални путеви укључују оптичке живце, оптички цијазам, оптичке тракте, бочна језгра геникалата и оптичко зрачење. Иако су предложене различите методе за реконструкцију ових важних путева помоћу дМРИ-а, јединствене сложености визуелног пута ометале су развој снажне и аутоматизоване методе реконструкције с трактографијом. Потешкоће укључују крижна влакна у кијазму, мучни ток Мејерове петље, близину вишеструких суседних снопова влакана и ограничен контраст латералног геницулатног језгра у структурним МРИ. Развили смо аутоматизовани систем за реконструкцију ретинофугалног визуелног пута од оптичке хијазме до примарног видног кортекса 86 и цорпус цаллосум. Уз податке о ХЦП-у, наша група је развила аутоматизовани систем за превазилажење ових изазова. Изузетно оштри ФОД-ови израчунати помоћу наше методе из ХЦП података увелико побољшавају нашу способност за хватање Меиерове петље у темпоралном стаблу где се укрштају више главних снопова влакана. 98 Наш систем такође аутоматски идентификује повезане анатомске РОИ, укључујући бочно језгро геникалата и примарни видни кортекс (В1), и реконструише анатомско верне репрезентације визуелног пута. Као што је приказано на слици 4, оштри ФОД-ови из наше методе могу да генеришу високо организоване влакнасте тракте који прате ретинотопску организацију визуелног пута. Квантитативна мерења такође показују да наши резултати постижу одличан слагање са постмортемовим дисекцијама 99 и методом Цонтрацк, 100 ДТИ студије засноване на ручној интервенцији. Користећи реконструисане снопове 215 испитаника ХЦП-а, нашли смо и статистички значајну леву асиметрију запремине оптичког зрачења која је конзистентна са постмортем студијама. 101

Image

Резултати реконструкције ретинофугалног визуелног пута. ( а ) Врх: дистрибуција оријентационих влакана (ФОД) код оптичког хијазма; Дно: ипсилатерални и контралатерални огранци оптичких тракта реконструисани су из ФОД-а. Реконструисани снопови влакана из предмета Хуман Цоннецтоме Пројецт (ХЦП). ( б ) Резултат постмортемске дисекције 99 показује ретинотопску организацију оптичког зрачења. ( c ) Retinotopic parcellation of the left optic radiation fiber bundle reconstructed by our method as shown in ( a ). Red, blue, green represent fiber projecting to the foveal, superior and inferior quadrant of the peripheral visual field, respectively. ( d ) The reconstructed retinofugal pathways including the optic tract and optic radiation of both hemispheres. ( e ) Using the cortical projection of the visual pathway, detailed retinotopic coordinates (eccentricity, angle) can be assigned to each fiber tract. Here the eccentricity map is plotted as a colored map on the cortex. ( f ) A cross section of the optic radiation bundle with tracts colored by the eccentricity as defined through their projection onto V1.

Слика пуне величине

  • Преузмите ПоверПоинт слајд

Brainstem pathways

The brainstem regulates vital and autonomic functions, relays motor and sensory information between the brain and peripheral nervous system, and modulates cognition, mood and emotions. 102, 103 Fiber pathways from brainstem nuclei innervate extensive cortical and sub-cortical regions and play important modulatory roles in various cognitive and behavioral functions. 104 Due to the complexity of brainstem anatomy and limited resolution of conventional dMRI, it has been a challenge to reliably map the brainstem pathways. With the much improved resolution from connectome imaging techniques, there has been growing interest in studying the brainstem-related pathways. Using an averaged data set created from 488 HCP subjects, a comprehensive set of brainstem pathways was reconstructed. 105 The validity of the trajectories of the reconstruction results was compared with histology images of five postmortem brains at various sections of the brainstem. A probabilistic atlas of cerebellar peduncles was also developed recently with data from 90 HCP subjects. 106 The inferior, middle and superior cerebellar peduncles were reconstructed from each brain and aligned to create the probabilistic atlas. For the in vivo reconstruction of the pathways in the homeostatic network of human brains, 107 high-resolution diffusion spectrum imaging data were collected with the MGH-USC Connectome scanner that has 300 mT m −1 maximum gradient strengths and a 64-channel coil. The 55 min diffusion spectrum imaging protocol included 515 q-space samples, and its maximum b -value is 10 000 s mm −2 . With this data set, a central homeostatic network between six brainstem nuclei and seven forebrain regions was reconstructed. The connectivity matrix was formed by counting streamline probability between each pair of brainstem and forebrain regions. Detailed examination of the fiber tracts was conducted and branches of the medical forebrain bundles, and a lateral forebrain bundle from brainstem to medial temporal lobe were identified.

Language pathways

The superior longitudinal fasciculus (SLF) and arcuate fasciculus (AF) are important components of the language networks. The exact pathways of these two fiber systems, however, are still under debate in previous DTI studies. While some DTI studies considered the AF as composed of the ventral and dorsal segments, 108 others classified the most ventral segment of SLF (SLF III) as part of indirect segments of AF. 109 By comparing the tractography reconstruction of HCP data with the dissection results of 25 postmortem brains, the detailed pathways of the SLF and AF were examined by Yagmurlu et al. 110 Three SLF segments (dorsal SLF I, middle SLF II and ventral SLF III segments) and two AF segments (ventral and dorsal) were robustly reconstructed on both dissection and tractography reconstruction. In particular, the topographic relation of the AF pathways and the SLF3 segments were clearly identified.

These results provided a glimpse of the possibility with connectome imaging data for improving the state-of-the-art in fiber pathway reconstruction. Overall, we can see more faithful characterization of brain anatomy could be achieved with careful application of the connectome image techniques. With the wider application of these methods to other under-explored brain regions, it is anticipated more exciting progress will be made in the coming years.

Будући правци

The connectome imaging techniques represent a leap in brain imaging capabilities that provide a whole new paradigm for studying human brains in vivo . While great advances have been achieved in the last decade, this is a fast moving field and we anticipate major advances in the following areas.

Continued improvement in imaging technology

Current connectome imaging protocols have already achieved more than one order of magnitude speed up in acquiring diffusion and fMRI data. However, the relative long acquisition time of the full HCP protocol poses serious challenges for their adoption in disease studies. Even with the state-of-the-art 3T MRI scanners, only a portion of the HCP protocol can be included in disease studies. There is thus a great need to further optimize imaging protocols for multiple time frames suitable for imaging research and clinical applications. Continued research in multiband and parallel imaging techniques will no doubt help in this aspect. Optimization of existing connectome protocols for a given time frame should also be investigated, where the challenge is the definition of a gold standard for the trade-off between spatial resolution, number of gradient directions and distribution of b -values. In our current research, we find that the retinotopic organization of the visual pathway provides an ideal test bed for the in vivo validation of tractography techniques. 111 There are other brain regions that also have well-characterized anatomy such as the cortical–striatum connections. 3 These can serve as valuable resources for quantification of the performance of different acquisition schemes. The extension of connectome imaging to 7T MRI is another exciting direction. 112 Major advances have been achieved for 7T diffusion and function MRI acquisition in HCP. In principle, 7T MRI will provide higher signal to noise and improved resolution, thus there is a great opportunity for more fine-grained mapping of brain pathways. Besides advances in image acquisition, we will witness continued research and improvement in image processing algorithms. Novel preprocessing methods will help the correction of imaging artifacts such as eddy current and susceptibility distortion, and signal dropout due to bulk movement. The fusion of data from multiple phase encodings also needs more dedicated research to improve signal quality for connectome modeling. Innovations in post-processing algorithms will lead to better tractography algorithms that can more faithfully represent brain anatomy such as the topographic organization fiber bundles. 111 Compartment modeling has the potential of separating intra- and extra axonal changes in tissue microstructure. 43, 113, 114, 115 More sophisticated algorithms in compartment modeling, such as the NODDI model, 116 could provide novel opportunities for improving the specificity in the characterization of connectivity changes.

Validation of microstructure and tractography methods

One fundamental question in connectome imaging is the validation of the digital connectivity from MRI data. While it is generally difficult to obtain ground truth about human brain connections, detailed anatomical knowledge is available for certain pathways that can be used to quantitatively evaluate the performance of tractography methods. One particular example is the topographic organization of sensory pathways such as the retinotopic organization of the visual pathway 117 and the somatotopic organization of the somatosensory pathway. 118 Such topographic organization provides an ideal opportunity for examining the pathway integrity at specific locations when the topographic location of atrophy is known from separate measurements such as retinal imaging. More generally, animal tracing studies provide the ground truth about brain connectivity, but the number of injection sites were usually limited. 119, 120, 121 For mouse brain tracing studies, tremendous progress has been made with the creation of detailed connectomes with whole-brain coverage. 6, 122 These are highly valuable resources for examining the performance of tractography algorithms. 123, 124 Such validation experiments will improve our understanding about the impact of model selection and various parameters in tractography. For postmortem tissues, immunohistochemistry-based staining will provide valuable information for the validation of compartment models. 125 By measuring myelin content and the volume of extra axonal cellular structures, we can quantify the agreement between compartment models and tissue compositions. Overall there is a great need to validate the cutting-edge connectome imaging methods and we believe this need will be met with additional validation studies using biological ground truth. While these validation experiments using postmortem samples are critical, their translation to in vivo studies should also be carefully investigated. This could be achieved with carefully designed and streamlined experiments that include in vivo MRI, tracer injections and postmortem MRI, and measurement from immune histology. To carry out these sophisticated experiments and data analysis, it is important to foster the collaboration between multidisciplinary teams with complimentary expertise.

Multimodal connectivity fusion

Функционална повезаност од фМРИ одмарања углавном је изведена из корелације БОЛД сигнала у регионима сиве материје. Методе трактографије могу мапирати путеве кроз подручја беле материје. У принципу, ова два модалитета пружају бесплатне информације. Изазови су, међутим, развијање ефикасних метода којима ће се осигурати информације о повезивању из ова два приступа. 126 Постојеће методе су углавном ограничене на пост-хоц анализу која или тестира функционалну повезаност између два краја снопа влакана или структуралну повезаност између функционалних РОИ-а, као што су чворови мрежа задатих начина. За будући развој, више пажње ће бити посвећено побољшању структурних конектора функционалном повезаношћу или обрнуто. На пример, једно кључно питање је повећање предиктивне снаге функционалне повезаности са структурном повезаношћу. Фокус ће бити на трактографским методама са смањеним лажним позитивима и негативима, попут нових метода којима је циљ очување топографске правилности влакана. 111 Динамичко функционално повезивање је још један обећавајући правац који има потенцијал за откривање пролазне повезаности између регија мозга. 127, 128 Ово би могло повећати анатомске приоритете за рачунање структурне повезаности. Поред функције МРИ, други модалитети снимања могу такође побољшати израчунавање структурне повезаности. Садржај мијелина из квантитативног Т2 потенцијално се може комбиновати са моделом преграда из дМРИ са више љуски. 129, 130

Фенотипизација дубоког конекома за студије снимања мозга

Уз конвенционалну ДТИ технологију, главни кортикални снопови успешно су реконструисани и широко коришћени у разним студијама снимања. Методе конективне обраде слике високе резолуције без сумње ће побољшати поузданост и тачност ових главних снопова. Даље, трактографија заснована на ФОД-у из података конектомских снимања омогућиће реконструкцију детаљнијих фасцикала и омогућити ће нам стварање потпунијег описа система као што су кортико-стриато-таламо-кортикална мрежа и лимбички систем. Користећи конективне снимке, имамо прилику да развијемо робусне алгоритме и софтверске алате за систематску карактеризацију интегритета ових кола. Поред детаљног моделирања и квантификације ових можданих склопова, парцелација 95, 131, 132 заснована на конеомеу производиће моделе мрежа целог мозга у много финијој резолуцији од постојећих радова. Заједно са мултимодалним стратегијама фузије, ове ће функције повезивања формирати скуп дубоких фенотипа за рударство са генетским и подацима о понашању. То се савршено уклапа у тренутна дешавања у Биг Дата и методама дубоког учења. 133