Identifisering av strukturelle avvik i hjernen på MR bilder er stadig viktigere for studiet av nevrologiske og psykiatriske sykdommer. Avvikende hjerneutvikling, manifestert ved reduksjon av hjernevev, og patologiske prosesser som fører til tap av celler eller neuropil (atrofi), kan studeres med strukturell MRI.

Tradisjonelle teknikker for å analysere atrofi på MR-bilder omfatter visuell inspeksjon utført av erfarne nevroradiologer, inkludert bruk av ulike semikvantitative skaler som evaluerer grad av for eksempel hippokampusatrofi og/eller manuelle målinger av utvalgte hjernestrukturer. I tillegg har automatiserte teknikker blitt utviklet, som muliggjør vurdering av strukturelle avvik over store grupper av mennesker - uten behov for tidskrevende manuelle målinger eller subjektive visuelle vurderinger. Det eksisterer i dag flere typer programvare for automatisk vevsklassifisering, samt identifisering og måling av hjernestrukturer, såkalt morfometri. Vi gir her en kort beskrivelse av de mest relevante programvare-pakkene.

Et viktig poeng er at de automatiserte teknikkene gjør det praktisk mulig å studere lokale/regionale effekter over hele hjernen - ikke bare i noen få forhåndsutvalgte strukturer. I tillegg muliggjør enkelte automatiserte teknikker undersøkelse av strukturer som i praksis ikke lar seg avgrense manuelt, som tykkelsen og overflatearealet til hjernebarken (cortex cerebri).

 

Volumetriske teknikker vs. «surfacesbased» morfometri

Et hovedskille i MR-basert hjernemorfometri går mellom volumetriske og overflatebaserte metoder (surface-based mophometry; SBM).

Volumetriske metoder undersøker enten regionalt volum ved å summere opp antall voksler i en definert struktur, eller kvantifiserer regional proporsjon eller tetthet av grå substans i hvert voksel over hele hjernen. Den mest populære volumetriske teknikken for å studere regional variasjon i «grå substans tetthet» (gray matter density) er Voxel Based Morphometry (VBM) (mer om dette nedenfor).

SBM bruker informasjon fra MR-bilder til å lage en tredimensjonal modell av hjernebarken. Dette benevnes ofte med cortical surface reconstruction. Den mest brukte programvaren for dette formålet, FreeSurfer, er gratis og tilgjengelig på internett. Det finnes også annen tilgjengelig programvare, som Caret, BrainVISA og AFNI/SUMA.

 

Kortikal morfometri

Selve overflate rekonstruksjonen, surface reconstruction, prosedyren i FreeSurfer er inngående beskrevet i en rekke vitenskapelige artikler (Dale, Fischl, & Sereno, 1999; Dale & Sereno, 1993; Fischl, 2012; Fischl & Dale, 2000; Fischl, Sereno, & Dale, 1999), og en detaljert oversikt finnes på FreeSurfers hjemmeside .

Kort fortalt finner rekonstruksjons-algoritmen grensen mellom hvit og grå substans, også kalt den «indre» overflaten av korteks (white matter surface), og deretter grensen mellom grå substans og CSF (cerebrospinalvæske), som er den «ytre» kortikale overflaten (pial surface etter hjernehinnen pia mater). De to overflatene (white og pial) gjør det mulig å måle kortikal tykkelse og overflateareal, så vel som en «gyrifiserings-indeks» - som indikerer graden av folding av hjernebarken (Figur 1.). Kortikal tykkelse er den korteste avstanden mellom white matter surface og pial surface. FreeSurfers prosedyrer for måling av kortikal tykkelse er validert mot postmortem histologisk analyse (Rosas et al., 2002) og manuelle målinger (Kuperberg et al., 2003; Salat et al., 2004). Valideringen av tykkelsesmålet er samtidig også en validering av lokaliseringen av grensesnittene (hvit/grå og grå/CSF) og dermed en indirekte validering av areal- og gyrifiseringsmålene.

 

Inter-individ registrering

For å sammenligne anatomi på tvers av individer, er det nødvendig å registrere de enkelte individenes hjernebilder til hverandre eller, enklere, til en felles hjerne («inter-subject registration»). Det siste kalles registrering til «atlas space». I FreeSurfer gjøres dette ved å registrere den rekonstruerte white matter surface til et sfærisk atlas basert på mønstre av gyri og sulci. Registrering til «atlas space» er ikke-lineær og medfører en viss grad av deformering av den opprinnelige overflaten. Denne prosessen er imidlertid invertibel/reversibel, slik at etter registrering samsvarer hvert punkt («vertex») på den registrerte overflaten med et tilsvarende punkt på den opprinnelige overflaten. Målingen av kortikal tykkelse finner sted i "native space" (dvs. på individets opprinnelige overflate uten deformering), og blir derfor ikke berørt av registreringsprosedyren. Etter registrering blir tykkelsesmålene interpolert til en oppløsning som er felles for alle individ, slik at statistiske analyser på gruppenivå er mulig. Likeledes er overflatearealet av korteks («cortical area») målt i «native space» og deretter interpolert inn i «atlas space». Til forskjell fra kortikal tykkelse, krever imidlertid analyser av overflatearal at interpoleringen bevarer det globale (og lokale) arealet, og for å oppnå dette anvendes informasjon fra registreringen av den opprinnelige overflaten til det sfæriske atlas. Ved registreringen må overflaten strekkes eller krympes på forskjellige steder, og etter interpoleringen justeres arealmålene for denne faktoren (kalles «the Jacobian»).

FreeSurfer utfører i tillegg en automatisk inndeling («parcellation») av hjernebarken basert på anatomiske landemerker (gyri og sulci), samt automatisk identifisering av a priori definerte kortikale regioner. Til dette formål brukes et av flere tilgjengelige atlas; de mest brukte er beskrevet i Desikan et al. (2006) og Destrieux et al. (2010). Disse definerer et antall kortikale regioner av interesse (ROIs/parcellations) (Figur 2), og ROI-spesifikke data på gruppenivå blir automatisk generert og lagret i en tekstfil som kan benyttes for statistiske analyser.

 

Fordeler med kortikal morfometri i FreeSurfer

Inter-subject registration i FreeSurfer (og andre SBM) gir en mer nøyaktig registrering enn hva volumetriske teknikker oppnår (Van Essen, 1998) da SBM utnytter hjernebarkens naturlige to-dimensjonale topologi. For eksempel, to punkter på overflaten av korteks kan ligge (nesten) på toppen av hver sin «nabo»-gyrus. Da ligger de rett ved siden av hverandre i et tredimensjonalt volum, men på den to-dimensjonale overflaten ligger de forholdsvis langt fra hverandre. En volumetrisk metode, som ikke ivaretar topologien til korteks, risikerer å forveksle to slike punkter på tvers av ulike individer, og dermed begå en feilregistrering.

En annen fordel er at siden registreringen i FreeSurfer skjer mot white matter surface (grensesnittet hvit/grå substans), vil den ikke bli påvirket av gråsubstansatrofi i korteks (som er vanlig ved degenerative tilstander og høy alder).

Dessuten har FreeSurfer høyere spesifisitet og sensitivitet enn volumetriske teknikker, ettersom tykkelse og overflateareal kan analyseres separat. Kortikal tykkelse og overflate er trolig styrt av ulike genetiske faktorer (Panizzon et al., 2009; Winkler et al., 2010) og utvikles uavhengig av hverandre (Brown & Jernigan, 2012). Det betyr at hvis for eksempel overflatearealet øker mens tykkelsen minker tilsvarende, så vil volumendringen være omtrent null og forbli uoppdaget med en volumetrisk tilnærming (for eksempel, se Brown & Jernigan, 2012, Figur 1-3).

 

Subkortikale hjernestrukturer (volumetri)

FreeSurfer inneholder en automatisert segmenteringsprosedyre for hjernevolumer. Denne måler volumet til subkortikale hjernestrukturer (hippocampus, thalamus, amygdala etc.), samt de ulike deler av ventrikkelsystemet og cerebellum. Det kan variere noe hvor nøyaktige disse segmenteringene er; for eksempel synes segmenteringen av thalamus, hippocampus og generelt å gi gode resultater, mens nucleus accumbens og amygdala er mer variable (Han & Fischl, 2007).

I tillegg oppgis et (indirekte) estimat av intrakranielt volum. Se mer om viktigheten av nøyaktig målet intrakranielt volum og bruke av dette i morfometri her. (kommer)

Alle subkortikale volum måles i den individuelle hjerne (i native space), selv om informasjon fra et hjerneatlas (MNI) brukes til å identifisere strukturene. Dette er en fordel sammenlignet med for eksempel VBM (se nedenfor).

 

Problemer med voxel based morphometry (VBM)

Den mest brukte teknikken for volumetrisk morfometri er VBM, en metode som undersøker regionale målinger av «grå substans tetthet» («gray matter density»). Alle enkeltbilder blir ko-registrert og deformert («warped») til et felles rom («atlas space»). Deformasjonsfeltet tolkes som endringer i grå substanstetthet i «atlas space». VBM er blitt sterkt kritisert for grunnleggende problemer ved selve fremgangsmåten, ettersom registreringsmetoden interagerer med målemetoden på en slik måte det i verste fall er umulig å skille dem fra hverandre (Bookstein, 2001).

Gitt at andre alternativer er lett tilgjengelige, er det egentlig ingen god grunn til å bruke VBM for hjernemofometri. Det eneste unntaket måtte være for å undersøke helt spesifikke problemstillinger, som andelen av grå substans i subkortikale strukturer (som thalamus).

 

Longitudinelle studier

Longitudinelle studiedesign, hvor hvert individ måles gjentatte ganger over tid, og dermed fungerer som sin egen kontroll, er uunnværlige for studiet av normal og avvikende hjerneutvikling, og progresjon av sykdomstilstander som medfører atrofi. Tverrsnittsundersøkelser vil ikke alltid kunne gi grunnlag for sikre konklusjoner om hvordan hjernestruktur endres over tid.

Den longitudinelle modulen i FreeSurfer oppretter et individuelt templat for hvert individ, der alle individets MR-bilder vektes likt for å unngå at registreringen legger uforholdsmessig stor vekt på ett måletidspunktet (typisk det første). Med dette som utgangspunkt, blir de gjenværende bildedata beregnet som i en tverrsnittsanalyse.

Statistiske analyser gjøres med «linear mixed models», som tillater design med ujevne tidsintervall mellom måletidspunktene og bortfall av data på enkelttidspunkt, hvilket muliggjør signifikanstesting av endring over tid i observasjonelle studier.

 

Å lære seg morfometri

Den som vil lære hjernemorfometri, kan oppsøke hjemmesidene til de ulike programvarepakkene og benytte seg av hjelpemidlene der (tutorials, mailing list osv.). Det arrangeres også kurs både i FreeSurfer og SPM diverse steder i utlandet. Det beste er naturligvis å oppholde seg i et miljø som har kompetanse på morfometri og lære det gjennom å jobbe med et konkret datasett under kyndig veiledning.

 

Kilder

"Voxel-based morphometry" should not be used with imperfectly registered images

Bookstein, F. L.

Brain development during the preschool years
Brown, T. T., & Jernigan, T. L.

Cortical surface-based analysis. I. Segmentation and surface reconstruction
Dale, A. M., Fischl, B., & Sereno, M. I.

Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction - A linear-approach
Dale, A. M., & Sereno, M. I.

An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest
Desikan, R. S., Segonne, F., Fischl, B., Quinn, B. T., Dickerson, B. C., Blacker, D., Killiany, R. J.

Automatic parcellation of human cortical gyri and sulci using standard anatomical nomenclature
Destrieux, C., Fischl, B., Dale, A., & Halgren, E. (2010)

FreeSurfer.
Fischl, B. (2012)

Measuring the thickness of the human cerebral cortex from magnetic resonance images
Fischl, B., & Dale, A. M. (2000).

Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system
Fischl, B., Sereno, M. I., & Dale, A. M.

Atlas renormalization for improved brain MR image segmentation across scanner platforms. IEEE Trans Med Imaging
Han, X., & Fischl, B. (2007)

Regionally Localized Thinning of the Cerebral Cortex in Schizophrenia
Kuperberg, G. R., Broome, M. R., McGuire, P. K., David, A. S., Eddy, M., Ozawa, F.,

Distinct genetic influences on cortical surface area and cortical thickness
Panizzon, M. S., Fennema-Notestine, C., Eyler, L. T., Jernigan, T. L., Prom-Wormley, E., Neale, M.,

Regional and progressive thinning of the cortical ribbon in Huntington's disease
Rosas, H. D., Liu, A. K., Hersch, S., Glessner, M., Ferrante, R. J., Salat, D. H., Fischl, B.

Thinning of the cerebral cortex in aging
Salat, D. H., Buckner, R. L., Snyder, A. Z., Greve, D. N., Desikan, R. S., Busa, E., Fischl, B.

Cortical thickness or grey matter volume? The importance of selecting the phenotype for imaging genetics studies
Winkler, A. M., Kochunov, P., Blangero, J., Almasy, L., Zilles, K., Fox, P. T.