1-5岁幼儿胼胝体的表面形态测量

摘要

胼胝体(CC)是大脑中的一个大型白质纤维束,它参与各种认知、感觉和运动过程。尽管CC与多种发育和精神疾病有关,但关于这一结构的正常发育(特别是在幼儿阶段)还有很多待解开的谜团。虽然早期文献中报道了性别二态性,但这些研究的观察结果并不一致。本研究使用包括基于表面张量的形态测量(TBM)方法来研究12-60个月儿童CC形状的局部变化,以12个月(m)为间隔。本研究还分析了每个年龄组的性别差异。研究结果发现,在早期年龄段(12m v 24m)和稍晚年龄段(48m v 60m)中存在较大的显著团簇,并且在CC体部前区存在明显差异。12m组中的性别差异最明显。总而言之,本研究补充了现有文献,并强调了表面TBM方法的实用性。

引言

越来越多的研究报告称,神经发育和精神疾病(包括自闭症、精神分裂症和注意缺陷障碍)中的认知和行为缺陷与胼胝体(CC)的细微结构变化相关。其他研究也显示CC亚区存在性别差异,并将这些差异与神经精神障碍(包括自闭症谱系障碍、阅读障碍、注意缺陷障碍和图雷特综合症)的形态测量异常相关联。这些发现强调了我们需要更好地了解胼胝体的结构发育,以及它对神经发育或精神疾病的潜在影响。

胼胝体(CC)是大脑中最大的白质纤维束,负责整合大脑两个半球之间的运动、感觉和认知过程。CC一般分为膝部、喙部、体部、峡部和压部。虽然目前还没有宏观解剖标志来准确划分胼胝体亚区,但有两种广泛使用的亚区分割方案,均基于胼胝体中线和功能特化进行几何分割:Witelson分割方案和Hofer与Frahm分割方案。Witelson分割方案最早于1989年提出,主要基于非人类灵长类动物的死后组织数据,将胼胝体沿其最大前后长度分为五个垂直段。值得注意的是,通过光学显微镜检查胼胝体纤维的组成发现,Witelson分割方案并不能准确反映CC在细胞水平上的区域差异。

Hofer和Frahm提出了一种更新的胼胝体中线分割方案,其基于健康人类被试的纤维示踪成像,并根据胼胝体皮层连接的差异提出了五个垂直分区。与Witelson分割方案类似,Hofer和Frahm的分割方案沿着胼胝体的最大前后长度建立了一个几何基准,然后在此基础上划分出五个垂直分区。Hofer和Frahm的划分将CC最前面的1/6定义为I区(膝部),其中包含向前额叶区域投射的较细的轴突纤维。剩下的前半部分构成II区,其中包含投射到运动前区和辅助运动皮层区域的纤维。胼胝体的后半部分减去最后1/3的部分构成III区,该区域包含投射到初级运动皮层的纤维。II区和III区中的轴突纤维相对于I区、IV区和v区中的轴突来说更粗。IV区由胼胝体最后1/3部分减去最后1/4部分构成,包含初级感觉神经纤维。胼胝体的最后1/4部分构成了V区(压部),通过该区域的纤维横跨胼胝体,连接顶叶、颞叶和枕叶。

虽然胼胝体包含异位连接,可以帮助整合大脑非同源区域之间的信息,但其大多数轴突投射是同位连接,连接两个半球之间的同源区域。前部胼胝体纤维连接额叶,在两个半球之间传递运动信息,有助于协调运动功能。胼胝体前部还包含更细的联合纤维,能够促进大脑皮层非同源区域之间的协调和交流,这对于复杂的认知加工至关重要。胼胝体后部(压部)纤维连接大脑皮层的后部区域,包括后顶叶、颞叶和枕叶,并在两个半球之间的多模感觉信息传递中发挥作用。具体而言,听觉信息整合与峡部有关,视觉信息整合与压部有关。

胼胝体通常使用扩散加权MRI扫描进行研究,这是一种研究大脑白质(WM)的有用技术。通过测量分数各向异性,扩散张量成像可以显示WM束(如CC)的扩散程度。尽管有各种探索这一结构的技术手段,但关于胼胝体在儿童正常结构发育方面仍有许多未解之谜。这在5岁以下儿童中尤为明显,因为儿童早期的大规模系统性神经影像学研究数量有限。

在T1加权MRI扫描中,由于包裹轴突纤维的髓鞘产生了白质对比度,胼胝体可以在矢状面MRI切片上清晰可见。在早期大脑发育中,胼胝体在出生后以不同的速率髓鞘化。例如,喙部髓鞘化的时间晚于其他胼胝体区域,大约50%的个体在12个月龄时可见明显的髓鞘,并且髓鞘化在2岁后仍在继续。另一方面,25%的个体在足月时具有微小的髓鞘化,其中纤维连接着大脑额叶后部和顶叶中部。此外,髓鞘化在5个月龄后迅速进行,90%的个体在13个月龄时髓鞘化已基本形成。同一研究还显示,在21个月龄时,90%个体的压部(包含连接颞叶和枕叶的纤维)已明显髓鞘化。还有一些使用髓水分数(MWF)的研究表明,3-60个月儿童的髓鞘化程度逐渐增加。

在这项研究中,研究者使用了多个基于表面的测量方法(包括基于多变量张量的形态测量(mTBM)和径向距离(MAD))来研究胼胝体(CC)的组间差异。mTBM利用雅可比矩阵或从每个顶点处位移场的雅可比矩阵测量值,计算每个被试图像与模板图像之间的差异,用于组间比较。MAD是胼胝体表面结构的中线与每个顶点之间的距离。这些方法已被证实在脑表面形态和体积的区域差异检测方面具有优势。此外,结合mTBM和MAD的测量可以显著提高统计功效。虽然这种方法已被证明对不同人群之间的差异很敏感,但它从未用于研究胼胝体早期大脑发育中的局部变化。60个月以下的年龄段尤为重要,因为在5岁时大脑发育已达到其最终体积的90%。

方法和材料

数据

本研究数据集包括纵向收集的160名健康被试的脑体积数据,年龄范围为12-60个月(均值和标准差以周为单位列于下表1中),这些数据来自先进婴儿成像实验室数据库(http://www.babyimaginglab.com)。所有可用数据均经过质量检查,以排除可能影响CC分割的伪影。在此过程中,排除了以下被试数据:12个月龄组排除4名、24个月龄组排除3名、36个月龄组排除3名、48个月龄组排除3名、60个月龄组排除7名。使用原始分析中质量检查合格的样本,具体使用的被试总数如表1所示。神经影像数据的收集是为了研究目的,而非医学原因。被试纳入标准为:妊娠37-42周之间单胎出生,胎儿超声无异常,并且婴儿无神经事件或疾病史。数据集中的儿童被进一步分为5个年龄组(12个月、24个月、36个月、48个月和60个月)。研究人员调查了各组的性别差异。被试分布详见表1。

表1.被试在不同年龄组中的分布情况。

使用反转扰相梯度回波(IR-SPGR)成像采集图像(翻转角:5°,TR:16ms,TE:6.9ms,TI:950ms,体素分辨率:1.2×1.2×1.2mm3)。根据头部大小调整采集矩阵和视场来保持各年龄段的体素分辨率。在进行MRI扫描之前,每位被试或其监护人被告知研究目的,并签署了知情同意书。该研究获得了布朗大学机构审查委员会的批准。所有数据在预处理前均已去标识。请注意,由于在早期年龄段中缺乏利手性信息,因此本研究未评估被试的利手性。

处理流程

首先使用FSL BET对T1加权MP-RAGE扫描进行颅骨剥离,然后在MNI空间中使用6个自由度将图像严格配准到年龄匹配的模板上。接下来,使用ITK-snap工具包(http://www.itksnap.org)手动分割CC。利用胼胝体的神经解剖学参考来确定分割位置。CC是围绕中心层(+/- 6层)的大脑矢状面分割的,如图1(顶部)的彩色区域所示。CC通常在膝部和压部呈扇形分布,虽然中心矢状面非常清楚地显示了CC,但在儿童脑MR图像上无法一致地识别这些区域的末端。分割方案经儿科神经放射科医师的批准,本研究仅分析了中间矢状面层,由于事先与年龄匹配的模板进行了配准,这些层在被试之间是一致的。所有分割由同一人完成。分割完成后,使用共形映射程序创建表示CC的三维四面体网格。该程序基于自适应大小的四面体网格成型方法。网格示例如图1所示。

图1.(顶图)从冠状面、中矢状面和轴状面显示的CC。(底图)基于CC分割生成的四面体网格。

结果

图2比较了12个月(12m)和24个月(24m)的全局显著性,图3显示了24个月和36个月的比较结果,图4显示了36个月和48个月的比较结果。在每幅图中,a.表示雅可比行列式的结果(左侧图),b.表示径向距离(MAD)的结果(第二列),c.表示mTBM的结果(第三列),d.表示径向距离和mTBM联合测量(MADMTBM)的结果(第四列)。这些结果是将两种性别数据合并后得出的结果。虽然mTBM和MADMTBM对局部差异更敏感,但雅可比行列式和MAD可用作参考。具体来说,MAD用于研究变化的方向性。

图2.使用(a)雅可比行列式、(b)径向距离(MAD)、(c)mTBM、以及(d)径向距离和mTBM联合测量(MADMTBM)量化12m组和24m组之间的CC形态测量学差异。

图3.使用(a)雅可比行列式、(b)MAD、(c)mTBM、以及(d)MADMTBM量化24m和36m组之间的CC形态测量学差异。

图4.使用(a)雅可比行列式、(b)MAD、(c)mTBM、以及(d)MADMTBM量化36m和48m组之间的CC形态测量学差异。

组间差异最大的区域出现在CC体部,特别是12m和24m年龄组比较中的前中体,48m和60m的前、中、后中体以及峡部(图1和图5)。此外,在12m和24m之间的比较中,还观察到CC压部(图2)存在较小的显著区域。在“中间”年龄组(24m和36m比较以及36m和48m比较)中,最显著的差异似乎更集中于喙部和前中体。图6显示了本研究队列中年龄最小和最大之间变化最大的区域。可以看到,CC体部的大部分区域都发生了显著变化。

图5.使用(a)雅可比行列式、(b)MAD、(c)mTBM、以及(d)MADMTBM量化48m和60m组之间的CC形态测量学差异。

图6.使用(a)雅可比行列式、(b)MAD、(c)mTBM、以及(d)MADMTBM量化12m组和60m组之间的CC形态测量学差异。

图7显示了不同年龄之间的比率图,以确定变化的方向。在雅可比行列式和MAD中,相邻年龄之间的平均比率约为1,在膝部有扩张,在CC的压部有较小程度的扩张。本研究还观察到,24m相比于12m,以及48m相比于36m,膝部有所减小。

图7.显示了雅可比行列式(上)和MAD(下)变化方向的比率图。

由于MADMTBM方法对变化的敏感性更高,因此图8显示了使用MADMTBM方法计算出的各组性别差异。从图中可以看到,最显著的性别差异在12m组和48m组之间的CC体部。在48m组,还观察到在CC压部附近存在一个显著性团簇,在60m组也有一些显著性团簇。

图8.使用MADMTBM方法计算的12m、24m、36m、48m和60m组胼胝体发育的性别差异结果,由于MADMTBM在检测变化方面具有更高的灵敏度,因此使用该方法进行计算。

结论

胼胝体(CC)是大脑中的一个重要结构。本研究结果表明,使用多变量mTBM和MAD联合测量方法能够识别12-60个月龄之间大脑发育中CC的局部3D结构差异。这些差异在CC体部尤为显著。此外,本研究还考察了这些年龄段之间的性别差异,利用MADMTBM方法能够更好地观察到每组内的局部差异。总的来说,利用3D结构信息的表面形态测量方法有助于探索儿童早期的CC生长及其性别差异。未来的研究可以进一步创建发展轨迹,并涵盖更多年龄段的被试,以获得更全面的研究结果。

参考文献:Gajawelli, N., Paulli, A., Deoni, S., Paquette, N., Darakjian, D., Salazar, C., Dean, D., O'Muircheartaigh, J., Nelson, M. D., Wang, Y., & Lepore, N. (2024). Surface-based morphometry of the corpus callosum in young children of ages 1–5. Human Brain Mapping, 45(9), e26693. https://doi.org/10.1002/hbm.26693


小伙伴关注茗创科技,将第一时间收到精彩内容推送哦~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/799835.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Armv8-R内存模型详解

目录 1.内存模型的必要性 2.Armv8-R内存模型分类 2.1 Normal memory 2.2 Device Memory 2.2.1 Gathering 2.2.2 Reordering 2.2.3 Early Write Acknowledgement 3.小结 大家好,今天是悲伤的肌肉。 在调研区域控制器芯片时,发现了S32Z、Stellar …

从Centos7升级到Rocky linux 9后,网卡连接显示‘Wired connection 1‘问题解决方法

问题描述 从Centos7升级到Rocky9后, 发现网卡eth0的IP不正确。通过nmcli查看网卡连接,找不到name为eth0的连接,只显示’Wired connection 1’ 查看/etc/NetworkManager/system-connections/,发现找不到网卡配置文件。 原因分析 centos7使…

git取消合并:--hard 或 --merge

第一步:查了git日志 git reflog如下,运行上述命令后,可以看见所有的提交哈希(id) 第二步 查看到上述所有的提交记录后,有如下方法去回退 方法1:--hard 确定上一次提交的哈希值 git reset…

RK3568笔记三十八:DS18B20驱动开发测试

若该文为原创文章,转载请注明原文出处。 DS18B20驱动参考的是讯为电子的单总线驱动第十四期 | 单总线_北京迅为的博客-CSDN博客 博客很详细,具体不描述。 只是记录测试下DS18B20读取温度。 一、介绍 流程基本和按键驱动差不多,主要功能是…

内存RAS技术介绍:内存故障预测

故障预测是内存可靠性、可用性和服务性(RAS)领域中的一个重要方面,旨在提前识别潜在的不可纠正错误(UE),以防止系统崩溃或数据丢失。 4.1 错误日志记录与预测基础 错误一般通过Linux内核模块Mcelog记录到…

Matlab 判断直线上一点

文章目录 一、简介二、实现代码三、实现效果参考资料一、简介 判断一个点是否位于一直线上有很多方法,这里使用一种很有趣的坐标:Plucker线坐标,它的定义如下所示: 这个坐标有个很有趣的性质,我们可以使用Plucker坐标矢量构建一个Plucker矩阵: 则它与位于对应线上的齐次点…

鸿蒙语言基础类库:【@system.configuration (应用配置)】

应用配置 说明: 从API Version 7 开始,该接口不再维护,推荐使用新接口[ohos.i18n]和[ohos.intl]。本模块首批接口从API version 3开始支持。后续版本的新增接口,采用上角标单独标记接口的起始版本。 导入模块 import configurati…

uniapp启动图延时效果,启动图的配置

今天阐述uniapp开发中给启动图做延迟效果,不然启动图太快了,一闪就过去了; 一:修改配置文件:manifest.json "app-plus" : {"splashscreen" : {"alwaysShowBeforeRender" : false,"…

vue学习day09-自定义指令、插槽

29、自定义指令 (1)概念:自己定义的指令,可以封装一些dom操作,扩展额外的功能。 (2)分类: 1)全局注册 2)局部注册 3)示例: 让表…

前端Vue组件化实践:自定义银行卡号格式化组件的探索与应用

在前端开发中,随着业务逻辑的复杂化和应用规模的扩大,传统的一体式开发方式逐渐显露出其局限性。任何微小的改动或新功能的增加都可能牵一发而动全身,导致整体逻辑的修改,进而增加了开发成本和维护难度。为了解决这一问题&#xf…

Java软件设计模式-单例设计模式

目录 1.软件设计模式的概念 2.设计模式分类 2.1 创建型模式 2.2 结构型模式 2.3 行为型模式 3.单例设计模式 3.1 单例模式的结构 3.2 单例模式的实现 3.2.1 饿汉式-方式1(静态变量方式) 3.2.2 懒汉式-方式1(线程不安全) 3.…

数据结构之初始二叉树(2)

找往期文章包括但不限于本期文章中不懂的知识点: 个人主页:我要学编程(ಥ_ಥ)-CSDN博客 所属专栏:数据结构(Java版) 二叉树的前置知识(概念、性质、、遍历) 通过上篇文章的学习,我们…

STM32第十八课:SPIFlash

目录 需求一、SPI概要二、SPI配置1.开时钟2.配置IO3.配置&使能SPI 三、FLash操作函数1.SPI发送数据2.FLASH写使能3.FLASH等待操作完成4.FLASH页写操作5.FLASH读操作6.FLASH扇区擦除 四、需求实现 需求 通过SPI控制FLash进行数据的保存和删除。 一、SPI概要 在我们使用UA…

oracle控制文件详解以及新增控制文件

文章目录 oracle控制文件1、 控制文件包含的主要信息如下:2、查看目前系统的控制文件信息,主要是查看相关的字典视图 oracle新增控制文件 oracle控制文件 控制文件是一个很小的二进制文件(10MB左右),含有数据库结构信息,包括数据…

(leetcode学习)15. 三数之和

给你一个整数数组 nums ,判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i ! j、i ! k 且 j ! k ,同时还满足 nums[i] nums[j] nums[k] 0 。请 你返回所有和为 0 且不重复的三元组。 注意:答案中不可以包含重复的三元组。 示例 1&a…

浅谈全量微调和PEFT高效微调(LoRA)

浅谈全量微调和LoRA微调 全量微调Full Fine-Tuning 全量微调是指在预训练的大型模型基础上调整所有层和参数,‌使其适应特定任务的过程。‌这一过程使用较小的学习率和特定任务的数据进行,‌可以充分利用预训练模型的通用特征 高效微调 高效微调&…

PyQt5图形界面--基础笔记

from PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QToolTip, QLabel, QLineEdit from PyQt5.QtGui import QIcon, QFont, QPixmap import sys https://www.bitbug.net/ 将图片转换为ico格式, 用来更改打包的文件图标 -F 只产生exe文件, 其他临时文件不产生 -…

深度学习论文: XFeat: Accelerated Features for Lightweight Image Matching

深度学习论文: XFeat: Accelerated Features for Lightweight Image Matching XFeat: Accelerated Features for Lightweight Image Matching PDF:https://arxiv.org/pdf/2404.19174 PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks 1 概述 本文创新性地推出了…

kubernetes——Istio(三)

一、安全 将单一应用程序分解为微服务可提供各种好处,包括更好的灵活性、 可伸缩性以及服务复用的能力。但是,微服务也有特殊的安全需求: 为了抵御中间人攻击,需要流量加密。为了提供灵活的服务访问控制,需要双向 TL…

大语言模型可以处理图问题吗?

为了探讨大型语言模型(LLM)在处理自然语言描述的图结构问题上的能力,提出了NLGraph基准测试集,包含29,370个涉及不同复杂度的图推理任务。这些任务从简单的连通性和最短路径到复杂的最大流和图神经网络模拟。评估结果显示&#xf…