Hispanopedia Wiki
Articulo de referencia

Morfometría cerebral

La morfometría cerebral es un subcampo tanto de la morfometría como de las neurociencias , que se ocupa de la medición de las estructuras cerebrales y sus cambios durante el des...

Hispanopedia WikiContenido en espanolLectura gratuita

La morfometría cerebral es un subcampo tanto de la morfometría como de las neurociencias , que se ocupa de la medición de las estructuras cerebrales y sus cambios durante el desarrollo , el envejecimiento, el aprendizaje, las enfermedades y la evolución . Dado que la disección tipo autopsia es generalmente imposible en cerebros vivos , la morfometría cerebral comienza con datos de neuroimagen no invasivos, generalmente obtenidos mediante resonancia magnética (RM). Estos datos nacen en formato digital , lo que permite a los investigadores analizar las imágenes cerebrales con mayor profundidad utilizando métodos matemáticos y estadísticos avanzados, como la cuantificación de la forma o el análisis multivariante . Esto permite a los investigadores cuantificar las características anatómicas del cerebro en términos de forma, masa, volumen (por ejemplo, del hipocampo o de la corteza visual primaria frente a la secundaria ), y obtener información más específica, como el cociente de encefalización , la densidad de la materia gris y la conectividad de la materia blanca, la girificación , el grosor cortical o la cantidad de líquido cefalorraquídeo . Estas variables pueden luego representarse dentro del volumen cerebral o en la superficie del cerebro, lo que proporciona una manera práctica de evaluar su patrón y extensión a lo largo del tiempo, entre individuos o incluso entre diferentes especies biológicas . El campo está evolucionando rápidamente junto con las técnicas de neuroimagen —que proporcionan los datos subyacentes— , pero también se desarrolla en parte de forma independiente de ellas, como parte del campo emergente de la neuroinformática , que se ocupa del desarrollo y la adaptación de algoritmos para analizar esos datos.

Fondo

Terminología

El término mapeo cerebral se usa a menudo indistintamente con morfometría cerebral, aunque el mapeo en el sentido más estricto de proyectar las propiedades del cerebro sobre un cerebro modelo es, estrictamente hablando, solo un subcampo de la morfometría cerebral. Por otro lado, aunque mucho menos frecuentemente, la neuromorfometría también se usa a veces como sinónimo de morfometría cerebral (particularmente en la literatura más antigua, por ejemplo, Haug 1986 ), aunque técnicamente es solo uno de sus subcampos.

Biología

La morfología y la función de un órgano complejo como el cerebro son el resultado de numerosos procesos bioquímicos y biofísicos que interactúan de manera muy compleja a través de múltiples escalas en el espacio y el tiempo ( Vallender et al., 2008 ). La mayoría de los genes conocidos que controlan estos procesos durante el desarrollo , la maduración y el envejecimiento del cerebro están altamente conservados ( Holland, 2003 ), aunque algunos muestran polimorfismos (cf. Meda et al., 2008 ), y abundan las diferencias pronunciadas a nivel cognitivo incluso entre especies estrechamente relacionadas , o entre individuos dentro de una misma especie ( Roth y Dicke, 2005 ).

Por el contrario, las variaciones en la anatomía macroscópica del cerebro (es decir, a un nivel de detalle aún discernible a simple vista ) se conservan lo suficiente como para permitir análisis comparativos , pero son lo suficientemente diversas como para reflejar variaciones dentro y entre individuos y especies: así como los análisis morfológicos que comparan cerebros en diferentes etapas ontogenéticas o patológicas pueden revelar información importante sobre la progresión del desarrollo normal o anormal dentro de una especie determinada, los estudios comparativos entre especies tienen un potencial similar para revelar tendencias evolutivas y relaciones filogenéticas.

Dado que las técnicas de imagen comúnmente empleadas para la investigación morfométrica cerebral son esencialmente de naturaleza molecular o incluso subatómica, diversos factores pueden interferir en la cuantificación de las estructuras cerebrales. Estos factores incluyen todos los parámetros mencionados en la sección "Aplicaciones", así como el estado de hidratación, el estado hormonal, la medicación y el consumo de sustancias.

Requisitos técnicos

La morfometría cerebral requiere dos requisitos principales: primero, las características cerebrales de interés deben ser medibles; y segundo, deben existir métodos estadísticos para comparar cuantitativamente las mediciones. Las comparaciones de formas constituyen la base de la taxonomía linneana , e incluso en casos de evolución convergente o trastornos cerebrales , siguen proporcionando abundante información sobre la naturaleza de los procesos implicados. Si bien las comparaciones de formas se han limitado durante mucho tiempo a medidas simples, principalmente basadas en volumen o cortes, se han beneficiado enormemente de la revolución digital, ya que ahora se pueden analizar numéricamente todo tipo de formas en cualquier número de dimensiones.

Además, si bien la extracción de parámetros morfométricos como la masa cerebral o el volumen de líquido cefalorraquídeo puede ser relativamente sencilla en muestras post mortem , la mayoría de los estudios en sujetos vivos necesariamente tendrán que utilizar un enfoque indirecto: se obtiene una representación espacial del cerebro o sus componentes mediante alguna técnica de neuroimagen adecuada , y los parámetros de interés pueden analizarse a partir de ella. Dicha representación estructural del cerebro es también un requisito previo para la interpretación de la neuroimagen funcional .

El diseño de un estudio morfométrico cerebral depende de múltiples factores que pueden clasificarse a grandes rasgos de la siguiente manera: Primero, según si se abordan aspectos ontogenéticos, patológicos o filogenéticos, el estudio puede diseñarse como longitudinal (dentro del mismo cerebro, medido en diferentes momentos) o transversal (entre diferentes cerebros). Segundo, los datos de imágenes cerebrales pueden adquirirse mediante diferentes modalidades de neuroimagen . Tercero, las propiedades cerebrales pueden analizarse a diferentes escalas (por ejemplo, en todo el cerebro, regiones de interés , estructuras corticales o subcorticales). Cuarto, los datos pueden someterse a diferentes tipos de procesamiento y análisis. La morfometría cerebral, como disciplina, se centra principalmente en el desarrollo de herramientas que aborden este cuarto punto y su integración con los anteriores.

Metodologías

Con la excepción de la histología cerebral generalmente basada en cortes , los datos de neuroimagen se almacenan generalmente como matrices de vóxeles . El método morfométrico más popular, por lo tanto, se conoce como morfometría basada en vóxeles (VBM; cf. Wright et al., 1995 ; Ashburner y Friston, 2000 ; Good et al., 2001 ). Sin embargo, dado que un vóxel de imagen no es una unidad biológicamente significativa, se han desarrollado otros enfoques que potencialmente tienen una correspondencia más cercana a las estructuras biológicas: morfometría basada en deformación (DBM), morfometría basada en superficie (SBM) y seguimiento de fibras basado en imágenes ponderadas por difusión (DTI o DSI). Los cuatro se realizan generalmente a partir de datos de imágenes de resonancia magnética (RM) , y los tres primeros comúnmente utilizan secuencias de pulsos ponderadas en T1 (por ejemplo, Magnetization Prepared Rapid Gradient Echo, MP-RAGE) y a veces ponderadas en T2 , mientras que DTI/DSI utilizan secuencias ponderadas por difusión . Sin embargo, una evaluación reciente de algoritmos/software de morfometría demuestra inconsistencia entre varios de ellos. [ 1 ] Esto pone de manifiesto la necesidad de una validación y evaluación sistemática y cuantitativa del campo.

Morfometría cerebral basada en resonancia magnética ponderada en T1

Preprocesamiento

Las imágenes de resonancia magnética se generan mediante una compleja interacción entre campos electromagnéticos estáticos y dinámicos y el tejido de interés, es decir, el cerebro que se encuentra dentro de la cabeza del sujeto. Por lo tanto, las imágenes sin procesar contienen ruido de diversas fuentes, como los movimientos de la cabeza (una exploración adecuada para morfometría suele durar unos 10 minutos), que difícilmente se pueden corregir o modelar, y los campos de polarización (ninguno de los campos electromagnéticos involucrados es homogéneo en toda la cabeza ni en el cerebro), que sí se pueden modelar.

A continuación, la imagen se segmenta en tejido cerebral y no cerebral, y este último suele subdividirse en al menos materia gris (MG), materia blanca (MB) y líquido cefalorraquídeo (LCR). Dado que los vóxeles de la imagen cercanos a los límites de las clases no suelen contener un solo tipo de tejido, se producen efectos de volumen parcial que pueden corregirse.

Para realizar comparaciones entre diferentes exploraciones (dentro o entre sujetos), las diferencias en el tamaño y la forma del cerebro se eliminan normalizando espacialmente (es decir, registrando) las imágenes individuales al espacio estereotáctico de un cerebro plantilla. El registro puede realizarse utilizando métodos de baja resolución (es decir, de cuerpo rígido o transformaciones afines ) o de alta resolución (es decir, altamente no lineales), y las plantillas pueden generarse a partir del conjunto de cerebros del estudio, de un atlas cerebral o de un generador de plantillas derivado .

Tanto las imágenes registradas como los campos de deformación generados durante el registro pueden utilizarse para análisis morfométricos, sentando así las bases de la morfometría basada en vóxeles (VBM) y la morfometría basada en deformaciones (DBM). Las imágenes segmentadas en clases de tejido también pueden utilizarse para convertir los límites de segmentación en superficies paramétricas, cuyo análisis constituye el objetivo de la morfometría basada en superficies (SBM).

Morfometría basada en vóxeles

Una vez segmentadas las imágenes individuales, se registran en la plantilla. Cada vóxel contiene entonces una medida de la probabilidad de pertenecer a una clase de segmentación específica. En el caso de la materia gris, esta cantidad se suele denominar densidad de materia gris (GMD), concentración de materia gris (GMC) o probabilidad de materia gris (GMP).

Para corregir los cambios de volumen debidos al registro, el volumen de materia gris (GMV) del cerebro original se puede calcular multiplicando la GMD por los determinantes jacobianos de las deformaciones utilizadas para registrar el cerebro en la plantilla. Los volúmenes específicos para cada clase de materia blanca y líquido cefalorraquídeo se definen de forma análoga.

Las diferencias locales en la densidad o el volumen de las distintas clases de segmentación pueden analizarse estadísticamente entre escaneos e interpretarse en términos anatómicos (por ejemplo, como atrofia de la materia gris). Dado que VBM está disponible para muchos de los principales paquetes de software de neuroimagen (por ejemplo, FSL y SPM ), proporciona una herramienta eficiente para probar o generar hipótesis específicas sobre los cambios cerebrales a lo largo del tiempo. Cabe destacar que, a diferencia de DBM, la comunidad de computación de imágenes médicas ha formulado críticas considerables y advertencias sobre la correcta interpretación de los resultados de VBM [ 2 ] [ 3 ].

Morfometría basada en la deformación

En DBM, se utilizan algoritmos de registro altamente no lineales, y los análisis estadísticos no se realizan sobre los vóxeles registrados, sino sobre los campos de deformación utilizados para registrarlos [ 4 ] (lo que requiere enfoques multivariados) o propiedades escalares derivadas de los mismos, lo que permite enfoques univariados. [ 5 ] Una variante común, a veces denominada morfometría basada en tensores (TBM) , se basa en el determinante jacobiano de la matriz de deformación.

Por supuesto, existen múltiples soluciones para este tipo de procedimientos de deformación no lineal, y para lograr un equilibrio adecuado entre los requisitos potencialmente opuestos de ajuste de forma global y local, se están desarrollando algoritmos de registro cada vez más sofisticados. Sin embargo, la mayoría de estos son computacionalmente costosos si se aplican con una cuadrícula de alta resolución. La mayor ventaja de DBM con respecto a VBM es su capacidad para detectar cambios sutiles en estudios longitudinales. No obstante, debido a la gran variedad de algoritmos de registro, no existe un estándar ampliamente aceptado para DBM, lo que también ha impedido su incorporación en los principales paquetes de software de neuroimagen.

Morfometría basada en patrones

La morfometría basada en patrones (PBM) es un método de morfometría cerebral propuesto inicialmente en [ 6 ] . Se basa en DBM y VBM. PBM se fundamenta en la aplicación del aprendizaje de diccionarios dispersos a la morfometría. A diferencia de los enfoques típicos basados ​​en vóxeles, que dependen de pruebas estadísticas univariadas en ubicaciones específicas de vóxeles, PBM extrae patrones multivariados directamente de la imagen completa. La ventaja de esto es que las inferencias no se realizan localmente, como en VBM o DBM, sino globalmente. Esto permite que el método detecte si las combinaciones de vóxeles son más adecuadas para separar los grupos estudiados que los vóxeles individuales. Además, el método es más robusto a las variaciones en los algoritmos de registro subyacentes en comparación con el análisis DBM típico.

Morfometría basada en superficies

Una vez segmentado el cerebro, el límite entre las diferentes clases de tejido puede reconstruirse como una superficie sobre la que se puede proceder al análisis morfométrico (por ejemplo, hacia la girificación ), o sobre la que se pueden proyectar los resultados de dichos análisis .

Morfometría cerebral basada en resonancia magnética ponderada por difusión

Técnicas de seguimiento de fibras

Las técnicas de seguimiento de fibras nerviosas son el resultado más reciente de este conjunto de enfoques morfológicos basados ​​en resonancia magnética. Determinan el trayecto de las fibras nerviosas dentro del cerebro mediante imágenes de tensor de difusión o imágenes de espectro de difusión (por ejemplo , Douaud et al., 2007 y O'Donnell et al., 2009 ).

Difeomorfometría

La difeomorfometría [ 7 ] se centra en la comparación de formas y figuras con una estructura métrica basada en difeomorfismos, y es fundamental para el campo de la anatomía computacional . [ 8 ] El registro difeomórfico, [ 9 ] introducido en los años 90, es ahora un actor importante que utiliza procedimientos computacionales para construir correspondencias entre sistemas de coordenadas basados ​​en características dispersas e imágenes densas, como ANTS, [ 10 ] DARTEL, [ 11 ] DEMONS, [ 12 ] LDDMM , [ 13 ] o StationaryLDDMM. [ 14 ] La morfometría basada en vóxeles (VBM) es un método importante construido sobre muchos de estos principios. Los métodos basados ​​en flujos difeomórficos se utilizan en Por ejemplo, las deformaciones podrían ser difeomorfismos del espacio ambiente, lo que da como resultado el marco LDDMM ( Large Deformation Diffeomorphic Metric Mapping ) para la comparación de formas. [ 15 ] Una de estas deformaciones es la métrica invariante derecha de la anatomía computacional , que generaliza la métrica de los flujos eulerianos no compresibles para incluir la norma de Sobolev, asegurando la suavidad de los flujos. [ 16 ] También se han definido métricas asociadas a controles hamiltonianos de flujos difeomórficos. [ 17 ]

Aplicaciones

Los cambios cualitativamente más significativos en un individuo generalmente ocurren durante el desarrollo temprano, mientras que los más sutiles se producen durante el envejecimiento y el aprendizaje. Los cambios patológicos pueden variar considerablemente en su magnitud, y las diferencias interindividuales aumentan tanto a lo largo de la vida como durante la misma. Los métodos morfométricos descritos anteriormente permiten analizar cuantitativamente dichos cambios, y la resonancia magnética se ha aplicado a un número cada vez mayor de poblaciones cerebrales relevantes para estas escalas temporales, tanto en humanos como en diferentes especies. Sin embargo, actualmente, la mayoría de las aplicaciones de la morfometría cerebral basada en resonancia magnética tienen un enfoque clínico, es decir, ayudan a diagnosticar y monitorizar trastornos neuropsiquiátricos, en particular enfermedades neurodegenerativas (como el Alzheimer) o trastornos psicóticos (como la esquizofrenia).

Desarrollo cerebral

La resonancia magnética (RM) rara vez se realiza durante el embarazo y el período neonatal, para evitar el estrés tanto para la madre como para el niño. Sin embargo, en casos de complicaciones del parto y otros eventos clínicos, se están adquiriendo dichos datos. Por ejemplo, Dubois et al., 2008 analizaron la girificación en recién nacidos prematuros al nacer y encontraron que era predictiva de una puntuación funcional a la edad equivalente a término, y Serag et al. [ 18 ] construyeron un atlas 4D del cerebro neonatal en desarrollo que ha llevado a la construcción de curvas de crecimiento cerebral desde las 28 hasta las 44 semanas de edad posmenstrual. Más allá de los prematuros, ha habido una serie de estudios longitudinales a gran escala de RM-morfometría (a menudo combinados con enfoques transversales y otras modalidades de neuroimagen) del desarrollo cerebral normal en humanos. [ 19 ] Utilizando métodos basados ​​en vóxeles y varios enfoques complementarios, estos estudios revelaron (o confirmaron de forma no invasiva, desde la perspectiva de estudios histológicos previos que no pueden ser longitudinales) que la maduración cerebral implica un crecimiento diferencial de la materia gris y blanca, que el curso temporal de la maduración no es lineal y que difiere marcadamente entre las regiones cerebrales. [ 20 ] Para interpretar estos hallazgos, se deben tener en cuenta los procesos celulares, especialmente aquellos que rigen la poda de axones, dendritas y sinapsis hasta que se alcanza un patrón adulto de conectividad cerebral completa (que se puede monitorear mejor utilizando técnicas ponderadas por difusión).

Envejecimiento

Si bien la sustancia blanca aumenta durante el desarrollo temprano y la adolescencia, y la disminución de la sustancia gris en ese período generalmente no afecta los cuerpos celulares neuronales, la situación cambia a partir de los 50 años, cuando la atrofia afecta la sustancia gris y posiblemente también la blanca. La explicación más convincente es que las neuronas individuales mueren, lo que conlleva la pérdida tanto de sus cuerpos celulares (es decir, la sustancia gris) como de sus axones mielinizados (es decir, la sustancia blanca). Los cambios en la sustancia gris pueden observarse mediante la densidad y la girificación de la sustancia gris. El hecho de que la pérdida de sustancia blanca no sea tan evidente como la de la sustancia gris indica que también se producen cambios en el tejido no neuronal, como la vasculatura o la microglía.

Aprendizaje y plasticidad

Quizás el impacto más profundo hasta la fecha de la morfometría cerebral en nuestra comprensión de las relaciones entre la estructura y la función cerebral lo ha proporcionado una serie de estudios de VBM dirigidos a la competencia en diversas actividades: se encontró que los taxistas con licencia en Londres exhibían un aumento bilateral del volumen de materia gris en la parte posterior del hipocampo , tanto en comparación con los controles de la población general [ 21 ] como con los conductores de autobuses de Londres con la misma experiencia de conducción y niveles de estrés . De manera similar, también se encontró que los cambios en la materia gris se correlacionaban con la experiencia profesional en músicos, matemáticos y meditadores, y con el dominio de una segunda lengua.

Es más, se pudieron detectar cambios bilaterales en la materia gris de la corteza parietal posterior y lateral de estudiantes de medicina que memorizaban para un examen intermedio en un período de tan solo tres meses.

Estos estudios sobre la formación profesional suscitaron interrogantes sobre los límites de la morfometría basada en resonancia magnética en cuanto a los periodos de tiempo durante los cuales se pueden detectar cambios estructurales cerebrales. Factores determinantes de estos límites son la velocidad y la extensión espacial de los propios cambios. Por supuesto, algunos eventos como accidentes, un ictus, una metástasis tumoral o una intervención quirúrgica pueden alterar profundamente la estructura cerebral en periodos muy cortos, y estos cambios pueden visualizarse con resonancia magnética y otras técnicas de neuroimagen. Dadas las limitaciones de tiempo en tales circunstancias, la morfometría cerebral rara vez se utiliza en el diagnóstico, sino más bien para el seguimiento de la evolución durante periodos de semanas, meses o incluso más largos.

Un estudio encontró que los principiantes en malabarismo mostraron una expansión bilateral de materia gris en el área visual temporal medial (también conocida como V5) durante un período de tres meses en el que aprendieron a mantener una cascada de tres pelotas durante al menos un minuto. [ 22 ] No se observaron cambios en un grupo de control que no practicó malabarismo. La magnitud de estos cambios en los malabaristas se redujo durante un período posterior de tres meses en el que no practicaron malabarismo. Para determinar con mayor precisión la evolución temporal de estos cambios, el experimento se repitió con otra cohorte joven escaneada a intervalos más cortos, y los cambios típicos en V5 ya se podían encontrar después de solo siete días de práctica de malabarismo. Los cambios observados fueron mayores en la fase inicial de aprendizaje que durante el entrenamiento continuo.

Mientras que los dos estudios anteriores involucraron a estudiantes de veintitantos años, los experimentos se repitieron recientemente con un grupo de personas mayores, revelando el mismo tipo de cambios estructurales, aunque atenuados por un menor rendimiento en malabarismo de este grupo. [ 23 ]

Mediante una intervención completamente diferente —la aplicación de estimulación magnética transcraneal en sesiones diarias durante cinco días— se observaron cambios en las áreas objetivo de la estimulación y sus alrededores, así como en los ganglios basales de voluntarios de veintitantos años, en comparación con un grupo de control que recibió placebo. Sin embargo, es posible que estos cambios simplemente reflejen efectos de vascularización.

En conjunto, estos estudios morfométricos respaldan firmemente la idea de que la plasticidad cerebral —los cambios en la estructura del cerebro— sigue siendo posible a lo largo de la vida y bien podría ser una adaptación a los cambios en la función cerebral, que también se ha demostrado que cambia con la experiencia. El título de esta sección pretendía enfatizar esto: que la plasticidad y el aprendizaje ofrecen dos perspectivas —funcional y estructural— del mismo fenómeno: un cerebro que cambia con el tiempo.

Enfermedad cerebral

Las enfermedades cerebrales son el campo al que se aplica con mayor frecuencia la morfometría cerebral, y la bibliografía al respecto es inmensa.

Evolución del cerebro

Los cambios cerebrales también se acumulan durante periodos más largos que la vida de una persona, pero si bien los estudios con gemelos han demostrado que la estructura cerebral humana es altamente heredable, los estudios morfométricos cerebrales con un alcance tan amplio son poco frecuentes. Sin embargo, en el contexto de trastornos con un componente hereditario conocido o sospechado, varios estudios han comparado la morfometría cerebral de los pacientes con la de controles sanos y con la de sujetos con alto riesgo de desarrollar el trastorno. Este último grupo suele incluir a familiares.

Se pueden salvar brechas temporales aún mayores comparando poblaciones humanas con una historia suficientemente larga de separación genética, como los centroeuropeos y los japoneses. Un estudio basado en la superficie cerebral comparó la forma del cerebro entre estos dos grupos y halló una diferencia en sus asimetrías cerebrales dependientes del género . Los estudios de neuroimagen de este tipo, combinados con estudios funcionales y datos de comportamiento, ofrecen vías prometedoras y hasta ahora en gran medida inexploradas para comprender las similitudes y diferencias entre distintos grupos de personas .

Así como los análisis morfológicos que comparan cerebros en diferentes etapas ontogenéticas o patogénicas pueden revelar información importante sobre el desarrollo normal o anormal dentro de una especie determinada, los estudios comparativos entre especies tienen un potencial similar para revelar tendencias evolutivas y relaciones filogenéticas. De hecho, las comparaciones de formas (aunque históricamente con énfasis en criterios cualitativos) constituyeron la base de la taxonomía biológica antes de la era de la genética. Existen tres fuentes principales para las investigaciones evolutivas comparativas: fósiles, estudios post mortem frescos y conservados, o estudios in vivo .

El registro fósil está dominado por estructuras que ya estaban biomineralizadas durante la vida del organismo respectivo (en el caso de los vertebrados, principalmente dientes y huesos). Los cerebros, como otros tejidos blandos, rara vez se fosilizan, pero ocasionalmente lo hacen. El cerebro de vertebrado probablemente más antiguo conocido hasta la fecha perteneció a un pez rata que vivió hace unos 300 millones de años. [ 24 ] Si bien la técnica más utilizada para obtener imágenes de fósiles es la tomografía computarizada (TC), este espécimen en particular fue visualizado mediante tomografía de sincrotrón , y estudios recientes de imágenes por resonancia magnética (RM) con fósiles sugieren que el método puede utilizarse para obtener imágenes de al menos un subconjunto de cerebros fosilizados.

También se han obtenido imágenes de resonancia magnética del cerebro de una momia egipcia de 3200 años de antigüedad . Sin embargo, las perspectivas son escasas; es poco probable que cualquier conjunto de datos de imágenes tridimensionales de un cerebro fósil, semifósil o momificado sea de gran utilidad para los análisis morfométricos del tipo aquí descrito, ya que los procesos de momificación y fosilización alteran considerablemente la estructura de los tejidos blandos de una manera específica para cada espécimen y sus subregiones.

Por otro lado, las muestras post mortem de especies vivas o recientemente extintas generalmente permiten obtener imágenes de RM con calidad suficiente para análisis morfométricos, aunque habría que tener en cuenta los artefactos de conservación. Estudios previos de imágenes de RM incluyen especímenes conservados en formalina, [ 25 ] [ 26 ] por congelación, [ 27 ] o en alcohol. [ 28 ]

The third line of comparative evidence would be cross-species in vivo MR imaging studies like the one by Rilling & Insel (1998), who investigated brains from eleven primate species by VBM in order to shed new light on primate brain evolution. Other studies have combined morphometric with behavioural measures, and brain evolution does not only concern primates: Gyrification occurs across mammalian brains if they reach a size of several centimeters—with cetaceans dominating the upper end of the spectrum—and generally increases slowly with overall brain size, following a power law.

References

  • This article incorporates material from the Citizendium article "Brain morphometry", which is licensed under the Creative Commons Attribution-ShareAlike 3.0 Unported License but not under the GFDL.
  1. ↑Gao, Yi; Riklin-Raviv, Tammy; Bouix, Sylvain (2014). "Shape analysis, a field in need of careful validation". Human Brain Mapping. 35 (10): 4965–4978. doi:10.1002/hbm.22525. PMC 6869375. PMID 24753006. S2CID 16053716.
  2. ↑Davatzikos, C. (2004). "Why voxel-based morphometric analysis should be used with great caution when characterizing group differences". NeuroImage. 23 (1): 17–20. doi:10.1016/j.neuroimage.2004.05.010. PMID 15325347. S2CID 7452089.
  3. ↑Bookstein, F. L. (2001). ""Voxel-Based Morphometry" Should Not Be Used with Imperfectly Registered Images". NeuroImage. 14 (6): 1454–1462. doi:10.1006/nimg.2001.0770. PMID 11707101. S2CID 32486095.
  4. ↑Ashburner, J.; Hutton, C.; Frackowiak, R.; Johnsrude, I.; Price, C.; Friston, K. (1998). "Identifying global anatomical differences: deformation-based morphometry". Hum Brain Mapp. 6 (5–6): 348–57. doi:10.1002/(SICI)1097-0193(1998)6:5/6<348::AID-HBM4>3.0.CO;2-P. PMC 6873376. PMID 9788071.
  5. ↑ Gaser, C.; Volz, HP; Kiebel, S.; Riehemann, S.; Sauer, H. (1999). "Detección de cambios estructurales en todo el cerebro basada en deformaciones no lineales: aplicación a la investigación de la esquizofrenia". NeuroImage . 10 (2): 107–13 . doi : 10.1006/nimg.1999.0458 . PMID 10417245 . 
  6. ↑ Gaonkar, B.; Pohl, K.; Davatzikos, C. (2011). "Morfometría basada en patrones" . Medical Image Computing and Computer-Assisted Intervention . 14 (Pt 2): 459– 466. doi : 10.1007/978-3-642-23629-7_56 . PMC 4373081. PMID 21995061 .  
  7. ↑ Miller, Michael I.; Younes, Laurent; Trouvé, Alain (18 de noviembre de 2013). "Difeomorfometría y sistemas de posicionamiento geodésico para la anatomía humana" . Technology . 2 ( 1): 36– 43. doi : 10.1142/S2339547814500010 . ISSN 2339-5478 . PMC 4041578. PMID 24904924 .   
  8. ↑ Grenander, Ulf; Miller, Michael I. (1998-12-01). "Anatomía computacional: una disciplina emergente" . Q. Appl. Math . LVI (4): 617–694 . doi : 10.1090/qam/1668732 . ISSN 0033-569X . 
  9. ↑ Christensen, GE; Rabbitt, RD; Miller, MI (1996-01-01). "Plantillas deformables mediante cinemática de grandes deformaciones". IEEE Transactions on Image Processing . 5 (10): 1435– 1447. Bibcode : 1996ITIP....5.1435C . doi : 10.1109/83.536892 . ISSN 1057-7149 . PMID 18290061 .  
  10. ↑ "stnava/ANTs" . GitHub . Consultado el 11 de diciembre de 2015 .
  11. ↑ Ashburner, John (15 de octubre de 2007). "Un algoritmo rápido de registro de imágenes difeomórficas". NeuroImage . 38 ( 1): 95– 113. doi : 10.1016/j.neuroimage.2007.07.007 . ISSN 1053-8119 . PMID 17761438. S2CID 545830 .   
  12. ↑ «Software: Tom Vercauteren» . sitios.google.com . Consultado el 11 de diciembre de 2015 .
  13. ↑ "NITRC: LDDMM: Información sobre herramientas/recursos" . www.nitrc.org . Consultado el 11 de diciembre de 2015 .
  14. ↑ "Publicación: Comparación de algoritmos para el registro difeomórfico: LDDMM estacionario y demonios difeomórficos" . www.openaire.eu . Archivado del original el 16 de febrero de 2016. Consultado el 11 de diciembre de 2015 .
  15. ↑ F. Beg; M. Miller; A. Trouvé; L. Younes (febrero de 2005). "Cálculo de mapeos métricos de grandes deformaciones mediante flujos geodésicos de difeomorfismos". International Journal of Computer Vision . 61 (2): 139– 157. doi : 10.1023/b:visi.0000043755.93987.aa . S2CID 17772076 . 
  16. ↑ Miller, MI; Younes, L. (2001-01-01). "Acciones de grupo, homeomorfismos y emparejamiento: un marco general". International Journal of Computer Vision . 41 ( 1– 2): 61– 84. CiteSeerX 10.1.1.37.4816 . doi : 10.1023/A:1011161132514 . S2CID 15423783 .  
  17. ↑ Miller, Michael I.; Trouvé, Alain; Younes, Laurent (2015-01-01). "Sistemas hamiltonianos y control óptimo en anatomía computacional: 100 años desde D'Arcy Thompson". Annual Review of Biomedical Engineering . 17 : 447–509 . doi : 10.1146/annurev-bioeng-071114-040601 . ISSN 1545-4274 . PMID 26643025 .  
  18. ↑ Serag, A.; Aljabar, P.; Ball, G.; Counsell, SJ; Boardman, JP; Rutherford, MA; Edwards, AD; Hajnal, JV; Rueckert, D. (2012). "Construcción de un atlas espaciotemporal consistente de alta definición del cerebro en desarrollo mediante regresión de núcleo adaptativa". NeuroImage . 59 (3): 2255– 2265. doi : 10.1016/j.neuroimage.2011.09.062 . PMID 21985910 . S2CID 9747334 .  
  19. ↑ especialmente por Giedd, JAY (1999). "Desarrollo cerebral, IX". American Journal of Psychiatry . 156 (1): 4. doi : 10.1176/ajp.156.1.4 . PMID 9892290 . y \citet{Thompson:2000p55997} y, más recientemente, por Evans, Alan C. (2006). "El estudio de resonancia magnética del NIH sobre el desarrollo cerebral normal". NeuroImage . 30 (1): 184– 202. doi : 10.1016/j.neuroimage.2005.09.068 . PMID 16376577 . y Almli, CR; Rivkin, MJ; McKinstry, RC (2007). "Estudio de resonancia magnética del NIH sobre el desarrollo cerebral normal (Objetivo-2): Recién nacidos, lactantes, niños pequeños y preescolares". NeuroImage . 35 (1): 308– 325. doi : 10.1016/j.neuroimage.2006.08.058 . PMID 17239623 . 
  20. ↑ Para revisiones de estudios morfométricos de RM sobre la maduración cerebral, véase Paus, Tomáš (2005). "Mapeo de la maduración cerebral y el desarrollo cognitivo durante la adolescencia". Trends in Cognitive Sciences . 9 (2): 60– 68. doi : 10.1016/j.tics.2004.12.008 . PMID 15668098 . y [desde el desarrollo temprano hasta la adolescencia] Toga , Arthur W. (2006). "Mapeando la maduración cerebral" . Trends in Neurosciences . 29 (3): 148– 159. doi : 10.1016/j.tins.2006.01.007 . PMC 3113697. PMID 16472876 .  ; Lenroot, Rhoshel K.; Giedd, Jay N. (2006). "Desarrollo cerebral en niños y adolescentes: Perspectivas a partir de imágenes de resonancia magnética anatómica". Neuroscience & Biobehavioral Reviews . 30 (6): 718– 729. doi : 10.1016/j.neubiorev.2006.06.001 . PMID 16887188 . 
  21. ↑ Maguire, EA (2000). "Cambio estructural relacionado con la navegación en los hipocampos de los taxistas" . Actas de la Academia Nacional de Ciencias . 97 ( 8): 4398– 4403. Bibcode : 2000PNAS...97.4398M . doi : 10.1073/pnas.070039597 . PMC 18253. PMID 10716738 .  
  22. ↑ Draganski, Bogdan; Gaser, cristiano; Busch, Volker; Schuierer, Gerhard; Bogdahn, Ulrich; Mayo, Arne (22 de enero de 2004). "Cambios en la materia gris inducidos por el entrenamiento" . Naturaleza . 427 (6972): 311– 312. doi : 10.1038/427311a . ISSN 1476-4687 . 
  23. ↑ Boyke, Janina; Driemeyer, Joenna; Gaser, Christian; Büchel, Christian; May, Arne (2008). "Cambios en la estructura cerebral inducidos por el entrenamiento en personas mayores" . The Journal of Neuroscience . 28 (28): 7031– 7035. doi : 10.1523/jneurosci.0742-08.2008 . PMC 6670504. PMID 18614670 .  
  24. ↑ Pradel, Alan; Langer, Max; Maisey, John G.; Geffard-Kuriyama, Didier; Cloetens, Peter; Janvier, Philippe; Tafforeau, Paul (2009). "Cráneo y cerebro de un pez quimeroide de 300 millones de años revelados por holotomografía de sincrotrón" . Actas de la Academia Nacional de Ciencias . 106 (13): 5224– 5228. Bibcode : 2009PNAS..106.5224P . doi : 10.1073/pnas.0807047106 . PMC 2653559. PMID 19273859 .  
  25. ↑ Pfefferbaum, Adolf; Sullivan, Edith V.; Adalsteinsson, Elfar; Garrick, Therese; Harper, Clive (2004). "Imágenes de resonancia magnética post mortem del cerebro humano fijado con formalina". NeuroImage . 21 (4): 1585– 1595. doi : 10.1016/j.neuroimage.2003.11.024 . PMID 15050582 . 
  26. ↑ Hakeem, Atiya Y.; Hof, Patrick R.; Sherwood, Chet C.; Switzer, Robert C.; Rasmussen, LEL; Allman, John M. (2005). "Cerebro del elefante africano ( Loxodonta africana ): Neuroanatomía a partir de imágenes de resonancia magnética". The Anatomical Record Part A: Discoveries in Molecular, Cellular, and Evolutionary Biology . 287A (1): 1117– 1127. doi : 10.1002/ar.a.20255 . PMID 16216009 . 
  27. ↑ Corfield, Jeremy R; Wild, J Martin; Cowan, Brett R; Parsons, Stuart; Kubke, M Fabiana (2008). "Resonancia magnética de especímenes post mortem de especies en peligro de extinción para anatomía cerebral comparada". Nature Protocols . 3 (4): 597– 605. doi : 10.1038/nprot.2008.17 . PMID 18388941 . 
  28. ↑ Chanet, B; Fusellier, M; Baudet, J; Madec, S; Guintard, C (2009). "No es necesario abrir el frasco: un estudio comparativo de los resultados de imágenes por resonancia magnética en carpas comunes frescas y conservadas en alcohol (Cyprinus carpio (L. 1758), Cyprinidae, Teleostei)". CR Biol . 332 (4): 413–9 . doi : 10.1016/j.crvi.2008.12.002 . PMID 19304272 .