磁共振扩散张量成像在神经退行性疾病的分析
2013年7月28日
弥散张量成像（DTI）基本上作为一个基于MRI的工具来识别在体内，大脑由于脑白质内神经系统疾病和病理过程中的微观结构。 DTI为基础的分析允许应用程序在组级和单一主体数据的脑部疾病。
以下实验的总体目标是使用弥散张量成像分析，通过结合基于全脑和基于道的分数anes萎缩统计来定义不同脑部疾病的不同白质病理解剖结构。这是通过适当的弥散张量成像或 DTI 数据预处理来实现的，包括质量控制和立体定向归一化。作为第二步，执行基于全脑的空间统计或 WBSS，它允许对不同主题组的分数或斜视图 或 FA 图进行大胆比较，以检测病理差异。
接下来，TrackWise 分数。执行 ATROPY 统计或 TFAS 是为了通过比较纤维跟踪程序定义的大脑结构来补充体素智能比较的结果。基于基于 DTI 的分析得出的结果显示了患病组和对照组之间的差异。
与其他方法相比，该技术的主要优点是对组平均数据集的纤维跟踪变得可行。这种方法可以帮助回答神经影像学领域的关键问题，例如识别受神经退行性疾病影响的大脑结构。该技术的意义延伸到用作基于神经影像学的替代标记物，因为它可能在个体和群体水平上表现出纵向效应。
我们将 这种方法的演示至关重要，因为数据处理步骤很难学习，因为数据分析是在定制的 T 软件包上进行的，并且数据处理和分析中的几个步骤非常耗时 要执行伪影校正。我们实验室开发的定制软件用于检测 GD，至少有一个切片显示由受试者自发运动引起的强度降低的 IE 运动伪影。使用的软件是张量成像和纤维跟踪，由我们实验室为任何扩散加权体积定制。
计算每个切片的平均强度，然后使用加权平均方法将其强度与所有其他体积中的相同切片进行比较。加权因子是 2 gd 向量的点积。如果 Q 低于某个阈值，在本例中为 0.8 的阈值，则消除整个体积或 gd。
阈值 0.8 被认为是稳定的解决方案。这里显示的是矢状面重建中可见并由 QC 算法检测到的运动伪影。在这个例子中，GD 的总数中有 17 个低于红线，对应于 Q 等于 0.8，应该被消除。
此处显示了整个研究的体积消除统计示例，在此示例中，将 29 名症状前 HD 受试者的 DTI 数据与 30 个对照的 DTI 数据进行了比较，以进行立体定向标准化，创建一个研究特异性 B 等于零模板和一个 FA 模板。完整的非线性立体定向归一化由三个变形分量组成。因此，每个体素眼的结果扩散张量必须根据前面显示的所有旋转进行旋转。
这是一个用于对齐基本坐标帧的刚性大脑转换。该图显示了根据地标的线性变形。iGen 向量的分量必须根据线性变形的 S 的六个归一化参数进行调整，这是一个非线性归一化，均衡非线性脑形差异。
每个体素的 3D 矢量偏移都不同，导致 3D 体素数组的每个 vle 都要进行单独的转换。在此单独的规范化过程之后，使用所有单独的 DTI 数据集来创建特定于研究的 B 等于零模板和 FA 模板。由于非 PHE 注册到 FA 模板具有与 B 等于零图像相比它提供更多对比度的优势，因此通过平均患者和对照的所有单独派生的 FA 图来定义 FA 模板。
在第二步中，通过最小化要拟合的 FA 图的区域强度之间的不匹配，执行 DTI 数据集的非线性 MNI 归一化，如果 FA 模板根据基于这些数据的平方差得出新的模板 T 2。重复此迭代过程，直到各个 FA 映射与 FA 模板之间的相关性大于 0.7。通常在两次迭代后达到此值。
现在，可以通过从归一化 DTI 数据计算分数 anes 偏向图、平滑分数 a 偏向图和统计评估来执行基于全脑的空间统计，包括对以下多重比较的校正。肌萎缩侧索硬化症患者与对照组的分数 antrop 图的差异是通过基于全脑的空间统计计算的。根据归一化的 DTI 数据计算 FA 贴图，以便在体素比较之前保留方向信息作为预处理步骤，将平滑滤镜应用于各个归一化的 FA 贴图以进行平滑。
过滤器大小影响 DTI 数据分析结果的事实需要应用匹配过滤器定理，该定理指出用于处理数据的过滤器的宽度应根据预期差异的大小进行定制。使用学生 T 检验比较患者组和相应的对照组 foxwell Y。这是通过分别比较患者 FA 图的 FA 值与每个散兵坑的对照 FA 图的 FA 值来完成的，然后通过使用 P 小于 0.05 的错误发现率算法来校正多重比较的统计结果。
使用空间相关算法进一步减少 Alpha 误差，该算法可消除平滑内核大小范围内的孤立体素或小型孤立体素组，从而导致以下轨迹中的最小阈值群集大小为 512 个散兵洞两次。计算肌萎缩侧索硬化症患者与对照组的 anes atropic 统计分数。为了应用基于组的纤维跟踪算法，从患者数据和对照数据中生成平均 DTI 数据集，然后通过应用简化的跟踪技术进行主题组的束成像和平均 DTI 数据集。
通过基于全脑的 FA 分析识别与局部最大值相邻的手动定义的种子点，这是在识别种子后进行连续纤维跟踪分析的基础，执行 t 束成像并将描绘纤维的体素定义为以下 TFAS 的组特异性掩码。为了量化 T 牵引成像结果，通过使用在每组所有受试者的平均 DTI 数据集上创建的纤维轨迹来应用 TFAS，以选择有助于患者与对照之间比较的体素 FA 图，以通过 WBSS 和 TFAS 获得综合信息，考虑所有 FA 值高于 0.2 的结果体素，由学生进行统计分析T 检验。该动画显示了 WBSS 在 LS 患者样本和切片可视化中匹配对照之间检测到的 FA 图的组差异。
该视频展示了纤维跟踪，皮质脊髓束的起点用作 TFAS 掌握后的基础。如果执行得当，这种技术几乎可以在几个小时内自动完成。观看此视频后，您应该对如何使用基于全脑的空间统计和 TrackWise FA 统计在组级别执行 DTI 分析有很好的了解。
查看完整文字稿并访问数千部科学视频
概述
本研究利用扩散张量成像（DTI）来探索大脑的微结构，并识别与神经系统疾病相关的脑白质中的病理过程。通过采用基于全脑和基于束路径的分析，研究旨在描述各种脑部疾病中不同的白质病理解剖。
研究的关键组成部分
科学领域
- 神经科学
- 医学成像
- 神经学
背景
- 扩散张量成像（DTI）是一种基于核磁共振成像（MRI）的技术。
- DTI有助于理解大脑微结构和病理。
- 它适用于群体级别和个体受试者分析。
- 白质的病理差异可以指示各种脑部疾病。
研究目的
- 定义不同脑部疾病中的白质病理解剖。
- 比较受试者组间的分数各向异性（FA）统计。
- 使用DTI分析检测病理差异。
使用的方法
- DTI数据的预处理，包括质量控制和标准化。
- 基于全脑的空间统计（WBSS）进行体素级比较。
- 束路径分数各向异性统计（TFAS）用于纤维束跟踪分析。
- 比较患病组和对照组之间的FA图。
主要结果
- 识别出组间的不同白质差异。
- 结果突出与脑部疾病相关的病理变化。
- DTI分析有效地区分患病和对照受试者。
- 统计方法提供了大脑结构的稳健比较。
结论
- DTI是研究疾病中的大脑微结构的宝贵工具。
- 病理解剖学见解可以为神经系统疾病的临床理解提供信息。
- 未来的研究可以在这些发现的基础上提高诊断能力。
常见问题
Executive Industry Relevance
Diffusion tensor imaging (DTI) enables quantitative, in vivo assessment of cerebral white matter microstructure, supporting early detection and characterization of neurodegenerative disease pathology. By integrating whole brain-based and tract-based analyses, DTI provides robust, reproducible metrics for group-level and longitudinal studies, enhancing predictive confidence in target validation and disease progression models. These capabilities position DTI as a critical tool for translational biomarker development and risk-adjusted portfolio decisions in neurodegeneration research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of white matter integrity as a mechanistic biomarker in neurodegenerative disease models.
- Supports biological de-risking by quantifying regional and tract-specific alterations in patient and control cohorts.
- Facilitates predictive confidence in target engagement and disease mechanism hypotheses.
Screening & Assay Development
- Provides validated, quantitative imaging endpoints for downstream screening of therapeutic interventions.
- Standardizes data processing and normalization for reproducible, cross-study comparisons.
- Enables scalable, group-level analysis for robust compound evaluation in preclinical and clinical settings.
Translational & Preclinical Research
- Aligns imaging outputs with disease-relevant biomarkers for translational continuity.
- Supports longitudinal monitoring of disease progression and therapeutic response at both group and individual levels.
- Reduces mechanistic ambiguity by integrating tract-based and whole brain-based statistical outputs.
Pipeline & Workflow Integration
DTI analysis integrates into the neurodegeneration discovery continuum from early mechanistic studies through preclinical and translational research, providing quantitative endpoints for lead identification and biomarker validation.
- Discovery Biology: Enables hypothesis testing and pathway clarification via regional and tract-specific white matter metrics.
- Screening: Delivers reproducible, quantitative imaging readouts for compound and biomarker evaluation.
- Analytics: Provides statistical outputs (e.g., FA maps, TFAS) for robust group comparisons and longitudinal tracking.
- Translational Research: Bridges preclinical and clinical studies through standardized imaging biomarkers.
- Enterprise Reuse: Offers a reusable, scalable imaging platform for diverse neurodegenerative disease programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neurodegeneration research.
- Operational Value: Standardizes imaging workflows for reproducibility and scalability across studies.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by providing robust, quantitative endpoints.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of neurodegenerative disease assets.
Implementation Considerations
- Requires specialized expertise in DTI data acquisition, preprocessing, and statistical analysis.
- Demands access to advanced MRI instrumentation and custom analytical software for artifact correction and normalization.
- Necessitates rigorous cross-team standardization of data processing pipelines.
- Adaptation across disease models and subject populations may require protocol optimization.
- Processing and analysis steps can be time-consuming and require iterative quality control.
