Diffusion Tensor Magnetic Resonance Imaging in der Analyse von neurodegenerativen Erkrankungen

Das übergeordnete Ziel des folgenden Experiments ist es, mit Hilfe der Diffusions-Tensor-Bildgebungsanalyse eine ausgeprägte Pathoanatomie der weißen Substanz verschiedener Hirnerkrankungen durch die Kombination von Ganzhirn- und Trakt-basierten fraktionierten Anes-Atropiestatistiken zu definieren. Dies wird durch eine geeignete Diffusions-Tensor-Bildgebung oder DTI-Datenvorverarbeitung einschließlich Qualitätskontrolle und stereotaktischer Normalisierung erreicht. In einem zweiten Schritt wird eine ganzheitliche hirnbasierte räumliche Statistik (WBSS) durchgeführt, die einen foelweisen Vergleich von fraktionellen Atropie- oder FA-Karten verschiedener Probandengruppen ermöglicht, um die pathologischen Unterschiede zu erkennen.

Als Nächstes, TrackWise-Bruch. Eine ATTROPIE-Statistik oder TFAS wird durchgeführt, um die Ergebnisse des voxelweisen Vergleichs durch den Vergleich der Gehirnstrukturen, die durch ein Faserverfolgungsverfahren definiert wurden, zu ergänzen. Es werden Ergebnisse erhalten, die die Unterschiede zwischen erkrankten Gruppen und Kontrollgruppen auf der Grundlage einer DTI-basierten Analyse zeigen.

Der Hauptvorteil dieser Technik gegenüber anderen Methoden besteht darin, dass die Faserverfolgung auf Gruppendurchschnittsdatensätzen möglich wird. Diese Methode kann helfen, zentrale Fragen im Bereich der Neurobildgebung zu beantworten, wie z.B. die Identifizierung von Hirnstrukturen, die von neurodegenerativen Erkrankungen betroffen sind. Die Implikationen dieser Technik erstrecken sich auf die Verwendung als Neuroimaging-basierter Surrogatmarker, da sie möglicherweise Längsschnitteffekte sowohl auf individueller als auch auf Gruppenebene zeigen könnte.

Die Demonstration dieser Methode ist von entscheidender Bedeutung, da die Schritte der Datenverarbeitung schwer zu erlernen sind, da die Datenanalyse mit einem speziell angefertigten Softwarepaket durchgeführt wurde, das T ist, und mehrere Schritte in der Datenverarbeitung und -analyse sehr zeitaufwändig sind, um eine Artefaktkorrektur durchzuführen. Eine speziell entwickelte Software wird verwendet, um GD zu erkennen, wobei mindestens eine Schicht IE-Bewegungsartefakte mit verminderter Intensität aufweist, die durch spontane Probandenbewegungen verursacht werden. Die verwendete Software ist Tensor-Imaging und Faserverfolgung und wird von unserem Labor für jedes diffusionsgewichtete Volumen maßgeschneidert

Berechnen Sie die mittlere Intensität für jeden Slice und vergleichen Sie dann die Intensität mit der gleichen Slice in allen anderen Volumina, indem Sie einen gewichteten Durchschnittsansatz verwenden. Der Gewichtungsfaktor ist das Punktprodukt von Vektoren von zwei gd. Wenn Q unter einem bestimmten Schwellenwert liegt, in diesem Fall z. B. einem Schwellenwert von 0,8, dann eliminieren Sie das gesamte Volumen oder gd.

Ein Schwellenwert von 0,8 gilt als stabile Lösung. Hier sind die Bewegungsartefakte zu sehen, die in sagittalen Rekonstruktionen sichtbar sind und vom QC-Algorithmus erkannt wurden. In diesem Beispiel lagen von der Gesamtzahl der GD 17 unter der roten Linie, was entspricht, dass Q gleich 0,8 ist und eliminiert werden sollte.

Ein Beispiel für eine Volumeneliminationsstatistik für die gesamte Studie ist hier dargestellt: In diesem Beispiel wurden die DTI-Daten von 29 präsymptomatischen Huntington-Probanden mit den DTI-Daten von 30 Kontrollen für die stereotaktische Normalisierung verglichen: Erstellen Sie ein studienspezifisches B gleich Null-Template und ein FA-Template. Eine vollständige nichtlineare stereotaktische Normalisierung besteht aus drei Verformungskomponenten. Folglich muss der resultierende Diffusionstensor jedes Voxelauges entsprechend aller zuvor gezeigten Rotationen gedreht werden.

Hier ist eine starre Gehirntransformation, um die grundlegenden Koordinatenrahmen auszurichten. Diese Abbildung zeigt eine lineare Verformung entsprechend der Landmarken. Die Komponenten der iGen-Vektoren müssen entsprechend den sechs Normalisierungsparametern von S der linearen Verformung angepasst werden, und hier handelt es sich um eine nichtlineare Normalisierung, die nichtlineare Unterschiede in der Gehirnform ausgleicht.

Die 3D-Vektorverschiebungen sind für jedes Voxel unterschiedlich, was zu einer separaten Transformation für jedes Vle des 3D-Voxel-Arrays führt. Verwenden Sie nach diesem individuellen Normalisierungsverfahren alle einzelnen DTI-Datensätze, um eine studienspezifische Vorlage B gleich Null und eine FA-Vorlage zu erstellen. Da die Nicht-PHE-Registrierung in einer FA-Vorlage den Vorteil hat, dass sie im Vergleich zu B gleich null Bildern mehr Kontrast bietet, definieren Sie eine FA-Vorlage, indem Sie alle individuell abgeleiteten FA-Karten der Patienten und der Kontrollen mitteln.

In einem zweiten Schritt wird eine nichtlineare MNI-Normalisierung der DTI-Datensätze durchgeführt, indem die Diskrepanz zwischen den regionalen Intensitäten der anzupassenden FA-Karte minimiert wird, und wenn die FA-Vorlage entsprechend den quadratischen Differenzen auf der Grundlage dieser Daten neue Vorlagen T zwei abgeleitet wird. Wiederholen Sie diesen iterativen Vorgang, bis die Korrelation zwischen einzelnen FA-Maps und der FA-Vorlage größer als 0,7 ist. In der Regel ist dies nach zwei Iterationen erreicht.

Jetzt kann eine ganzgehirnbasierte räumliche Statistik durchgeführt werden, indem fraktionale ane atropische Karten aus normalisierten DTI-Daten berechnet, die fraktionierten und atropischen Karten geglättet und statistische Auswertungen durchgeführt werden, einschließlich der Korrektur für Mehrfachvergleiche im folgenden. Die Unterschiede in den fraktionellen Antropkarten von Patienten mit amyotropher Lateralsklerose und Kontrollpersonen werden durch ganzheitliche gehirnbasierte räumliche Statistiken berechnet. Berechnen Sie FA-Maps aus normalisierten DTI-Daten Um Richtungsinformationen als Vorverarbeitungsschritt vor dem voxelweisen Vergleich zu erhalten, wenden Sie einen Glättungsfilter auf die einzelnen normalisierten FA-Maps an, um sie zu glätten.

Die Tatsache, dass die Filtergröße die Ergebnisse der DTI-Datenanalyse beeinflusst, erfordert die Anwendung des Matched-Filter-Theorems, das besagt, dass die Breite des Filters, der zur Verarbeitung der Daten verwendet wird, auf die Größe der erwarteten Differenz zugeschnitten sein sollte. Vergleichen Sie die Patientengruppen und die entsprechende Kontrollgruppe foxwell Y mit dem T-Test des Studenten. Dies geschieht, indem die FA-Werte der FA-Karten des Patienten mit den FA-Werten der Kontroll-FA-Karten für jedes Fuchsloch separat verglichen und dann die statistischen Ergebnisse für mehrere Vergleiche korrigiert werden, indem der Algorithmus für die Falschentdeckungsrate bei P kleiner als 0,05 verwendet wird.

Reduzieren Sie den Alpha-Fehler weiter, indem Sie einen räumlichen Korrelationsalgorithmus verwenden, der isolierte Voxel oder kleine isolierte Gruppen von Voxeln im Größenbereich des Glättungskerns eliminiert, was zu einer minimalen Schwellenwert-Clustergröße von 512 Foxholes in der folgenden Spur führt. Die atropische Statistik der fraktionierten Anes wird für Patienten mit amyotropher Lateralsklerose im Vergleich zu Kontrollen berechnet. Um gruppenbasierte Faserverfolgungsalgorithmen anzuwenden, generieren Sie durchschnittliche DTI-Datensätze aus den Patientendaten und aus den Kontrolldaten zusammen, führen Sie dann Traktographie und durchschnittliche DTI-Datensätze von Probandengruppen durch Anwendung einer optimierten Tracking-Technik durch.

Identifizieren Sie manuell definierte Seed-Punkte in der Nähe der lokalen Maxima durch die gesamte gehirnbasierte FA-Analyse, die die Grundlage für die konsekutive Faserverfolgungsanalyse nach Identifizierung der Seeds bilden, führen Sie eine t-Traktographie durch und definieren Sie die Voxel der abgegrenzten Fasern als gruppenspezifische Maske für die folgenden TFAS. Um die Ergebnisse der T-Traktographie zu quantifizieren, wenden Sie TFAS an, indem Sie die Faserspuren verwenden, die auf den durchschnittlichen DTI-Datensätzen aller Probanden jeder Gruppe erstellt wurden, für die Auswahl der Voxel, die zu einem Vergleich zwischen den Patienten und den Kontrollen beitragen, FA-Karten, um umfassende Informationen durch WBSS zu erhalten, und TFAS berücksichtigen alle resultierenden Voxel mit einem FA-Wert über 0,2 für die statistische Analyse durch den T-Test der Studenten. Diese Animation zeigt die Gruppenunterschiede in den von WBSS erfassten FA-Maps zwischen einer Stichprobe eines LS-Patienten und übereinstimmenden Kontrollen in der schichtweisen Visualisierung.

Dieses Video zeigt das Fasertracking mit Startpunkten im kortikospinalen Trakt, die als Grundlage für TFAS Once mastered verwendet werden. Diese Technik kann fast automatisch innerhalb weniger Stunden durchgeführt werden, wenn sie richtig ausgeführt wird. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie DTI-Analysen auf Gruppenebene mit Hilfe von Ganzhirn-basierten räumlichen Statistiken und TrackWise FA-Statistiken durchführen können.