Diffusion Tensor Magnetic Resonance Imaging in der Analyse von neurodegenerativen Erkrankungen

Das übergeordnete Ziel des folgenden Experiments besteht darin, mithilfe der Diffusions-Tensor-Bildgebung eine spezifische weiße Substanz-Pathoanatomie verschiedener Hirnerkrankungen durch die Kombination ganzhirnbasierter und traktbasierter Statistiken der fraktionalen Anisotropie zu definieren. Dies wird durch eine geeignete Vorverarbeitung der Diffusions-Tensor-Bildgebung (DTI)-Daten erreicht, einschließlich Qualitätskontrolle und stereotaktischer Normalisierung. Als zweiter Schritt wird eine ganzhirnbasierte räumliche Statistik (WBSS) durchgeführt, die einen voxelweisen Vergleich der fraktionalen Anisotropie-(FA)-Karten verschiedener Probandengruppen ermöglicht, um die pathologischen Unterschiede zu erkennen.

Danach erfolgt die TrackWise-Fraktionalanalyse. Eine ATROPY-Statistik oder TFAS wird durchgeführt, um die Ergebnisse des voxelweisen Vergleichs zu ergänzen, indem die Gehirnstrukturen verglichen werden, die durch ein Faserverfolgungsverfahren definiert wurden. Es werden Ergebnisse erzielt, die die Unterschiede zwischen erkrankten Gruppen und Kontrollgruppen auf der Grundlage einer DTI-basierten Analyse zeigen.

Der Hauptvorteil dieser Technik gegenüber anderen Methoden liegt darin, dass die Faserbahnverfolgung an Gruppenmittelwert-Datensätzen durchführbar wird. Diese Methode kann helfen, zentrale Fragen im Bereich der Neurobildgebung zu beantworten, beispielsweise die Identifizierung von Hirnstrukturen, die von neurodegenerativen Erkrankungen betroffen sind. Die Implikationen dieser Technik reichen bis hin zur Verwendung als surrogater Marker basierend auf Neurobildgebung, da sie möglicherweise longitudinale Effekte sowohl auf individueller als auch auf Gruppenebene nachweisen könnte.

Die Demonstration dieser Methode ist entscheidend, da die Schritte zur Datenverarbeitung schwer zu erlernen sind, weil die Datenanalyse mit einer speziell angefertigten Software durchgeführt wurde, die T ist, und mehrere Schritte in der Datenverarbeitung und -analyse sehr zeitaufwendig sind, um eine Artefaktkorrektur durchzuführen. Eine von unserem Labor entwickelte, speziell angefertigte Software wird verwendet, um GD zu detektieren, wobei mindestens eine Schicht eine verminderte Intensität aufweist, d. h. Bewegungsartefakte, die durch spontane Bewegungen des Probanden verursacht wurden. Die verwendete Software dient der Tensorbildgebung und Fasertraktographie und wurde von unserem Labor speziell für jedes diffusionsgewichtete Volumen angefertigt.

Berechnen Sie die mittlere Intensität für jede Schicht und vergleichen Sie anschließend deren Intensität mit der gleichen Schicht in allen anderen Volumina unter Verwendung eines gewichteten Durchschnittsverfahrens. Der Gewichtungsfaktor ist das Skalarprodukt der Vektoren zweier gd. Falls Q unterhalb eines bestimmten Schwellenwerts liegt – in diesem Beispiel beträgt der Schwellenwert 0,8 –, dann wird das gesamte Volumen bzw. gd eliminiert.

Ein Schwellenwert von 0,8 gilt als stabile Lösung. Hier sind die in sagittalen Rekonstruktionen sichtbaren Bewegungsartefakte dargestellt, die vom QC-Algorithmus erkannt wurden. In diesem Beispiel lagen von der Gesamtanzahl der GD 17 unterhalb der roten Linie, was einem Q gleich 0,8 entspricht und daher aussortiert werden sollten.

Ein Beispiel für eine Volumeneliminationsstatistik für die gesamte Studie wird hier gezeigt: In diesem Beispiel wurden DTI-Daten von 29 präsymptomatischen HD-Probanden mit DTI-Daten von 30 Kontrollpersonen verglichen, um eine studienspezifische B-ist-gleich-null-Vorlage und eine FA-Vorlage für die stereotaktische Normalisierung zu erstellen. Eine vollständige nichtlineare stereotaktische Normalisierung besteht aus drei Deformationskomponenten. Folglich muss der resultierende Diffusions-Tensor jedes Voxel entsprechend allen zuvor berücksichtigten Rotationen ausgerichtet werden.

Hier erfolgt eine starre Hirntransformation, um die grundlegenden Koordinatensysteme auszurichten. Diese Abbildung zeigt eine lineare Verformung gemäß den Landmarken. Die Komponenten der iGen-Vektoren müssen entsprechend den sechs Normalisierungsparametern von S der linearen Verformung angepasst werden, und hier folgt eine nichtlineare Normalisierung, die nichtlineare Formunterschiede des Gehirns ausgleicht.

Die 3D-Vektorschichtungen unterscheiden sich für jeden Voxel, was zu einer separaten Transformation für jedes Element des 3D-Voxel-Arrays führt. Nach diesem individuellen Normalisierungsverfahren verwenden Sie alle individuellen DTI-Datensätze, um eine studienspezifische B-gleich-null-Vorlage und eine FA-Vorlage zu erstellen. Da die Nicht-PHE-Registrierung an eine FA-Vorlage den Vorteil bietet, dass sie im Vergleich zu B-gleich-null-Bildern einen höheren Kontrast liefert, definieren Sie eine FA-Vorlage durch Mittelung aller individuell abgeleiteten FA-Karten der Patienten und der Kontrollen.

Im zweiten Schritt wird eine nichtlineare MNI-Normalisierung der DTI-Datensätze durchgeführt, indem die Abweichungen zwischen den regionalen Intensitäten der anzupassenden FA-Karte und der FA-Vorlage anhand der quadratischen Differenzen minimiert werden; basierend auf diesen Daten werden neue Vorlagen T zwei abgeleitet. Wiederholen Sie diesen iterativen Prozess, bis die Korrelation zwischen den individuellen FA-Karten und der FA-Vorlage größer als 0,7 ist. Dies wird gewöhnlich nach zwei Iterationen erreicht.

Nun können auf dem gesamten Gehirn basierende räumliche Statistiken durchgeführt werden, indem fraktionale anisotrope Karten aus normalisierten DTI-Daten berechnet, die fraktionalen anisotropen Karten geglättet und statistische Auswertungen – einschließlich Korrektur für multiple Vergleiche – im Folgenden durchgeführt werden. Die Unterschiede in den fraktionalen anisotropen Karten von Patienten mit amyotropher Lateralsklerose im Vergleich zu Kontrollpersonen werden mithilfe einer auf dem gesamten Gehirn basierenden räumlichen Statistik berechnet. Berechnen Sie FA-Karten aus normalisierten DTI-Daten, um Richtungsinformationen als Vorverarbeitungsschritt vor dem vokselbasierten Vergleich zu erhalten, und wenden Sie einen Glättungsfilter auf die individuellen normalisierten FA-Karten an, um diese 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 des erwarteten Unterschieds abgestimmt werden sollte. Vergleichen Sie die Patientengruppen und die entsprechende Kontrollgruppe foxwell Y unter Verwendung des Student'schen T-Tests. Dies geschieht, indem die FA-Werte der FA-Karten der Patienten mit den FA-Werten der FA-Karten der Kontrollen für jeden einzelnen foxhole getrennt verglichen werden, anschließend korrigieren Sie die statistischen Ergebnisse mittels des False-Discovery-Rate-Algorithmus für Mehrfachvergleiche bei einem P-Wert kleiner als 0,05.

Reduzieren Sie den Alpha-Fehler weiter durch einen räumlichen Korrelationsalgorithmus, der isolierte Voxel oder kleine, isolierte Voxelgruppen im Größenbereich des Glättungskernels eliminiert, wodurch im folgenden Track zweimal eine minimale Schwellenwert-Clustergröße von 512 Voxelhöhlen erreicht wird. Fraktionierte anes-atropische Statistiken werden für Patienten mit amyotropher Lateralsklerose im Vergleich zu Kontrollpersonen berechnet. Um gruppenbasierte Faserverfolgungsalgorithmen anzuwenden, erzeugen Sie durchschnittliche DTI-Datensätze aus den Daten der Patienten und der Kontrollpersonen gemeinsam, führen Sie anschließend eine Traktographie durch und erzeugen Sie durchschnittliche DTI-Datensätze von Subjektgruppen durch Anwendung einer optimierten Verfolgungstechnik.

Identifizieren Sie manuell definierte Saatpunkte, die benachbart zu den lokalen Maxima der ganzhirnbasierten FA-Analyse liegen und die nach der Identifizierung der Saatpunkte als Grundlage für die anschließende Fasertraktographie dienen; führen Sie die T-Traktographie durch und definieren Sie die Voxel der abgegrenzten Fasern als gruppenspezifische Maske für die folgende TFAS. Um die Ergebnisse der T-Traktographie zu quantifizieren, wenden Sie TFAS an, indem Sie die Faserbahnen nutzen, die auf den gemittelten DTI-Datensätzen aller Probanden jeder Gruppe erstellt wurden, um die Voxel auszuwählen, die zu einem Vergleich zwischen den FA-Karten der Patienten und der Kontrollen beitragen. Berücksichtigen Sie im Rahmen der WBSS und TFAS alle resultierenden Voxel mit einem FA-Wert über 0,2 für die statistische Analyse mittels Students T-Test. Diese Animation zeigt die Gruppenunterschiede in den FA-Karten, die mittels WBSS zwischen einer Stichprobe von LS-Patienten und passenden Kontrollen in einer schichtweisen Visualisierung ermittelt wurden.

Dieses Video zeigt die Faserbahnverfolgung mit Startpunkten im Tractus corticospinalis, die als Grundlage für TFAS dient, sobald diese beherrscht wird. Diese Technik kann innerhalb weniger Stunden nahezu automatisch durchgeführt werden, sofern sie korrekt angewendet wird. Nach dem Anschauen dieses Videos sollten Sie ein gutes Verständnis dafür haben, wie man eine DTI-Analyse auf Gruppenebene mithilfe räumlicher Statistiken basierend auf dem gesamten Gehirn und TrackWise-FA-Statistiken durchführt.