Tensor de difusión por resonancia magnética en el análisis de las enfermedades neurodegenerativas

El objetivo general del siguiente experimento es utilizar el análisis de imágenes con tensor de difusión para definir una anatomía patológica distinta de la materia blanca de diferentes enfermedades cerebrales mediante la combinación de estadísticas de atropía de anés fraccionales basadas en el cerebro completo y en el tracto. Esto se logra mediante imágenes de tensor de difusión apropiadas o preprocesamiento de datos DTI, incluido el control de calidad y la normalización estereotáctica. Como segundo paso, se realiza la estadística espacial basada en el cerebro completo o WBSS, que permite una comparación foel de mapas fraccionarios de atropía o FA de diferentes grupos de sujetos con el fin de detectar las diferencias patológicas.

A continuación, TrackWise fraccional. Se realiza una estadística de atropía o TFAS para complementar los resultados de la comparación de vóxeles mediante la comparación de las estructuras cerebrales que se definieron mediante un procedimiento de seguimiento de fibras. Se obtienen resultados que muestran las diferencias entre los grupos enfermos y los grupos control a partir de un análisis basado en DTI.

La principal ventaja de esta técnica sobre otros métodos es que el seguimiento de fibra en conjuntos de datos promedio de grupo se vuelve factible. Este método puede ayudar a responder preguntas clave en el campo de la neuroimagen, como la identificación de las estructuras cerebrales que se ven afectadas por enfermedades neurodegenerativas. Las implicaciones de esta técnica se extienden hacia el uso como marcador sustituto basado en neuroimagen, ya que podría demostrar efectos longitudinales tanto a nivel individual como grupal.

La demostración de este método es fundamental ya que los pasos de procesamiento de datos son difíciles de aprender porque el análisis de datos se realizó en un paquete de software hecho a medida que es T, y varios pasos en el procesamiento y análisis de datos requieren mucho tiempo para realizar una corrección de artefactos. Se utiliza un software hecho a medida desarrollado por nuestro laboratorio para detectar GD con al menos un corte que muestra artefactos de movimiento IE de intensidad disminuida causados por el movimiento espontáneo del sujeto. El software utilizado es la imagen tensorial y el seguimiento de fibras, y está hecho a medida por nuestro laboratorio para cualquier volumen ponderado de difusión.

Calcule la intensidad media de cada segmento y, a continuación, compare su intensidad con el mismo segmento en todos los demás volúmenes mediante un enfoque de media ponderada. El factor de ponderación es el producto escalar de vectores de dos gd. Si Q está por debajo de un cierto umbral, un umbral de 0,8 en este caso como ejemplo, entonces elimine todo ese volumen o gd.

Un umbral de 0,8 se considera una solución estable. Aquí se muestran los artefactos de movimiento visibles en las reconstrucciones sagitales y detectados por el algoritmo de control de calidad. En este ejemplo, del número total de GD 17, estaban por debajo de la línea roja, que corresponde a Q igual a 0,8 y debe eliminarse.

Un ejemplo de estadísticas de eliminación de volumen para todo el estudio se muestra aquí: en este ejemplo, se compararon los datos de DTI de 29 sujetos con EH presintomática con los datos de DTI de 30 controles para la normalización estereotáxica, crear una plantilla de estudio específica B igual a cero y una plantilla de FA. Una normalización estereotáxica no lineal completa consta de tres componentes de deformación. En consecuencia, el tensor de difusión resultante de cada ojo de vóxel debe rotarse de acuerdo con todas las rotaciones consideradas anteriormente mostradas.

Aquí hay una transformación cerebral rígida para alinear los marcos de coordenadas básicos. Esta figura muestra una deformación lineal según los puntos de referencia. Los componentes de los vectores iGen deben adaptarse de acuerdo con los seis parámetros de normalización de S de la deformación lineal, y aquí hay una normalización no lineal, igualando las diferencias de forma cerebral no lineales.

Los desplazamientos vectoriales 3D son diferentes para cada vóxel, lo que lleva a una transformación separada para cada vle de la matriz de vóxeles 3D. Después de este procedimiento de normalización individual, utilice todos los conjuntos de datos DTI individuales para crear una plantilla B igual a cero específica del estudio y una plantilla FA. Dado que el registro no PHE en una plantilla de AF tiene la ventaja de que proporciona más contraste en comparación con las imágenes B igual a cero, defina una plantilla de AF promediando todos los mapas de AF derivados individualmente de los pacientes y los controles.

En un segundo paso, realice una normalización MNI no lineal de los conjuntos de datos DTI minimizando la discordancia entre las intensidades regionales del mapa FA que se va a ajustar, y si la plantilla FA de acuerdo con las diferencias cuadradas basadas en estos datos, se derivan nuevas plantillas T dos. Repita este proceso iterativo hasta que la correlación entre los mapas de AF individuales y la plantilla de AF sea mayor que 0,7. Por lo general, esto se alcanza después de dos iteraciones.

Ahora, las estadísticas espaciales basadas en todo el cerebro se pueden realizar mediante el cálculo de mapas atrópicos de anes fraccionales a partir de datos DTI normalizados, suavizando los mapas fraccionales y atrópicos y la evaluación estadística, incluida la corrección para comparaciones múltiples en lo siguiente. Las diferencias en los mapas de antropía fraccional de los pacientes con esclerosis lateral amiotrófica en comparación con los controles se calculan mediante estadísticas espaciales basadas en el cerebro completo. Calcule los mapas de AF a partir de datos DTI normalizados para preservar la información direccional como un paso de preprocesamiento antes de la comparación de vóxeles, aplique un filtro de suavizado a los mapas de FA normalizados individuales para el suavizado.

El hecho de que el tamaño del filtro influya en los resultados del análisis de datos DTI requiere la aplicación del teorema del filtro emparejado, que establece que el ancho del filtro utilizado para procesar los datos debe adaptarse al tamaño de la diferencia esperada. Compare los grupos de pacientes y el grupo de control correspondiente foxwell Y utilizando la prueba T de Student. Esto se hace comparando los valores de AF de los mapas de AF del paciente con los valores de FA de los mapas de FA de los controles para cada trinchera por separado, y luego corrige los resultados estadísticos para comparaciones múltiples utilizando el algoritmo de tasa de descubrimiento falso a P menor que 0,05.

Reduzca aún más el error alfa mediante un algoritmo de correlación espacial que elimine vóxeles aislados o pequeños grupos aislados de vóxeles en el rango de tamaño del kernel de suavizado, lo que lleva a un tamaño de clúster de umbral mínimo de 512 trincheras en la siguiente pista dos veces. Los estadísticos atrópicos de anes fraccionales se calculan para pacientes con esclerosis lateral amiotrófica en comparación con los controles. Con el fin de aplicar algoritmos de seguimiento de fibra basados en grupos, genere conjuntos de datos DTI promedio a partir de los datos del paciente y de los datos de control juntos, luego realice conjuntos de datos de tractografía y DTI promedio de grupos de sujetos mediante la aplicación de una técnica de seguimiento optimizada.

Identifique los puntos de semilla definidos manualmente adyacentes a los máximos locales mediante el análisis de AF basado en todo el cerebro, que son la base para el análisis de seguimiento de fibras consecutivas después de la identificación de las semillas, realice una tractografía t y defina los vóxeles de las fibras delineadas como una máscara específica de grupo para los siguientes TFAS. Con el fin de cuantificar los resultados de la tractografía T, se aplicaron las AFC mediante el uso de las pistas de fibras que se crearon en los conjuntos de datos DTI promedio de todos los sujetos de cada grupo para la selección de los vóxeles que contribuyen a una comparación entre los pacientes y los controles, los mapas de AF para obtener información completa por WBSS y TFAS, consideremos todos los vóxeles resultantes con un valor de AF superior a 0.2 para el análisis estadístico mediante la prueba T de los estudiantes. Esta animación muestra las diferencias de grupo en los mapas de AF detectados por WBSS entre una muestra de pacientes con LS y controles emparejados en la visualización por cortes.

Este video muestra el seguimiento de fibras con puntos de inicio en el tracto corticoespinal utilizados como base para el TFAS una vez dominado. Esta técnica se puede realizar de forma casi automática en pocas horas si se realiza correctamente. Después de ver este video, debería tener una buena comprensión de cómo realizar el análisis DTI a nivel de grupo utilizando estadísticas espaciales basadas en todo el cerebro y estadísticas TrackWise FA.