Name: Tensor de difusión por resonancia magnética en el análisis de las enfermedades neurodegenerativas (Video) | JoVE Journal
Uploaded: 2013-07-28T14:00:00.000+00:00
Duration: 9 min 33 s
Description: Aprende a utilizar el tensor de difusión por resonancia magnética para analizar la microestructura cerebral en enfermedades neurodegenerativas. Este método combina estadísticas espaciales de cerebro completo y análisis de tractos para identificar patologías de la sustancia blanca.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Partes de este trabajo, es decir, el estudio de control de calidad y la corrección en direcciones gradiente dañados en aplicación a los datos de los pacientes con trastornos hipercinéticos, recibieron el apoyo de la red europea de alta definición (proyecto EHDN 070). Las imágenes por resonancia magnética en el estudio determinado se adquirieron como parte del sitio cohorte TRACK-HD de Londres.

Métodos de Análisis: pre y postprocesamiento La tarea de la siguiente protocolo es analizar propiedades de difusión voxelwise dentro de tractos de sustancia blanca, que podría ser - debido a la detección voxelwise - ya sea isotrópicas o anisotrópicas, lo que resulta en la difusión tensores alargados o achatada para los respectivos elementos de imagen volumétrica. La parametrización de los tensores del voxel se utiliza, ya sea para el cálculo de la FA-mapas o la identificación de fibertracts (Figura 1). Con el fin de obtener los resultados del análisis como se muestra en la siguiente, utilice el paquete de software de imágenes Tensor y Seguimiento de la fibra (TIFT) 17. TIFT proporciona herramientas de análisis de los siguientes requisitos: <ul><li> análisis en términos de DTI métricas, por ejemplo, FA-mapas, </li><li> normalización estereotáxica </li><li> el grupo de comparación en términos de FA u otras métricas DTI </li><li> diversos enfoques de análisis de FT </li><li> FT en grupo promedió DDatos de TI y el análisis estadístico correspondiente. </li></ul> Estas características permiten una variedad de análisis en un entorno de software 17,29,30,31. El software TIFT está en constante desarrollo de nuevas opciones en el análisis de datos DTI. La figura 2 ofrece una visión esquemática de cómo analizar los datos DTI a nivel de grupo después de la normalización espacial mediante dos enfoques complementarios, es decir, tanto por WBSs y TFAS para obtener finalmente las diferencias entre las muestras sometidas a nivel de grupo, por ejemplo, los cerebros enfermos frente a controles sanos. Aquí, WBS tiene por objeto la detección imparcial voxelwise de áreas con diferencias a nivel de grupo, mientras que TFAS se basa en fibertracts predefinidos; TFAS las zonas de inicio o bien se puede elegir libremente o se puede derivar de los resultados WBS (&#39;hotspots `de alterado de manera significativa FA). Comparación longitudinal individual de FA-maps es realizado por detecciónting diferencias en FA-mapas de mediciones en diferentes puntos de tiempo tras la alineación estereotáxica afín (Figura 2). <ol><li> Control de calidad (QC), incluyendo la corrección de direcciones gradiente corruptos En caso de trastornos de movimiento durante la adquisición, es decir, en caso de volúmenes dañados, un aumento SNR se obtiene omitiendo direcciones gradiente individuales (GD) para el cálculo tensorial. Para tal fin, se desarrolló un control de calidad (QC) algoritmo 32. En resumen, en un análisis que contenía volúmenes dañados, un aumento SNR se logra omitiendo direcciones individuales gradiente de uno en uno antes de la estimación tensor de: para cada GD, la varianza ponderada se calcula a partir de todas las direcciones restantes en la secuencia mediante la ponderación con el ángulo en que diferían de el índice de GD. <ol><li> Realizar una corrección de artefacto mediante la detección de GD con al menos una porción que muestra disminución de la intensidad, es decir, artefactos de movimiento causados ​​por do espontánea<html> movimiento bject (Figura 3, panel superior). Para cualquier volumen ponderado difusión, calcular la intensidad media para cada rebanada y comparar su intensidad con el mismo segmento en todos los demás volúmenes mediante el uso de un enfoque de promedio ponderado - el factor de ponderación es el producto escalar de dos vectores de GD <img alt="Ecuación 8" fo:src="/files/ftp_upload/50427/50427eq8highres.jpg" src="/files/ftp_upload/50427/50427eq8.jpg" /> : <img alt="Ecuación 9" fo:src="/files/ftp_upload/50427/50427eq9highres.jpg" src="/files/ftp_upload/50427/50427eq9.jpg" /> <img alt="Ecuación 10" fo:src="/files/ftp_upload/50427/50427eq10highres.jpg" src="/files/ftp_upload/50427/50427eq10.jpg" /> <img alt="Ecuación 11" fo:src="/files/ftp_upload/50427/50427eq11highres.jpg" src="/files/ftp_upload/50427/50427eq11.jpg" /> denota la intensidad media aritmética de la rebanada en observación y427eq12.jpg &quot;/&gt; una rebanada de comparación. La desviación promedio de intensidad relativa <img alt="Ecuación 13" fo:src="/files/ftp_upload/50427/50427eq13highres.jpg" src="/files/ftp_upload/50427/50427eq13.jpg" /> está ponderado por el producto escalar de la GD. Por lo tanto, con el fin de definir un parámetro global: <img alt="Ecuación 14" fo:src="/files/ftp_upload/50427/50427eq14highres.jpg" src="/files/ftp_upload/50427/50427eq14.jpg" /> refleja el mínimo de comparaciones slicewise de todas las rebanadas. </li><li> Si Q es bajo un cierto umbral (en el ejemplo, un umbral de 0,8 se utiliza para este propósito), eliminar todo ese volumen, o GD. Un umbral de 0,8 se considera una solución estable 32. Figura 3 ilustra los artefactos de movimiento visible en reconstrucciones sagitales y detectada por el algoritmo de control de calidad. En este ejemplo, con respecto al número total de GD (puntos azules en la figura 3c), 17 estaban por debajo de la línea roja que corresponde a Q = 0,8 y Should ser eliminado. Un ejemplo de un volumen de estadísticas de eliminación para un estudio conjunto se presenta en la Figura 3d. En este estudio ejemplar, los datos DTI de 29 sujetos HD presintomáticos se compararon con los datos del DTI de 30 controles. Los detalles adicionales de este algoritmo se presentan en 32, 33. </li></ol></li><li> Preprocesamiento y normalización espacial <ol><li> Realizar la corrección de las distorsiones geométricas de corriente de Foucault inducidas de los datos de imágenes de eco-planar establece por el método propuesto por 34. </li><li> Para la normalización estereotáxica, crear un estudio específico de (b = 0) - plantilla y un FA-plantilla como se ha descrito anteriormente 17,28,31. Básicamente, una normalización estereotáxica no lineal completo se compone de tres componentes de deformación. En consecuencia, el tensor de difusión resultante <img alt="Ecuación 15" fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" /> de cada voxel i tiene que ser girandoed de acuerdo a todas las rotaciones mencionadas anteriormente (Figura 4): <ol class="lroman"><li> La figura 4a muestra una transformación rígida cerebro para alinear los marcos de coordenadas básicas. La rotación <img alt="Ecuación 16" fo:src="/files/ftp_upload/50427/50427eq16highres.jpg" src="/files/ftp_upload/50427/50427eq16.jpg" /> resultante de la alineación para el marco de coordenadas básico tiene que ser aplicada <img alt="Ecuación 17" fo:src="/files/ftp_upload/50427/50427eq17highres.jpg" src="/files/ftp_upload/50427/50427eq17.jpg" /></li><li> La figura 4b muestra una deformación lineal de acuerdo con puntos de referencia. Los componentes de los vectores propios <img alt="Ecuación 5" fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" /> tendrá que ser adaptado de acuerdo con los seis parámetros de normalización de S (depende de la región del cerebro s a,, a = 1 ... 6) de la deformación lineal. v w, j </sub&gt;&#39;&#39; &#39;= S un V W, j&#39;&#39;&#39; w = 1,2,3 y j = x, y, z. </li><li> La figura 4c muestra una normalización no lineal igualación de diferencias en la forma del cerebro no lineales. Los desplazamientos vector 3-D son diferentes para cada voxel que conduce a una transformación separada para cada voxel de la matriz del voxel 3-D <img alt="Ecuación 18" fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" /> ). Trigonometría estándar da una matriz de rotación de forma independiente para cada voxel, lo que resulta a partir del vector 3-D se desplaza siguiendo los conceptos de 16 con el fin de preservar las relaciones direccionales entre los vectores propios de los voxels neighbored. Por lo tanto, los diferentes turnos de dos voxels neighbored resultan en rotaciones de los vectores propios correspondientes. Usa las matrices de dilatación para la alineación del tensor <img alt="Ecuación 15" fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" /> de cada voxel alos voxels adyacentes. <img alt="Ecuación 19" fo:src="/files/ftp_upload/50427/50427eq19highres.jpg" src="/files/ftp_upload/50427/50427eq19.jpg" /> <img alt="Ecuación 20" fo:src="/files/ftp_upload/50427/50427eq20highres.jpg" src="/files/ftp_upload/50427/50427eq20.jpg" /> son los componentes de <img alt="Ecuación 18" fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" /></li></ol> El proceso de normalización de todo es iterativo, es decir, crear un escáner-y específica de la secuencia (b = 0) - plantilla para este estudio en el primer paso por aritméticamente promedio de la (b = 0) - volúmenes de todos los sujetos después de la transformación lineal de acuerdo con manualmente establecer puntos de referencia. Después de esta primera normalización, la mejora de crear plantillas con el fin de optimizar las matrices de normalización. Los siguientes pasos 1.2.3 hasta 1.2.5 se visualiza esquemáticamente en la figura 5a. </li><li> Después de este procedimiento de normalización individual (step (i) - DTI-data I 0), utilice todos los datos individuales DTI establece para la creación de un estudio específico (b = 0) - plantilla y una plantilla de FA (etapa (ii) - Plantillas T 1). A medida que el registro no afín a un FA-plantilla tiene la ventaja de que proporciona un mayor contraste en comparación con (b = 0) imágenes 10, definen un FA-plantilla el promedio de todas derivado individualmente FA-mapas de los pacientes y los controles. </li><li> En un segundo paso, después de las ideas básicas de Ashburner y Friston 35, lleve a cabo una normalización MNI no lineal (la etapa (iii)) de los datos DTI establece al minimizar la falta de correspondencia entre las intensidades regionales de la FA-mapa para montar y de el FA-plantilla de acuerdo con las diferencias al cuadrado (X 2) - de esa manera, obtener datos DTI I 1. </li><li> Basándose en estos datos, nuevas plantillas T 2 se derivan (etapa (iv)). Repita este proceso iterativo hasta que la correlación entre el individuo FA-mapas y tél FA-plantilla es&gt; 0,7. Por lo general, esto se alcanza después de dos iteraciones. </li></ol></li><li> Whole estadísticas espaciales basadas en el cerebro Los siguientes pasos 1.3.1 hasta 1.3.5 se representan de forma esquemática en la Figura 5b. <ol><li> Calcular FA-mapas a partir de datos DTI normalizadas con respecto al procedimiento de normalización de 1,2. con el fin de preservar la información direccional (etapa (i)). </li><li> Como un paso de preprocesamiento antes de la comparación estadística voxelwise, aplicar un filtro de suavizado (etapa (ii)) a la normalizada FA-mapas individuales. Para el acondicionamiento, el hecho de que el tamaño del filtro influye en los resultados de análisis de datos DTI 36 requiere la aplicación del teorema de filtro adaptado que se afirma que la anchura del filtro utilizado para procesar los datos se debe adaptar al tamaño de la diferencia esperada, como se detalla en aplicaciones anteriores a los datos DTI de pacientes con trastornos neurodegenerativos (por ejemplo, 28). </li><li> Realizar estadística borradorarison entre los grupos de pacientes y el correspondiente grupo voxelwise control por parte de la t de Student prueba, es decir, comparar los valores de FA de los pacientes con AF-mapas con los valores de FA de los controles &#39;FA-mapas, para cada voxel separadamente (etapa (iii )). No se consideran los valores de FA por debajo de 0,2 para el cálculo ya que la materia gris cortical muestra los valores de FA hasta 0,2 37. </li><li> Los resultados estadísticos tienen que ser corregido para comparaciones múltiples utilizando el falso descubrimiento tasa (FDR) algoritmo de p &lt;0.05 38 (etapa (iv)). Una mayor reducción del error alfa tiene que ser realizado por un algoritmo de correlación espacial (la agrupación - la etapa (v)) que elimina los voxels aisladas o en pequeños grupos aislados de elementos de imagen volumétrica en el rango de tamaño del kernel de suavizado, que conduce a un tamaño de clúster umbral de 512 voxels. </li><li> Para mostrar los resultados en un fondo morfológica (etapa (v)), normalizar los 3 D-T1 datos ponderados establece a MNI espacio y media aritmética. Lleve a cabo esta normalización procedimiento mediante el uso de una plantilla específica del estudio en analogía a la normalización aplicada a los datos DTI fija 17. </li></ol></li></ol> La Figura 6 muestra los resultados de los enteros estadísticas espaciales basadas en el cerebro (WBS) de los pacientes de ALS frente a los controles. Figura 6a muestra el máximo local de la disminución de los valores de FA en un sagital, coronar y vista axial (thresholded en p &lt;0,01, corregidos para múltiples comparaciones). Figura 6B muestra FT proyectual con puntos de partida en el tracto corticoespinal utilizado como base para TFAS. Figura 6c muestra diferencias de grupo en FA-mapas detectados por todo el cerebro con base estadística espacial (WBS) entre una muestra de pacientes con ELA y controles emparejados en una visualización slicewise. <ol start="4"><li> Tractografía y estadísticas anisotropía fraccional tractwise (AGT) de origen La Figura 7 ilustra el proceso de FT grupo basado incluyendo TFAS como se describe en 1.4.1 hasta 1.4.4. <ol><li> Para la aplicación de algoritmos basados ​​en el grupo M, generará un promedio de DTI conjuntos de datos de &quot;datos y de los controles de los pacientes los datos en conjunto de acuerdo a los métodos descritos anteriormente 17. Este promedio requiere un tratamiento cuidadoso de la información de orientación que se conserva durante el proceso de normalización de acuerdo con las técnicas descritas por 16 - para más detalles, véase 30. </li><li> Realizar tractography en los conjuntos de datos DTI promedio de los grupos de asignaturas mediante la aplicación de una técnica de agilizar el seguimiento 31. Identificar los puntos de semillas definidas manualmente adyacentes a los máximos locales por todo el análisis FA basadas en el cerebro que son la base para el análisis FT consecutivo. Después de la identificación de las semillas, realizar tractography y definir los elementos de imagen volumétrica de las fibras delineadas como una máscara específico de grupo para la siguiente TFAS 30. </li><li> Con el fin de cuantificar los resultados tractografía, aplicar la técnica de ácidos grasos trans con thtractos de fibras e que se crearon en los datos DTI promedio conjuntos de todos los sujetos de cada grupo (los datos del paciente y los datos de control en conjunto) para la selección de los voxels que contribuyen a una comparación entre los pacientes y los controles &#39;FA-mapas. </li><li> Considere todos los voxels resultantes con un valor de FA por encima de 0,2 para el análisis estadístico de la t de Student prueba. </li><li> Si se desea, la técnica de TFAS se podría aplicar a las mediciones del DTI derivados, tales como la difusividad media (MD), anisotropía de anisotropía axial, radial, etc (por ejemplo, véase 28). </li><li> Los resultados se muestran en un fondo morfológico consiste en las MNI-normalizadas 3 D-series potenciadas en T1 de datos </li></ol></li></ol>

Los autores tienen nada que revelar.

Inter-sujetos promedio de DTI de datos se puede lograr con respecto a la amplitud de difusión (mediante el uso de la información FA) y la dirección de difusión (en base a FT), respectivamente. Promedio de los mapas FA permite la comparación estadística de los grupos de asignaturas por WBSs y TFAS. Este marco metodológico ofrece una introducción a las técnicas de DTI con un promedio entre los sujetos y el grupo de comparación. Normalización estereotáxica y la comparación de los mapas de la FA a nivel de grupo permite var...

Difusión de imágenes con tensor en el cerebro humano Los tractos de materia blanca (WM) en el sistema nervioso central consisten en axones densamente empaquetadas, además de diversos tipos de neuroglia y otras pequeñas poblaciones de células. La membrana axonal, así como las fibras de proteína bien alineados dentro de un axón restringe la difusión del agua perpendicular a la orientación de las fibras, dando lugar a la difusión del agua anisotrópico en el cerebro WM 1. Las vainas de mielina alrededor de los axones también pueden contribuir a la anisotropía para tanto intra-y extracelular del agua 2. La descripción cuantitativa de esta anisotropía se pudo detectar por tensor de difusión (DTI). DTI produce imágenes de los tejidos ponderados con las características microestructurales locales de la difusión del agua. Las intensidades de imagen-en cada posición son atenuadas, en función de la fuerza y ​​la dirección de la llamada gradiente de difusión magnético (representado en-el valor de b), así como en la microestructura local en el que las moléculas de agua se difunden 3, el coeficiente de difusión D, un valor escalar: <img alt="Ecuación 1" fo:src="/files/ftp_upload/50427/50427eq1highres.jpg" src="/files/ftp_upload/50427/50427eq1.jpg" /> Sin embargo, en la presencia de anisotropía en WM, la difusión ya no puede ser caracterizado por un único coeficiente de escalar, pero requiere un tensor <img alt="Ecuación 3" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" /> que en primera aproximación describe movilidad molecular a lo largo de cada dirección y la correlación entre estas direcciones 4. Difusión anisotropía es causada principalmente por la orientación de los tractos de fibras en WM y está influenciado por sus micro-y macroestructurales características. De las características microestructurales, organización intraaxonal parece ser de mayor influencia en la anisotropía de difusión, además de la densidad de la fibra unaembalaje de células nd, grado de mielinización, y el diámetro de la fibra individual. En una escala macroscópica, la variabilidad en la orientación de todos los tractos WM en un voxel de imágenes influye en su grado de anisotropía 5. En mediciones típicas DTI, los vóxel dimensiones son del orden de milímetros. Por lo tanto, un voxel siempre contiene la información promediada de las moléculas de agua en el interior del volumen detectado que por lo general abarca varios axones, así como las moléculas de agua circundantes. A pesar de este entorno multidireccional, DTI es sensible a la orientación del eje principal más grande que se alinea a la dirección axonal predominante, es decir, la contribución axonal domina la señal medida 2. DTI ofrece dos tipos de información acerca de la propiedad de la difusión del agua: en primer lugar, la medida independiente de la orientación de la difusión anisotropía 5 y la segunda, la dirección predominante de la difusión del agua en la image vóxeles, es decir, la orientación de difusión 6. Los protocolos actuales se supone que proporcionan un marco de técnicas de análisis DTI para la comparación cuantitativa de los grupos de asignaturas a nivel de grupo, como se indica a continuación. La cuantificación de propiedades de difusión - parámetros de análisis Los elementos del tensor simétrico se pueden medir por gradientes de difusión a lo largo de al menos seis no colineales y no coplanares direcciones, de manera que B (Ecuación 1) se ha convertido en un tensor, lo que resulta en la atenuación de señal <img alt="Ecuación 2" fo:src="/files/ftp_upload/50427/50427eq2highres.jpg" src="/files/ftp_upload/50427/50427eq2.jpg" /> Esta ecuación requiere que representa las posibles interacciones entre imágenes y gradientes de difusión que se aplican en direcciones ortogonales (términos cruzados) e incluso entre los gradientes de formación de imágenes que se aplicanen direcciones ortogonales 4. El tensor de difusión de segundo orden <img alt="Ecuación 3" fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" /> siempre se puede diagonalizada dejando sólo tres elementos distintos de cero a lo largo de la diagonal principal del tensor, es decir, los valores propios ( <img alt="Ecuación 4" fo:src="/files/ftp_upload/50427/50427eq4highres.jpg" src="/files/ftp_upload/50427/50427eq4.jpg" /> ). Los valores propios reflejan la forma o configuración de la elipsoide. La relación matemática entre las coordenadas principales del elipsoide y el marco de laboratorio es descrito por los vectores propios <img alt="Ecuación 5" fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" /> Puesto que hay varios retos en la visualización de datos tensor, el concepto de elipsoides de difusión se ha propuesto 3. Los Eigendiffusivities de estos ellipsoids representan los coeficientes de difusión unidimensionales en la dirección principal de la difusividad del medio, es decir, el eje principal de la elipsoide representa la dirección principal de difusión en el voxel que coincide con la dirección de las fibras, mientras que la excentricidad de la elipsoide proporciona información acerca de la grado de anisotropía y su simetría. Por lo tanto, la difusión de anisotropía métricas tales como la anisotropía fraccional (FA) podrían definirse 7. <img alt="Ecuación 6" fo:src="/files/ftp_upload/50427/50427eq6highres.jpg" src="/files/ftp_upload/50427/50427eq6.jpg" /> <img alt="Ecuación 7" fo:src="/files/ftp_upload/50427/50427eq7highres.jpg" src="/files/ftp_upload/50427/50427eq7.jpg" /> es la media aritmética de todos los valores propios. Un enfoque adicional es el uso de la dirección principal del tensor de difusión para abordar la conectividad WM del cerebro, lo que corresponde a la tractography approach que tiene la intención de investigar qué partes del cerebro están conectadas entre sí. Suponiendo que la orientación del componente principal del tensor de difusión representa la orientación de los tractos axonales dominantes, un campo vectorial 3-D se proporciona en la que cada vector representa la orientación de la fibra. En la actualidad, existen varios enfoques diferentes para reconstruir vías WM que podría dividirse en dos tipos: la primera categoría se basa en algoritmos de propagación de línea utilizando la información tensor local para cada paso de la propagación del tracto de fibra 2,8,9. La segunda categoría se basa en la minimización de la energía global para encontrar la ruta más favorable energéticamente entre dos regiones WM, lo que resulta en el enfoque de las estadísticas espaciales tracto basados ​​en (TBSS) 10 que ha sido utilizado en otros algoritmos, tales como las estadísticas de anisotropía fraccional tractwise (TFAS - véase el texto del protocolo, sección 2.4).. Transformación en soporte estereotáxicoard espacio Al igual que en otros métodos avanzados de MRI, DTI-FT y los estudios basados ​​en un contexto clínico persiguen el objetivo final de clasificar la morfología del cerebro de cada paciente con el fin de facilitar el proceso de diagnóstico basada en cierta discriminación métrica 11. Estudios a nivel de grupo son más relevantes si el fenotipo clínico común se supone que es debido a daños en una o más áreas específicas del cerebro o una red neuroanatómicos específicos. Aquí, con un promedio de los resultados para diferentes sujetos es útil con el fin de evaluar los patrones comunes de alteraciones microestructurales. Cada cerebro individual tiene que ser transferido hacia el espacio estereotáxico de manera que, en un segundo paso, el promedio aritmético de los resultados a un nivel de voxel por voxel es posible. Normalización espacial permitió para la aritmética promedio de los resultados obtenidos a partir de diferentes sujetos con el fin de mejorar la relación señal-a-ruido (SNR) y para llevar a cabo una comparación de las muestras de los pacientes y contROLS con el fin de analizar la patoanatomía computacional de un trastorno específico, por ejemplo, una enfermedad neurodegenerativa que se asocia con la afectación de un sistema específico del cerebro. El enfoque inicial de la normalización a un espacio estereotáxico estandarizada por 12 sugiere un algoritmo de transformación de un atlas estándar que implica la identificación de los distintos hitos del cerebro y poco a poco escala de los cuadrantes del cerebro. Hoy en día, la mayoría de los paquetes de análisis de datos avanzados de resonancia magnética utilizan normalización del Instituto Neurológico de Montreal (MNI) Espacio estereotáxica 13. Para esta transformación, los algoritmos de registro cerebrales semiautomáticas y automáticas con plantillas específicas de estudio se desarrollaron 14,15. En DTI, la atención especial se ha de elaborar para conservar la información de dirección durante el proceso de normalización 16,17. La aplicación de transformaciones espaciales a las imágenes DT-RM de los cuales son necesarios para la normalización espacialde colecciones de conjuntos de datos es, en contraste a las imágenes escalares deformación, complicados por el hecho de que DT contienen información de orientación que está más afectada por la transformación. Este efecto debe tenerse en cuenta con el fin de garantizar la corrección anatómica de la imagen transformada. Aquí, se presentan técnicas para aplicar transformaciones afines a los conjuntos de datos DTI. Aplicación de DTI a las enfermedades cerebrales La comparación de DTI longitudinal de datos requiere una alineación / registro de los datos de un objeto entre sí. En ese contexto, es necesaria la conservación de la información direccional (es decir, la rotación del tensor de difusión durante transformaciones afines). Posibles aplicaciones a trastornos neurodegenerativos se ha informado anteriormente (por ejemplo, 18,19). DTI se ha establecido como una herramienta técnica no invasiva robusta para investigar in vivo Neuropatholgía de WM tractos neuronales (por ejemplo, 11,20,21,22). Métricas cuantitativas DTI basados ​​del proceso de difusión, por ejemplo, el FA, ya han demostrado ser marcadores sensibles para el estudio de una amplia gama de patologías WM, tales como accidente cerebrovascular 20, de la esclerosis múltiple 23, la esclerosis amiotrófica lateral 24, 25, enfermedad de Alzheimer 26 , y varios otros trastornos WM 27,28. Además, DTI con FT se puede utilizar para identificar extensiones WM 23. Esta técnica, aunque todavía no está en uso clínico de rutina, se está convirtiendo en un poderoso instrumento para la evaluación de anormalidades vía específica en la enfermedad neurológica. Dentro de las zonas identificadas, varios índices MRI cuantitativos derivados de DTI y adquisiciones adicionales (por ejemplo, las imágenes potenciadas en T2 y / o transferencia de magnetización (MT) de imágenes) que son anatómicamente coregistered a los datos DTI puede medir. Por la presente, cada índice puede ser calculATED como una función de la posición dentro del tracto, refiriéndose a las parcelas que representan su variación espacial como perfiles de las vías. En los siguientes análisis, DTI humanos que se realizaron en 1,5 Tesla MRI-escáneres (Siemens Medical, Erlangen, Alemania) se utilizaron para investigar el potencial de diversas técnicas de análisis para la detección de anomalías de la materia blanca en los grupos de pacientes, así como en individuos. Después de una verificación automática de calidad para la eliminación de los volúmenes de movimiento corruptos y volúmenes con otros tipos de artefactos, procedimientos estandarizados postprocesado preparan los datos DTI para el análisis consecutivo. Diferentes enfoques de análisis se ilustran en la siguiente, es decir, en primer lugar, todo el cerebro con base estadística espacial (WBS), segundo, FT y, estadísticas anisotropía fraccional Tractwise tercero (AGT) de origen. WBSs es un método que se ejecuta en analogía a la morfometría basada en voxel (VBM), que se conoce generalmente como morfometría / estadísticas basada en voxel en DTI datos (VBM / DTI) <em&gt;. VBM es un método que se ejecuta originalmente en las imágenes de contraste donde las diferencias de contraste en exploraciones separadas tienen que ser resueltos mientras WBSs es un método que utiliza la comparación voxelwise de un parámetro físico. Por lo tanto, aunque algorítmicamente similares, una terminología que se está diferenciando WBSs y VBM se utilizará en el siguiente.

<table><tbody><tr>Escáner <td></td><td></td> de <td>resonancia magnética</td><td>Siemens 1.5 T Magnetom Symphony</td></tr><tr><td>software </td><td></td><td></td><td>de análisis TIFT - Tensor Imaging and Fiber Tracking</td></tr></tbody></table>

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

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

Técnicas de tensor de difusión (DTI) proporcionan información sobre los procesos microestructurales de la sustancia blanca cerebral (WM) in vivo. Las presentes aplicaciones están diseñadas para investigar las diferencias de patrones de participación de WM en diferentes enfermedades cerebrales, trastornos neurodegenerativos, especialmente mediante el uso de diferentes análisis DTI en comparación con los controles emparejados. Análisis de datos DTI se realiza de forma variable aleatoria, es decir, la comparación de los indicadores regionales voxelwise dirección de difusión basados ​​tales como anisotropía fraccional (FA), junto con el seguimiento de la fibra (FT), acompañado de las estadísticas de anisotropía fraccional tractwise (AGT) de origen a nivel de grupo a fin para identificar diferencias en FA WM a lo largo de las estructuras, con miras a la definición de los patrones regionales de WM alteraciones a nivel de grupo. La transformación en un espacio estándar estereotáxica es un requisito previo para los estudios de grupo y requiere los datos completos del tratamiento para preservar directional interdependencias. Las aplicaciones actuales muestran enfoques técnicos optimizados para esta preservación de la información cuantitativa y direccional durante la normalización espacial en los análisis de datos a nivel de grupo. Sobre esta base, las técnicas de FT se pueden aplicar a los datos promediados de grupo con el fin de cuantificar la información métricas como se define por FT. Además, la aplicación de los métodos de DTI, es decir, diferencias en la AF-mapas después de la alineación estereotáxica, en un análisis longitudinal en función de materias individuales revelan información acerca de la progresión de los trastornos neurológicos. Nuevas mejoras en la calidad de los resultados basados ​​en DTI se puede obtener en la ejecución previa por aplicación de una eliminación controlada de direcciones del gradiente con altos niveles de ruido. En resumen, DTI se utiliza para definir una clara patoanatomía WM de diferentes enfermedades del cerebro por la combinación de todo DTI análisis basado en el cerebro y el tracto basada.

1. Control de calidad y la corrección en direcciones gradiente dañados en aplicación a los datos de los pacientes con trastornos hipercinéticos Como un ejemplo para el efecto de la aplicación de control de calidad y de exclusión de volumen posterior (como consecuencia de la corrección para los corruptos de GD), la Figura 8 muestra las diferencias en enteros estadísticas espaciales basados ​​en cerebro con y sin exclusión de volumen para la comparación grupo de 29 la enfermedad ...

Tensor de difusión (DTI), básicamente, sirve como una herramienta basada en RM para identificar<em&gt; In vivo</em&gt; La microestructura del cerebro y los procesos patológicos debido a trastornos neurológicos dentro de la materia blanca cerebral. Análisis DTI basados ​​permiten para su aplicación a las enfermedades del cerebro, tanto a nivel de grupo y en los datos de un solo sujeto.

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

Diffusion tensor imaging (DTI) techniques provide information on the microstructural processes of the cerebral white matter (WM) in vivo. The present ...

El objetivo general del siguiente experimento consiste en utilizar el análisis de imágenes por tensor de difusión para definir una patoanatomía distinta de la sustancia blanca en diversas enfermedades cerebrales, mediante la combinación de estadísticas fraccionales de anisotropía basadas en todo el cerebro y en tractos. Esto se logra mediante un procesamiento previo adecuado de los datos de imágenes por tensor de difusión o DTI, incluyendo control de calidad y normalización estereotáctica. Como segundo paso, se realiza un análisis estadístico espacial basado en todo el cerebro (WBSS), que permite una comparación voxel a voxel de los mapas de anisotropía fraccional o FA entre diferentes grupos de sujetos con el fin de detectar las diferencias patológicas.A continuación, fraccional TrackWise. Se realiza un análisis estadístico ATROPY o TFAS para complementar los resultados de la comparación por vóxeles, mediante la comparación de las estructuras cerebrales definidas por un procedimiento de seguimiento de fibras. Se obtienen resultados que muestran las diferencias entre los grupos enfermos y los grupos control basados en análisis basados en DTI.La principal ventaja de esta técnica frente a otros métodos es que el seguimiento de fibras 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 estructuras cerebrales afectadas por enfermedades neurodegenerativas. Las implicaciones de esta técnica se extienden hacia su uso como marcador sustituto basado en neuroimagen, ya que podría demostrar potencialmente efectos longitudinales tanto a nivel individual como grupal.La demostración de este método es fundamental, ya que los pasos del procesamiento de datos son difíciles de aprender debido a que el análisis de datos se realizó con un paquete de software personalizado 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 personalizado desarrollado por nuestro laboratorio para detectar GD con al menos un corte que muestre una intensidad disminuida, es decir, artefactos de movimiento causados por movimientos espontáneos del sujeto. El software utilizado es de imagen por tensor y seguimiento de fibras, y fue desarrollado a medida por nuestro laboratorio para cualquier volumen ponderado por difusión.Calcule la intensidad media para cada corte, luego compare su intensidad con el mismo corte en todos los demás volúmenes utilizando un enfoque de promedio ponderado. El factor de ponderación es el producto escalar de los vectores de dos gd. Si Q está por debajo de un umbral determinado, un umbral de 0,8 en este caso como ejemplo, entonces elimine todo el volumen o gd.Se considera que un umbral de 0.8 corresponde a 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 estuvieron por debajo de la línea roja, que corresponde a Q igual a 0.8 y deberían eliminarse.Un ejemplo de estadísticas de eliminación de volumen para todo el estudio se muestra aquí: en este ejemplo, los datos de DTI de 29 sujetos con HD presintomática se compararon con los datos de DTI de 30 controles para la normalización estereotáxica, creando una plantilla específica del estudio con B igual a cero y una plantilla de FA. Una normalización estereotáxica no lineal completa consta de tres componentes de deformación. Por consiguiente, el tensor de difusión resultante de cada vóxel debe rotarse de acuerdo con todas las rotaciones consideradas previamente.Aquí se muestra una transformación rígida del cerebro 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 según los seis parámetros de normalización de S de la deformación lineal, y aquí se presenta una normalización no lineal, que iguala las diferencias no lineales de la forma del cerebro.Los desplazamientos vectoriales 3D son diferentes para cada vóxel, lo que lleva a una transformación separada para cada vle del arreglo de vóxeles 3D. Después de este procedimiento de normalización individual, utilice todos los conjuntos de datos individuales de DTI para crear una plantilla específica del estudio con B igual a cero y una plantilla de FA. Dado que el registro no PHE a una plantilla de FA tiene la ventaja de proporcionar más contraste en comparación con las imágenes B igual a cero, defina una plantilla de FA promediando todos los mapas de FA derivados individualmente de los pacientes y los controles.En una segunda etapa, realice una normalización no lineal MNI de los conjuntos de datos de DTI mediante la minimización del desajuste entre las intensidades regionales del mapa de FA que se ajustará y la plantilla de FA, según las diferencias cuadráticas. Con base en estos datos, se derivan nuevas plantillas T2. Repita este proceso iterativo hasta que la correlación entre los mapas individuales de FA y la plantilla de FA sea mayor que 0,7. Por lo general, esto se alcanza tras dos iteraciones.Ahora se pueden realizar estadísticas espaciales basadas en todo el cerebro mediante el cálculo de mapas fraccionales de atrofia a partir de datos DTI normalizados, suavizando los mapas fraccionales de atrofia y evaluando estadísticamente, incluyendo la corrección por comparaciones múltiples en lo siguiente. Las diferencias en los mapas fraccionales de atrofia entre pacientes con esclerosis lateral amiotrófica y controles se calculan mediante estadísticas espaciales basadas en todo el cerebro. Calcule los mapas de FA a partir de datos DTI normalizados para preservar la información direccional como un paso previo al análisis comparativo por vóxeles, y aplique un filtro de suavizado a los mapas individuales de FA normalizados para suavizarlos.El hecho de que el tamaño del filtro influya en los resultados del análisis de datos de DTI requiere la aplicación del teorema del filtro adaptado, que establece que el ancho del filtro utilizado para procesar los datos debe ajustarse al tamaño de la diferencia esperada. Compare los grupos de pacientes y el grupo control correspondiente foxwell Y utilizando la prueba t de Student. Esto se realiza comparando los valores de FA de los mapas de FA de los pacientes con los valores de FA de los mapas de FA de los controles para cada foxhole por separado, y luego corrija los resultados estadísticos por comparaciones múltiples mediante el algoritmo de tasa de descubrimiento falso con un valor de P menor que 0,05.Reduzca aún más el error alfa mediante un algoritmo de correlación espacial que elimina vóxeles aislados o pequeños grupos aislados de vóxeles en el rango de tamaño del núcleo de suavizado, lo que conduce a un tamaño mínimo del grupo umbral de 512 foxholes en la siguiente pista, dos veces. Se calculan estadísticas fraccionales anes atrópicas para pacientes con esclerosis lateral amiotrófica frente a controles. Con el fin de aplicar algoritmos de seguimiento de fibras basados en grupos, genere conjuntos de datos promedio de DTI a partir de los datos de los pacientes y de los controles juntos, luego realice tractografía y conjuntos de datos promedio de DTI de grupos de sujetos mediante la aplicación de una técnica de seguimiento optimizada.Identifique manualmente los puntos semilla definidos adyacentes a los máximos locales mediante el análisis de FA basado en todo el cerebro, los cuales sirven como base para el análisis consecutivo de seguimiento de fibras tras la identificación de las semillas, realice la tractografía T y defina los vóxeles de las fibras delimitadas como una máscara específica del grupo para el siguiente TFAS. Con el fin de cuantificar los resultados de la tractografía T, aplique TFAS utilizando las trayectorias de fibras que se crearon a partir de 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 mapas de FA de pacientes y controles, a fin de obtener información integral mediante WBSS y TFAS considere todos los vóxeles resultantes con un valor de FA superior a 0,2 para el análisis estadístico mediante la prueba t de Student. Esta animación muestra las diferencias grupales en los mapas de FA detectadas por WBSS entre una muestra de pacientes con LS y controles apareados en una visualización por cortes.Este video muestra el seguimiento de fibras con puntos iniciales en el tracto corticoespinal utilizados como base para TFAS una vez dominado. Esta técnica puede realizarse casi automáticamente en unas pocas horas si se realiza correctamente. Después de ver este video, debería tener una buena comprensión de cómo realizar análisis de DTI a nivel grupal utilizando estadísticas espaciales basadas en todo el cerebro y estadísticas de FA de TrackWise.

diffusion-tensor-magnetic-resonance-imaging-analysis

Research

Investigación

JoVE Journal

Medicine

Medicina

Los métodos utilizados para evaluar Bioimagen biodistribución de células de las nanopartículas son aplicables para el seguimiento terapéutico y de diagnóstico de los compuestos nanoformulated. Los métodos descritos en este documento son sensibles y específicos cuando se evaluó por corregistro histológico. Las metodologías de proporcionar una vía de traslación de los roedores a aplicaciones humanas.

Bioimagen registradas de Nanomateriales para el Monitoreo de Diagnóstico y Terapéutica

Las técnicas de neuroimagen, como la resonancia magnética funcional y de imagen con tensor de difusión se han convertido en cada vez más útil en la caracterización de los déficits cognitivos y neurales en el autismo. Un examen de la conectividad cerebral en el autismo a nivel de red, junto con las adaptaciones para la digitalización de los niños con discapacidades del desarrollo se presenta.

Sondas en el cerebro en el autismo y el uso de resonancia magnética funcional de imágenes por tensor de difusión

Se describe un nuevo enfoque para el análisis simultáneo de la función cerebral y la estructura utilizando imágenes de resonancia magnética (MRI). Evaluamos la estructura cerebral de alta resolución las imágenes ponderadas de difusión y la materia blanca tractografía fibra. A diferencia de las MRI estructural, estas técnicas nos permiten relacionar directamente la conectividad anatómica de las propiedades funcionales de las redes cerebrales.

Co-análisis de la estructura y función cerebral mediante resonancia magnética funcional y la difusión de imágenes ponderado

Fuente: Zheng, W. et. al., Imágenes de resonancia magnética con tensor de difusión en la compresión crónica de la médula espinal. J. Vis. Exp. (2019)Este video muestra imágenes de tensor de difusión para evaluar la compresión crónica de la médula espinal. Al analizar los patrones de difusión del agua, la anisotropía fraccional y los valores del coeficiente de difusión aparente, los hallazgos revelan daño axonal en regiones comprimidas. Los hallazgos proporcionan información crítica sobre la...

Evaluación de la compresión de la médula espinal mediante imágenes de tensor de difusión

Describimos cómo obtener mapas paramétricos y vectoriales del tensor de difusión de la mama utilizando imágenes de resonancia magnética. El protocolo y el resultado final después del procesamiento de imágenes están diseñados para rastrear las características arquitectónicas de la mama y detectar neoplasias malignas de mama.

Seguimiento de las mamarias características de la arquitectura y la detección de cáncer de mama con resonancia magnética con tensor de difusión de imágenes

enfermedades neuromusculares a menudo presentan una patología de variación temporal y espacialmente heterogéneos y de múltiples facetas. El objetivo de este protocolo es la caracterización de esta patología usando métodos de resonancia magnética no invasivos.

Imágenes por resonancia magnética cuantitativa de la enfermedad del músculo esquelético

El objetivo de este protocolo es obtener imágenes de resonancia magnética (DWI) ponderadas por difusión de alta calidad de la médula espinal de rata para la caracterización no invasiva de la microestructura tisular. Este protocolo describe las optimizaciones de la secuencia de resonancia magnética, la bobina de radiofrecuencia y los métodos de análisis para permitir imágenes DWI libres de artefactos.

Imágenes de difusión en la médula espinal de rata Cervical

Aquí, presentamos un protocolo para la aplicación de parámetros de imagen tensor de difusión para evaluar la compresión de la médula espinal.

Imagen de resonancia magnética del tensor de difusión en compresión de médula espinal crónica

El objetivo general de este procedimiento es obtener información cuantitativa de la microestructural del hipocampo en una rata con lesión cerebral traumática leve. Esto se realiza utilizando un protocolo avanzado de resonancia magnética ponderado por difusión y un análisis basado en la región de interés de los mapas de difusión paramétricos.

Imágenes de difusión avanzada en el hipocampo de ratas con lesión cerebral traumática leve

Aquí, presentamos un protocolo para adquirir imágenes de resonancia magnética (RM) de cerebros de pacientes con esclerosis múltiple (EM) a 7.0 Tesla. El protocolo incluye la preparación de la configuración, incluidas las bobinas de radiofrecuencia, los procedimientos de entrevista estandarizados con pacientes con EM, el posicionamiento del sujeto en el escáner de RM y la adquisición de datos de RM.

Resonancia magnética de la esclerosis múltiple a 7.0 Tesla

Aprende a utilizar el tensor de difusión por resonancia magnética para analizar la microestructura cerebral en enfermedades neurodegenerativas. Este método combina estadísticas espaciales de cerebro completo y análisis de tractos para identificar patologías de la sustancia blanca.

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

Explorar más videos