Diffusion Tensor imagerie par résonance magnétique dans l'analyse des maladies neurodégénératives

L'objectif général de l'expérience suivante est d'utiliser l'analyse par imagerie de diffusion en tenseur pour définir une pathoanatomie spécifique de la substance blanche dans diverses maladies cérébrales, grâce à la combinaison de statistiques basées sur l'ensemble du cerveau et de statistiques de fraction d'anisotropie basées sur les faisceaux. Ceci est réalisé par un prétraitement adéquat des données d'imagerie de diffusion en tenseur (DTI), incluant un contrôle de qualité et une normalisation stéréotaxique. Dans un deuxième temps, des statistiques spatiales basées sur l'ensemble du cerveau (WBSS) sont effectuées, permettant une comparaison voxel par voxel des cartes de fraction d'anisotropie (FA) de différents groupes de sujets afin de détecter les différences pathologiques.

Ensuite, la fraction TrackWise. Une statistique ATROPY ou TFAS est effectuée afin de compléter les résultats de la comparaison au niveau des voxels en comparant les structures cérébrales définies par une procédure de suivi de fibres. Des résultats sont obtenus, montrant les différences entre les groupes malades et les groupes témoins, basés sur une analyse fondée sur l'IRM de diffusion.

Le principal avantage de cette technique par rapport aux autres méthodes est que le suivi des fibres sur des jeux de données moyens de groupe devient réalisable. Cette méthode peut aider à répondre à des questions clés dans le domaine de l'imagerie cérébrale, telles que l'identification des structures cérébrales affectées par les maladies neurodégénératives. Les implications de cette technique s'étendent à son utilisation comme marqueur substitut fondé sur l'imagerie cérébrale, car elle pourrait potentiellement mettre en évidence des effets longitudinaux tant au niveau individuel qu'au niveau du groupe.

La démonstration de cette méthode est essentielle, car les étapes de traitement des données sont difficiles à apprendre, l'analyse des données ayant été réalisée à l'aide d'un logiciel sur mesure qui est T, et plusieurs étapes du traitement et de l'analyse des données étant très longues à exécuter pour effectuer une correction des artefacts. Un logiciel conçu sur mesure par notre laboratoire est utilisé pour détecter les GD avec au moins une coupe présentant une intensité diminuée, c'est-à-dire des artefacts de mouvement dus à des déplacements spontanés du sujet. Le logiciel utilisé permet l'imagerie tensorielle et le suivi des fibres, et a été développé sur mesure par notre laboratoire pour tout volume pondéré en diffusion.

Calculez l'intensité moyenne pour chaque coupe, puis comparez son intensité avec celle de la même coupe dans tous les autres volumes en utilisant une approche par moyenne pondérée. Le facteur de pondération est le produit scalaire des vecteurs de deux gd. Si Q est inférieur à un certain seuil, un seuil de 0,8 dans ce cas à titre d'exemple, éliminez alors tout le volume ou gd.

Un seuil de 0,8 est considéré comme une solution stable. On observe ici les artefacts de mouvement visibles sur les reconstructions sagittales et détectés par l'algorithme de contrôle qualité. Dans cet exemple, parmi le nombre total de GD, 17 se trouvaient en dessous de la ligne rouge, ce qui correspond à Q égal à 0,8 et devraient être éliminés.

Un exemple de statistiques d'élimination de volume pour l'ensemble de l'étude est présenté ici : dans cet exemple, les données IRM de diffusion en tenseurs (DTI) de 29 sujets pré-symptomatiques de la maladie de Huntington (HD) ont été comparées aux données DTI de 30 sujets témoins afin de créer, par normalisation stéréotaxique, un modèle spécifique à l'étude pour les images B=0 et un modèle de fraction d'anisotropie (FA). Une normalisation stéréotaxique non linéaire complète comprend trois composantes de déformation. Par conséquent, le tenseur de diffusion résultant de chaque voxel doit être roté selon toutes les rotations précédemment prises en compte.

Voici une transformation rigide du cerveau permettant d'aligner les cadres de coordonnées de base. Cette figure montre une déformation linéaire selon les points de repère. Les composantes des vecteurs iGen doivent être adaptées en fonction des six paramètres de normalisation de S de la déformation linéaire, et voici une normalisation non linéaire, égalisant les différences de forme cérébrale non linéaires.

Les décalages vectoriels 3D sont différents pour chaque voxel, entraînant une transformation distincte pour chaque élément du tableau de voxels 3D. Après cette procédure de normalisation individuelle, utilisez tous les jeux de données DTI individuels pour créer un modèle spécifique à l'étude pour les images B égales à zéro et un modèle de FA. Étant donné que l'enregistrement non PHE sur un modèle de FA présente l'avantage de fournir un contraste plus élevé par rapport aux images B égales à zéro, définissez un modèle de FA en moyennant toutes les cartes de FA obtenues individuellement chez les patients et les témoins.

Dans une deuxième étape, effectuez une normalisation non linéaire MNI des jeux de données DTI en minimisant l'écart entre les intensités régionales de la carte FA à ajuster et, le cas échéant, le modèle FA selon les différences carrées ; à partir de ces données, de nouveaux modèles T2 sont obtenus. Répétez ce processus itératif jusqu'à ce que la corrélation entre les cartes FA individuelles et le modèle FA soit supérieure à 0,7. En général, ce seuil est atteint après deux itérations.

Désormais, des statistiques spatiales basées sur l'ensemble du cerveau peuvent être effectuées en calculant des cartes fractionnelles d'anatropie à partir de données DTI normalisées, en lissant les cartes fractionnelles d'anatropie et en procédant à l'évaluation statistique, y compris la correction pour comparaisons multiples dans ce qui suit. Les différences observées dans les cartes fractionnelles d'anatropie entre les patients atteints de sclérose latérale amyotrophique et les sujets témoins sont calculées à l'aide de statistiques spatiales basées sur l'ensemble du cerveau. Calculez les cartes FA à partir des données DTI normalisées afin de préserver l'information directionnelle lors d'une étape de prétraitement avant la comparaison voxel par voxel, puis appliquez un filtre de lissage aux cartes FA normalisées individuelles pour effectuer le lissage.

Le fait que la taille du filtre influence les résultats de l'analyse des données de DTI nécessite l'application du théorème du filtre adapté, selon lequel la largeur du filtre utilisé pour traiter les données doit être ajustée à la taille de la différence attendue. Comparez les groupes de patients et le groupe témoin correspondant foxwell Y à l'aide du test t de Student. Cette comparaison s'effectue en confrontant les valeurs de FA des cartes de FA des patients à celles des cartes de FA des témoins pour chaque foxhole séparément, puis en corrigeant les résultats statistiques pour les comparaisons multiples en utilisant l'algorithme du taux de faux découverte à un seuil de P inférieur à 0,05.

Réduire davantage l'erreur alpha à l'aide d'un algorithme de corrélation spatiale qui élimine les voxels isolés ou les petits groupes de voxels isolés dans la plage de taille du noyau de lissage, conduisant à une taille de grappe seuil minimale de 512 foxholes au cours des deux passages suivants. Des statistiques fractionnelles anes atropiques sont calculées pour les patients atteints de sclérose latérale amyotrophique par rapport aux témoins. Afin d'appliquer des algorithmes de suivi de fibres basés sur des groupes, générer des jeux de données DTI moyens à partir des données des patients et des données des témoins ensemble, puis effectuer la tractographie et les jeux de données DTI moyens des groupes de sujets en appliquant une technique de suivi rationalisée.

Identifier manuellement les points de départ définis à proximité des maxima locaux par l'analyse de la fraction anisotrope (FA) basée sur l'ensemble du cerveau, qui servent de base à l'analyse consécutive de suivi des fibres après identification des graines, effectuer la tractographie T et définir les voxels des fibres délimitées comme un masque spécifique au groupe pour l'analyse TFAS suivante. Afin de quantifier les résultats de la tractographie T, appliquer la TFAS en utilisant les trajectoires de fibres créées à partir des jeux de données moyens de diffusion tensorielle (DTI) de tous les sujets de chaque groupe pour la sélection des voxels contribuant à une comparaison entre les cartes de FA des patients et des témoins ; pour obtenir des informations complètes par WBSS et TFAS, prendre en compte tous les voxels résultants ayant une valeur de FA supérieure à 0,2 pour l'analyse statistique par le test t de Student. Cette animation montre les différences de groupe dans les cartes de FA détectées par WBSS entre un échantillon de patients LS et des témoins appariés, visualisées coupe par coupe.

Ce vidéo montre le suivi des fibres avec des points de départ dans le faisceau corticospinal utilisé comme base pour TFAS une fois maîtrisé. Cette technique peut être réalisée presque automatiquement en quelques heures si elle est effectuée correctement. Après avoir visionné cette vidéo, vous devriez avoir une bonne compréhension de la manière d'effectuer une analyse DTI au niveau du groupe en utilisant des statistiques spatiales basées sur l'ensemble du cerveau et les statistiques FA de TrackWise.