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

L’objectif général de l’expérience suivante est d’utiliser l’analyse d’imagerie du tenseur de diffusion pour définir une pathoatomie distincte de la substance blanche de différentes maladies cérébrales par la combinaison de statistiques d’atropie d’anes fractionnées basées sur le cerveau entier et basées sur le tractus. Ceci est réalisé par une imagerie à tenseur de diffusion appropriée ou un prétraitement des données DTI, y compris le contrôle de la qualité et la normalisation stéréotaxique. Dans un deuxième temps, des statistiques spatiales basées sur l’ensemble du cerveau ou WBSS sont effectuées, ce qui permet une comparaison objective des cartes fractionnelles d’une atropie ou d’une FA de différents groupes de sujets afin de détecter les différences pathologiques.

Ensuite, TrackWise fractional. Une statistique ATROPY ou TFAS est effectuée afin de compléter les résultats de la comparaison par voxel en comparant les structures cérébrales qui ont été définies par une procédure de suivi de fibre. On obtient des résultats qui montrent les différences entre les groupes malades et les groupes témoins sur la base d’une analyse basée sur le DTI.

Le principal avantage de cette technique par rapport aux autres méthodes est que le suivi de la fibre sur des ensembles de données moyennes de groupe devient réalisable. Cette méthode peut aider à répondre à des questions clés dans le domaine de la neuroimagerie, telles que l’identification des structures cérébrales affectées par les maladies neurodégénératives. Les implications de cette technique s’étendent à l’utilisation comme marqueur de substitution basé sur la neuroimagerie, car elle pourrait potentiellement démontrer des effets longitudinaux à la fois au niveau individuel et au niveau du groupe.

La démonstration de cette méthode est essentielle car les étapes de traitement des données sont difficiles à apprendre car l’analyse des données a été effectuée sur un progiciel sur mesure qui est T, et plusieurs étapes du traitement et de l’analyse des données prennent beaucoup de temps pour effectuer une correction d’artefact. Un logiciel personnalisé développé par notre laboratoire est utilisé pour détecter les GD avec au moins une tranche montrant une diminution de l’intensité des artefacts de mouvement IE causés par le mouvement spontané du sujet. Le logiciel utilisé est l’imagerie tensorielle et le suivi de fibre, et est conçu sur mesure par notre laboratoire pour tout volume pondéré en diffusion.

Calculez l’intensité moyenne de chaque tranche, puis comparez son intensité avec celle de la même tranche dans tous les autres volumes à l’aide d’une approche de 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, alors éliminez tout ce volume ou gd.

Un seuil de 0,8 est considéré comme une solution stable. Voici les artefacts de mouvement visibles dans les reconstructions sagittales et détectés par l’algorithme de contrôle qualité. Dans cet exemple, sur le nombre total de GD 17, étaient en dessous de la ligne rouge, qui correspond à Q est égal à 0,8 et doivent être éliminées.

Un exemple de statistiques d’élimination de volume pour l’ensemble de l’étude est présenté ici : dans cet exemple, les données DTI de 29 sujets MH présymptomatiques ont été comparées aux données DTI de 30 témoins pour la normalisation stéréotaxique : créer un modèle spécifique B égal à zéro et un modèle FA spécifique à l’étude. Une normalisation stéréotaxique non linéaire complète se compose de trois composantes de déformation. Par conséquent, le tenseur de diffusion résultant de chaque œil de voxel doit être tourné en fonction de toutes les rotations considérées précédemment indiquées.

Voici une transformation cérébrale rigide pour aligner les repères de coordonnées de base. Cette figure montre une déformation linéaire en fonction des repères. Les composantes des vecteurs iGen doivent être adaptées en fonction des six paramètres de normalisation de S de la déformation linéaire, et il s’agit d’une normalisation non linéaire, égalisant les différences de forme non linéaires du cerveau.

Les décalages vectoriels 3D sont différents pour chaque voxel, ce qui entraîne une transformation distincte pour chaque vle du réseau de voxels 3D. Après cette procédure de normalisation individuelle, utilisez tous les ensembles de données DTI individuels pour créer un modèle B égal à zéro spécifique à l’étude et un modèle FA. Comme l’enregistrement non PHE à un modèle AF présente l’avantage d’offrir plus de contraste par rapport aux images B égale à zéro, définissez un modèle FA en faisant la moyenne de toutes les cartes AF dérivées individuellement des patients et des témoins.

Dans un deuxième temps, effectuez une normalisation MNI non linéaire des ensembles de données DTI en minimisant l’inadéquation entre les intensités régionales de la carte FA à ajuster, et si le modèle FA selon les différences carrées basé sur ces données, de nouveaux modèles T deux sont dérivés. Répétez ce processus itératif jusqu’à ce que la corrélation entre les mappages FA individuels et le modèle FA soit supérieure à 0,7. Habituellement, cela est atteint après deux itérations.

Désormais, des statistiques spatiales cérébrales entières peuvent être effectuées en calculant des cartes atropes fractionnées à partir de données DTI normalisées, en lissant les cartes atropes fractionnées et en évaluant statistiquement, y compris la correction pour les comparaisons multiples dans ce qui suit. Les différences entre les cartes antropiques fractionnaires des patients atteints de sclérose latérale amyotrophique et celles des témoins sont calculées par des statistiques spatiales basées sur l’ensemble du cerveau. Calculez les cartes FA à partir de données DTI normalisées afin de préserver les informations directionnelles en tant qu’étape de prétraitement avant la comparaison voxel, appliquez un filtre de lissage aux cartes FA normalisées individuelles pour le lissage.

Le fait que la taille du filtre influence les résultats de l’analyse des données DTI nécessite l’application du théorème du filtre apparié, qui stipule que la largeur du filtre utilisé pour traiter les données doit être adaptée à la taille de la différence attendue. Comparez les groupes de patients et le groupe témoin foxwell Y correspondant à l’aide du test T de l’étudiant. Pour ce faire, on compare les valeurs FA des cartes FA du patient avec les valeurs FA des cartes FA des témoins pour chaque trou de renard séparément, puis on corrige les résultats statistiques pour les comparaisons multiples en utilisant l’algorithme du taux de fausses découvertes à 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 isolés de voxels dans la plage de taille du noyau de lissage, ce qui permet d’obtenir une taille de cluster de seuil minimale de 512 trous de renard dans la piste suivante à deux reprises. Les statistiques atropiques fractionnées sont calculées pour les patients atteints de sclérose latérale amyotrophique par rapport aux témoins. Afin d’appliquer des algorithmes de suivi de fibre basés sur des groupes, générez des ensembles de données DTI moyennes à partir des données du patient et des données de contrôle ensemble, puis effectuez des ensembles de données DTI moyennes et de tractographies de groupes de sujets en appliquant une technique de suivi rationalisée.

Identifiez les points de départ définis manuellement adjacents aux maxima locaux par l’ensemble de l’analyse FA basée sur le cerveau, qui constituent la base de l’analyse de suivi de fibre consécutive après l’identification des graines, effectuez une tractographie t et définissez les voxels des fibres délimitées comme un masque spécifique au groupe pour le TFAS suivant. Afin de quantifier les résultats de la tractographie T, appliquez TFAS en utilisant les traces de fibre qui ont été créées sur les ensembles de données DTI moyens de tous les sujets de chaque groupe pour la sélection des voxels qui contribuent à une comparaison entre les patients et les témoins, les cartes FA pour obtenir des informations complètes par WBSS et TFAS, considérez tous les voxels résultants avec une valeur FA supérieure à 0,2 pour l’analyse statistique par les étudiants, test T. Cette animation montre les différences de groupe dans les cartes FA détectées par WBSS entre un échantillon de patients atteints de LS et des témoins appariés en visualisation par tranches.

Cette vidéo montre le suivi des fibres avec des points de départ dans le tractus corticospinal utilisés comme base pour TFAS une fois maîtrisé. Cette technique peut être réalisée presque automatiquement en quelques heures si elle est correctement exécutée. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon d’effectuer une analyse DTI au niveau du groupe à l’aide des statistiques spatiales basées sur l’ensemble du cerveau et des statistiques TrackWise FA