הדמיית תהודה מגנטית מותחת דיפוזי בניתוח של מחלות ניווניות

המטרה הכללית של הניסוי הבא היא להשתמש בניתוח של דימות טנזור דיפוזיה (DTI) כדי להגדיר פתואנטומיה מובחנת של החומר הלבן במחלות מוח שונות, באמצעות שילוב של סטטיסטיקות של אטרופיה פראקציונלית המבוססות על המוח כולו ועל מסלולי סיבים. דבר זה מושג על ידי עיבוד מקדמי הולם של נתוני diffusion tensor imaging או DTI, הכולל בקרת איכות ונורמליזציה סטריאוטקטית. כשלב שני, מבוצע ניתוח סטטיסטי מרחבי המבוסס על המוח כולו או WBSS, המאפשר השוואה ברמת הווקסל של מפות אטרופיה פראקציונלית או FA בין קבוצות נבדקים שונות, וזאת כדי לזהות את ההבדלים הפתולוגיים.

בשלב הבא, נבצע TrackWise fractional. ניתוח ATROPY statistics או TFAS מבוצע כדי להשלים את תוצאות ההשוואה ברמת הווקסל, וזאת על ידי השוואת מבני המוח שהוגדרו באמצעות הליך מעקב אחר סיבים. התוצאות המתקבלות מראות את ההבדלים בין קבוצות מחלה לקבוצות ביקורת על בסיס ניתוח DTI.

היתרון המרכזי של טכניקה זו על פני שיטות אחרות הוא שמעקב אחר סיבים במאגרי נתונים של ממוצע קבוצתי הופך לאפשרי. שיטה זו יכולה לסייע במענה על שאלות מפתח בתחום הדימות העצבי, כגון זיהוי מבני מוח המושפעים ממחלות ניווניות. השלכותיה של טכניקה זו נרחבות לשימוש כסמן חלופי מבוסס דימות עצבי, מכיוון שהיא עשויה להדגים השפעות אורך הן ברמה האינדיבידואלית והן ברמת הקבוצה.

הדגמה של שיטה זו היא קריטית, שכן שלבי עיבוד הנתונים קשים ללמידה מכיוון שניתוח הנתונים בוצע באמצעות חבילת תוכנה מותאמת אישית שהיא T, ומספר שלבים בעיבוד ובניתוח הנתונים גוזלים זמן רב לביצוע תיקון ארטיפקטים. תוכנה מותאמת אישית שפותחה במעבדה שלנו משמשת לזיהוי GD עם פרוסה אחת לפחות המראה עצימות מופחתת, כלומר ארטיפקטים של תנועה הנגרמים מתנועה ספונטנית של הנבדק. התוכנה המשמשת היא tensor imaging and fiber tracking, והיא פותחה באופן מותאם אישית על ידי המעבדה שלנו עבור כל נפח בעל משקל דיפוזיה.

חשבו את העוצמה הממוצעת עבור כל פרוסה, ולאחר מכן השוו את עוצמתה לאותה פרוסה בכל שאר הנפחים באמצעות גישת ממוצע משוקלל. מקדם השקלול הוא המכפלה הסקלרית של וקטורים של שני gd. אם Q נמצא מתחת לסף מסוים, במקרה זה סף של 0.8 כדוגמה, הסִירו את כל הנפח או ה-gd הזה.

סף של 0.8 נחשב לפתרון יציב. מוצגים כאן ארטיפקטים של תנועה הנראים בשחזורים סגיטליים אשר זוהו על ידי אלגוריתם ה-QC. בדוגמה זו, מתוך המספר הכולל של GD 17, היו מתחת לקו האדום, המתאים ל-Q השווה ל-0.8 ויש להסירם.

דוגמה לסטטיסטיקה של השמטת נפחים עבור המחקר כולו מוצגת כאן; בנתוני DTI אלה הושוו 29 נבדקים עם HD טרום-סימפטומטיים ל-30 ביקורות עבור הנורמליזציה הסטריאוטקסיסית, כדי ליצור תבנית B=0 ספציפית למחקר ותבנית FA. נורמליזציה סטריאוטקסיסית לא-ליניארית מלאה מורכבת משלושה רכיבי דהפורמציה. כתוצאה מכך, יש לסובב את טנזור הדיפוזיה המתקבל של כל ווקסל i בהתאם לכל הסיבובים שהוצגו קודם לכן.

כאן מוצגת טרנספורמציה קשיחה של המוח ליישור מסגרות הקואורדינטות הבסיסיות. איור זה מציג דפורמציה ליניארית בהתאם לנקודות הייחוס. את רכיבי וקטורי ה-iGen יש להתאים לפי ששת פרמטרי הנורמליזציה של S של הדפורמציה הליניארית, וכאן מוצגת נורמליזציה לא-ליניארית, המשווה הבדלים לא-ליניאריים במבנה המוח.

ההזזות של וקטור התלת-ממד שונות עבור כל ווקסל, מה שמוביל לטרנספורמציה נפרדת עבור כל ערך במערך הווקסלים התלת-ממדי. לאחר הליך נורמליזציה פרטני זה, השתמש בכל מערכי נתוני ה-DTI האינדיבידואליים כדי ליצור תבנית B equals zero ספציפית למחקר ותבנית FA. מכיוון שלרישום (registration) שאינו PHE לתבנית FA יש את היתרון במתן ניגודיות גבוהה יותר בהשוואה לתמונות B equals zero, הגדר תבנית FA על ידי מיצוע כל מפות ה-FA שהופקו באופן פרטני מהחולים וממקבוצת הביקורת.

בשלב שני, בצע נורמליזציית MNI לא-ליניארית של מערכי נתוני ה-DTI על ידי מזעור חוסר ההתאמה בין העוצמות האזוריות של מפת ה-FA המיועדת להתאמה לבין תבנית ה-FA, בהתבסס על הפרשים ריבועיים מנתונים אלו, ונגזרות תבניות T שתיים חדשות. חזור על תהליך איטרטיבי זה עד שהמתאם בין מפות FA אינדיבידואליות לבין תבנית ה-FA גדול מ-0.7. בדרך כלל, מצב זה מושג לאחר שתי איטרציות.

כעת ניתן לבצע סטטיסטיקה מרחבית מבוססת מוח שלם על ידי חישוב מפות אניזוטרופיה שברית (fractional anisotropic maps) מנתוני DTI מנורמלים, החלקת מפות האניזוטרופיה השברית והערכה סטטיסטית, כולל תיקון להשוואות מרובות בהמשך. ההבדלים במפות האניזוטרופיה השברית של חולי נשגב שרירים (amyotrophic lateral sclerosis) לעומת קבוצת ביקורת מחושבים באמצעות סטטיסטיקה מרחבית מבוססת מוח שלם. חשב מפות FA מנתוני DTI מנורמלים על מנת לשמר מידע כיווני כשלב קדם-עיבוד לפני השוואה ברמת הווקסל; החל פילטר החלקה על מפות FA נורמליות פרטניות לצורך החלקה.

העובדה שגודל המסנן משפיע על תוצאות ניתוח נתוני DTI מחייבת יישום של משפט המסנן התואם, הקובע כי רוחב המסנן המשמש לעיבוד הנתונים צריך להיות מותאם לגודל ההבדל הצפוי. השווה בין קבוצות המטופלים לבין קבוצת הביקורת התואמת foxwell Y באמצעות מבחן t של student. פעולה זו מבוצעת על ידי השוואת ערכי ה-FA של מפות ה-FA של המטופלים עם ערכי ה-FA של מפות ה-FA של קבוצות הביקורת עבור כל foxhole בנפרד, ולאחר מכן תקן את התוצאות הסטטיסטיות עבור השוואות מרובות באמצעות אלגוריתם שיעור התגליות השגויות (FDR) בערך P פחות מ-0.05.

הפחית עוד יותר את טעות האלפא באמצעות אלגוריתם קורלציה מרחבית המסיר ווקסלים מבודדים או קבוצות קטנות ומבודדות של ווקסלים בטווח הגדלים של גרעין ההחלקה, מה שמוביל לגודל צבר סף מינימלי של 512 ווקסלים בשני מסלולים הבאים. סטטיסטיקה של anisotropy חלקית מחושבת עבור חולים בטרשת נשיתית חללית (amyotrophic lateral sclerosis) לעומת קבוצות ביקורת. כדי להחיל אלגוריתמים של מעקב אחר סיבים מבוססי קבוצות, צור סטים ממוצעים של נתוני DTI מנתוני החולים ומנתוני הביקורת יחד, לאחר מכן בצע טרקטוגרפיה ומיצע סטים של נתוני DTI של קבוצות נבדקים באמצעות יישום של טכניקת מעקב streamlined.

זהו את נקודות הזריעה (seed points) שהוגדרו ידנית בסמיכות למקסימום המקומיים על ידי ניתוח FA מבוסס מוח שלם, המהוות את הבסיס לניתוח מעקב הסיבים העוקב; לאחר זיהוי נקודות הזריעה, בצע t tractography והגדר את הווקסלים של הסיבים שסומנו כמסכה ספציפית לקבוצה עבור TFAS הבא. על מנת לכמת את תוצאות ה-T tractography, החל TFAS תוך שימוש במסלולי הסיבים שנוצרו על סמך מערכי נתוני DTI ממוצעים של כל הנבדקים בכל קבוצה, לצורך בחירת הווקסלים התורמים להשוואה בין מפות ה-FA של החולים לבקרים; כדי לקבל מידע מקיף באמצעות WBSS ו-TFAS, התחשב בכל הווקסלים שהתקבלו עם ערך FA מעל 0.2 לצורך ניתוח סטטיסטי באמצעות student's T-test. אנימציה זו מציגה את ההבדלים הקבוצתיים במפות FA שזוהו על ידי WBSS בין מדגם של חולי LS לבקרים תואמים בוויזואליזציה של פרוסות.

סרטון זה מציג מעקב אחר סיבים (fiber tracking) עם נקודות התחלה במסלול הקורטקוספינלי, המשמש כבסיס ל-TFAS לאחר רכישת המיומנות. ניתן לבצע טכניקה זו כמעט באופן אוטומטי תוך מספר שעות אם היא מבוצעת כהלכה. לאחר צפייה בסרטון זה, תהיה לכם הבנה טובה של אופן ביצוע ניתוח DTI ברמת הקבוצה באמצעות סטטיסטיקה מרחבית מבוססת מוח שלם וסטטיסטיקות FA באמצעות TrackWise.