Diffusion Tensor Imaging a risonanza magnetica in Analisi delle Malattie Neurodegenerative

L'obiettivo generale del seguente esperimento è quello di utilizzare l'analisi dell'imaging del tensore di diffusione per definire una distinta patoanatomia della sostanza bianca di diverse malattie cerebrali mediante la combinazione di statistiche di atropia dell'anes frazionaria basate sull'intero cervello e sul tratto. Ciò si ottiene mediante un'appropriata imaging del tensore di diffusione o la pre-elaborazione dei dati DTI, compreso il controllo di qualità e la normalizzazione stereotassica. Come seconda fase, viene eseguita la statistica spaziale basata sull'intero cervello o WBSS, che consente un confronto a livello di particelle di atropia frazionaria o mappe FA di diversi gruppi di soggetti al fine di rilevare le differenze patologiche.

Successivamente, TrackWise frazionario. Viene eseguita una statistica ATROPY o TFAS per completare i risultati del confronto dei voxel confrontando le strutture cerebrali definite da una procedura di tracciamento delle fibre. Si ottengono risultati che mostrano le differenze tra i gruppi malati e i gruppi di controllo sulla base dell'analisi basata sul DTI.

Il vantaggio principale di questa tecnica rispetto ad altri metodi è che il tracciamento delle fibre su set di dati medi di gruppo diventa fattibile. Questo metodo può aiutare a rispondere a domande chiave nel campo del neuroimaging, come l'identificazione delle strutture cerebrali che sono colpite da malattie neurodegenerative. Le implicazioni di questa tecnica si estendono all'uso come marcatore surrogato basato sul neuroimaging perché potrebbe potenzialmente dimostrare effetti longitudinali sia a livello individuale che di gruppo.

La dimostrazione di questo metodo è fondamentale in quanto le fasi di elaborazione dei dati sono difficili da apprendere perché l'analisi dei dati è stata eseguita su un pacchetto software personalizzato che è T e diverse fasi dell'elaborazione e dell'analisi dei dati richiedono molto tempo per eseguire una correzione degli artefatti. Un software sviluppato su misura dal nostro laboratorio viene utilizzato per rilevare la GD con almeno una fetta che mostra una diminuzione dell'intensità IE degli artefatti di movimento causati dal movimento spontaneo del soggetto. Il software utilizzato è l'imaging tensoriale e il tracciamento delle fibre, ed è realizzato su misura dal nostro laboratorio per qualsiasi volume pesato in diffusione.

Calcolare l'intensità media per ogni sezione, quindi confrontarne l'intensità con la stessa sezione in tutti gli altri volumi utilizzando un approccio di media ponderata. Il fattore di ponderazione è il prodotto scalare dei vettori di due gd. Se Q è al di sotto di una certa soglia, una soglia di 0,8 in questo caso come esempio, allora elimina l'intero volume o gd.

Una soglia di 0,8 è considerata una soluzione stabile. Qui sono mostrati gli artefatti di movimento visibili nelle ricostruzioni sagittali e rilevati dall'algoritmo QC. In questo esempio, sul totale del numero di GD 17, erano al di sotto della linea rossa, che corrisponde a Q uguale a 0,8 e dovrebbe essere eliminato.

Un esempio di statistiche di eliminazione del volume per l'intero studio è mostrato qui in questo esempio: i dati DTI di 29 soggetti MH presintomatici sono stati confrontati con i dati DTI di 30 controlli per la normalizzazione stereotassica, creare un modello specifico per lo studio, B uguale a zero e un modello FA. Una normalizzazione stereotassica non lineare completa è costituita da tre componenti di deformazione. Di conseguenza, il tensore di diffusione risultante di ciascun occhio di voxel deve essere ruotato secondo tutte le rotazioni considerate precedentemente mostrate.

Ecco una trasformazione rigida del cervello per allineare i frame di coordinate di base. Questa figura mostra una deformazione lineare in base ai punti di riferimento. I componenti dei vettori iGen devono essere adattati secondo i sei parametri di normalizzazione di S della deformazione lineare, e qui c'è una normalizzazione non lineare, che equalizza le differenze di forma del cervello non lineare.

Gli spostamenti vettoriali 3D sono diversi per ogni voxel, portando a una trasformazione separata per ogni vle dell'array di voxel 3D. Dopo questa procedura di normalizzazione individuale, utilizzare tutti i singoli set di dati DTI per creare un modello B uguale a zero specifico per lo studio e un modello FA. Poiché la registrazione non PHE in un modello di FA ha il vantaggio di fornire un contrasto maggiore rispetto alle immagini B uguale a zero, definire un modello di FA facendo la media di tutte le mappe FA derivate individualmente dei pazienti e dei controlli.

In una seconda fase, eseguire una normalizzazione MNI non lineare dei set di dati DTI minimizzando la discrepanza tra le intensità regionali della mappa FA da adattare e, se il modello FA in base alle differenze quadrate basate su questi dati, vengono derivati nuovi modelli T due. Ripetere questo processo iterativo fino a quando la correlazione tra le singole mappe FA e il modello FA è maggiore di 0,7. Di solito questo viene raggiunto dopo due iterazioni.

Ora le statistiche spaziali basate sull'intero cervello possono essere eseguite calcolando mappe atropiche frazionarie da dati DTI normalizzati, livellando le mappe frazionarie e atropiche e la valutazione statistica, inclusa la correzione per confronti multipli nel seguito. Le differenze nelle mappe di antrop frazionarie dei pazienti con sclerosi laterale amiotrofica rispetto ai controlli sono calcolate mediante statistiche spaziali basate sull'intero cervello. Calcola le mappe FA dai dati DTI normalizzati per preservare le informazioni direzionali come fase di pre-elaborazione prima del confronto tra voxel e applica un filtro di livellamento alle singole mappe FA normalizzate per il livellamento.

Il fatto che la dimensione del filtro influenzi i risultati dell'analisi dei dati DTI richiede l'applicazione del teorema del filtro abbinato, che afferma che la larghezza del filtro utilizzato per elaborare i dati deve essere adattata alla dimensione della differenza attesa. Confrontare i gruppi di pazienti e il corrispondente gruppo di controllo foxwell Y utilizzando il test T dello studente. Questo viene fatto confrontando i valori FA delle mappe FA del paziente con i valori FA delle mappe FA di controllo per ciascuna trincea separatamente, quindi correggendo i risultati statistici per confronti multipli utilizzando l'algoritmo del tasso di falsa scoperta a P inferiore a 0,05.

Riducete ulteriormente l'errore alfa utilizzando un algoritmo di correlazione spaziale che elimina i voxel isolati o piccoli gruppi isolati di voxel nell'intervallo di dimensioni del kernel di smoothing, portando a una soglia minima di 512 foxhole nella traccia successiva due volte. Le statistiche degli anes atropici frazionari sono calcolate per i pazienti con sclerosi laterale amiotrofica rispetto ai controlli. Al fine di applicare algoritmi di tracciamento delle fibre basati su gruppi, generare set di dati DTI medi dai dati del paziente e dai dati di controllo insieme, quindi eseguire la trattografia e i set di dati DTI medi di gruppi di soggetti mediante l'applicazione di una tecnica di tracciamento semplificata.

Identificare i punti di semina definiti manualmente adiacenti ai massimi locali mediante l'analisi FA basata sull'intero cervello, che sono la base per l'analisi consecutiva del tracciamento delle fibre dopo l'identificazione dei semi, eseguire la trattografia t e definire i voxel delle fibre delineate come maschera specifica di gruppo per il successivo TFAS. Al fine di quantificare i risultati della trattografia T, applicare il TFAS utilizzando le tracce di fibre che sono state create sui set di dati DTI medi di tutti i soggetti di ciascun gruppo per la selezione dei voxel che contribuiscono a un confronto tra i pazienti e le mappe FA di controllo per ottenere informazioni complete da WBSS e TFAS considera tutti i voxel risultanti con un valore FA superiore a 0,2 per l'analisi statistica da parte degli studenti T-test. Questa animazione mostra le differenze di gruppo nelle mappe FA rilevate dalla WBSS tra un campione di pazienti LS e controlli abbinati nella visualizzazione a fette.

Questo video mostra il tracciamento delle fibre con i punti di partenza nel tratto corticospinale utilizzato come base per il TFAS una volta padroneggiato. Questa tecnica può essere eseguita quasi automaticamente entro poche ore se eseguita correttamente. Dopo aver visto questo video, dovresti avere una buona comprensione di come eseguire l'analisi DTI a livello di gruppo utilizzando le statistiche spaziali basate sull'intero cervello e le statistiche TrackWise FA.