Diffusion Tensor Imaging a risonanza magnetica in Analisi delle Malattie Neurodegenerative

L'obiettivo generale del seguente esperimento è utilizzare l'analisi di imaging basata sul tensore di diffusione per definire una patoanatomia distinta della sostanza bianca in diverse malattie cerebrali, combinando statistiche di anisotropia frazionaria basate sull'intero cervello e statistiche basate sui fasci. Questo risultato si ottiene mediante un'adeguata pre-elaborazione dei dati di imaging mediante tensore di diffusione (DTI), inclusi controllo di qualità e normalizzazione stereotassica. Come secondo passo, viene effettuata una statistica spaziale basata sull'intero cervello (WBSS), che consente un confronto voxel per voxel delle mappe di anisotropia frazionaria (FA) di diversi gruppi di soggetti al fine di rilevare le differenze patologiche.

Successivamente, si esegue la frazionalizzazione di TrackWise. Viene effettuata un'analisi statistica ATROPY o TFAS al fine di integrare i risultati del confronto a livello di voxel, comparando le strutture cerebrali definite mediante una procedura di fiber tracking. Si ottengono risultati che mostrano le differenze tra gruppi di pazienti e gruppi di controllo sulla base di un'analisi basata sulla DTI.

Il vantaggio principale di questa tecnica rispetto ad altri metodi consiste nel rendere possibile il tracciamento delle fibre su set di dati mediati di gruppo. Questo metodo può contribuire a rispondere a domande fondamentali nel campo della neuroimmagine, come l'identificazione delle strutture cerebrali interessate dalle malattie neurodegenerative. Le implicazioni di questa tecnica si estendono all'uso come marcatore surrogato basato sulla neuroimmagine, poiché potrebbe potenzialmente dimostrare effetti longitudinali sia a livello individuale che di gruppo.

La dimostrazione di questo metodo è fondamentale poiché le fasi di elaborazione dei dati sono difficili da apprendere, in quanto l'analisi è stata eseguita mediante un pacchetto software su misura chiamato T, e diversi passaggi nell'elaborazione e nell'analisi dei dati richiedono molto tempo per eseguire una correzione degli artefatti. Un software appositamente sviluppato dal nostro laboratorio viene utilizzato per rilevare GD con almeno una sezione che mostra una riduzione dell'intensità, ovvero artefatti di movimento causati da movimenti spontanei del soggetto. Il software impiegato consente l'imaging tensoriale e il tracciamento delle fibre, ed è stato realizzato su misura dal nostro laboratorio per qualsiasi volume pesato in diffusione.

Calcolare l'intensità media per ogni fetta, quindi confrontare la sua intensità con quella della stessa fetta in tutti gli altri volumi utilizzando un approccio basato sulla media pesata. Il fattore di pesatura è il prodotto scalare dei vettori di due gd. Se Q è al di sotto di una certa soglia, in questo caso una soglia di 0,8 come esempio, eliminare l'intero volume o gd.

Una soglia di 0,8 è considerata una soluzione stabile. Qui vengono mostrati gli artefatti di movimento visibili nelle ricostruzioni sagittali e rilevati dall'algoritmo di controllo qualità. In questo esempio, su un totale di GD 17, quelli al di sotto della linea rossa, corrispondente a Q uguale a 0,8, devono essere eliminati.

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

Qui è mostrata 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. Le componenti dei vettori iGen devono essere adattate in base ai sei parametri di normalizzazione di S della deformazione lineare, e qui è applicata una normalizzazione non lineare, che compensa le differenze di forma cerebrale non lineari.

Gli spostamenti vettoriali 3D sono diversi per ciascun voxel, determinando una trasformazione separata per ogni elemento dell'array di voxel 3D. Dopo questa procedura di normalizzazione individuale, utilizzare tutti i singoli set di dati DTI per creare un modello specifico dello studio con B uguale a zero e un modello di FA. Poiché la registrazione non PHE a un modello di FA presenta il vantaggio di fornire un contrasto maggiore rispetto alle immagini con B uguale a zero, definire un modello di FA facendo la media di tutte le mappe di FA ottenute singolarmente dai pazienti e dai controlli.

In un secondo passaggio, eseguire una normalizzazione non lineare MNI dei set di dati DTI minimizzando la discrepanza tra le intensità regionali della mappa FA da adattare e il modello FA, in base alle differenze quadratiche; a partire da questi dati, vengono derivati nuovi modelli T2. Ripetere questo processo iterativo finché la correlazione tra le mappe FA individuali e il modello FA non risulta superiore a 0,7. Di solito, questo valore viene raggiunto dopo due iterazioni.

Ora è possibile eseguire statistiche spaziali a livello dell'intero cervello calcolando mappe frazionarie anisotropiche a partire dai dati DTI normalizzati, applicando un filtro di smoothing alle mappe frazionarie anisotropiche ed effettuando la valutazione statistica, inclusa la correzione per confronti multipli nel seguito. Le differenze nelle mappe frazionarie anisotropiche tra pazienti con sclerosi laterale amiotrofica e soggetti di controllo vengono calcolate mediante statistiche spaziali basate sull'intero cervello. Calcolare le mappe FA a partire dai dati DTI normalizzati al fine di preservare l'informazione direzionale come passaggio preliminare prima del confronto voxel per voxel, quindi applicare un filtro di smoothing alle singole mappe FA normalizzate per effettuare il livellamento.

Il fatto che la dimensione del filtro influenzi i risultati dell'analisi dei dati DTI richiede l'applicazione del teorema del filtro adattato, secondo cui la larghezza del filtro utilizzato per elaborare i dati deve essere adeguata alla dimensione della differenza attesa. Confrontare i gruppi di pazienti e il gruppo di controllo corrispondente foxwell Y utilizzando il test T di Student. Questo viene effettuato confrontando i valori di FA delle mappe FA dei pazienti con i valori di FA delle mappe FA dei controlli per ogni foxhole separatamente, quindi correggere i risultati statistici per confronti multipli utilizzando l'algoritmo del tasso di falsa scoperta con P minore di 0,05.

Ulteriormente ridurre l'errore alfa utilizzando un algoritmo di correlazione spaziale che elimina i voxel isolati o piccoli gruppi di voxel isolati nell'intervallo dimensionale del kernel di smoothing, portando a una dimensione minima del cluster soglia di 512 foxholes nel seguente percorso due volte. Vengono calcolate statistiche frazionarie anes atropiche per pazienti con sclerosi laterale amiotrofica rispetto ai controlli. Per applicare algoritmi di tracciamento dei fasci basati su gruppi, generare set di dati DTI medi dai dati dei pazienti e dai dati dei controlli insieme, quindi eseguire la tracciaografia e i set di dati DTI medi dei gruppi di soggetti mediante l'applicazione di una tecnica di tracciamento semplificata.

Identificare manualmente i punti seme definiti in prossimità dei massimi locali mediante l'analisi dell'FA basata sull'intero cervello, che costituiscono la base per l'analisi consecutiva di fiber tracking dopo l'identificazione dei semi; eseguire la tractografia T e definire i voxel delle fibre delimitate come una maschera specifica per gruppo da utilizzare nella successiva TFAS. Per quantificare i risultati della tractografia T, applicare la TFAS utilizzando i percorsi fibrillari creati a partire dai set di dati DTI medi di tutti i soggetti di ciascun gruppo, al fine di selezionare i voxel che contribuiscono al confronto tra le mappe di FA dei pazienti e dei controlli. Per ottenere informazioni complete mediante WBSS e TFAS, considerare tutti i voxel risultanti con un valore di FA superiore a 0,2 per l'analisi statistica mediante test T di Student. Questa animazione mostra le differenze di gruppo nelle mappe di FA rilevate mediante WBSS tra un campione di pazienti con LS e controlli abbinati, visualizzate per singole sezioni.

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