神経変性疾患の分析における拡散テンソル磁気共鳴画像

本実験の全体的な目的は、全脳ベースおよびトラクトベースの分数異方性（fractional anisotropy）統計を組み合わせることで、拡散テンソル画像（DTI）解析を用いて、さまざまな脳疾患における特有の白質病理解剖学的構造を定義することです。これは、品質管理や立体定位標準化を含む、適切な拡散テンソル画像（DTI）データのプリプロセッシングによって達成されます。次のステップとして、全脳ベース空間統計（whole brain-based spatial statistics; WBSS）を実施し、異なる被験者グループ間で分数異方性（FA）マップのボクセル単位の比較を行うことで、病理学的な差異を検出します。

次に、TrackWise fractionalについて説明します。ボクセル単位の比較結果を補完するため、ファイバートラッキングの手順によって定義された脳構造を比較するATROPY統計解析（TFAS）を実施します。これにより、DTIベースの解析に基づいた疾患群と対照群の間の差異を示す結果が得られます。

本手法の他の方法に対する主な利点は、グループ平均データセットにおけるファイバートラッキングが可能になることです。この手法は、神経変性疾患の影響を受ける脳構造の特定など、神経画像分野における重要な疑問への回答に役立ちます。また、個体レベルおよびグループレベルの両方で縦断的な影響を実証できる可能性があるため、神経画像に基づくサロゲートマーカーとしての利用への展開が期待されます。

データ解析にカスタムメイドのソフトウェアパッケージが使用されており、データ処理の手順の習得が困難であること、また、アーティファクト補正を行うためのデータ処理および解析のいくつかのステップに非常に時間がかかることから、本手法の実演は極めて重要です。自室で開発したカスタムメイドのソフトウェアを用いて、被験者の不随意運動によって引き起こされるモーションアーティファクトなど、少なくとも1スライスで強度の低下が見られるGDを検出します。使用しているソフトウェアはtensor imaging and fiber trackingであり、あらゆる拡散強調ボリューム向けに当研究室でカスタムメイドされたものです。

各スライスの平均強度を算出し、加重平均法を用いて、他のすべてのボリューム内の同一スライスとその強度を比較します。重み付け係数は、2つのgdのベクトルの内積です。Qが特定の閾値（この例では0.8）を下回る場合、そのボリュームまたはgd全体を除外します。

0.8という閾値が安定した解であると考えられます。ここでは、サジタル再構成で確認され、QCアルゴリズムによって検出されたモーションアーチファクトを示しています。この例では、GDの総数のうち17が赤線よりも下にあり、これはQ＝0.8に相当するため、除外されるべきです。

研究全体のボリューム排除統計の例をここに示します。この例では、29名の前駆期HD被験者のDTIデータと30名のコントロール群のDTIデータを比較し、ステレオタキシック正規化のために研究特異的なB=0テンプレートおよびFAテンプレートを作成しました。完全な非線形ステレオタキシック正規化は、3つの変形成分で構成されます。したがって、結果として得られる各ボクセルiの拡散テンソルは、前述のすべての回転に従って回転させる必要があります。

ここでは、基本座標系を合わせるための剛体脳変換を示します。この図は、ランドマークに基づいた線形変形を示しています。iGenベクトルの成分は、線形変形におけるSの6つの正規化パラメータに従って調整する必要があります。そして、ここでは非線形な脳形状の差を均一化する、非線形正規化が行われています。

3Dベクタのシフトはボクセルごとに異なるため、3Dボクセル配列の各要素に対して個別の変換が行われます。この個別の正規化手順の後、すべての個々のDTIデータセットを使用して、研究特有のB equals zeroテンプレートおよびFAテンプレートを作成します。FAテンプレートへの非PHEレジストレーションは、B equals zero画像に比べてコントラストが高くなるという利点があるため、患者および対照群から個別に導出されたすべてのFAマップを平均化してFAテンプレートを定義します。

第2ステップとして、フィッティング対象となるFAマップの領域強度とFAテンプレートとの間の不一致を、これらのデータに基づく二乗差を用いて最小化することにより、DTIデータセットの非線形MNI正規化を行います。これにより、新しいテンプレートT2が導出されます。個々のFAマップとFAテンプレートとの相関が0.7より大きくなるまで、この反復プロセスを繰り返します。通常、これは2回の反復後に達成されます。

次に、正規化されたDTIデータから分数異方性（FA）マップを算出し、そのFAマップを平滑化した後、多重比較補正を含む統計的評価を行うことで、全脳ベースの空間統計解析を実施します。筋萎縮性側索硬化症患者と対照群におけるFAマップの差を、全脳ベースの空間統計解析によって算出します。ボクセル単位の比較前の前処理ステップとして、方向情報を保持するために正規化されたDTIデータからFAマップを算出し、個々の正規化FAマップに平滑化フィルタを適用して平滑化を行います。

フィルターサイズがDTIデータ解析の結果に影響を与えるという事実は、データ処理に使用するフィルターの幅を予想される差の大きさに合わせるべきであるとする、整合フィルター定理（matched filter theorem）の適用を必要とします。t検定を用いて、患者群と対応する対照群のfoxwell Yを比較します。これは、各foxholeについて個別に、患者のFAマップのFA値と対照群のFAマップのFA値を比較することで行い、その後、偽発見率（false discovery rate）アルゴリズムを用いて P < 0.05 で多重比較の統計結果を補正します。

平滑化カーネルのサイズ範囲にある孤立したボクセルまたは小規模な孤立ボクセル群を除去する空間相関アルゴリズムを用いて、αエラーをさらに低減させ、最小閾値クラスターサイズを512ボクセルとして、以下のトラッキングを2回行います。筋萎縮性側索硬化症患者と対照群について、分数異方性統計量を算出します。グループベースのファイバートラッキングアルゴリズムを適用するために、患者のデータと対照群のデータを合わせて平均DTIデータセットを生成し、その後、ストリームライン・トラッキング手法を適用してトラクトグラフィを行い、被験者グループの平均DTIデータセットを作成します。

全脳ベースのFA解析によって得られた局所最大値に隣接する、手動で定義されたシードポイントを特定します。これらのシードポイントは、その後のファイバートラッキング解析の基盤となります。トラクトグラフィーを行い、抽出されたファイバーのボクセルを、後続のTFASのためのグループ特異的マスクとして定義します。Tトラクトグラフィーの結果を定量化するために、各グループの全被験者の平均DTIデータセットに基づいて作成されたファイバートラックを用い、患者群と対照群のFAマップ間の比較に寄与するボクセルを選択してTFASを適用します。WBSSおよびTFASによる包括的な情報を得るため、t検定による統計解析には、FA値が0.2以上のすべての結果ボクセルを考慮します。このアニメーションでは、LS患者のサンプルとマッチングさせた対照群の間でWBSSによって検出されたFAマップのグループ間差を、スライスごとの可視化で示しています。

このビデオでは、TFASの基礎となる皮質脊髄路を開始点としたファイバートラッキングについて解説します。この手法を習得すれば、正しく行えば数時間でほぼ自動的に完了させることができます。このビデオを視聴することで、全脳ベースの空間統計およびTrackWise FA統計を用いたグループレベルでのDTI解析の実行方法を十分に理解できるはずです。