neurodegenerative 질병의 분석에서 확산 텐서 자기 공명 영상

다음 실험의 전반적인 목표는 전뇌 기반 및 경로 기반의 분획 이방성(fractional anisotropy) 위축 통계의 조합을 통해, 확산 텐서 영상 분석을 사용하여 서로 다른 뇌 질환의 뚜렷한 백질 병리 해부학적 구조를 정의하는 것입니다. 이는 품질 관리 및 입체 정위 정규화를 포함한 적절한 확산 텐서 영상(diffusion tensor imaging, DTI) 데이터 전처리를 통해 달성됩니다. 두 번째 단계로는 전뇌 기반 공간 통계(whole brain-based spatial statistics, WBSS)를 수행하며, 이를 통해 서로 다른 피험자 그룹의 분획 이방성 또는 FA 맵을 복셀 단위로 비교하여 병리학적 차이를 검출할 수 있습니다.

다음으로, TrackWise fractional 분석을 수행합니다. 복셀 단위 비교 결과를 보완하기 위해, 섬유 추적 절차로 정의된 뇌 구조를 비교하는 ATROPY 통계 분석 또는 TFAS를 실시합니다. 이를 통해 DTI 기반 분석에 근거한 질환군과 대조군 간의 차이를 나타내는 결과를 얻습니다.

이 기술이 다른 방법보다 갖는 주요 장점은 그룹 평균 데이터 세트에서 신경 섬유 추적이 가능해진다는 점입니다. 이 방법은 신경퇴행성 질환의 영향을 받는 뇌 구조의 식별과 같이 신경영상 분야의 핵심적인 질문들에 답하는 데 도움을 줄 수 있습니다. 또한, 이 기술은 개인 및 그룹 수준 모두에서 종단적 효과를 잠재적으로 입증할 수 있으므로, 신경영상 기반의 대리 마커로 활용될 수 있다는 점에서 그 함의가 큽니다.

데이터 분석이 T라는 맞춤형 소프트웨어 패키지로 수행되었으며, 데이터 처리 및 분석의 여러 단계가 매우 많은 시간을 소요하여 습득하기 어렵기 때문에 이 방법의 시연이 매우 중요합니다. 아티팩트 보정을 수행하기 위해, 우리 연구실에서 개발한 맞춤형 소프트웨어를 사용하여 자발적인 피험자 움직임으로 인해 강도가 감소한 슬라이스가 하나 이상 나타나는 GD, 즉 움직임 아티팩트를 검출합니다. 사용된 소프트웨어는 tensor imaging and fiber tracking이며, 모든 확산 강조 볼륨을 처리할 수 있도록 우리 연구실에서 맞춤 제작되었습니다.

각 슬라이스의 평균 강도를 계산한 후, 가중 평균 방식을 사용하여 다른 모든 볼륨의 동일한 슬라이드 강도와 비교하십시오. 가중치 인자는 두 gd 벡터의 내적으로 산출합니다. 만약 Q가 특정 임계값(본 예시에서는 0.8) 미만이라면, 해당 볼륨 또는 gd 전체를 제거하십시오.

0.8의 임계값을 안정적인 솔루션으로 간주합니다. 여기에는 시상면 재구성에서 확인되고 QC 알고리즘에 의해 검출된 움직임 아티팩트가 표시되어 있습니다. 이 예시에서는 총 GD 17개 중 빨간색 선 아래에 있는 데이터가 확인되었으며, 이는 Q=0.8에 해당하며 제거되어야 합니다.

전체 연구에 대한 볼륨 제거 통계의 예가 여기 제시되어 있습니다. 이 예시에서는 29명의 증상 전 HD 피험자의 DTI 데이터와 30명의 대조군 DTI 데이터를 비교하였으며, 입체 정위 정규화를 위해 연구 전용 B=0 템플릿과 FA 템플릿을 생성하였습니다. 완전한 비선형 입체 정위 정규화는 세 가지 변형 구성 요소로 이루어집니다. 결과적으로, 각 복셀 i에서 도출된 확산 텐서는 앞서 제시된 모든 회전 각도에 따라 회전되어야 합니다.

기본 좌표계를 정렬하기 위한 강체 뇌 변환(rigid brain transformation) 과정입니다. 이 그림은 랜드마크에 따른 선형 변형을 보여줍니다. iGen 벡터의 성분은 선형 변형의 S에 대한 6가지 정규화 매개변수에 따라 조정되어야 하며, 여기서는 비선형 뇌 형태 차이를 균일화하는 비선형 정규화 과정이 제시되어 있습니다.

3D 벡터 이동은 각 복셀마다 다르므로, 3D 복셀 배열의 각 값에 대해 개별적인 변환이 이루어집니다. 이러한 개별 정규화 절차 이후, 모든 개별 DTI 데이터 세트를 사용하여 연구 특정 B=0 템플릿과 FA 템플릿을 생성하십시오. FA 템플릿으로의 비-PHE 등록은 B=0 이미지에 비해 더 높은 대조도를 제공한다는 장점이 있으므로, 환자와 대조군의 개별적으로 도출된 모든 FA 맵을 평균하여 FA 템플릿을 정의하십시오.

두 번째 단계로, 피팅할 FA 맵의 지역적 강도와 FA 템플릿 사이의 불일치를 최소화하여 DTI 데이터 세트의 비선형 MNI 정규화를 수행하며, 이 데이터에 기반한 제곱 차이에 따라 새로운 템플릿 T2를 도출합니다. 개별 FA 맵과 FA 템플릿 간의 상관계수가 0.7보다 커질 때까지 이 반복 과정을 수행합니다. 일반적으로 이는 2회 반복 후에 달성됩니다.

이제 정규화된 DTI 데이터로부터 분획 이방성(fractional anisotropy) 맵을 계산하고, 분획 이방성 맵을 평활화(smoothing)하며, 다중 비교 교정을 포함한 통계적 평가를 수행함으로써 전뇌 기반 공간 통계를 실시할 수 있습니다. 근위축성 측삭 경화증 환자와 대조군 간의 분획 이방성 맵 차이는 전뇌 기반 공간 통계를 통해 계산됩니다. 복셀 단위 비교 전의 전처리 단계로서 방향성 정보를 보존하기 위해 정규화된 DTI 데이터로부터 FA 맵을 계산하고, 개별 정규화 FA 맵에 평활화 필터를 적용하여 평활화를 수행합니다.

필터 크기가 DTI 데이터 분석 결과에 영향을 미친다는 사실은 매칭 필터 정리(matched filter theorem)의 적용을 필요로 하며, 이 정리에 따르면 데이터 처리에 사용되는 필터의 폭은 예상되는 차이의 크기에 맞게 조정되어야 합니다. Student's T-test를 사용하여 환자군과 그에 대응하는 대조군 foxwell Y를 비교하십시오. 이는 각 foxhole에 대해 환자의 FA 맵의 FA 값과 대조군의 FA 맵의 FA 값을 각각 비교함으로써 수행되며, 이후 P < 0.05에서 거짓 발견율(false discovery rate) 알고리즘을 사용하여 다중 비교에 대한 통계적 결과를 보정합니다.

평활화 커널(smoothing kernel) 크기 범위 내의 고립된 복셀 또는 작은 고립된 복셀 그룹을 제거하는 공간 상관 알고리즘을 사용하여 알파 오차를 추가로 감소시킴으로써, 다음 트랙을 두 번 수행할 때 최소 임계값 클러스터 크기가 512개 복셀이 되도록 합니다. 근위축성 측삭 경화증 환자와 대조군에 대해 분수 이방성 통계량을 계산합니다. 그룹 기반 섬유 추적 알고리즘을 적용하기 위해, 환자 데이터와 대조군 데이터를 결합하여 평균 DTI 데이터 세트를 생성한 다음, 유선형 추적 기법(streamlined tracking technique)을 적용하여 트랙토그래피를 수행하고 피험자 그룹의 평균 DTI 데이터 세트를 산출합니다.

전뇌 기반 FA 분석을 통해 국소 최댓값에 인접하여 수동으로 정의된 시드 포인트를 식별합니다. 이 시드 포인트들은 이후의 섬유 추적 분석을 위한 기초가 됩니다. 시드 식별 후 t tractography를 수행하고, 묘사된 섬유의 복셀을 후속 TFAS를 위한 그룹 특이적 마스크로 정의합니다. T tractography 결과를 정량화하기 위해, 각 그룹의 모든 피험자에 대한 평균 DTI 데이터 세트에서 생성된 섬유 경로를 이용하여 TFAS를 적용함으로써 환자군과 대조군의 FA 맵 비교에 기여하는 복셀을 선택합니다. WBSS 및 TFAS를 통해 종합적인 정보를 얻기 위해, FA 값이 0.2 이상인 모든 결과 복셀을 학생 t-검정(Student's t-test)을 통한 통계 분석 대상으로 고려합니다. 이 애니메이션은 LS 환자 표본과 매칭된 대조군 사이에서 WBSS로 검출된 FA 맵의 그룹 간 차이를 슬라이스별 시각화로 보여줍니다.

이 영상은 TFAS의 기초가 되는 피질척수관(corticospinal tract) 시작점 기반의 섬유 추적(fiber tracking) 과정을 보여줍니다. 이 기술을 숙달하면 적절한 절차에 따라 몇 시간 내에 거의 자동으로 수행할 수 있습니다. 이 영상을 시청한 후에는 전뇌 기반 공간 통계(whole brain based spatial statistics)와 TrackWise FA 통계를 사용하여 그룹 수준에서 DTI 분석을 수행하는 방법에 대해 충분히 이해하게 될 것입니다.