neurodegenerative 질병의 분석에서 확산 텐서 자기 공명 영상

다음 실험의 전반적인 목표는 확산 텐서 이미징 분석을 사용하여 전체 뇌 기반 및 요로 기반 분수 anes atropy 통계의 조합으로 다양한 뇌 질환의 고유한 백질 병리 해부학을 정의하는 것입니다. 이는 품질 관리 및 정위 정규화를 포함한 적절한 확산 텐서 이미징 또는 DTI 데이터 전처리를 통해 달성됩니다. 두 번째 단계로, 전체 뇌 기반 공간 통계 또는 WBSS가 수행되며, 이를 통해 병리학적 차이를 감지하기 위해 서로 다른 주제 그룹의 분수 및 영양 또는 FA 맵을 현명하게 비교할 수 있습니다.

다음으로, TrackWise 분수입니다. ATROPY 통계 또는 TFAS는 섬유 추적 절차에 의해 정의된 뇌 구조를 비교하여 복셀 현명한 비교 결과를 보완하기 위해 수행됩니다. DTI 기반 분석을 기반으로 질병 그룹과 대조군 간의 차이를 보여주는 결과를 얻었습니다.

다른 방법에 비해 이 기술의 주요 장점은 그룹 평균 데이터 세트에 대한 파이버 추적이 가능하다는 것입니다. 이 방법은 신경퇴행성 질환의 영향을 받는 뇌 구조의 식별과 같은 신경 영상 분야의 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 기술의 의미는 개인 및 그룹 수준 모두에서 잠재적으로 종적 효과를 입증할 수 있기 때문에 신경 이미징 기반 대리 마커로 사용하는 쪽으로 확장됩니다.

데이터 분석은 T인 맞춤형 소프트웨어 패키지에서 수행되었기 때문에 데이터 처리 단계를 배우기 어렵고 데이터 처리 및 분석의 여러 단계가 아티팩트 수정을 수행하는 데 시간이 많이 걸리기 때문에 이 방법의 시연이 중요합니다. 우리 연구실에서 개발한 맞춤형 소프트웨어를 사용하여 GD를 감지하는 데 사용되며, 자발적인 피험자 움직임으로 인한 감소된 강도 IE 모션 아티팩트를 보여주는 슬라이스가 하나 이상 있습니다. 사용된 소프트웨어는 텐서 이미징 및 파이버 추적이며, 모든 확산 가중 부피에 대해 당사 실험실에서 맞춤 제작했습니다.

각 슬라이스에 대한 평균 강도를 계산한 다음, 가중 평균 접근법을 사용하여 다른 모든 볼륨의 동일한 슬라이스와 그 강도를 비교합니다. 가중 계수는 두 gd로 구성된 벡터의 내적입니다. Q가 특정 임계값 미만이면 이 경우 임계값 0.8(예: 임계값)은 전체 부피 또는 gd를 제거합니다.

임계값 0.8은 안정적인 솔루션으로 간주됩니다. 여기에 표시된 것은 시상 재구성에서 볼 수 있고 QC 알고리즘에 의해 감지되는 모션 아티팩트입니다. 이 예에서 GD 17의 총 수 중 Q가 0.8과 같으므로 제거해야하는 빨간색 선 아래에 있습니다.

전체 연구에 대한 볼륨 제거 통계의 예가 여기에 나와 있습니다: 이 예에서는 29명의 전증상 HD 피험자의 DTI 데이터를 입체택시 정규화를 위한 30명의 대조군의 DTI 데이터와 비교하여 연구 특정 B가 0과 같음 템플릿 및 FA 템플릿을 생성합니다. 완전한 비선형 입체택시 정규화는 세 가지 변형 구성 요소로 구성됩니다. 결과적으로, 각 복셀 아이의 결과 확산 텐서는 이전에 표시된 것으로 간주된 모든 회전에 따라 회전해야 합니다.

다음은 기본 좌표 프레임을 정렬하기 위한 엄격한 두뇌 변환입니다. 이 그림은 랜드마크에 따른 선형 변형을 보여줍니다. iGen 벡터의 구성 요소는 선형 변형의 S의 6가지 정규화 매개변수에 따라 조정되어야 하며, 여기에는 비선형 뇌 모양 차이를 균등화하는 비선형 정규화가 있습니다.

3D 벡터 이동은 각 복셀마다 다르므로 3D 복셀 배열의 각 vle에 대해 별도의 변환이 발생합니다. 이 개별 정규화 절차 후에 모든 개별 DTI 데이터 세트를 사용하여 연구 특정 B equals zero template 및 FA 템플릿을 생성합니다. FA 템플릿에 대한 비 PHE 등록은 B가 0과 같을 때 더 많은 대비를 제공한다는 장점이 있기 때문에 환자와 대조군의 개별적으로 파생된 모든 FA 맵을 평균화하여 FA 템플릿을 정의합니다.

두 번째 단계에서, 적합할 FA 맵의 지역적 강도 간의 불일치를 최소화하여 DTI 데이터 세트의 비선형 MNI 정규화를 수행하고, 이러한 데이터를 기반으로 한 제곱 차이에 따른 FA 템플릿이 새로운 템플릿 T two를 도출하는 경우. 개별 FA 맵과 FA 템플릿 간의 상관 관계가 0.7보다 클 때까지 이 반복 프로세스를 반복합니다. 일반적으로 두 번의 반복 후에 도달합니다.

이제 정규화된 DTI 데이터에서 분수 무력, 무영양 지도를 계산하고, 분수 무영양 지도를 평활화하고, 다음의 다중 비교에 대한 수정을 포함한 통계 평가를 통해 전체 뇌 기반 공간 통계를 수행할 수 있습니다. 근위축성 측삭 경화증 환자와 대조군의 분획 무늬 지도의 차이는 전체 뇌 기반 공간 통계에 의해 계산됩니다. 정규화된 DTI 데이터에서 FA 맵을 계산복셀 현명한 비교 전에 전처리 단계로 방향 정보를 보존하기 위해 평활화를 위해 개별 정규화된 FA 맵에 평활화 필터를 적용합니다.

필터 크기가 DTI 데이터 분석 결과에 영향을 미친다는 사실은 데이터를 처리하는 데 사용되는 필터의 너비가 예상되는 차이의 크기에 맞게 조정되어야 한다는 일치하는 필터 정리를 적용해야 합니다. 학생의 T-검정을 사용하여 환자 그룹과 해당 대조군 foxwell Y를 비교합니다. 이는 환자의 FA 맵의 FA 값을 각 참호에 대한 대조군 FA 맵의 FA 값과 개별적으로 비교한 다음 P가 0.05 미만인 상태에서 거짓 발견 비율 알고리즘을 사용하여 다중 비교를 위해 통계 결과를 수정하는 방식으로 수행됩니다.

또한 스무딩 커널의 크기 범위에서 고립된 복셀 또는 작은 고립된 복셀 그룹을 제거하는 공간 상관 관계 알고리즘을 사용하여 알파 오류를 줄임으로써 다음 트랙에서 최소 임계값 클러스터 크기인 512개의 여우를 두 번 얻을 수 있습니다. 분수 무감각 영양 통계는 근위축성 측삭 경화증 환자와 대조군에 대해 계산됩니다. 그룹 기반 광섬유 추적 알고리즘을 적용하기 위해 환자의 데이터와 대조군 데이터를 함께 사용하여 평균 DTI 데이터 세트를 생성한 다음 간소화된 추적 기술을 적용하여 피험자 그룹의 tractography 및 평균 DTI 데이터 세트를 수행합니다.

씨앗 식별 후 연속 섬유 추적 분석의 기초가 되는 전체 뇌 기반 FA 분석을 통해 국소 최대값에 인접한 수동으로 정의된 종자 지점을 식별하고, t tractography를 수행하고, 묘사된 섬유의 복셀을 다음 TFAS에 대한 그룹 특이적 마스크로 정의합니다. T tractography 결과를 정량화하기 위해 각 그룹의 모든 피험자의 평균 DTI 데이터 세트에 생성된 광섬유 트랙을 사용하여 TFAS를 적용하고, 환자와 대조군 간의 비교에 기여하는 복셀을 선택하고, WBSS 및 TFAS에 의한 포괄적인 정보를 얻기 위해 FA 맵, TFAS는 학생들의 통계 분석을 위해 0.2 이상의 FA 값을 가진 모든 결과 복셀을 고려합니다. 이 애니메이션은 슬라이스 단위 시각화에서 LS 환자 샘플과 일치하는 대조군 간에 WBSS에 의해 감지된 FA 맵의 그룹 차이를 보여줍니다.

이 비디오는 TFAS Once Mastered의 기초로 사용되는 피질 척수로의 시작점을 통한 광섬유 추적을 보여줍니다. 이 기술은 제대로 수행되면 몇 시간 내에 거의 자동으로 수행 할 수 있습니다. 이 비디오를 시청한 후에는 전체 뇌 기반 공간 통계 및 TrackWise FA 통계를 사용하여 그룹 수준에서 DTI 분석을 수행하는 방법을 잘 이해하게 될 것입니다.