Method Article

Diffusion Tensor Magnetic Resonance Imaging in de analyse van neurodegeneratieve ziekten

DOI:

10.3791/50427

⸱

July 28th, 2013

 , 
1Department of Neurology, University of Ulm

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diffusion tensor imaging (DTI) fungeert in feite als een MRI-gebaseerde tool te identificeren In vivo De microstructuur van de hersenen en pathologische processen door neurologische stoornissen in de cerebrale witte stof. DTI-gebaseerde analyses zorgen voor toepassing van hersenziekten zowel op groepsniveau als in enkel onderwerp data.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diffusion tensor imaging (DTI) technieken geven informatie over de microstructurele processen van de cerebrale witte stof (WM) in vivo. De onderhavige toepassingen zijn ontworpen om verschillen in WM betrokkenheid patronen onderzoeken verschillende hersenaandoeningen bijzonder neurodegeneratieve aandoeningen, bij gebruik van verschillende DTI analyses vergeleken met gematchte controles.

DTI data-analyse wordt uitgevoerd in een variate mode, dwz voxelgewijze vergelijking van regionale diffusie richting gebaseerde metrics zoals fractionele anisotropie (FA), samen met fiber tracking (FT) vergezeld van tractwise fractionele anisotropie statistieken (TFA) op groepsniveau met het oog tot verschillen in FA langs WM structuren te identificeren, die gericht zijn op de vaststelling van het regionale patronen van WM wijzigingen op groepsniveau. Transformatie naar een stereotaxisch standaard ruimte is een voorwaarde voor groep studies en vereist een grondige verwerking van gegevens te behouden directional onderlinge afhankelijkheden. De huidige applicaties tonen geoptimaliseerd technische benaderingen voor dit behoud van kwantitatieve en directionele informatie tijdens ruimtelijke normalisatie in data-analyses op groepsniveau. Op basis hiervan kan FT technieken om informatie metrics kwantificeren gedefinieerd FT toegepast groeperen gemiddelde data. Bovendien, de toepassing van DTI methoden, dwz verschillen in FA-kaarten na stereotaxisch uitlijning, in een longitudinale analyse op individueel onderwerp basis onthullen informatie over de progressie van neurologische aandoeningen. Verdere kwaliteitsverbetering van DTI gebaseerde resultaten kunnen tijdens de voorbewerking worden verkregen door toepassing van een gecontroleerde uitschakeling van gradiënt richtingen met hoge geluidsniveaus.

Samengevat wordt DTI gebruikt om een ​​afzonderlijke WM pathoanatomy verschillende hersenaandoeningen gedefinieerd door de combinatie van volledige hersenen-gebaseerd en kanaal gebaseerde DTI analyse.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diffusion tensor imaging in het menselijk brein

De witte stof (WM) stukken in het centrale zenuwstelsel bestaan ​​uit dicht verpakt axons naast diverse soorten neuroglia en andere kleine populaties van cellen. De axonale membraan en de goed uitgelijnde eiwitvezels binnen een axon beperkt water diffusie loodrecht op de vezel oriëntatie, waardoor anisotrope diffusie van water in de hersenen WM 1. Myelineschede om de axonen kan ook bijdragen aan de anisotropie voor zowel intra-en extracellulair water 2.

De kwantitatieve beschrijving van deze anisotropie kan worden gedetecteerd door diffusie tensor imaging (DTI). DTI produceert beelden van weefsels gewogen met de lokale microstructurele eigenschappen van water diffusie. De beeld-intensiteiten op elke positie worden gedempt, afhankelijk van de sterkte en richting van de zogenaamde magnetische diffusiegradiënt (vertegenwoordigdde b-waarde), en op de lokale microstructuur waarin het water diffundeert 3, de diffusiecoëfficiënt D, een scalaire waarde:

figure-introduction-1
Echter, in de aanwezigheid van anisotropie in WM, diffusie niet meer gekenmerkt door een scalaire coëfficiënt, maar vereist een tensor figure-introduction-2 die in eerste benadering beschrijft moleculaire mobiliteit langs elke richting en de correlatie tussen deze richtingen 4. Diffusie anisotropie wordt voornamelijk veroorzaakt door de oriëntatie van de vezels traktaten in WM en wordt beïnvloed door de micro-en macrostructurele functies. Van de microstructuur, lijkt intraaxonal organisatie zijn de grootste invloed op de diffusie anisotropie, naast de dichtheid van een vezelnd cel verpakking, de mate van myelinisatie, en individuele vezel diameter. Op macroscopische schaal, de variabiliteit in de oriëntatie van alle WM traktaten in een imaging voxel beïnvloedt de mate van anisotropie 5.

In typische DTI metingen de voxel afmetingen in de orde van millimeters. Zo kan een voxel bevat altijd de gemiddelde informatie van de watermoleculen in de gedetecteerde volume gewoonlijk verscheidene van axons en de omringende watermoleculen. Desondanks multidirectionele omgeving DTI gevoelig voor de oriëntatie van de grootste hoofdas die prima de overheersende axonale richting en bepaal de axonale bijdrage domineert het gemeten signaal 2.

DTI levert twee soorten informatie over de eigenschap van water diffusie: de eerste, de oriëntatie-onafhankelijke mate van diffusie anisotropie 5 en ten tweede, de overheersende richting van het water diffusie in image voxels, dat wil zeggen de diffusie oriëntatie 6.

De huidige protocollen worden verondersteld om een ​​kader van DTI analysetechnieken bieden voor kwantitatieve vergelijking van groepen proefpersonen op groepsniveau, zoals beschreven in het volgende.

Kwantificering van diffusie-eigenschappen - analyse parameters

De elementen van de symmetrische tensor kan worden gemeten door diffusie gradiënten langs ten minste zes niet-collineaire en niet-coplanaire richtingen, zodat ter (vergelijking 1) is een tensor, waardoor signaalverzwakking

figure-introduction-3
Deze vergelijking wordt bepaald dat een eventuele wisselwerking tussen beeldvorming en diffusie gradiënten die worden toegepast in orthogonale richtingen (kruis termen) en zelfs tussen beeldvorming hellingen die worden toegepastin orthogonale richtingen 4.

De tweede rang diffusion tensor figure-introduction-4 kan altijd worden diagonalized waardoor er slechts drie niet-nul elementen langs de hoofddiagonaal van de tensor, dwz de Eigenvalues ​​( figure-introduction-5 ). De Eigenwaarden weerspiegelen de vorm of configuratie van de ellipsoïde. De wiskundige relatie tussen de belangrijkste coördinaten van de ellipsoïde en het laboratorium frame wordt beschreven door de Eigenvectoren figure-introduction-6

Aangezien er verschillende uitdagingen in het weergeven tensor data, heeft het concept van diffusie ellipsoïden voorgesteld 3. De Eigendiffusivities van deze ellipsoids vertegenwoordigen de eendimensionale diffusie coëfficiënten in de hoofdrichting van diffusiviteiten van het medium, namelijk de hoofdas van de ellipsoïde is de belangrijkste diffusie richting de voxel die samenvalt met de richting van de vezels, terwijl de excentriciteit van de ellipsoïde geeft informatie over de anisotropie en symmetrie. Daarom kon diffusie anisotropie metrics zoals de fractionele anisotropie (FA) worden gedefinieerd 7.

figure-introduction-7
figure-introduction-8 is het rekenkundig gemiddelde van alle Eigenvalues.

Een extra aanpak is om de hoofdrichting van de diffusie tensor gebruiken om de WM-connectiviteit van de hersenen aan te pakken, wat overeenkomt met de tractografie approach die de intentie heeft om te onderzoeken welke delen van de hersenen zijn verbonden met elkaar. Aangenomen dat de oriëntatie van de belangrijkste component van de diffusie tensor is de oriëntatie van de dominante axonen is een 3-D vector veld waarin elke vector vertegenwoordigt de vezeloriëntatie. Momenteel zijn er verschillende benaderingen WM stukken die kunnen worden onderverdeeld in twee types reconstrueren: de eerste categorie is gebaseerd op regel propagatie algoritmes lokale tensor-informatie voor elke stap van de vezel darmkanaal voortplanting 2,8,9. De tweede categorie is gebaseerd op mondiale energieminimalisering de energetisch meest gunstige pad tussen twee WM regio, resulterend in de benadering van kanaal gebaseerde ruimtelijke statistiek voorbeeld (TBSS) 10 die is gebruikt in andere algoritmen zoals tractwise fractionele anisotropie statistieken (transvetzuren - zie protocol tekst, paragraaf 2.4)..

Transformatie naar stereotaxisch standard ruimte

Net als in andere geavanceerde MRI methoden DTI-en FT-gebaseerde studies in een klinische context nastreven uiteindelijke doel hersenmorfologie individuele patiënt categoriseren om het diagnostische proces gebaseerd op enkele discriminatie metrisch 11 vergemakkelijken. Studies op groepsniveau zijn relevantie als de gewone klinische fenotype wordt verondersteld door beschadiging van een of meer specifieke hersengebieden of specifieke neuroanatomische netwerk. Hier, met een gemiddelde van de resultaten voor de verschillende onderwerpen is nuttig om de gemeenschappelijke patronen van microstructurele veranderingen te beoordelen. Elk individu hersenen worden overgebracht in stereotaxische ruimte zodat in een tweede stap, het rekenkundig gemiddelde van de resultaten op een voxel-by-voxel niveau mogelijk. Ruimtelijke normalisatie toegestaan ​​rekenkundige gemiddelden van de resultaten van verschillende onderwerpen teneinde de signaal-ruisverhouding (SNR) te verbeteren en een vergelijking van monsters van patiënten en cont voerenrols om de rekenkundige pathoanatomy van een bepaalde aandoening te analyseren, zoals een neurodegeneratieve ziekte die wordt geassocieerd met de ongunstige beïnvloeding van de hersenen een specifieke systeem.

De vroege aanpak van normalisering van een gestandaardiseerde stereotaxisch ruimte door 12 suggereerde een transformatie algoritme om een standaard atlas die de identificatie van de verschillende hersenen bezienswaardigheden en fragmentarische schaling van de hersenen kwadranten. Tegenwoordig zijn de meeste van de geavanceerde MRI data-analyse pakketten te gebruiken normalisatie op het Montreal Neurological Institute (MNI) stereotaxisch ruimte 13. Voor deze transformatie, werden halfautomatische en automatische brein registratie algoritmes behulp studie specifieke templates ontwikkeld 14,15. In DTI, bijzondere aandacht worden gevestigd op de directionele informatie tijdens het normalisatieproces 16,17 bewaren. De toepassing van ruimtelijke transformaties DT-MR beelden die nodig zijn voor ruimtelijke normalisatiewinning van datasets is, in tegenstelling tot kromtrekken scalaire beelden, bemoeilijkt doordat ODC bevatten orientatie informatie die weer wordt beïnvloed door de transformatie. Dit effect moet rekening worden gehouden met het oog op de anatomische correctheid van de getransformeerde afbeelding garanderen. Hier worden technieken voor het aanbrengen affine transformaties DTI datasets gepresenteerd.

Toepassing van DTI van hersenziekten

De vergelijking van longitudinale DTI data vereist een aanpassing / registratie van de gegevens een onderwerp's onder elkaar. In die context, het behoud van de directionele informatie is noodzakelijk (dwz rotatie van de diffusie tensor tijdens affiene transformaties). Mogelijke toepassingen van neurodegeneratieve stoornissen zijn eerder gerapporteerd (bv. 18,19).

DTI is opgericht als een robuust niet-invasieve technische hulpmiddel om te onderzoeken in vivo Neuropatholgie van WM neuronale traktaten (bijv. 11,20,21,22). DTI-gebaseerde kwantitatieve metrieken het diffusieproces, zoals de FA, al en gevoelig markers voor het bestuderen uiteenlopende WM aandoeningen, zoals beroerte 20, multiple sclerosis 23, amyotrofe laterale sclerose 24, 25, de ziekte van Alzheimer 26 , en diverse andere WM aandoeningen 27,28.

Daarnaast DTI met FT kunnen worden gebruikt WM stukken identificeren 23. Deze techniek, terwijl nog niet in routine klinisch gebruik, is in opkomst als een krachtig instrument voor de beoordeling van pathway-specifieke afwijkingen bij neurologische ziekte. Binnen de geïdentificeerde stukken, diverse kwantitatieve MRI indices afgeleid van DTI en aanvullende acquisities (bijv. T2-gewogen beelden en / of magnetiseringsoverdracht (MT) imaging) die anatomisch coregistered de DTI data kunnen worden gemeten. Hierbij kan elke index calcul zijnated als functie van de positie in het darmkanaal, verwijzend naar plots afbeelden hun ruimtelijke variatie darmkanaal profielen.

Hierna menselijke DTI scans die werden uitgevoerd op 1,5 Tesla MRI-scanners (Siemens Medical, Erlangen, Duitsland) werden gebruikt om de capaciteit van verschillende analysetechnieken voor detectie witte stof afwijkingen in patiëntengroepen en in individuen te onderzoeken. Na een geautomatiseerde kwaliteitscontrole voor de afschaffing van de motion-corrupte volumes en volumes met andere soorten van artefacten, gestandaardiseerde postprocessing procedures bereiden de DTI data voor de achtereenvolgende analyse. Verschillende analyse benaderingen worden geïllustreerd in de volgende, dwz de eerste, hele brein gebaseerd ruimtelijke statistiek (WBSS), tweede, FT, en de derde, Tractwise fractionele anisotropie statistieken (transvetzuren). WBSS is een methode die analoog aan voxel-gebaseerde morfometrie (VBM) die gewoonlijk bekend staat als voxel-gebaseerde morfometrie / statistieken DTI data (VBM / DTI) loopt . VBM is een methode die oorspronkelijk uitgevoerd op contrastrijke beelden waarbij het ​​contrast verschillen in afzonderlijke scans moet opgelost worden WBSS is een methode die de voxelgewijze vergelijking van de fysische parameter gebruikt. Daarom, hoewel algoritmisch dergelijke, een terminologie die differentiëren WBSS en VBM worden gebruikt in de volgende.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Analyse methoden: Pre-en nabewerking

De taak van het volgende protocol diffusie eigenschappen voxelgewijze in witte stof stukken die kunnen worden geanalyseerd - door de voxelgewijze detectie - hetzij isotroop of anisotroop, resulterend in gerekte of afgeplatte diffusie tensor van de respectievelijke voxels. De parametrisering van de voxel tensor wordt gebruikt voor zowel het berekenen van FA-kaarten of de identificatie van fibertracts (figuur 1).

Om de resultaten van de analyse te verkrijgen, zoals getoond in de volgende, gebruikt het softwarepakket Tensor Imaging en Fiber Tracking (tift) 17. Tift biedt analyse-instrumenten voor de volgende eisen:

  • analyse in termen van DTI metrics, zoals FA-kaarten,
  • stereotaxisch normalisering
  • groep vergeleken in termen van FA of andere DTI metrics
  • verschillende analyse benaderingen van FT
  • FT op de groep gemiddeld DTI gegevens en de bijbehorende statistische analyse.

Deze kenmerken maken een verscheidenheid aan analyses in een software-omgeving 17,29,30,31. De Tift software is voortdurend in ontwikkeling voor de nieuwe opties in DTI data-analyse.

Figuur 2 geeft een schematisch overzicht hoe DTI data te analyseren op het niveau van de groep na ruimtelijke normalisatie door twee complementaire benaderingen, dwz zowel door WBSS en door TFA om eindelijk verschillen tussen subject monsters op groepsniveau, bijvoorbeeld zieke hersenen versus gezonde controles te verkrijgen. Hier WBSS beoogt een voxelgewijze onpartijdige opsporen van gebieden met verschillen op het niveau van de groep, terwijl transvetzuren is gebaseerd op vooraf gedefinieerde fibertracts, de transvetzuren beginnend gebieden kan zowel vrij gekozen worden of kan worden afgeleid uit de WBSS resultaten (`hotspots` van significant veranderd FA).

Individuele longitudinale vergelijking van de FA-kaarten wordt uitgevoerd door detectieting verschillen in FA-kaarten van metingen op verschillende tijdspunten na affine stereotactische uitlijning (Figuur 2).

  1. Kwaliteitscontrole (QC) inclusief correctie voor bedorven gradiëntrichtingen
    In het geval van beweging ongeregeldheden tijdens de overname, dat wil zeggen in het geval van beschadigde volumes, wordt een SNR verhoging verkregen door het weglaten van enkele gradiëntrichtingen (GD) voor tensor berekening. Daartoe werd een kwaliteitscontrole (QC) algoritme 32 ontwikkeld. Kortom, voor scans die bevatte beschadigde volumes, wordt de SNR toename bereikt door het weglaten van enkele gradiëntrichtingen een tegelijk voor tensor geschat per GD, wordt het gewogen variantie berekend van alle resterende richtingen in de reeks door weging met de hoek waarin zij verschilden van de index GD.
    1. Voer een artefact correctie door het detecteren van GD met ten minste een sneetje tonen verminderde intensiteit, dwz beweging artefacten veroorzaakt door spontane su bject beweging (Figuur 3, bovenste paneel). Voor elke diffusie gewogen, berekenen de gemiddelde intensiteit voor elke plak en vergelijken de intensiteit met hetzelfde segment in alle andere volumes met behulp van een gewogen gemiddelde benadering - de wegingsfactor is het dot product van de vectoren van twee GD figure-protocol-1 :
      figure-protocol-2
      figure-protocol-3
      figure-protocol-4 duidt de rekenkundig gemiddelde intensiteit van het segment onder observatie en427eq12.jpg "/> een stukje voor vergelijking. De relatieve gemiddelde intensiteit deviatie figure-protocol-5 wordt gewogen door de stip product van de GD. Dus, om een ​​algemene parameter definiëren:
      figure-protocol-6
      geeft de minimaal slicewise vergelijkingen van alle segmenten.
    2. Als Q is onder een bepaalde drempel (in het voorbeeld wordt een drempelwaarde van 0,8 voor dit doel), aan dat hele volume of GD. Een drempel van 0,8 wordt beschouwd als een stabiele oplossing 32. Figuur 3 illustreert bewegingsartefacten zichtbaar sagittale reconstructies en gedetecteerd door de QC algoritme. In dit voorbeeld, uit het totale aantal GD (blauwe stippen in figuur 3c), 17 werden onder de rode lijn die overeenkomt met Q = 0.8 en should worden geëlimineerd. Een voorbeeld van een volume eliminatie statistieken voor hele studie is weergegeven in figuur 3d. In deze voorbeeldige studie, werden DTI data van 29 presymptomatische HD proefpersonen vergeleken met DTI data van 30 controles. Verdere details van dit algoritme worden in 32, 33.
  2. Voorbewerking en ruimtelijke normalisatie
    1. Voer de correctie van de wervelstroom-geïnduceerde geometrische vervormingen van het echo-planaire beeldvorming datasets door de met 34 voorgestelde methode.
    2. Voor de stereotaxische normalisering, maak een studie-specifieke (b = 0) - template en een FA-template zoals eerder beschreven 17,28,31. Kortom, een volledig niet-lineaire stereotaxische normalisatie bestaat uit drie onderdelen vervorming. Bijgevolg is de resulterende diffusie tensor figure-protocol-7 van elke voxel i moet zijn roterendeed volgens alle bovenstaande (figuur 4) rotaties:
      1. Figuur 4a toont een stijf hersenen transformatie naar de basis-coördinaat frames passen. De rotatie figure-protocol-8 als gevolg van de aanpassing aan de basis coördinatenstelsel moet worden toegepast
        figure-protocol-9
      2. Figuur 4b toont een lineaire vervorming volgens bezienswaardigheden. De componenten van de eigenvectoren figure-protocol-10 moeten worden aangepast aan de zes parameters normalisering van S (afhankelijk hersengebied s a, a = 1 ... 6) van de lineaire vervorming.
        v w, j '' '= S a v w, j'''
        w = 1,2,3 en j = x, y, z.
      3. Figuur 4c toont een niet-lineaire normalisatie egalisatie niet-lineaire hersenen vormverschillen. De 3-D vector verschuivingen zijn voor elke voxel waardoor een afzonderlijke transformatie voor elke voxel van het 3-D-array voxel figure-protocol-11 ). Standard trigonometrie geeft een rotatie matrix onafhankelijk voor elke voxel als gevolg van de 3-D vector verschuift de begrippen in 16 teneinde de directionele tussen Eigenvectoren van neighbored voxels behouden. Aldus verschillende ploegen van twee neighbored voxels resulteren in rotaties van de overeenkomstige eigenvectoren. Gebruik de verwijding matrices voor de uitlijning van de tensor figure-protocol-12 elke voxel tede omringende voxels.
        figure-protocol-13
        figure-protocol-14 zijn de componenten van figure-protocol-15
      De gehele normalisatieproces is iteratief, dat wil zeggen maakt een scanner-en sequentie-specifieke (b = 0) - sjabloon voor deze studie in de eerste stap rekenkundig gemiddelde van de (b = 0) - inhoud van alle personen na lineaire volgens handmatig set oriëntatiepunten. Na deze eerste normalisatie, maakt verbeterde sjablonen om de normalisering matrices. De volgende stappen 1.2.3 tot en met 1.2.5 zijn schematisch gevisualiseerd in figuur 5a.
    3. Nadat deze persoon normalisatieprocedure (step (i) - DTI-data I 0), van alle individuele DTI gegevensverzamelingen voor het creëren studiespecifieke (b = 0) - template en een FA-template (stap (ii) - templates T1). De niet-affiene registratie een FA-sjabloon heeft het voordeel dat het biedt meer contrast in vergelijking (b = 0) beelden 10, definieert een FA-template door middeling alle FA-kaarten van de patiënten en de controles afzonderlijk verkregen.
    4. In een tweede stap, na de basisideeën van Ashburner en Friston 35, het uitvoeren van een niet-lineaire MNI normalisatie (stap (iii)) van de DTI datasets door het minimaliseren van de mismatch tussen regionale intensiteiten van de FA-kaart te worden aangebracht en van de FA-template op basis van de gekwadrateerde verschillen (X 2) - op die manier, u verkrijgt DTI data I 1.
    5. Op basis van deze gegevens, zijn nieuwe templates T 2 afgeleid (stap (iv)). Herhaal dit iteratieve proces tot de correlatie tussen individuele FA-kaarten en tHij FA-template is> 0.7. Meestal wordt dit bereikt na twee iteraties.
  3. Whole brain-based ruimtelijke statistiek
    De volgende stappen 1.3.1 tot 1.3.5 zijn gevisualiseerd schematisch in figuur 5b.
    1. Bereken FA-kaarten van genormaliseerde DTI gegevens met betrekking tot de normalisering van de procedure 1.2. om gerichte informatie (stap (i)) behouden.
    2. Als voorverwerkingsstap voordat voxelgewijze statistische vergelijking, breng dan een afvlakfilter (stap (ii)) aan de individuele genormaliseerde FA-kaarten. Smoothing, dat het filter grootte beïnvloedt de resultaten van gegevensanalyse DTI 36 vergt toepassing van het aangepaste filter stelling volgens welke de breedte van het filter gebruikt om de gegevens te verwerken moet worden afgestemd op de grootte van het verwachte verschil, zoals beschreven in eerdere aanvragen om DTI data van patiënten met neurodegeneratieve aandoeningen (bv. 28).
    3. Voeren statistische compArison tussen de patiëntengroepen en de overeenkomstige controlegroep voxelgewijze door Student's t-test, namelijk FA waarden van de patiënten vergelijken "FA-kaarten met de FA waarden van de controles" FA-kaarten voor elk voxel afzonderlijk (stap (iii )). FA waarden onder 0,2 worden niet geacht voor het berekenen omdat corticale grijze stof toont FA waarden tot 0,2 37.
    4. Statistische resultaten voor meerdere vergelijkingen met de valse-discovery-rate (FDR) algoritme bij p <0,05 38 (stap (iv)) te corrigeren. Verdere reductie van de alfafout moet worden uitgevoerd door een ruimtelijke correlatie algoritme (clustering - stap (v)) dat geïsoleerde voxels of kleine geïsoleerde groepen voxels met afmetingen van de smoothing kernel geëlimineerd, waardoor een cluster drempel van 512 voxels.
    5. Om de resultaten in een morfologische achtergrond (stap (v)) weer normaliseert de 3-D T1 gewogen gegevensverzamelingen moeten MNI ruimte en rekenkundig gemiddelde. Voer deze normalisering pROCEDURE door middel van een studie template-analoog aan de normalisatie toegepast op de DTI datasets 17.

Figuur 6 toont de resultaten van het hele brein-gebaseerde ruimtelijke statistiek (WBSS) van ALS patiënten versus controles. Figuur 6a toont het lokaal maximum van verminderde FA waarden in een sagittale, coronar en axiale view (thresholded bij p <0,01, gecorrigeerd voor meerdere vergelijkingen). Figuur 6b toont projectional FT met uitgangspunten in de corticospinale darmkanaal wordt gebruikt als basis voor transvetzuren. Figuur 6c toont groep verschillen in de FA-kaarten gedetecteerd door hele brein gebaseerd ruimtelijke statistiek (WBSS) tussen een steekproef van ALS patiënten en gematchte controles in een slicewise visualisatie.

  1. Tractografie en tractwise fractionele anisotropie statistieken (transvetzuren)
    Figuur 7 illustreert het proces van groepsgewijze FT zoals TFA zoals beschreven in 1.4.1 tot 1.4.4.
    1. Om groepsgebaseerde FT algoritmes toepassen, genereren gemiddeld DTI gegevensreeksen uit "gegevens en de controles" patiënten data samen volgens de hiervoor beschreven 17 werkwijzen. Deze middeling vereist een zorgvuldige behandeling van de oriënterende informatie die wordt bewaard tijdens het proces van normalisatie volgens technieken beschreven door 16 - voor meer informatie zie 30.
    2. Presteren tractografie in gemiddelde DTI datasets van onder groepen door toepassing van een gestroomlijnd bijhouden techniek 31. Identificeer handmatig gedefinieerd zaad punten naast de lokale maxima van de volledige hersenen gebaseerde FA analyses die de basis voor de opeenvolgende FT analyse. Na identificatie van de zaden, voeren tractography en bepalen de voxels van het afgebakende vezels als groep-specifiek masker voor de volgende 30 transvetzuren.
    3. Om tractography kwantificeren, passen de techniek van transvetzuren met ee vezels traktaten die zijn gemaakt op de gemiddelde DTI datasets van alle onderwerpen van elke groep (patiënt gegevens en controlegegevens samen) voor de selectie van de voxels die bijdragen aan een vergelijking tussen de patiënten en de controles 'FA-kaarten.
    4. Overweeg alle hieruit voortvloeiende voxels met een FA-waarde boven de 0,2 voor statistische analyse met Student's t-test.
    5. Indien gewenst kan de transvetzuren techniek worden toegepast op elk afgeleid DTI statistieken zoals gemiddelde diffusiecoëfficiënt (MD), radiale anisotropie axiale anisotropie, etc. (voor een voorbeeld zie 28).
    6. De resultaten worden weergegeven op een morfologische achtergrond die uit de MNI-genormaliseerde 3-D T1-gewogen gegevensreeksen

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. QC en de correctie voor beschadigde gradiëntrichtingen in toepassing om gegevens van patiënten met hyperkinetische stoornissen

Als voorbeeld van het effect van de toepassing van de QC en daaropvolgende volume uitsluiting (als gevolg van de correctie van beschadigde GD), figuur 8 toont verschillen in volledige hersenen gebaseerde ruimtelijke statistiek met en zonder volume uitsluiting groepsvergelijking van 29 ziekte premanifeste Huntington proefpersonen versus 30 leeftijd en...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Interindividuele middeling van DTI data kan worden bereikt met betrekking tot diffusie amplitude (door het gebruik van informatie FA) en verspreiding richting (basis FT), respectievelijk. Middeling van FA kaarten maakt voor de statistische vergelijking van de groepen proefpersonen door WBSS en transvetzuren. Dit methodologisch kader geeft een inleiding tot DTI technieken met inter-subject middeling en groepsvergelijking. Stereotaxisch normalisering en vergelijking van de FA kaarten op groepsniveau mogelijk maakt voor ve...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Auteurs hebben niets te onthullen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Delen van dit werk, dwz de studie van een QC en de correctie voor beschadigde gradiëntrichtingen in toepassing om gegevens van patiënten met hyperkinetische stoornissen, werden gesteund door de Europese HD-netwerk (EHDN project 070). De MRI-scans in deze bepaalde studie werden verkregen als onderdeel van de London website TRACK-HD cohort.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MR scannerSiemens 1.5 T Magnetom Symphony
analysesoftware TIFT - Tensor Imaging and Fiber Tracking

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Moseley, M. E., Cohen, Y., et al. Diffusion-weighted MR imaging of anisotropic water diffusion in cat central nervous system. Radiology. 176, 439-445 (1990).
  2. Mori, S., van Zijl, P. C. M. Fiber tracking: principles and strategies - a technical review. NMR Biomed. 15, 468-480 (2002).
  3. Basser, P. J., Mattiello, J., LeBihan, D. MR Diffusion Tensor Spectroscopy and Imaging. Biophys J. 66, 259-267 (1994).
  4. Mattiello, J., Basser, J. P., Le Bihan, D. Analytical expression for the b-matrix in NMR diffusion imaging and spectroscopy. J. Magn. Reson. A. 108, 131-141 (1994).
  5. Pierpaoli, C., Basser, P. J. Toward a quantitative assessment of diffusion anisotropy. Magn. Reson. Med. 36, 893-906 (1996).
  6. Pajevic, S., Pierpaoli, C. Color schemes to represent the orientation of anisotropic tissues from diffusion tensor data: application to white matter fiber tract mapping in the human brain. Magn. Reson. Med. 42, 526-540 (1999).
  7. Le Bihan, D., Mangin, J. F., et al. Diffusion tensor imaging: concepts and applications. J. Magn. Reson. Imaging. 13, 534-546 (2001).
  8. Conturo, T. E., Lori, N. F., et al. Tracking neuronal fibre pathways in the living human brain. Proc. Natl. Acad. Sci. U.S.A. 96, 10422-10427 (1999).
  9. Lori, N. F., Akbudak, E. Diffusion tensor fibre tracking of human brain connectivity: aquisition methods, reliability analysis and biological results. NMR Biomed. 15, 494-515 (2002).
  10. Smith, S. M., Jenkinson, M., et al. Tract-based spatial statistics: voxelwise analysis of multi-subject diffusion data. Neuroimage. 31, 1487-1505 (2006).
  11. Agosta, F., Pagani, E., et al. Assessment of white matter tract damage in patients with amyotrophic lateral sclerosis: a diffusion tensor MR imaging tractography study. AJNR. Am. J. Neuroradiol. 31, 1457-1461 (2010).
  12. Talairach, J., Tournoux, P. Coplanar stereotaxic atlas of the human brain. , Thieme Medical. New York. (1988).
  13. Brett, M., Johnsrude, I. S., Owen, A. M. The problem of functional localization in the human brain. Nat. Rev. Neurosci. 3, 243-249 (2002).
  14. Collins, D. L., Neelin, P., Peters, T. M., Evans, A. C. Automatic 3-D intersubject registration of MR volumetric data in standardized Talairach space. J. Comput. Assist. Tomogr. 18, 192-205 (1994).
  15. Friston, K. J., Ashburner, J., Frith, C. D., Poline, J. -B., Heather, J. D., Frackowiak, R. S. J. Spatial registration and normalization of images. Human Brain Mapp. 2, 165-189 (1995).
  16. Alexander, D. C., Pierpaoli, C., Basser, P. J., Gee, J. C. Spatial transformations of diffusion tensor magnetic resonance images. IEEE Trans. Med. Imaging. 20, 1131-1139 (2001).
  17. Müller, H. -P., Unrath, A., Ludolph, A. C., Kassubek, J. Preservation of Diffusion Tensor Properties during Spatial Normalization by use of Tensor imaging and Fiber Tracking on a Normal Brain Database. Phys. Med. Biol. 52, N99-N109 (2007).
  18. Likitjaroen, Y., Meindl, T., et al. Longitudinal changes of fractional anisotropy in Alzheimer's disease patients treated with galantamine: a 12-month randomized, placebo-controlled, double-blinded study. Eur. Arch. Psychiatry Clin. Neurosci. 262, 341-350 (2012).
  19. Zhang, Y., Schuff, N. Progression of white matter degeneration in amyotrophic lateral sclerosis: A diffusion tensor imaging study. Amyotroph. Lateral Scler. 12, 421-429 (2011).
  20. Pierpaoli, C., Barnett, A. Water diffusion changes in Wallerian degeneration and their dependence on white matter architecture. Neuroimage. 13, 1174-1185 (2001).
  21. Agosta, F., Valsasina, P., et al. Sensorimotor functional connectivity changes in amyotrophic lateral sclerosis. Cereb Cortex. 21, 2291-2298 (2011).
  22. Müller, H. -P., Unrath, A., Huppertz, H. J., Ludolph, A. C., Kassubek, J. Neuroanatomical patterns of cerebral white matter involvement in different motor neuron diseases as studied by diffusion tensor imaging analysis. Amyotroph Lateral Scler. 13, 254-264 (2012).
  23. Reich, D. S., Zackowski, K. M. Corticospinal tract abnormalities are associated with weakness in multiple sclerosis. Am. J. Neuroradiol. 29, 333-339 (2008).
  24. Abe, O., Yamada, H. Amyotrophic lateral sclerosis: Diffusion tensor tractography and voxel-based analysis. NMR Biomed. 17, 411-416 (2004).
  25. Sage, C. A., Peeters, R. R., Gorner, A., Robberecht, W., Sunaert, S. Quantitative diffusion tensor imaging in amyotrophic lateral sclerosis. Neuroimage. 34, 486-499 (2007).
  26. Preti, M. G., Baglio, F., et al. Assessing corpus callosum changes in Alzheimer's disease: comparison between tract-based spatial statistics and atlas-based tractography. PLoS One. 7, e35856(2012).
  27. Borroni, B., Brambati, S. M., et al. Evidence of white matter changes on diffusion tensor imaging in frontotemporal dementia. Arch. Neurol. 64, 246-251 (2007).
  28. Unrath, A., Müller, H. -P., Riecker, A., Ludolph, A. C., Sperfeld, A. D., Kassubek, J. Whole brain-based analysis of regional white matter tract alterations in rare motor neuron diseases by diffusion tensor imaging. Hum Brain Mapp. 31, 1727-1740 (2010).
  29. Müller, H. -P., Lulé, D., Unrath, A., Ludolph, A. C., Riecker, A., Kassubek, J. Complementary Image Analysis of Diffusion Tensor Imaging and 3-Dimensional T1-Weighted Imaging: White Matter Analysis in Amyotrophic Lateral Sclerosis. J. Neuroimaging. 21, 24-33 (2011).
  30. Müller, H. -P., Unrath, A., Sperfeld, A. D., Ludolph, A. C., Riecker, A., Kassubek, J. Diffusion tensor imaging and tractwise fractional anisotropy statistics: quantitative analysis in white matter pathology. Biomed. Eng. Online. 6, 42(2007).
  31. Müller, H. -P., Unrath, A., Riecker, A., Pinkhardt, E. H., Ludolph, A. C., Kassubek, J. Inter-subject variability in the analysis of diffusion tensor imaging at the group level: fractional anisotropy mapping and fiber tracking techniques. Magn. Reson. Imaging. 27, 324-334 (2009).
  32. Müller, H. -P., Glauche, V., et al. Stability of white matter changes related to Huntington's disease in the presence of imaging noise: a DTI study. PLoS Curr. 3, RRN1232(2011).
  33. Müller, H. -P., Süßmuth, S. D., Landwehrmeyer, G. B., Ludolph, A. C., Tabrizi, S. J., Klöppel, S., Kassubek, J. Stability effects on results of diffusion tensor imaging analysis by reduction of the number of gradient directions due to motion artifacts: an application to presymptomatic Huntington's disease. PLoS Curr. 3, RRN1292(2011).
  34. Shen, Y., Larkman, D. J., Counsell, S., Pu, I. M., Edwards, D., Hajnal, J. V. Correction of High-Order Eddy Current Induced Geometric Distortion in Diffusion-Weighted Echo-Planar images. Magn. Reson. Med. 52, 1184-1189 (2004).
  35. Ashburner, J., Friston, K. J. Nonlinear Spatial Normalization Using Basis Functions. Human Brain Mapping. 7, 254-266 (1999).
  36. Jones, D. K., Symms, M. R., Cercignani, M., Howard, R. J. The effect of filter size on VBM analyses of DT-MRI data. Neuroimage. 26, 546-554 (2005).
  37. Kunimatsu, A., Aoki, S., et al. The optimal trackability threshold of fractional anisotropy for diffusion tensor tractography of the corticospinal tract. Magn. Reson. Med. Sci. 3, 11-17 (2004).
  38. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimage. 15, 870-878 (2002).
  39. Cleaver, J. E. Defective repair replication of DNA in xeroderma pigmentosum. Nature. 218, 652-656 (1968).
  40. Anttinen, A., Koulu, L., et al. Neurological symptoms and natural course of xeroderma pigmentosum. Brain. 131, 1979-1989 (2008).
  41. Kassubek, J., Sperfeld, A. D. The cerebro-morphological fingerprint of a progeroid syndrome: white matter changes correlate with neurological symptoms in xeroderma pigmentosum. PLoS One. 7, e30926(2012).
  42. Canu, E., Agosta, F. The topography of brain microstructural damage in amyotrophic lateral sclerosis assessed using diffusion tensor MR imaging. AJNR. Am. J. Neuroradiol. 32, 1307-1314 (2011).
  43. Verstraete, E., Veldink, J. H., Hendrikse, J., Schelhaas, H. J., van den Heuvel, M. P., van den Berg, L. H. Structural MRI reveals cortical thinning in amyotrophic lateral sclerosis. J. Neurol. Neurosurg. Psychiatry. 83, 383-388 (2012).
  44. Hofer, S., Frahm, J. Topography of the human corpus callosum revisited- comprehensive fiber tractography using diffusion tensor magnetic resonance imaging. Neuroimage. 32, 989-994 (2006).
  45. Iwata, N. K., Kwan, J. Y., et al. White matter alterations differ in primary lateral sclerosis and amyotrophic lateral sclerosis. Brain. 134, 2642-2655 (2011).
  46. Kassubek, J., Ludolph, A. C., Müller, H. -P. Neuroimaging of motor neuron diseases. Ther. Adv. Neurol. Disord. 5, 119-127 (2012).
  47. Kassubek, J., Juengling, F. D. Multimodality functional neuroimaging. In: C. Stippich (Ed.): Clinical functional MRI - Presurgical functional neuroimaging. , Springer. Berlin/Heidelberg/New York. (2007).
  48. Stadlbauer, A., Buchfelder, M., Salomonowitz, E., Ganslandt, O. Fiber density mapping of gliomas: histopathologic evaluation of a diffusion-tensor imaging data processing method. Radiology. , 257-846 (2010).
  49. Stadlbauer, A., Hammen, T., et al. Differences in metabolism of fiber tract alterations in gliomas: a combined fiber density mapping and magnetic resonance spectroscopic imaging study. Neurosurgery. 71, 454-463 (2012).
  50. Staempfli, P., Jaermann, T., Crelier, G. R., Kollias, S., Valavanis, A., Boesiger, P. Resolving fiber crossing using advanced fast marching tractography based on diffusion tensor imaging. Neuroimage. 30, 110-120 (2006).
  51. Ehricke, H. H., Otto, K. M., Klose, U. Regularization of bending and crossing white matter fibers in MRI Q-ball fields Magn. Reson Imaging. 29, 916-926 (2011).
  52. Hirsch, J. G., Schwenk, S. M., Rossmanith, C., Hennerici, M. G., Gass, A. Deviations from the diffusion tensor model as revealed by contour plot visualization using high angular resolution diffusion-weighted imaging (HARDI). MAGMA. 16, 93-102 (2003).
  53. Lazar, M., Weinstein, D. M., et al. White matter tractography using diffusion tensor deflection. Human Brain Mapping. 18, 306-321 (2003).
  54. Reisert, M., Mader, I., Anastasopoulos, C., Weigel, M., Schnell, S., Kiselev, V. Global fiber reconstruction becomes practical. Neuroimage. 54, 955-962 (2011).
  55. Klein, A., Andersson, J. Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration. Neuroimage. 46, 786-802 (2009).
  56. Bammer, R. Basic principles of diffusion-weighted imaging. Eur. J. Radiol. 45, 169-184 (2003).
  57. Mohammadi, S., Keller, S. S. The influence of spatial registration on detection of cerebral asymmetries using voxel-based statistics of fractional anisotropy images and TBSS. PLoS One. 7, e36851(2012).
  58. Turner, M. R., Grosskreutz,, et al. Towards a neuroimaging biomarker for amyotrophic lateral sclerosis. Lancet Neurol. 10, 400-403 (2011).
  59. Müller, H. -P., Kassubek, J. Multimodal imaging in neurology - special focus on MRI applications and MEG. Synthesis Lectures in Biomedical Engineering. Enderle, J. D. 16, Morgan & Claypool Publishers. (2008).
  60. Douaud, G., Filippini, N., Knight, S., Talbot, K., Turner, M. R. Integration of structural and functional magnetic resonance imaging in amyotrophic lateral sclerosis. Brain. 134, 3470-3479 (2011).
  61. Kolind, S. H., Laule, C., et al. Complementary information from multi-exponential T2 relaxation and diffusion tensor imaging reveals differences between multiple sclerosis lesions. Neuroimage. 40, 77-85 (2008).
  62. Verma, R., Zacharaki, E. I. Multiparametric tissue characterization of brain neoplasms and their recurrence using pattern classification of MR images. Acad. Radiol. 15, 966-977 (2008).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Diffusion Tensor ImagingWhite Matter AnalysisFractional AnisotropyFiber TrackingStereotaxic NormalizationWhole Brain Spatial StatisticsTrackWise FA StatisticsGradient Direction Quality ControlNeurodegenerative Disease ImagingGroup Level Analysis

Related Articles