Diffusion Tensor Magnetic Resonance Imaging in de analyse van neurodegeneratieve ziekten

Het algemene doel van het volgende experiment is om diffusietensorbeeldanalyse te gebruiken om een kenmerkende pathoanatomie van de witte stof bij verschillende hersenziekten te definiëren, door de combinatie van statistieken over fractionele anisotropie op basis van de gehele hersenen en op basis van tractus. Dit wordt bereikt door een adequate voorbewerking van de diffusietensorbeeldvorming- of DTI-gegevens, inclusief kwaliteitscontrole en stereotactische normalisatie. Als tweede stap wordt een ruimtelijke statistische analyse op basis van de gehele hersenen of WBSS uitgevoerd, wat een voxelgewijze vergelijking mogelijk maakt van fractionele anisotropie- of FA-kaarten van verschillende subjectgroepen om pathologische verschillen te detecteren.

Vervolgens wordt TrackWise fractional uitgevoerd. Een ATROPY-statistiek of TFAS wordt uitgevoerd om de resultaten van de voxelgewijze vergelijking aan te vullen door de hersenstructuren te vergelijken die door een vezeltrackingprocedure zijn gedefinieerd. Er worden resultaten verkregen die de verschillen tussen ziektegroepen en controlegroepen tonen op basis van DTI-analyse.

Het belangrijkste voordeel van deze techniek ten opzichte van andere methoden is dat vezeltracking op groepsgemiddelde datasets haalbaar wordt. Deze methode kan helpen bij het beantwoorden van kernvragen binnen het veld van de neuroimaging, zoals de identificatie van hersenstructuren die worden beïnvloed door neurodegeneratieve ziekten. De implicaties van deze techniek strekken zich uit tot het gebruik als een op neuroimaging gebaseerde surrogaatmarker, omdat het potentieel longitudinale effecten kan aantonen op zowel individueel als groepsniveau.

De demonstratie van deze methode is cruciaal, aangezien de stappen voor gegevensverwerking moeilijk aan te leren zijn omdat de gegevensanalyse is uitgevoerd met een op maat gemaakt softwarepakket, en verschillende stappen in de gegevensverwerking en -analyse zeer tijdrovend zijn om een artefactcorrectie uit te voeren. Een door ons laboratorium ontwikkelde op maat gemaakte software wordt gebruikt om GD te detecteren waarbij ten minste één slice een verminderde intensiteit vertoont, oftewel bewegingsartefacten veroorzaakt door spontane beweging van het subject. De gebruikte software is bedoeld voor tensor imaging en fiber tracking, en is door ons laboratorium op maat gemaakt voor elk diffusie-gewogen volume.

Bereken de gemiddelde intensiteit voor elke slice en vergelijk deze vervolgens met dezelfde slice in alle andere volumes met behulp van een gewogen gemiddelde. De wegingsfactor is het inproduct van vectoren van twee gd. Als Q onder een bepaalde drempelwaarde ligt, in dit voorbeeld een drempelwaarde van 0,8, dan wordt dat volledige volume of die gd geëlimineerd.

Een drempelwaarde van 0,8 wordt beschouwd als een stabiele oplossing. Hier worden de bewegingsartefacten getoond die zichtbaar zijn in sagittale reconstructies en zijn gedetecteerd door het QC-algoritme. In dit voorbeeld lagen, van het totale aantal GD 17, onder de rode lijn, wat overeenkomt met Q gelijk aan 0,8 en geëlimineerd dient te worden.

Een voorbeeld van de statistieken voor volume-eliminatie voor de gehele studie wordt hier getoond; in deze voorbeeld-DTI-gegevens werden 29 presymptomatische HD-proefpersonen vergeleken met DTI-gegevens van 30 controles. Voor de stereotactische normalisatie werden een studiespecifiek B=0 template en een FA-template aangemaakt. Een volledige niet-lineaire stereotactische normalisatie bestaat uit drie deformatiecomponenten. Bijgevolg moet de resulterende diffusietensor van elke voxel i worden geroteerd volgens alle eerder getoonde rotaties.

Hier is een rigide hersentransformatie om de basiscoördinatenstelsels uit te lijnen. Deze figuur toont een lineaire deformatie op basis van de landmarks. De componenten van de iGen-vectoren moeten worden aangepast volgens de zes normalisatieparameters van S van de lineaire deformatie, en hier is een niet-lineaire normalisatie die niet-lineaire verschillen in hersenvorm gelijktrekt.

De 3D-vectorverschuivingen verschillen per voxel, wat leidt tot een afzonderlijke transformatie voor elk element van de 3D-voxelmatrix. Na deze individuele normalisatieprocedure worden alle individuele DTI-datasets gebruikt voor het maken van een studiespecifiek B equals zero template en een FA-template. Aangezien de niet-PHE-registratie aan een FA-template het voordeel heeft dat het meer contrast biedt in vergelijking met B equals zero beelden, wordt een FA-template gedefinieerd door alle individueel afgeleide FA-kaarten van de patiënten en de controles te middelen.

Voer in een tweede stap een niet-lineaire MNI-normalisatie van de DTI-datasets uit door de mismatch tussen de regionale intensiteiten van de te fitten FA-map en het FA-sjabloon te minimaliseren op basis van de kwadratische verschillen; op basis van deze gegevens worden nieuwe sjablonen T2 afgeleid. Herhaal dit iteratieve proces totdat de correlatie tussen de individuele FA-maps en het FA-sjabloon groter is dan 0,7. Meestal wordt dit na twee iteraties bereikt.

Nu kunnen ruimtelijke statistieken op basis van de gehele hersenen worden uitgevoerd door fractionele anisotropiekaarten te berekenen uit genormaliseerde DTI-gegevens, de fractionele anisotropiekaarten te egaliseren en een statistische evaluatie uit te voeren, inclusief correctie voor meervoudige vergelijkingen in het vervolg. De verschillen in fractionele anisotropiekaarten van patiënten met amyotrofische laterale sclerose versus controles worden berekend middels ruimtelijke statistieken op basis van de gehele hersenen. Bereken FA-kaarten uit genormaliseerde DTI-gegevens om directionele informatie te behouden als voorbehandelingsstap vóór de voxel-gewijze vergelijking; pas een egaliseringsfilter toe op de individuele genormaliseerde FA-kaarten voor het egaliseren.

Het feit dat de filtergrootte de resultaten van de DTI-data-analyse beïnvloedt, vereist de toepassing van het matched filter-theorema, dat stelt dat de breedte van het filter dat wordt gebruikt voor het verwerken van de data moet worden afgestemd op de grootte van het verwachte verschil. Vergelijk de patiëntengroepen en de bijbehorende controlegroep foxwell Y met behulp van de student's T-test. Dit gebeurt door de FA-waarden van de FA-kaarten van de patiënten te vergelijken met de FA-waarden van de FA-kaarten van de controles voor elk foxhole afzonderlijk, waarna de statistische resultaten voor meervoudige vergelijkingen worden gecorrigeerd met behulp van het false discovery rate-algoritme bij P < 0.05.

Reduceer de alpha-fout verder met behulp van een ruimtelijk correlatie-algoritme dat geïsoleerde voxels of kleine geïsoleerde groepen voxels in het groottebereik van de smoothingkernel elimineert, wat leidt tot een minimale drempelwaarde voor clustergrootte van 512 voxels in het volgende traject tweemaal. Fractionele anisotrope statistieken worden berekend voor patiënten met amyotrofische laterale sclerose versus controles. Om groepgebaseerde fiber-tracking-algoritmen toe te passen, worden gemiddelde DTI-datasets gegenereerd uit de gegevens van de patiënten en de controlegroep samen; voer vervolgens tractografie uit en gemiddelde DTI-datasets van subjectgroepen door toepassing van een streamlined tracking-techniek.

Identificeer handmatig gedefinieerde seed-punten naast de lokale maxima op basis van de FA-analyse van de gehele hersenen; deze vormen de basis voor de daaropvolgende fiber tracking-analyse. Voer na identificatie van de seeds t-tractografie uit en definieer de voxels van de afgelinierde vezels als een groepsspecifiek masker voor de daaropvolgende TFAS. Om de resultaten van de T-tractografie te kwantificeren, wordt TFAS toegepast met gebruik van de vezeltracks die zijn gemaakt op de gemiddelde DTI-datasets van alle proefpersonen per groep voor de selectie van de voxels die bijdragen aan een vergelijking tussen de FA-kaarten van de patiënten en de controles. Om uitgebreide informatie via WBSS en TFAS te verkrijgen, worden alle resulterende voxels met een FA-waarde boven 0,2 meegenomen voor statistische analyse via een student's t-toets. Deze animatie toont de groepsverschillen in FA-kaarten gedetecteerd door WBSS tussen een steekproef van LS-patiënten en gematchte controles in een visualisatie per plakje.

Deze video toont fiber tracking met startpunten in het corticospinale tractus, gebruikt als basis voor TFAS. Eenmaal beheerst, kan deze techniek vrijwel automatisch binnen enkele uren worden uitgevoerd als deze correct wordt toegepast. Na het bekijken van deze video zou u een goed begrip moeten hebben van hoe DTI-analyse op groepsniveau kan worden uitgevoerd met behulp van whole-brain gebaseerde ruimtelijke statistiek en TrackWise FA-statistiek.