Diffusion Tensor Magnetic Resonance Imaging in de analyse van neurodegeneratieve ziekten

Het algemene doel van het volgende experiment is om diffusie tensor beeldvormingsanalyse te gebruiken om een duidelijke witte stof patho-anatomie van verschillende hersenziekten te definiëren door de combinatie van hersenbreed gebaseerde en tractus-gebaseerde fractionele ane atropie statistieken. Dit wordt bereikt door gepaste diffusie tensor beeldvorming of DTI data voorverwerking, inclusief kwaliteitscontrole en stereotactische normalisatie. Als tweede stap worden hersenbreed gebaseerde ruimtelijke statistieken of WBSS uitgevoerd, wat een foel-wijze vergelijking van fractionele an atropie of FA kaarten van verschillende onderzoeksgroepen mogelijk maakt om de pathologische verschillen te detecteren.

Vervolgens wordt TrackWise fractionele An ATROPY statistieken of TFAS uitgevoerd om de resultaten van de voxel-wijze vergelijking aan te vullen door de hersenstructuren te vergelijken die werden gedefinieerd door een vezelvolgprocedure. Er worden resultaten verkregen die de verschillen tussen zieke groepen en controlegroepen tonen op basis van DTI-gebaseerde analyse.

Het belangrijkste voordeel van deze techniek ten opzichte van andere methoden is dat vezelvolging op gemiddelde gegevenssets van groepen haalbaar wordt. Deze methode kan helpen bij het beantwoorden van belangrijke vragen in het neurobeeldvormingsveld, zoals de identificatie van hersenstructuren die worden aangetast door neurodegeneratieve ziekten. De implicaties van deze techniek strekken zich uit naar het gebruik als een op neurobeeldvorming gebaseerde surrogaatmarker omdat het potentieel longitudinale effecten kan aantonen, zowel op individueel als op groepsniveau.

We zullen De demonstratie van deze methode is cruciaal omdat de gegevensverwerkingsstappen moeilijk te leren zijn omdat gegevensanalyse werd uitgevoerd op een op maat gemaakte softwarepakket dat T is, en verschillende stappen in gegevensverwerking en analyse zijn erg tijdrovend om een artefactcorrectie uit te voeren. Een op maat gemaakte software ontwikkeld door ons lab wordt gebruikt om GD te detecteren met minstens één slice die verminderde intensiteit vertoont IE bewegingsartefacten veroorzaakt door spontane onderwerpbeweging. De gebruikte software is tensor beeldvorming en vezelvolging, en is op maat gemaakt door ons lab voor elke diffusie gewogen volume.

Bereken de gemiddelde intensiteit voor elke slice en vergelijk vervolgens de intensiteit met dezelfde slice in alle andere volumes door een gewogen gemiddelde benadering te gebruiken. De wegingsfactor is het puntproduct van vectoren van twee gd. Als Q onder een bepaalde drempel ligt, een drempel van 0,8 in dit geval als voorbeeld, dan elimineer dan dat hele volume of gd.

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

Een voorbeeld van een volume-eliminatie statistiek voor de hele studie wordt hier getoond in dit voorbeeld. DTI-gegevens van 29 presymptomatische HD-subjecten werden vergeleken met DTI-gegevens van 30 controles voor de stereotactische normalisatie om een studiespecifiek B gelijk aan nul-sjabloon en een FA-sjabloon te creëren. Een complete niet-lineaire stereotactische normalisatie bestaat uit drie vervormingscomponenten. Bijgevolg moet de resulterende diffusietensor van elk voxeloog worden geroteerd volgens alle rotaties die eerder werden overwogen.

Hier is een stijve hersentransformatie om de basiscoördinaatframes uit te lijnen. Deze figuur toont een lineaire vervorming volgens de bakens. De componenten van de iGen-vectoren moeten worden aangepast volgens de zes normalisatieparameters van S van de lineaire vervorming, en hier is een niet-lineaire normalisatie, gelijkmakend niet-lineaire hersenvormverschillen.

De 3D-vectorverschuivingen zijn anders voor elke voxel, wat leidt tot een afzonderlijke transformatie voor elke vle van de 3D-voxelarray. Na deze individuele normalisatieprocedure, gebruik alle individuele DTI-gegevenssets voor het creëren van een studiespecifiek B gelijk aan nul-sjabloon en een FA-sjabloon. Aangezien de niet-PHE registratie naar een FA-sjabloon het voordeel heeft dat het meer contrast biedt in vergelijking met B gelijk aan nul-beelden, definieer een FA-sjabloon door alle individueel afgeleide FA-kaarten van de patiënten en de controles te gemiddelen.

In een tweede stap wordt een niet-lineaire MNI-normalisatie van de DTI-gegevenssets uitgevoerd door de mismatch tussen regionale intensiteiten van de te passen FA-kaart te minimaliseren, en als de FA-sjabloon volgens de kwadratische verschillen op basis van deze gegevens nieuwe sjablonen T twee worden afgeleid. Herhaal dit iteratieve proces tot de correlatie tussen individuele FA-kaarten en de FA-sjabloon groter is dan 0,7. Gewoonlijk wordt dit na twee iteraties bereikt.

Nu kan hersenbreed gebaseerde ruimtelijke statistiek worden uitgevoerd door fractionele anes atropische kaarten te berekenen van genormaliseerde DTI-gegevens, fractionele anes atropische kaarten te smoothen en statistische evaluatie, inclusief correctie voor meerdere vergelijkingen in het volgende. De verschillen in fractionele antropo kaarten van amyotrofische laterale sclerose-patiënten versus controles worden berekend door hersenbreed gebaseerde ruimtelijke statistiek. Bereken FA-kaarten van genormaliseerde DTI-gegevens om directionele informatie te behouden als een voorverwerkingsstap vóór voxel-wijze vergelijking, pas een smoothfilter toe op de individueel genormaliseerde FA-kaarten voor smoothen.

Het feit dat de filtergrootte de resultaten van DTI-gegevensanalyse beïnvloedt, vereist toepassing van de overeenkomstige filtertheorie, die stelt dat de breedte van de filter die wordt gebruikt om de gegevens te verwerken, moet worden aangepast aan de grootte van het verwachte verschil. Vergelijk de patiëntengroepen en de bijbehorende controlegroepen foxwell Y met behulp van de student's T-test. Dit wordt gedaan door de FA-waarden van de FA-kaarten van de patiënt te vergelijken met de FA-waarden van de FA-kaarten van de controles voor elke foxhole afzonderlijk, corrigeer vervolgens de statistische resultaten voor meerdere vergelijkingen door het false discovery rate-algoritme te gebruiken bij P minder dan 0,05.

Verder ver