Method Article

Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych

DOI:

10.3791/50427

⸱

July 28th, 2013

 , 
1Department of Neurology, University of Ulm

In This Article

Summary

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

Obrazowanie tensora dyfuzji (DTI) zasadniczo służy jako narzędzie oparte na MRI do identyfikacji in vivo mikrostruktury mózgu i procesów patologicznych spowodowanych zaburzeniami neurologicznymi w obrębie istoty białej mózgu. Analizy oparte na DTI pozwalają na zastosowanie ich w chorobach mózgu zarówno na poziomie grupy, jak i w danych pojedynczych osób.

Abstract

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

Techniki obrazowania tensora dyfuzji (DTI) dostarczają informacji na temat procesów mikrostrukturalnych istoty białej mózgu (WM) in vivo. Obecne zastosowania mają na celu zbadanie różnic we wzorcach zaangażowania WM w różnych chorobach mózgu, zwłaszcza zaburzeniach neurodegeneracyjnych, przy użyciu różnych analiz DTI w porównaniu z dopasowanymi kontrolami.

Analiza danych DTI jest przeprowadzana w sposób zróżnicowany, tj. wokselowe porównanie wskaźników opartych na kierunkach dyfuzji regionalnej, takich jak anizotropia frakcyjna (FA), wraz ze śledzeniem włókien (FT) wraz ze statystykami anizotropii frakcyjnej (TFAS) na poziomie grupy w celu zidentyfikowania różnic w FA wzdłuż struktur WM, mając na celu zdefiniowanie regionalnych wzorców zmian WM na poziomie grupy. Przekształcenie w stereotaktyczną przestrzeń standardową jest warunkiem wstępnym dla badań grupowych i wymaga dokładnego przetwarzania danych w celu zachowania współzależności kierunkowych. Obecne zastosowania pokazują zoptymalizowane podejścia techniczne do zachowania informacji ilościowych i kierunkowych podczas normalizacji przestrzennej w analizach danych na poziomie grupy. Na tej podstawie techniki FT mogą być stosowane do grupowych danych uśrednionych w celu ilościowego określenia informacji metrycznych zdefiniowanych przez FT. Dodatkowo, zastosowanie metod DTI, tj. różnic w mapach FA po dopasowaniu stereotaksycznym, w analizie podłużnej na podstawie indywidualnego podmiotu ujawnia informacje o progresji zaburzeń neurologicznych. Dalsza poprawa jakości wyników opartych na DTI może być uzyskana podczas obróbki wstępnej poprzez zastosowanie kontrolowanej eliminacji kierunków gradientu o wysokim poziomie hałasu.

Podsumowując, DTI jest używane do definiowania odrębnej patoanatomii WM różnych chorób mózgu poprzez połączenie analizy DTI opartej na całym mózgu i na podstawie przewodu pokarmowego.

Introduction

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

Obrazowanie tensora dyfuzji w ludzkim mózgu

Szlaki istoty białej (WM) w ośrodkowym układzie nerwowym składają się z gęsto upakowanych aksonów, a także z różnych typów neurogleju i innych małych populacji komórek. Błona aksonalna, a także dobrze wyrównane włókna białkowe w aksonie ograniczają dyfuzję wody prostopadłą do orientacji włókna, prowadząc do anizotropowej dyfuzji wody w mózgu WM 1. Osłonki mielinowe wokół aksonów mogą również przyczyniać się do anizotropii zarówno dla wody wewnątrzkomórkowej, jak i zewnątrzkomórkowej 2.

Ilościowy opis tej anizotropii można wykryć za pomocą obrazowania tensora dyfuzji (DTI). DTI tworzy obrazy tkanek obciążone lokalnymi charakterystykami mikrostrukturalnymi dyfuzji wody. Natężenia obrazu w każdej pozycji są tłumione w zależności od siły i kierunku tak zwanego gradientu dyfuzji magnetycznej (reprezentowanego przez wartość b), a także od lokalnej mikrostruktury, w której cząsteczki wody dyfundują 3, współczynnik dyfuzji D, wartość skalarna:

figure-introduction-1
Jednak w obecności anizotropii w WM, dyfuzji nie można już scharakteryzować za pomocą pojedynczego współczynnika skalarnego, ale wymaga tensora figure-introduction-2 który w pierwszym przybliżeniu opisuje ruchliwość molekularną wzdłuż każdego kierunku i korelację między tymi kierunkami 4. Anizotropia dyfuzji jest spowodowana głównie orientacją odcinków włókien w WM i ma na nią wpływ jej cechy mikro- i makrostrukturalne. Spośród cech mikrostrukturalnych, organizacja wewnątrzaksonalna wydaje się mieć największy wpływ na anizotropię dyfuzji, oprócz gęstości upakowania włókien i komórek, stopnia mielinizacji i indywidualnej średnicy włókien. W skali makroskopowej zmienność orientacji wszystkich dróg WM w wokselu obrazowym wpływa na jego stopień anizotropii 5.

W typowych pomiarach DTI, wymiary woksela są rzędu milimetrów. W ten sposób woksel zawsze zawiera uśrednione informacje o cząsteczkach wody wewnątrz wykrytej objętości, która zwykle obejmuje kilka aksonów, a także otaczające cząsteczki wody. Pomimo tego wielokierunkowego środowiska, DTI jest wrażliwy na orientację największej osi głównej, która wyrównuje się z dominującym kierunkiem aksonalnym, tj. wkład aksonalny dominuje nad mierzonym sygnałem 2.

DTI dostarcza dwóch rodzajów informacji o właściwości dyfuzji wody: po pierwsze, niezależny od orientacji zakres dyfuzji anizotropii 5, a po drugie, dominujący kierunek dyfuzji wody w wokselach obrazu, tj. orientacja dyfuzji 6.

Obecne protokoły mają na celu zapewnienie ram technik analizy DTI do ilościowego porównywania grup badanych na poziomie grupy, jak opisano poniżej.

Kwantyfikacja właściwości dyfuzji - parametry analizy

Elementy tensora symetrycznego mogą być mierzone za pomocą gradientów dyfuzji wzdłuż co najmniej sześciu kierunków niewspółliniowych i niewspółpłaszczyznowych, tak że b (Równanie 1) stało się tensorem, co skutkuje tłumieniem sygnału

figure-introduction-3
Równanie to wymaga uwzględnienia możliwych interakcji między gradientami obrazowania i dyfuzji, które są stosowane w kierunkach ortogonalnych (warunki krzyżowe), a nawet między gradientami obrazowania, które są stosowane w kierunkach ortogonalnych 4.

Tensor dyfuzji drugiego rzędu figure-introduction-4 zawsze można diagonalizować pozostawiając tylko trzy niezerowe elementy wzdłuż głównej przekątnej tensora, tj. wartości własne (figure-introduction-5 ). Wartości własne odzwierciedlają kształt lub konfigurację elipsoidy. Matematyczna zależność między głównymi współrzędnymi elipsoidy a ramką laboratoryjną jest opisana przez wektory własne figure-introduction-6

Ponieważ istnieje kilka wyzwań związanych z wyświetlaniem danych tensorowych, zaproponowano koncepcję elipsoid dyfuzyjnych 3. Dyfuzyjności własne tych elipsoid reprezentują jednowymiarowe współczynniki dyfuzji w głównym kierunku dyfuzyjności ośrodka, tj. główna oś elipsoidy reprezentuje główny kierunek dyfuzji w wokseli, który pokrywa się z kierunkiem włókien, podczas gdy mimośród elipsoidy dostarcza informacji o stopniu anizotropii i jej symetrii. W związku z tym można zdefiniować wskaźniki anizotropii dyfuzji, takie jak anizotropia frakcyjna (FA) 7.

figure-introduction-7
figure-introduction-8 jest średnią arytmetyczną wszystkich wartości własnych.

Dodatkowym podejściem jest użycie głównego kierunku tensora dyfuzji do rozwiązania połączenia WM mózgu, co odpowiada podejściu traktograficznemu, które ma na celu zbadanie, które części mózgu są ze sobą połączone. Zakładając, że orientacja głównego składnika tensora dyfuzji reprezentuje orientację dominujących dróg aksonalnych, zapewnione jest pole wektorowe 3D, w którym każdy wektor reprezentuje orientację włókna. Obecnie istnieje kilka różnych podejść do rekonstrukcji odcinków WM, które można podzielić na dwa typy: pierwsza kategoria opiera się na algorytmach propagacji linii wykorzystujących informacje o lokalnym tensorze dla każdego etapu propagacji odcinka światłowodowego 2,8,9. Druga kategoria opiera się na globalnej minimalizacji energii w celu znalezienia energetycznie najkorzystniejszej ścieżki między dwoma regionami WM, co skutkuje podejściem statystyki przestrzennej opartej na traktach (TBSS) 10, która została wykorzystana w innych algorytmach, takich jak statystyka anizotropii frakcyjnej w traktownie (TFAS - patrz tekst protokołu, sekcja 2.4.).

Transformacja w standardową przestrzeń stereotaktyczną

Podobnie jak w innych zaawansowanych metodach MRI, badania oparte na DTI i FT w kontekście klinicznym dążą do ostatecznego celu, jakim jest kategoryzacja morfologii mózgu pacjenta w celu ułatwienia procesu diagnostycznego w oparciu o pewną metrykę dyskryminacji 11. Badania na poziomie grupy są najbardziej istotne, jeśli zakłada się, że powszechny fenotyp kliniczny jest spowodowany uszkodzeniem jednego lub więcej określonych obszarów mózgu lub określonej sieci neuroanatomicznej. W tym przypadku uśrednianie wyników dla różnych obiektów jest przydatne w celu oceny typowych wzorców zmian mikrostrukturalnych. Każdy pojedynczy mózg musi zostać przeniesiony do przestrzeni stereotaktycznej, tak aby w drugim kroku możliwe było arytmetyczne uśrednianie wyników na poziomie woksel po wokselu. Normalizacja przestrzenna pozwoliła na arytmetyczne uśrednienie wyników uzyskanych od różnych osób w celu poprawy stosunku sygnału do szumu (SNR) oraz na wykonanie porównania próbek pacjentów i osób kontrolnych w celu analizy patoanatomii obliczeniowej określonego zaburzenia, np. choroby neurodegeneracyjnej, która jest związana z afektacją określonego układu mózgu.

Wczesne podejście do normalizacji do ustandaryzowanej przestrzeni stereotaktycznej przez 12 sugerowało algorytm transformacji do standardowego atlasu, obejmujący identyfikację różnych punktów orientacyjnych mózgu i fragmentaryczne skalowanie kwadrantów mózgu. Obecnie większość zaawansowanych pakietów do analizy danych MRI wykorzystuje normalizację do przestrzeni stereotaktycznej Instytutu Neurologicznego w Montrealu (MNI) 13. Na potrzeby tej transformacji opracowano półautomatyczne i zautomatyzowane algorytmy rejestracji mózgu przy użyciu szablonów specyficznych dla badania 14,15. W DTI należy zwrócić szczególną uwagę na zachowanie informacji kierunkowej podczas procesu normalizacji 16,17. Zastosowanie przekształceń przestrzennych do obrazów DT-MR, które są wymagane do normalizacji przestrzennej zbiorów zbiorów danych, jest, w przeciwieństwie do wypaczających obrazów skalarnych, skomplikowane przez fakt, że ID zawierają informacje orientacyjne, na które transformacja ponownie ma wpływ. Efekt ten musi być uwzględniony, aby zapewnić anatomiczną poprawność przekształconego obrazu. W tym miejscu przedstawiono techniki stosowania przekształceń afinicznych do zbiorów danych DTI.

Zastosowanie DTI w chorobach mózgu

Porównanie danych DTI wymaga wyrównania/rejestracji danych jednego podmiotu między sobą. W tym kontekście konieczne jest zachowanie informacji kierunkowej (tj. rotacji tensora dyfuzji podczas przemian afinicznych). Możliwe zastosowania w chorobach neurodegeneracyjnych zostały zgłoszone wcześniej (np. 18,19).

DTI zostało uznane za solidne nieinwazyjne narzędzie techniczne do badania in vivo neuropatologii dróg neuronalnych WM (np. 11,20,21,22). Wykazano już, że ilościowe wskaźniki procesu dyfuzji oparte na DTI, np. FA, są czułymi markerami do badania szerokiego zakresu patologii WM, takich jak udar 20, stwardnienie rozsiane 23, stwardnienie zanikowe boczne 24, 25, choroba Alzheimera 26 i kilka innych zaburzeń WM 27,28.

Dodatkowo, DTI z FT może być używane do identyfikacji szlaków WM 23. Technika ta, choć nadal nie jest rutynowo stosowana klinicznie, staje się potężnym narzędziem do oceny nieprawidłowości specyficznych dla szlaku w chorobach neurologicznych. W obrębie zidentyfikowanych odcinków można było zmierzyć różne ilościowe wskaźniki MRI pochodzące z DTI i dodatkowe akwizycje (np. obrazy T2-zależne i/lub obrazowanie z transferem magnesu (MT)), które są anatomicznie współzarejestrowane z danymi DTI. W ten sposób każdy indeks można obliczyć jako funkcję położenia w obrębie obszaru, odnosząc się do działek przedstawiających ich zmienność przestrzenną jako profile traktów.

W poniższym przykładzie skany DTI u ludzi, które zostały wykonane na skanerach MRI 1,5 Tesli (Siemens Medical, Erlangen, Niemcy) zostały wykorzystane do zbadania potencjału różnych technik analizy do wykrywania nieprawidłowości istoty białej w grupach pacjentów, jak również u osób indywidualnych. Po zautomatyzowanej kontroli jakości w celu wyeliminowania woluminów uszkodzonych przez ruch i woluminów z innymi rodzajami artefaktów, ustandaryzowane procedury przetwarzania końcowego przygotowują dane DTI do dalszej analizy. Różne podejścia analityczne zostaną zilustrowane w następujących przykładach, tj. po pierwsze, statystyka przestrzenna oparta na całym mózgu (WBSS), po drugie, FT, i po trzecie, statystyka anizotropii frakcyjnej (TFAS). WBSS to metoda, która działa analogicznie do morfometrii opartej na wokselach (VBM), która jest zwykle znana jako morfometria/statystyka oparta na wokselach na danych DTI (VBM/DTI). VBM to metoda, która pierwotnie działa na obrazach kontrastowych, w których różnice kontrastu w oddzielnych skanach muszą zostać rozwiązane, podczas gdy WBSS to metoda wykorzystująca wokselowe porównanie parametrów fizycznych. W związku z tym, mimo że algorytmicznie podobne, terminologia rozróżniająca WBSS i VBM zostanie użyta w dalszej części.

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

Protocol

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

Metody analizy: Przetwarzanie wstępne i końcowe

Zadaniem poniższego protokołu jest analiza właściwości dyfuzji wokselowej w obrębie pasm istoty białej, które mogą być - ze względu na wykrywanie wokselowe - izotropowe lub anizotropowe, co skutkuje tensorami dyfuzji prolate lub spłaszczonymi dla odpowiednich wokseli. Parametryzacja tensorów wokseli jest wykorzystywana zarówno do obliczania map FA, jak i do identyfikacji odcinków światłowodowych (rysunek 1).

Aby uzyskać wyniki analizy, jak pokazano poniżej, użyj pakietu oprogramowania Tensor Imaging and Fiber Tracking (TIFT) 17. TIFT zapewnia narzędzia analityczne dla następujących wymagań:

  • analiza pod kątem metryk DTI, np. FA-mapy,
  • Normalizacja stereotaktyczna
  • porównanie grup pod względem FA lub innych wskaźników DTI
  • różne podejścia analityczne FT
  • FT dla grupy uśrednił dane DTI i odpowiadającą im analizę statystyczną.

Te funkcje pozwalają na różnorodne analizy w jednym środowisku oprogramowania 17,29,30,31. Oprogramowanie TIFT jest stale rozwijane pod kątem nowych opcji w analizie danych DTI.

Rysunek 2 przedstawia schematyczny przegląd, jak analizować dane DTI na poziomie grupy po normalizacji przestrzennej za pomocą dwóch uzupełniających się podejść, tj. zarówno przez WBSS, jak i przez TFAS, aby ostatecznie uzyskać różnice między próbkami badanymi na poziomie grupy, np. chore mózgi kontra zdrowe kontrole. W tym przypadku WBSS ma na celu bezstronne wykrywanie obszarów z różnicami na poziomie grupy, podczas gdy TFAS opiera się na predefiniowanych odcinkach światłowodowych; obszary startowe TFAS mogą być albo dowolnie wybierane, albo mogą być wyprowadzone na podstawie wyników WBSS ("punkty zapalne" znacznie zmienionej FA).

Indywidualne porównanie podłużne map FA odbywa się poprzez wykrywanie różnic w mapach FA pomiarów w różnych punktach czasowych po afinicznym stereotaktycznym wyrównaniu (Rysunek 2).

  1. Kontrola jakości (QC) wraz z korektą uszkodzonych kierunków gradientu
    W przypadku zakłóceń ruchu podczas akwizycji, tj. w przypadku uszkodzonych woluminów, wzrost SNR uzyskuje się poprzez pominięcie pojedynczych kierunków gradientu (GD) do obliczeń tensorowych. W tym celu opracowano algorytm kontroli jakości (QC) 32. Krótko mówiąc, w przypadku skanów, które zawierały uszkodzone woluminy, wzrost SNR uzyskuje się poprzez pominięcie pojedynczych kierunków gradientu pojedynczo przed oszacowaniem tensora: dla każdego GD ważona wariancja jest obliczana ze wszystkich pozostałych kierunków w sekwencji poprzez ważenie kątem, w którym różniły się one od indeksu GD.
    1. Wykonaj korekcję artefaktów, wykrywając GD z co najmniej jednym wycinkiem wykazującym zmniejszoną intensywność, tj. artefaktami ruchu spowodowanymi spontanicznym ruchem obiektu (Rysunek 3, górny panel). Dla dowolnej objętości ważonej dyfuzją należy obliczyć średnią intensywność dla każdego wycinka i porównać jego intensywność z tym samym wycinkiem we wszystkich innych objętościach, stosując metodę średniej ważonej - współczynnikiem ważenia jest iloczyn skalarny wektorów dwóch GD figure-protocol-1:
      figure-protocol-2
      figure-protocol-3
      figure-protocol-4 oznacza średnią arytmetyczną intensywności obserwowanego wycinka, a figure-protocol-5 dla porównania. Względne odchylenie średniej intensywności figure-protocol-6 jest ważone iloczynem skalarnym GD. Tak więc, aby zdefiniować parametr globalny:
      figure-protocol-7
      Odzwierciedla minimalną liczbę porównań wszystkich wycinków.
    2. Jeśli Q jest poniżej pewnego progu (w przykładzie w tym celu używany jest próg 0,8), wyeliminuj cały wolumin lub GD. Próg 0,8 jest uważany za stabilne rozwiązanie 32. Rysunek 3 ilustruje artefakty ruchu widoczne w rekonstrukcjach strzałkowych i wykrywane przez algorytm kontroli jakości. W tym przykładzie z całkowitej liczby GD (niebieskie kropki na rysunku 3c), 17 znajdowało się poniżej czerwonej linii, która odpowiada Q = 0,8 i powinna zostać wyeliminowana. Przykładowa statystyka eliminacji objętości dla całego badania została przedstawiona na rysunku 3d. W tym przykładowym badaniu, dane DTI 29 przedobjawowych pacjentów HD porównano z danymi DTI 30 osób kontrolnych. Dalsze szczegóły dotyczące tego algorytmu przedstawiono w 32, 33.
  2. Przetwarzanie wstępne i normalizacja przestrzenna
    1. Przeprowadzić korekcję zniekształceń geometrycznych wywołanych prądami wirowymi zbiorów danych obrazowania echo-planarnego metodą zaproponowaną przez 34.
    2. W celu normalizacji stereotaktycznej utwórz szablon specyficzny dla badania (b = 0) - i szablon FA, jak opisano wcześniej 17,28,31. Zasadniczo kompletna nieliniowa normalizacja stereotaktyczna składa się z trzech składowych deformacji. W związku z tym wynikowy tensor dyfuzji figure-protocol-8 każdego woksela i musi zostać obrócony zgodnie ze wszystkimi obrotami wymienionymi powyżej (Rysunek 4):
      1. Rysunek 4a przedstawia sztywną transformację mózgu w celu wyrównania podstawowych układów współrzędnych. Należy zastosować obrót figure-protocol-9 wynikający z wyrównania do podstawowego układu współrzędnych musi zostać zastosowany
        figure-protocol-10
      2. Rysunek 4b przedstawia odkształcenie liniowe w zależności od punktów orientacyjnych. Składowe wektorów własnych figure-protocol-11 muszą być dostosowane do sześciu parametrów normalizacji S (zależnych od obszaru mózgu sa,, a=1...6) deformacji liniowej.
        vw,j'''=savw,j'''
        w=1,2,3 i j=x,y,z.
      3. Rysunek 4c przedstawia nieliniową normalizację wyrównującą nieliniowe różnice kształtu mózgu. Przesunięcia wektorów 3D są różne dla każdego woksela, co prowadzi do oddzielnej transformacji dla każdego woksela tablicy wokseli 3D figure-protocol-12). Standardowa trygonometria daje macierz rotacji niezależnie dla każdego woksela, wynikającą z przesunięć wektorów 3D zgodnie z koncepcjami 16 w celu zachowania relacji kierunkowych między wektorami własnymi sąsiednich wokseli. Zatem różne przesunięcia dwóch sąsiednich wokseli powodują obroty odpowiadających im wektorów własnych. Użyj macierzy dylatacji, aby wyrównać tensor figure-protocol-13 każdego woksela do otaczających go wokseli.
        figure-protocol-14
        figure-protocol-15 są składnikami figure-protocol-16
      Cały proces normalizacji jest iteracyjny, tzn. w pierwszym kroku należy stworzyć szablon dla tego badania specyficzny dla skanera i sekwencji (b = 0) poprzez arytmetyczne uśrednienie (b = 0) - objętości wszystkich badanych po transformacji liniowej zgodnie z ręcznie ustawionymi punktami orientacyjnymi. Po tej pierwszej normalizacji utwórz ulepszone szablony w celu zoptymalizowania macierzy normalizacji. Następujące kroki od 1.2.3 do 1.2.5 są schematycznie zilustrowane na rysunku 5a.
    3. Po tej indywidualnej procedurze normalizacji (krok (i) - dane DTI I0) należy użyć wszystkich indywidualnych zestawów danych DTI do stworzenia szablonu specyficznego dla badania (b = 0) i szablonu FA (krok (ii) - szablony T1). Ponieważ nieafiniczna rejestracja do szablonu FA ma tę zaletę, że zapewnia większy kontrast w porównaniu z obrazami (b = 0) 10, zdefiniuj szablon FA, uśredniając wszystkie indywidualnie uzyskane mapy FA pacjentów i osób kontrolnych.
    4. W drugim kroku, zgodnie z podstawowymi ideami Ashburnera i Fristona 35, wykonaj nieliniową normalizację MNI (krok (iii)) zbiorów danych DTI, minimalizując niezgodność między regionalnymi intensywnościami mapy FA, która ma być dopasowana, a szablonem FA zgodnie z różnicami kwadratowymi (X2) - w ten sposób otrzymasz dane DTI I1.
    5. Na podstawie tych danych wyprowadza się nowe wzoryT2 (etap (iv)). Powtarzaj ten iteracyjny proces, aż korelacja między poszczególnymi mapami FA a szablonem FA wyniesie > 0,7. Zwykle osiąga się to po dwóch iteracjach.
  3. Cała statystyka przestrzenna oparta na mózgu
    Następujące kroki od 1.3.1 do 1.3.5 są przedstawione schematycznie na rysunku 5b.
    1. Obliczyć mapy FA ze znormalizowanych danych DTI w odniesieniu do procedury normalizacji ppkt 1.2. w celu zachowania informacji kierunkowych (krok (i)).
    2. Jako etap przetwarzania wstępnego przed porównaniem statystycznym wokselowym, zastosuj filtr wygładzający (krok (ii)) do poszczególnych znormalizowanych map FA. W celu wygładzenia fakt, że rozmiar filtra wpływa na wyniki analizy danych DTI 36 wymaga zastosowania twierdzenia o dopasowanym filtrze, które mówi, że szerokość filtra użytego do przetwarzania danych powinna być dostosowana do wielkości oczekiwanej różnicy, jak opisano w poprzednich zastosowaniach do danych DTI pacjentów z zaburzeniami neurodegeneracyjnymi (np. 28).
    3. Przeprowadzić porównanie statystyczne między grupami pacjentów i odpowiadającą im grupą kontrolną pod względem wokselowym za pomocą testu t-Studenta, tj. porównać wartości FA map FA pacjentów z wartościami FA map FA osób kontrolnych, dla każdego woksela osobno (krok (iii)). Wartości FA poniżej 0,2 nie są brane pod uwagę w obliczeniach, ponieważ istota szara kory wykazuje wartości FA do 0,2 37.
    4. Wyniki statystyczne muszą zostać skorygowane w przypadku wielokrotnych porównań przy użyciu algorytmu wskaźnika fałszywych odkryć (FDR) przy s. < 0,05 38 (krok (iv)). Dalsza redukcja błędu alfa musi być przeprowadzona przez algorytm korelacji przestrzennej (grupowanie - krok (v)), który wyeliminował izolowane woksele lub małe izolowane grupy wokseli w zakresie wielkości jądra wygładzającego, prowadząc do progowej wielkości klastra wynoszącej 512 wokseli.
    5. Aby wyświetlić wyniki na tle morfologicznym (krok (v)), znormalizuj ważone zestawy danych T1 3-D do przestrzeni MNI i uśrednij arytmetycznie. Tę procedurę normalizacji należy przeprowadzić przy użyciu szablonu specyficznego dla badania, analogicznie do normalizacji zastosowanej do zbiorów danych DTI 17.

Rysunek 6 pokazuje wyniki całych statystyk przestrzennych opartych na mózgu (WBSS) pacjentów z ALS w porównaniu z grupą kontrolną. Rysunek 6a przedstawia lokalne maksimum obniżonych wartości FA w widoku strzałkowym, koronowym i osiowym (progowe na p < 0,01, skorygowane o wielokrotne porównania). Rycina 6b przedstawia projekcyjny FT z punktami początkowymi w przewodzie korowo-rdzeniowym wykorzystywanymi jako podstawa TFAS. Rycina 6c przedstawia różnice grupowe w mapach FA wykrytych przez statystyki przestrzenne oparte na całym mózgu (WBSS) między próbką pacjentów z ALS a dopasowanymi kontrolami w wizualizacji warstwowej.

  1. Traktografia i statystyka anizotropii frakcyjnej (TFAS)
    Rysunek 7 ilustruje proces grupowego FT, w tym TFAS, zgodnie z opisem w 1.4.1 do 1.4.4.
    1. W celu zastosowania grupowych algorytmów FT należy wygenerować uśrednione zestawy danych DTI z danych pacjentów i z danych kontrolnych razem zgodnie z metodami opisanymi wcześniej 17. To uśrednianie wymaga starannego traktowania informacji orientacyjnej, która jest zachowywana podczas procesu normalizacji, zgodnie z technikami opisanymi w 16 - szczegóły patrz 30.
    2. Wykonywanie badań traktograficznych w uśrednionych zestawach danych DTI grup tematycznych przy użyciu techniki śledzenia usprawnionego 31. Zidentyfikuj ręcznie zdefiniowane punkty zalążkowe sąsiadujące z lokalnymi maksimami za pomocą całościowych analiz FA opartych na mózgu, które są podstawą dla kolejnej analizy FT. Po zidentyfikowaniu nasion należy wykonać traktografię i zdefiniować woksele wyznaczonych włókien jako maskę specyficzną dla grupy dla następnego TFAS 30.
    3. W celu ilościowego określenia wyników traktografii, należy zastosować technikę TFAS przy użyciu odcinków światłowodowych, które zostały utworzone na uśrednionych zestawach danych DTI wszystkich osób z każdej grupy (dane pacjenta i dane kontrolne razem) do wyboru wokseli, które przyczyniają się do porównania między mapami FA pacjentów i osób z grupy kontrolnej.
    4. Rozważ wszystkie wynikowe woksele o wartości FA powyżej 0,2 do analizy statystycznej za pomocą testu t-Studenta.
    5. W razie potrzeby technikę TFAS można zastosować do dowolnych pochodnych wskaźników DTI, takich jak średnia dyfuzyjność (MD), anizotropia radialna, anizotropia osiowa itp. (na przykład patrz 28).
    6. Wyniki są wyświetlane na tle morfologicznym składającym się ze znormalizowanych przez MNI zestawów danych 3-D T1-ważonych.

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

Results

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

1. Kontrola jakości i korekta dla uszkodzonych kierunków gradientu w zastosowaniu do danych pacjentów z zaburzeniami hiperkinetycznymi

Jako przykład efektu zastosowania QC i późniejszego wykluczenia objętości (jako konsekwencji korekty dla uszkodzonego GD), Rysunek 8 pokazuje różnice w statystykach przestrzennych opartych na całym mózgu z wykluczeniem objętościowym i bez niego dla porównania grup 29 osób z przedmanifestacyjną chorobą Huntingtona w porównaniu z 30 osobami z grupy ...

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

Discussion

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

Międzyobiektowe uśrednianie danych DTI można osiągnąć odpowiednio w odniesieniu do amplitudy dyfuzji (przy użyciu informacji FA) i kierunku dyfuzji (w oparciu o FT). Uśrednianie map FA pozwala na statystyczne porównanie grup tematycznych według WBSS i TFAS. Te ramy metodologiczne stanowią wprowadzenie do technik DTI z uśrednianiem międzyprzedmiotowym i porównywaniem grup. Stereotaktyczna normalizacja i porównanie map FA na poziomie grupy pozwala na kilka możliwości ilościowego określenia różnic między grupami badanych. W...

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

Disclosures

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

Autorzy nie mają nic do ujawnienia.

Acknowledgements

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

Część tej pracy, np. badanie nad QC i korekcją dla uszkodzonych kierunków gradientu w zastosowaniu do danych pacjentów z zaburzeniami hiperkinetycznymi, były wspierane przez Europejską Sieć HD (projekt EHDN 070). Skany MRI w tym konkretnym badaniu zostały pozyskane w ramach kohorty TRACK-HD w Londynie.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
SkanerSiemens 1.5 T Oprogramowanie
do analizy TIFT - Obrazowanie Tensorowe i Śledzenie Włókien
MR Magnetom Symphony

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