Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych

28.3K wyświetleń

⸱

DOI:

10.3791/50427

⸱

28 lipca 2013

 , 
1Department of Neurology, University of Ulm

W tym artykule

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

Obrazowanie tensora dyfuzji w ludzkim mózgu

Przewody istoty białej (WM) w ośrodkowym układzie nerwowym składają się z gęsto upakowanych aksonów oraz różnych typów neuroglii i innych niewielkich populacji komórek. Błona aksonalna, podobnie jak dobrze uporządkowane włókna białkowe wewnątrz aksonu, ogranicza dyfuzję wody prostopadle do orientacji włókien, co prowadzi do anizotropowej dyfuzji wody w istocie białej mózgu 1. Osłonki mielinowe wokół aksonów mogą również przyczyniać się do anizotropii wody zarówno wewnątrz-, jak i pozakomórkowej 2.

Ilościowy opis tej anizotropii można wykryć za pomocą obrazowania tensora dyfuzji (DTI). DTI generuje obrazy tkanek ważone lokalnymi charakterystykami mikrostrukturalnymi dyfuzji wody. Intensywność obrazu w każdym położeniu jest tłumiona w zależności od siły i kierunku tzw. magnetycznego gradientu dyfuzji (reprezentowanego przez wartość b) oraz od lokalnej mikrostruktury, w której dyfundują cząsteczki wody 3, współczynnika dyfuzji D, który jest wartością skalarną:

Równanie absorbancji, A=e^-Db, wzór dla pomiarów optycznych, tłumienie wykładnicze.
Jednak w obecności anizotropii w WM dyfuzja nie może być już opisana za pomocą pojedynczego współczynnika skalarnego, lecz wymaga zastosowania tensora Symbol wektora przesunięcia elektrycznego, reprezentacja równania, fizyka, pole elektromagnetyczne., który w pierwszym przybliżeniu opisuje mobilność cząsteczkową w każdym kierunku oraz korelację między tymi kierunkami 4. Anizotropia dyfuzji jest spowodowana głównie orientacją pęczków włókien w WM i zależy od ich cech mikro- i makrostrukturalnych. Wśród cech mikrostrukturalnych, oprócz gęstości upakowania włókien i komórek, stopnia mielinizacji oraz średnicy pojedynczych włókien, największy wpływ na anizotropię dyfuzji wydaje się mieć organizacja wewnątrzaksonalna. W skali makroskopowej na stopień anizotropii wpływa zmienność orientacji wszystkich pęczków WM w obrębie woksela obrazowania 5.

W typowych pomiarach DTI wymiary woksela są rzędu milimetrów. W związku z tym woksel zawsze zawiera uśrednione informacje o cząsteczkach wody wewnątrz wykrytej objętości, która zazwyczaj obejmuje kilka aksonów oraz otaczające je cząsteczki wody. Pomimo tego wielokierunkowego środowiska, DTI wykazuje czułość na orientację największej osi głównej, która pokrywa się z przeważającym kierunkiem przebiegu aksonów, tzn. że wkład aksonalny dominuje w mierzonym sygnale 2.

DTI dostarcza dwóch rodzajów informacji o właściwościach dyfuzji wody: po pierwsze, niezależnego od orientacji stopnia anizotropii dyfuzji 5, a po drugie, dominującego kierunku dyfuzji wody w wokselach obrazu, tj. orientację dyfuzji 6.

Niniejsze protokoły mają na celu dostarczenie ram technik analizy DTI dla ilościowego porównania grup badawczych na poziomie grupowym, zgodnie z poniższym opisem.

Ilościowe określenie właściwości dyfuzyjnych - parametry analizy

Elementy tensora symetrycznego można zmierzyć za pomocą gradientów dyfuzyjnych w co najmniej sześciu kierunkach niekoliniowych i niespłaszczonych, tak aby b (Równanie 1) stało się tensorem, co skutkuje tłumieniem sygnału

Równanie obrazowania tensora dyfuzji, ln(A), komponenty tensora; wyświetlanie wzoru naukowego.
To równanie wymaga uwzględnienia możliwych oddziaływań między gradientami obrazowania a gradientami dyfuzji przyłożonymi w kierunkach ortogonalnych (człony krzyżowe), a nawet między gradientami obrazowania przyłożonymi w kierunkach ortogonalnych 4.

Tensor dyfuzji drugiego rzędu Electric displacement vector symbol, equation representation, physics, electromagnetic field. zawsze można zdiagonalizować, pozostawiając jedynie trzy niezerowe elementy wzdłuż głównej przekątnej tensora, tj. wartości własne (Eigenvalues λ1, λ2, λ3; static equilibrium equations; linear algebra concept. ). Wartości własne odzwierciedlają kształt lub konfigurację elipsoidy. Zależność matematyczna między głównymi współrzędnymi elipsoidy a układem odniesienia laboratorium jest opisana przez wektory własne. Vector notation, \(\vec{v_1}, \vec{v_2}, \vec{v_3}\), mathematical symbols for vector representation.

Z uwagi na liczne trudności w wizualizacji danych tensorowych, zaproponowano koncepcję elipsoid dyfuzyjnych 3. Wartości własne dyfuzyjności tych elipsoid reprezentują jednowymiarowe współczynniki dyfuzji w głównych kierunkach dyfuzyjności ośrodka, tj. główna oś elipsoidy reprezentuje główny kierunek dyfuzji w wokselu, który pokrywa się z kierunkiem przebiegu włókien, natomiast mimośrodek elipsoidy dostarcza informacji o stopniu anizotropii i jej symetrii. W związku z tym zdefiniowano wskaźniki anizotropii dyfuzyjnej, takie jak anizotropia frakcyjna (FA) 7.

Wzór na współczynnik pękania, analiza naprężeń, równanie Ff, reprezentacja matematyczna, inżynieria.
Równowaga statystyczna; reprezentuje symbol średniej; pojęcie w rachunku prawdopodobieństwa i statystyce. jest średnią arytmetyczną wszystkich wartości własnych.

Dodatkowym podejściem jest wykorzystanie głównego kierunku tensora dyfuzji do analizy łączności białej substancji (WM) mózgu, co odpowiada metodzie traktografii, której celem jest zbadanie, które części mózgu są ze sobą połączone. Przy założeniu, że orientacja głównej składowej tensora dyfuzji reprezentuje orientację dominujących pęczków aksonalnych, tworzone jest trójwymiarowe pole wektorowe, w którym każdy wektor reprezentuje orientację włókien. Obecnie istnieje kilka różnych podejść do rekonstrukcji pęczków WM, które można podzielić na dwa typy: pierwsza kategoria opiera się na algorytmach propagacji linii, wykorzystujących lokalne informacje o tensorze w każdym kroku propagacji pęczków włókien 2,8,9. Druga kategoria opiera się na globalnej minimalizacji energii w celu znalezienia energetycznie najkorzystniejszej ścieżki między dwoma obszarami WM, co prowadzi do metody statystyki przestrzennej opartej na pęczkach (TBSS) 10, która była stosowana w innych algorytmach, takich jak statystyka anizotropii frakcyjnej wzdłuż pęczków (TFAS – patrz tekst protokołu, sekcja 2.4.).

Transformacja do standardowej przestrzeni stereotaktycznej

Podobnie jak w przypadku innych zaawansowanych metod MRI, badania oparte na DTI i FT w kontekście klinicznym dążą do nadrzędnego celu, jakim jest kategoryzacja morfologii mózgu poszczególnych pacjentów w celu ułatwienia procesu diagnostycznego w oparciu o określoną metrykę dyskryminacyjną 11. Badania na poziomie grupy są najbardziej istotne, jeśli zakłada się, że wspólny fenotyp kliniczny wynika z uszkodzenia jednego lub większej liczby specyficznych obszarów mózgu lub konkretnej sieci neuroanatomicznej. W takim przypadku uśrednianie wyników dla różnych obiektów jest przydatne do oceny wspólnych wzorców zmian mikrostrukturalnych. Każdy poszczególny mózg musi zostać przeniesiony do przestrzeni stereotaktycznej, aby w drugim kroku możliwe było arytmetyczne uśrednienie wyników na poziomie poszczególnych wokseli. Normalizacja przestrzenna umożliwiła arytmetyczne uśrednienie wyników uzyskanych od różnych osób w celu poprawy stosunku sygnału do szumu (SNR) oraz przeprowadzenie porównania grup pacjentów i kontrolnych, aby przeanalizować patoanatomię obliczeniową konkretnego zaburzenia, np. choroby neurodegeneracyjnej związanej z uszkodzeniem określonego układu mózgowego.

Wczesne podejście do normalizacji do standaryzowanej przestrzeni stereotaktycznej według 12 sugerowało algorytm transformacji do standardowego atlasu, obejmujący identyfikację różnych punktów orientacyjnych mózgu i fragmentaryczne skalowanie ćwieków mózgu. Obecnie większość zaawansowanych pakietów analizy danych MRI wykorzystuje normalizację do przestrzeni stereotaktycznej Montreal Neurological Institute (MNI) 13. Na potrzeby tej transformacji opracowano półautomatyczne i automatyczne algorytmy rejestracji mózgu z wykorzystaniem szablonów specyficznych dla danej analizy 14,15. W DTI szczególną uwagę należy poświęcić zachowaniu informacji kierunkowych podczas procesu normalizacji 16,17. Zastosowanie transformacji przestrzennych do obrazów DT-MR, które są niezbędne do normalizacji przestrzennej zbiorów danych, jest – w przeciwieństwie do deformacji obrazów skalarnych – utrudnione przez fakt, że tensory dyfuzyjne (DT) zawierają informacje orientacyjne, które również ulegają wpływowi transformacji. Efekt ten musi zostać uwzględniony, aby zapewnić poprawność anatomiczną przetransformowanego obrazu. W niniejszym materiale przedstawiono techniki stosowania transformacji afinicznych do zbiorów danych DTI.

Zastosowanie DTI w chorobach mózgu

Porównanie podłużnych danych DTI wymaga wyrównania/rejestracji danych jednego badanego względem siebie. W tym kontekście niezbędne jest zachowanie informacji kierunkowych (t.j. rotacja tensora dyfuzji podczas transformacji afinicznych). Wcześniej zgłaszano możliwe zastosowania w zaburzeniach neurodegeneracyjnych (np. 18,19).

DTI uznaje się za niezawodne, nieinwazyjne narzędzie techniczne do badania neuropatologii szlaków neuronalnych białej materii (WM) in vivo (np. 11,20,21,22). Wykazano już, że ilościowe wskaźniki procesu dyfuzji oparte na DTI, np. FA, są czułymi markerami w badaniu szerokiego zakresu patologii białej materii, takich jak udar 20, stwardnienie rozsiane 23, stwardnienie boczne zanikowe 24, 25, choroba Alzheimera 26 oraz kilka innych schorzeń białej materii 27,28.

Dodatkowo, DTI z zastosowaniem FT może służyć do identyfikacji traktów WM 23. Technika ta, choć wciąż nie jest stosowana w rutynowej praktyce klinicznej, wyłania się jako potężne narzędzie do oceny anomalii specyficznych dla konkretnych szlaków w chorobach neurologicznych. W ramach zidentyfikowanych traktów można mierzyć różne ilościowe wskaźniki MRI pochodzące z DTI oraz dodatkowych akwizycji (np. obrazów T2-zależnych i/lub obrazowania transferu magnetyzacji (MT)), które są anatomicznie korejestrowane z danymi DTI. W ten sposób każdy wskaźnik może być obliczany jako funkcja pozycji w obrębie traktu, a wykresy przedstawiające ich zmienność przestrzenną określa się jako profile traktów.

W dalszej części wykorzystano skany DTI ludzi, wykonane przy użyciu skanerów MRI 1,5 Tesla (Siemens Medical, Erlangen, Niemcy), aby zbadać potencjał różnych technik analizy w wykrywaniu nieprawidłowości istoty białej w grupach pacjentów, jak i u poszczególnych osób. Po zautomatyzowanej kontroli jakości w celu wyeliminowania wolumenów zakłóconych przez ruch oraz wolumenów z innymi rodzajami artefaktów, zstandardowane procedury postprocesowania przygotowują dane DTI do kolejnej analizy. W dalszej części zaprezentowane zostaną różne podejścia analityczne, tzn. po pierwsze, statystyka przestrzenna oparta na całym mózgu (WBSS), po drugie, FT oraz po trzecie, statystyka anizotropii frakcyjnej wzdłuż traktów (TFAS). WBSS jest metodą działającą analogicznie do morfometrii opartej na wokselach (VBM), która w odniesieniu do danych DTI jest zazwyczaj znana jako morfometria/statystyka oparta na wokselach (VBM/DTI). VBM jest metodą, która pierwotnie operuje na obrazach kontrastowych, gdzie należy rozstrzygnąć różnice w kontraście pomiędzy oddzielnymi skanami, podczas gdy WBSS jest metodą wykorzystującą porównanie parametru fizycznego na poziomie poszczególnych wokseli. Dlatego, mimo podobieństwa algorytmicznego, w dalszej części stosowana będzie terminologia różnicująca WBSS i VBM.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Metody analizy: przetwarzanie wstępne i końcowe

Zadaniem poniższego protokołu jest analiza właściwości dyfuzji w każdym wokselu w obrębie szlaków istoty białej, które – dzięki detekcji na poziomie wokseli – mogą być izotropowe lub anizotropowe, co skutkuje powstaniem podłużnych lub spłaszczonych tensorów dyfuzji dla poszczególnych wokseli. Parametryzacja tensorów wokselowych jest wykorzystywana do obliczania map FA lub identyfikacji szlaków włókien (Rysunek 1).

Aby uzyskać wyniki analizy przedstawione poniżej, należy użyć pakietu oprogramowania Tensor Imaging and Fiber Tracking (TIFT) 17. TIFT dostarcza narzędzia analityczne spełniające następujące wymagania:

  • analiza w oparciu o miary DTI, np. mapy FA,
  • normalizacja stereotaktyczna
  • porównanie grup pod kątem FA lub innych miar DTI
  • różne podejścia analityczne FT
  • FT na uśrednionych dla grup danych DTI oraz odpowiadająca im analiza statystyczna.

Funkcje te umożliwiają przeprowadzenie różnych analiz w jednym środowisku programistycznym 17,29,30,31. Oprogramowanie TIFT jest stale rozwijane w celu wprowadzenia nowych opcji analizy danych DTI.

Rycina 2 przedstawia schematyczny przegląd sposobu analizy danych DTI na poziomie grupy po normalizacji przestrzennej za pomocą dwóch komplementarnych podejść, t.j. zarówno za pomocą WBSS, jak i TFAS, aby ostatecznie uzyskać różnice między próbkami badawczymi na poziomie grupy, np. mózgi osób chorych w porównaniu z grupą kontrolną osób zdrowych. Tutaj WBSS ma na celu nieobciążone wykrywanie obszarów z różnicami na poziomie grupy w skali pojedynczych wokseli, natomiast TFAS opiera się na zdefiniowanych wcześniej traktach włókien; obszary startowe TFAS mogą być wybrane dowolnie lub mogą zostać wyprowadzone z wyników WBSS (`hotspoty` znacząco zmienionej FA).

Indywidualne porównanie podłużne map FA wykonuje się poprzez wykrywanie różnic w mapach FA pomiarów z różnych punktów czasowych po dopasowaniu stereotaktycznym afinicznym (Rysunek 2).

  1. Kontrola jakości (QC), w tym korekcja błędnych kierunków gradientów
    W przypadku wystąpienia zaburzeń ruchowych podczas akwizycji, t.j. w przypadku uszkodzonych wolumenów wzrost stosunku sygnału do szumu (SNR) uzyskuje się poprzez pominięcie pojedynczych kierunków gradientu (GD) podczas obliczania tensora. W tym celu zastosowano algorytm kontroli jakości (QC) 32 została opracowana. W skrócie, w przypadku skanów zawierających uszkodzone wolumeny, zwiększenie stosunku sygnału do szumu (SNR) osiąga się poprzez sukcesywne pomijanie pojedynczych kierunków gradientu przed estymacją tensora: dla każdego kierunku gradientu (GD) wariancja ważona jest obliczana ze wszystkich pozostałych kierunków w sekwencji, poprzez nadanie im wag zależnych od kąta, pod jakim różnią się one od indeksowanego GD.
    1. Przeprowadź korekcję artefaktów poprzez wykrycie GD z co najmniej jednym przekrojem wykazującym obniżoną intensywność, t. j. artefakty ruchowe spowodowane spontanicznym ruchem badanego (Rysunek 3, górny panel). Dla każdego wolumenu obrazowania dyfuzyjnego oblicz średnią intensywność dla każdego przekroju i porównaj tę intensywność z tym samym przekrojem we wszystkich pozostałych wolumenach, stosując metodę średniej ważonej – czynnikiem wagowym jest iloczyn skalarny wektorów dwóch GD Vector notations: \(\vec{g_i}, \vec{g_j}\); mathematical vector analysis; vector overlay symbols.:
      Equation in optics calculations: ΔIj = 1-(1/N)Σ(g̅i*g̅j*ΔIji), summation method.
      Math equation for intensity difference ΔIji, involving averages ⟨ai⟩ and ⟨aj⟩, in signal analysis.
      Static equilibrium, ΣF=0, 〈aj〉 symbol, formula, educational diagram, vector component analysis. oznacza średnią arytmetyczną intensywność obserwowanego przekroju i Quantum mechanics concept, Dirac notation, mathematical symbol, angle brackets. przekrój do porównania. Względne odchylenie średniej intensywności Delta I_j_i symbol, related to optical emission or absorption study results. jest ważone iloczynem skalarnym GD. Zatem, aby zdefiniować parametr globalny:
      Mathematical optimization, formula Q=min(ΔIj)j, equation for data analysis calculations.
      odzwierciedla minimum z porównań wszystkich warstw w ujęciu poszczególnych przekrojów.
    2. Jeśli Q znajduje się poniżej określonego progu (w tym przykładzie w tym celu zastosowano próg 0,8), należy usunąć cały ten obszar, czyli GD. Próg 0,8 uznaje się za rozwiązanie stabilne 32. Rycina 3 ilustruje artefakty ruchowe widoczne w rekonstrukcjach strzałkowych i wykryte przez algorytm QC. W tym przykładzie, z całkowitej liczby GD (niebieskie kropki w Rysunek 3c), 17 znajdowało się poniżej czerwonej linii, która odpowiada Q = 0,8 i należy go wyeliminować. Przykład statystyk eliminacji objętości dla całego badania przedstawiono w Rycina 3dW niniejszym badaniu przykładowym dane DTI od 29 osób z przedsymptomatyczną postacią choroby Huntingtona zestawiono z danymi DTI od 30 osób z grupy kontrolnej. Dalsze szczegóły dotyczące tego algorytmu przedstawiono w 32, 33.
  2. Przetwarzanie wstępne i normalizacja przestrzenna
    1. Wykonaj korekcję zniekształceń geometrycznych w zestawach danych obrazowania echo-planarnych indukowanych przez prądy wirowe metodą zaproponowaną przez 34.
    2. W celu normalizacji stereotaktycznej należy stworzyć szablon specyficzny dla badania (b = 0) oraz szablon FA, zgodnie z wcześniejszym opisem. 17,28,31W zasadzie pełna nieliniowa normalizacja stereotaktyczna składa się z trzech komponentów deformacji. W konsekwencji otrzymany tensor dyfuzyjny Vector notation Di vector symbol for electromagnetism equations, educational diagram. każdego woksela i musi zostać obrócony zgodnie ze wszystkimi rotacjami wymienionymi powyżej (Rycina 4):
      1. Rysunek 4a pokazuje sztywną transformację mózgu w celu wyrównania podstawowych układów współrzędnych. Rotacja Vector notation for R, symbol in static equilibrium equations. wynikający z wyrównania do podstawowego układu współrzędnych musi zostać zastosowany
        Diagonalization equation diagram, depicting matrix transformation process with vector notation.
      2. Rycina 4b wykazuje liniową deformację zgodnie z punktami orientacyjnymi. Składowe wektorów własnych Vector notation, \(\vec{v_1}, \vec{v_2}, \vec{v_3}\), mathematical symbols for vector representation. muszą zostać dostosowane zgodnie z sześcioma parametrami normalizacji dla S (zależnie od obszaru mózgu) sa,, a=1...6) odkształcenia liniowego.
        vw,jW celu przeprowadzenia tej procedury, najpierw przygotuj wszystkie niezbędne odczynniki i sprzęt. Postępuj zgodnie z poniższym protokołem, dbając o precyzję w każdym kroku. Wszystkie roztwory powinny być przygotowane zgodnie ze specyfikacją, a instrumenty odpowiednio skalibrowane przed rozpoczęciem eksperymentu. Jeśli wystąpią jakiekolwiek odchylenia od oczekiwanych wyników, powtórz procedurę, aby zapewnić powtarzalność danych.avw,j'''
        w=1,2,3 i j=x,y,z.
      3. Rysunek 4c przedstawia nieliniową normalizację wyrównującą nieliniowe różnice w kształcie mózgu. Przesunięcia wektorów 3D są różne dla każdego woksela, co prowadzi do oddzielnej transformacji dla każdego woksela w trójwymiarowej macierzy wokseli Vector notation for torque symbol, T with arrows, used in static equilibrium equations.). Standardowa trygonometria pozwala na wyznaczenie macierzy rotacji niezależnie dla każdego woksela, co wynika z trójwymiarowych przesunięć wektorów zgodnie z koncepcjami 16 aby zachować relacje kierunkowe między wektorami własnymi sąsiadujących wokseli. W związku z tym różne przesunięcia dwóch sąsiadujących wokseli skutkują obrotami odpowiadających im wektorów własnych. Do wyrównania tensora należy użyć macierzy dylatacji Vector notation Di vector symbol for electromagnetism equations, educational diagram. każdego woksela do wokseli otaczających.
        Vector transformation equation, symbols for tensor analysis, educational diagram.
        Vector notation with time index, mathematical expression. stanowią składniki Vector notation for torque symbol, T with arrows, used in static equilibrium equations.
      Cały proces normalizacji ma charakter iteracyjny, t.j. w pierwszym kroku należy stworzyć szablon specyficzny dla skanera i sekwencji (b = 0) dla niniejszego badania, wyciągając średnią arytmetyczną z wolumenów (b = 0) wszystkich badanych po przekształceniu liniowym zgodnie z ręcznie wyznaczonymi punktami orientacyjnymi. Po tej pierwszej normalizacji należy stworzyć ulepszone szablony w celu optymalizacji macierzy normalizacji. Kolejne kroki od 1.2.3 do 1.2.5 zostały przedstawione schematycznie w Rysunek 5a.
    3. Po tej indywidualnej procedurze normalizacji (krok (i) – dane DTI- I0), użyj wszystkich indywidualnych zestawów danych DTI do stworzenia specyficznego dla badania szablonu (b = 0) oraz szablonu FA (krok (ii) – szablony) T1). Ponieważ rejestracja nieafiniczna do szablonu FA ma tę zaletę, że zapewnia większy kontrast w porównaniu z obrazami (b = 0) 10należy zdefiniować szablon FA poprzez uśrednienie wszystkich indywidualnie opracowanych map FA pacjentów i grupy kontrolnej.
    4. W drugim kroku, opierając się na podstawowych koncepcjach Ashburnera i Fristona 35następnie przeprowadzić nieliniową normalizację MNI (krok (iii)) zestawów danych DTI poprzez minimalizację rozbieżności między regionalnymi intensywnościami dopasowywanej mapy FA a szablonu FA zgodnie z różnicami kwadratów (X2) – w ten sposób uzyskuje się dane DTI I1.
    5. Na podstawie tych danych opracowano nowe matryce T2 są wyprowadzane (krok (iv)). Powtarzaj ten proces iteracyjny do momentu, aż korelacja pomiędzy poszczególnymi mapami FA a szablonem FA będzie > 0.7. Zazwyczaj zostaje to osiągnięte po dwóch iteracjach.
  3. Statystyka przestrzenna oparta na całym mózgu
    Następujące kroki od 1.3.1 do 1.3.5 zostały przedstawione schematycznie w Rycina 5b.
    1. Oblicz mapy FA z znormalizowanych danych DTI zgodnie z procedurą normalizacji z punktu 1.2., aby zachować informacje kierunkowe (krok (i)).
    2. Jako etap przetwarzania wstępnego przed statystycznym porównaniem woxelowym, należy zastosować filtr wygładzający (krok (ii)) do poszczególnych znormalizowanych map FA. W przypadku wygładzania należy uwzględnić fakt, że rozmiar filtra wpływa na wyniki analizy danych DTI. 36 wymaga zastosowania twierdzenia o dopasowanym filtrze, zgodnie z którym szerokość filtra używanego do przetwarzania danych powinna być dostosowana do wielkości oczekiwanej różnicy, co szczegółowo opisano w poprzednich zastosowaniach w danych DTI pacjentów z zaburzeniami neurodegeneracyjnymi (np. 28).
    3. Przeprowadzić statystyczne porównanie pomiędzy grupami pacjentów a odpowiadającą im grupą kontrolną w analizie vokselowej przy użyciu testu t Student’a, t. j. porównaj wartości FA z map FA pacjentów z wartościami FA z map FA grupy kontrolnej, osobno dla każdego woksela (krok (iii)). Wartości FA poniżej 0,2 nie są brane pod uwagę w obliczeniach, ponieważ szara materia kory wykazuje wartości FA do 0,2 37.
    4. Wyniki statystyczne muszą zostać skorygowane pod kątem wielokrotnych porównań przy użyciu algorytmu kontroli odsetka fałszywych odkryć (FDR) dla p < 0.05 38 (krok (iv)). Dalsza redukcja błędu alfa musi zostać przeprowadzona za pomocą algorytmu korelacji przestrzennej (klastrowanie – krok (v)), który eliminuje izolowane woksele lub małe izolowane grupy wokseli o rozmiarze odpowiadającym jądru wygładzania, co prowadzi do ustalenia progu wielkości klastra na poziomie 512 wokseli.
    5. Aby wyświetlić wyniki na tle morfologicznym (krok (v)), należy znormalizować trójwymiarowe zbiory danych obrazowych T1-zależnych do przestrzeni MNI i wyciągnąć średnią arytmetyczną. Procedurę normalizacji należy przeprowadzić przy użyciu szablonu specyficznego dla badania, analogicznie do normalizacji zastosowanej w przypadku zbiorów danych DTI. 17.

Rysunek 6 przedstawia wyniki statystyki przestrzennej całego mózgu (WBSS) u pacjentów z ALS w porównaniu z grupą kontrolną. Rysunek 6a pokazuje lokalne maksimum obniżonych wartości FA w przekroju strzałkowym, czołowym i osiowym (próg p < 0.01, po korekcie dla porównań wielokrotnych). Rysunek 6b przedstawia projekcyjny FT z punktami startowymi w drodze korowo-rdzeniowej, wykorzystany jako podstawa dla TFAS. Rysunek 6c pokazuje różnice grupowe w mapach FA wykryte za pomocą statystyki przestrzennej całego mózgu (WBSS) pomiędzy próbką pacjentów z ALS a dopasowaną grupą kontrolną w wizualizacji warstwowej.

  1. Traktografia i statystyka anizotropii frakcyjnej wzdłuż traktów (TFAS)
    Rysunek 7 przedstawia proces grupowej tomografii tensorowej (FT), w tym TFAS, zgodnie z opisem w punktach od 1.4.1 do 1.4.4.
    1. Aby zastosować algorytmy grupowej FT, wygeneruj uśrednione zestawy danych DTI z danych pacjentów oraz danych kontrolnych wspólnie, zgodnie z wcześniej opisanymi metodami 17. Uśrednianie to wymaga starannego potraktowania informacji orientacyjnych, które są zachowane podczas procesu normalizacji zgodnie z technikami opisanymi przez 16 – szczegóły znajdują się w 30.
    2. Wykonaj traktografię w uśrednionych zestawach danych DTI grup badanych poprzez zastosowanie techniki śledzenia linii strumieniowych (streamline tracking) 31. Zidentyfikuj ręcznie zdefiniowane punkty startowe (seed points) sąsiadujące z lokalnymi maksimami wyznaczonymi przez analizy FA całego mózgu, które stanowią podstawę dla kolejnej analizy FT. Po identyfikacji punktów startowych wykonaj traktografię i zdefiniuj woksele wyznaczonych włókien jako maskę specyficzną dla grupy do następnej analizy TFAS 30.
    3. W celu ilościowego określenia wyników traktografii, zastosuj technikę TFAS, wykorzystując trakt włókien stworzone na uśrednionych zestawach danych DTI wszystkich osób z każdej grupy (łącznie dane pacjentów i dane kontrolne), aby wybrać woksele służące do porównania map FA pacjentów i grupy kontrolnej.
    4. Do analizy statystycznej testem t-Studenta przyjmij wszystkie wynikowe woksele o wartości FA powyżej 0,2.
    5. W razie potrzeby technikę TFAS można zastosować do dowolnych pochodnych metryk DTI, takich jak średnia dyfuzyjność (MD), anizotropia radialna, anizotropia aksjalna itp. (przykład znajduje się w 28).
    6. Wyniki są wyświetlane na tle morfologicznym składającym się z znormalizowanych według standardu MNI trójwymiarowych zestawów danych T1-zależnych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

1. Kontrola jakości i korekcja uszkodzonych kierunków gradientów w zastosowaniu do danych pacjentów z zaburzeniami hiperkinetycznymi

Jako przykład efektu zastosowania QC i następującego po nim wykluczenia objętości (jako konsekwencji korekty uszkodzonych GD), Rysunek 8 przedstawia różnice w statystykach przestrzennych opartych na całym mózgu z wykluczeniem objętości i bez niego, dla porównania grupy 29 osób w fazie przedmanifestacyjnej choroby Huntingtona oraz 30 kontroli dopasow...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
SkanerSiemens 1.5 T Oprogramowanie
do analizy TIFT - Obrazowanie Tensorowe i Śledzenie Włókien
MR Magnetom Symphony

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Obrazowanie tensora dyfuzjianaliza istoty białejfrakcyjna anizotropiaśledzenie włókiennormalizacja stereotaktycznaprzestrzenna statystyka całego mózgustatystyka FA w programie TrackWisekontrola jakości kierunków gradientuobrazowanie chorób neurodegeneracyjnychanaliza na poziomie grupy
Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.