Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych

Ogólnym celem poniższego eksperymentu jest wykorzystanie analizy obrazowania tensora dyfuzji do zdefiniowania charakterystycznej patoanatomii istoty białej w różnych chorobach mózgu poprzez połączenie statystyk frakcyjnej anizotropii w obrębie całego mózgu oraz w obrębie konkretnych pęczków włókien. Cel ten osiąga się poprzez odpowiednie przetwarzanie wstępne danych obrazowania tensora dyfuzji (DTI), obejmujące kontrolę jakości oraz normalizację stereotaktyczną. W drugim kroku przeprowadzana jest analiza statystyczna przestrzenna w obrębie całego mózgu (WBSS), która umożliwia porównanie map frakcyjnej anizotropii (FA) w skali całego obszaru dla różnych grup badanych w celu wykrycia różnic patologicznych.

Następnie przeprowadzono analizę TrackWise fractional. Wykonano statystykę ATROPY lub TFAS, aby uzupełnić wyniki porównania w skali wokseli poprzez porównanie struktur mózgu zdefiniowanych za pomocą procedury śledzenia włókien. Uzyskano wyniki wykazujące różnice między grupami chorymi a grupami kontrolnymi na podstawie analizy DTI.

Główną zaletą tej techniki w porównaniu z innymi metodami jest to, że możliwe staje się śledzenie włókien (fiber tracking) na zbiorach danych uśrednionych grupowo. Metoda ta może pomóc w udzieleniu odpowiedzi na kluczowe pytania w dziedzinie neuroobrazowania, takie jak identyfikacja struktur mózgu dotkniętych chorobami neurodegeneracyjnymi. Zastosowania tej techniki rozszerzają się na wykorzystanie jej jako surrogate marker w oparciu o neuroobrazowanie, ponieważ może ona potencjalnie wykazać efekty podłużne zarówno na poziomie indywidualnym, jak i grupowym.

Demonstracja tej metody jest kluczowa, ponieważ etapy przetwarzania danych są trudne do opanowania, a analiza danych została przeprowadzona przy użyciu autorskiego pakietu oprogramowania, a kilka kroków w przetwarzaniu i analizie danych jest bardzo czasochłonne, aby przeprowadzić korekcję artefaktów. Autorskie oprogramowanie opracowane przez nasze laboratorium jest wykorzystywane do wykrywania GD, w których co najmniej jeden przekrój wykazuje zmniejszoną intensywność, czyli artefaktów ruchowych spowodowanych spontaniczną aktywnością badanego. Wykorzystywane oprogramowanie służy do obrazowania tensorowego i śledzenia włókien i zostało opracowane przez nasze laboratorium dla dowolnej objętości obrazowania dyfuzyjnego.

Oblicz średnią intensywność dla każdego przekroju, a następnie porównaj tę intensywność z tym samym przekrojem we wszystkich pozostałych woluminach, stosując metodę średniej ważonej. Współczynnik ważenia stanowi iloczyn skalarny wektorów dwóch gd. Jeśli wartość Q znajduje się poniżej określonego progu (w tym przykładzie próg wynosi 0,8), należy usunąć cały ten wolumin lub gd.

Wartość progowa 0,8 jest uznawana za rozwiązanie stabilne. Przedstawiono tutaj artefakty ruchowe widoczne w rekonstrukcjach strzałkowych i wykryte przez algorytm QC. W tym przykładzie, z całkowitej liczby GD 17, wartości poniżej czerwonej linii, która odpowiada Q równemu 0,8, powinny zostać wyeliminowane.

Przykład statystyk eliminacji wolumenów dla całego badania przedstawiono tutaj; w tym przykładzie dane DTI 29 osób z przedobjawowym stadium HD porównano z danymi DTI 30 osób z grupy kontrolnej. Do normalizacji stereotaksycznej stworzono specyficzny dla badania szablon B równy zero oraz szablon FA. Pełna nieliniowa normalizacja stereotaksyczna składa się z trzech komponentów deformacji. W konsekwencji wynikający tensor dyfuzji każdego woksela eye musi zostać obrócony zgodnie ze wszystkimi rotacjami uwzględnionymi we wcześniejszym opisie.

Poniżej przedstawiono sztywną transformację mózgu w celu wyrównania podstawowych układów współrzędnych. Rysunek ten pokazuje liniową deformację zgodnie z punktami charakterystycznymi. Komponenty wektorów iGen muszą zostać dostosowane zgodnie z sześcioma parametrami normalizacji S deformacji liniowej, a tutaj przedstawiono normalizację nieliniową, niwelującą nieliniowe różnice w kształcie mózgu.

Przesunięcia wektorów 3D są różne dla każdego woksela, co prowadzi do oddzielnej transformacji dla każdego elementu trójwymiarowej macierzy wokseli. Po tej indywidualnej procedurze normalizacji wykorzystaj wszystkie indywidualne zestawy danych DTI do utworzenia specyficznego dla badania szablonu B równych zero oraz szablonu FA. Ponieważ rejestracja bez użycia PHE do szablonu FA ma tę zaletę, że zapewnia większy kontrast w porównaniu z obrazami B równymi zero, zdefiniuj szablon FA poprzez uśrednienie wszystkich indywidualnie opracowanych map FA pacjentów i grupy kontrolnej.

W drugim kroku przeprowadź nieliniową normalizację danych DTI do przestrzeni MNI poprzez minimalizację niezgodności między regionalnymi intensywnościami dopasowywanej mapy FA a szablonem FA na podstawie różnic kwadratów tych danych, w wyniku czego wyprowadzone zostaną nowe szablony T2. Powtarzaj ten proces iteracyjny do momentu, aż korelacja między poszczególnymi mapami FA a szablonem FA przekroczy 0,7. Zazwyczaj zostaje to osiągnięte po dwóch iteracjach.

Obecnie statystykę przestrzenną całego mózgu można przeprowadzić poprzez obliczenie map anizotropii frakcyjnej z znormalizowanych danych DTI, wygładzenie map anizotropii frakcyjnej oraz przeprowadzenie ewaluacji statystycznej, obejmującej korektę dla wielokrotnych porównań, zgodnie z poniższym opisem. Różnice w mapach anizotropii frakcyjnej u pacjentów z bocznym stwardnieniem zanikowym w porównaniu z grupą kontrolną są obliczane za pomocą statystyki przestrzennej całego mózgu. Oblicz mapy FA z znormalizowanych danych DTI, aby zachować informacje kierunkowe jako etap wstępnego przetwarzania przed porównaniem w skali woksela, a następnie zastosuj filtr wygładzający do poszczególnych znormalizowanych map FA w celu ich wygładzenia.

Fakt, że rozmiar filtra wpływa na wyniki analizy danych DTI, wymaga zastosowania twierdzenia o dopasowanym filtrze, zgodnie z którym szerokość filtra używanego do przetwarzania danych powinna być dostosowana do wielkości oczekiwanej różnicy. Porównaj grupy pacjentów z odpowiadającą im grupą kontrolną foxwell Y, stosując test t-Studenta. Należy to zrobić poprzez porównanie wartości FA z map FA pacjentów z wartościami FA z map FA grupy kontrolnej oddzielnie dla każdego foxhole, a następnie skorygować wyniki statystyczne pod kątem wielokrotnych porównań, stosując algorytm fałszywych odkryć (FDR) przy P mniejszym niż 0.05.

Dalszą redukcję błędu alfa przeprowadza się przy użyciu algorytmu korelacji przestrzennej, który eliminuje izolowane woksele lub małe, izolowane grupy wokseli w zakresie wielkości jądra wygładzającego, co prowadzi do minimalnego progu wielkości klastra wynoszącego 512 wokseli w kolejnym dwukrotnym śledzeniu. Obliczane są ułamkowe statystyki anizotropowe dla pacjentów z bocznym stwardnieniem zanikowym w porównaniu z grupą kontrolną. Aby zastosować algorytmy śledzenia włókien oparte na grupach, generuje się średnie zestawy danych DTI z danych pacjentów oraz danych kontrolnych łącznie, a następnie przeprowadza traktografię i uśrednia zestawy danych DTI grup badawczych poprzez zastosowanie techniki śledzenia usprawnionego.

Zidentyfikuj ręcznie zdefiniowane punkty startowe sąsiadujące z lokalnymi maksimami wyznaczonymi przez analizę FA całego mózgu, które stanowią podstawę dla następnej analizy śledzenia włókien. Po identyfikacji punktów startowych przeprowadź traktografię T i zdefiniuj woksle wyrysowanych włókien jako maskę specyficzną dla grupy do kolejnego etapu TFAS. Aby ilościowo ocenić wyniki traktografii T, zastosuj TFAS, wykorzystując ścieżki włókien utworzone na średnich zbiorach danych DTI wszystkich badanych z każdej grupy do wyboru woksli, które przyczyniają się do porównania map FA pomiędzy pacjentami a grupą kontrolną. Aby uzyskać kompleksowe informacje za pomocą WBSS i TFAS, do analizy statystycznej testem t-Studenta uwzględnij wszystkie wynikowe woksle o wartości FA powyżej 0.2. Ta animacja przedstawia różnice grupowe w mapach FA wykryte przez WBSS pomiędzy próbką pacjentów z LS a dopasowaną grupą kontrolną w wizualizacji warstwowej.

W niniejszym filmie przedstawiono śledzenie włókien z punktami startowymi w drodze korowo-rdzeniowej, które służy jako podstawa dla TFAS. Po opanowaniu tej techniki, proces ten może być wykonywany niemal automatycznie w ciągu kilku godzin, pod warunkiem jego prawidłowego przeprowadzenia. Po obejrzeniu tego filmu powinni Państwo posiadać dobrą wiedzę na temat przeprowadzania analizy DTI na poziomie grupy z wykorzystaniem statystyki przestrzennej opartej na całym mózgu oraz statystyki FA w programie TrackWise.