Name: Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych (Wideo) | JoVE Journal
Uploaded: 2013-07-28T14:00:00.000+00:00
Duration: 9 min 33 s
Description: Poznaj analizę obrazowania tensora dyfuzji w badaniu mikrostruktury mózgu i chorób neurodegeneracyjnych. Metoda ta pozwala identyfikować patologiczne zmiany w istocie białej u pacjentów.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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.

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:
<ul>
	<li>analiza w oparciu o miary DTI, np. mapy FA,</li>
	<li>normalizacja stereotaktyczna</li>
	<li>porównanie grup pod kątem FA lub innych miar DTI</li>
	<li>różne podejścia analityczne FT</li>
	<li>FT na uśrednionych dla grup danych DTI oraz odpowiadająca im analiza statystyczna.</li>
</ul>
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).
<ol>
	<li>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.
	<ol>
		<li>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 <img alt="Vector notations: \(\vec{g_i}, \vec{g_j}\); mathematical vector analysis; vector overlay symbols." fo:src="/files/ftp_upload/50427/50427eq8highres.jpg" src="/files/ftp_upload/50427/50427eq8.jpg" data-altupdatedat="1787630408000" data-alt="Equation 8">: 
		<img alt="Equation in optics calculations: ΔIj = 1-(1/N)Σ(g̅i*g̅j*ΔIji), summation method." fo:src="/files/ftp_upload/50427/50427eq9highres.jpg" src="/files/ftp_upload/50427/50427eq9.jpg" data-altupdatedat="1787630408000" data-alt="Equation 9"> 
		<img alt="Math equation for intensity difference ΔIji, involving averages ⟨ai⟩ and ⟨aj⟩, in signal analysis." fo:src="/files/ftp_upload/50427/50427eq10highres.jpg" src="/files/ftp_upload/50427/50427eq10.jpg" data-altupdatedat="1787630408000" data-alt="Equation 10"> 
		<img alt="Static equilibrium, ΣF=0, 〈aj〉 symbol, formula, educational diagram, vector component analysis." fo:src="/files/ftp_upload/50427/50427eq11highres.jpg" src="/files/ftp_upload/50427/50427eq11.jpg" data-altupdatedat="1787630408000" data-alt="Equation 11"> oznacza średnią arytmetyczną intensywność obserwowanego przekroju i <img alt="Quantum mechanics concept, Dirac notation, mathematical symbol, angle brackets." fo:src="/files/ftp_upload/50427/50427eq12highres.jpg" src="/files/ftp_upload/50427/50427eq12.jpg" data-altupdatedat="1787630408000" data-alt="Equation 12"> przekrój do porównania. Względne odchylenie średniej intensywności <img alt="Delta I_j_i symbol, related to optical emission or absorption study results." fo:src="/files/ftp_upload/50427/50427eq13highres.jpg" src="/files/ftp_upload/50427/50427eq13.jpg" data-altupdatedat="1787630408000" data-alt="Equation 13"> jest ważone iloczynem skalarnym GD. Zatem, aby zdefiniować parametr globalny: 
		<img alt="Mathematical optimization, formula Q=min(ΔIj)j, equation for data analysis calculations." fo:src="/files/ftp_upload/50427/50427eq14highres.jpg" src="/files/ftp_upload/50427/50427eq14.jpg" data-altupdatedat="1787630408000" data-alt="Equation 14"> 
		odzwierciedla minimum z porównań wszystkich warstw w ujęciu poszczególnych przekrojów.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Przetwarzanie wstępne i normalizacja przestrzenna
	<ol>
		<li>Wykonaj korekcję zniekształceń geometrycznych w zestawach danych obrazowania echo-planarnych indukowanych przez prądy wirowe metodą zaproponowaną przez 34.</li>
		<li>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 <img alt="Vector notation Di vector symbol for electromagnetism equations, educational diagram." fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" data-altupdatedat="1787630408000" data-alt="Equation 15"> każdego woksela i musi zostać obrócony zgodnie ze wszystkimi rotacjami wymienionymi powyżej (Rycina 4):
		<ol class="lroman">
			<li>Rysunek 4a pokazuje sztywną transformację mózgu w celu wyrównania podstawowych układów współrzędnych. Rotacja <img alt="Vector notation for R, symbol in static equilibrium equations." fo:src="/files/ftp_upload/50427/50427eq16highres.jpg" src="/files/ftp_upload/50427/50427eq16.jpg" data-altupdatedat="1787630408000" data-alt="Equation 16"> wynikający z wyrównania do podstawowego układu współrzędnych musi zostać zastosowany 
			<img alt="Diagonalization equation diagram, depicting matrix transformation process with vector notation." fo:src="/files/ftp_upload/50427/50427eq17highres.jpg" src="/files/ftp_upload/50427/50427eq17.jpg" data-altupdatedat="1787630408000" data-alt="Equation 17"></li>
			<li>Rycina 4b wykazuje liniową deformację zgodnie z punktami orientacyjnymi. Składowe wektorów własnych <img alt="Vector notation, \(\vec{v_1}, \vec{v_2}, \vec{v_3}\), mathematical symbols for vector representation." fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" data-altupdatedat="1787630408000" data-alt="Equation 5"> 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.</li>
			<li>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 <img alt="Vector notation for torque symbol, T with arrows, used in static equilibrium equations." fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" data-altupdatedat="1787630408000" data-alt="Equation 18">). 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 <img alt="Vector notation Di vector symbol for electromagnetism equations, educational diagram." fo:src="/files/ftp_upload/50427/50427eq15highres.jpg" src="/files/ftp_upload/50427/50427eq15.jpg" data-altupdatedat="1787630408000" data-alt="Equation 15"> każdego woksela do wokseli otaczających. 
			<img alt="Vector transformation equation, symbols for tensor analysis, educational diagram." fo:src="/files/ftp_upload/50427/50427eq19highres.jpg" src="/files/ftp_upload/50427/50427eq19.jpg" data-altupdatedat="1787630408000" data-alt="Equation 19"> 
			<img alt="Vector notation with time index, mathematical expression." fo:src="/files/ftp_upload/50427/50427eq20highres.jpg" src="/files/ftp_upload/50427/50427eq20.jpg" data-altupdatedat="1787630408000" data-alt="Equation 20"> stanowią składniki <img alt="Vector notation for torque symbol, T with arrows, used in static equilibrium equations." fo:src="/files/ftp_upload/50427/50427eq18highres.jpg" src="/files/ftp_upload/50427/50427eq18.jpg" data-altupdatedat="1787630408000" data-alt="Equation 18"></li>
		</ol>
		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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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 &gt; 0.7. Zazwyczaj zostaje to osiągnięte po dwóch iteracjach.</li>
	</ol>
	</li>
	<li>Statystyka przestrzenna oparta na całym mózgu 
	Następujące kroki od 1.3.1 do 1.3.5 zostały przedstawione schematycznie w Rycina 5b.
	<ol>
		<li>Oblicz mapy FA z znormalizowanych danych DTI zgodnie z procedurą normalizacji z punktu 1.2., aby zachować informacje kierunkowe (krok (i)).</li>
		<li>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).</li>
		<li>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.</li>
		<li>Wyniki statystyczne muszą zostać skorygowane pod kątem wielokrotnych porównań przy użyciu algorytmu kontroli odsetka fałszywych odkryć (FDR) dla p &lt; 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.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>
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 &lt; 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.
<ol start="4">
	<li>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.
	<ol>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>Do analizy statystycznej testem t-Studenta przyjmij wszystkie wynikowe woksele o wartości FA powyżej 0,2.</li>
		<li>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).</li>
		<li>Wyniki są wyświetlane na tle morfologicznym składającym się z znormalizowanych według standardu MNI trójwymiarowych zestawów danych T1-zależnych.</li>
	</ol>
	</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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...

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:
<img alt="Równanie absorbancji, A=e^-Db, wzór dla pomiarów optycznych, tłumienie wykładnicze." fo:src="/files/ftp_upload/50427/50427eq1highres.jpg" src="/files/ftp_upload/50427/50427eq1.jpg" data-altupdatedat="1787630408000" data-alt="Równanie 1"> 
Jednak w obecności anizotropii w WM dyfuzja nie może być już opisana za pomocą pojedynczego współczynnika skalarnego, lecz wymaga zastosowania tensora <img alt="Symbol wektora przesunięcia elektrycznego, reprezentacja równania, fizyka, pole elektromagnetyczne." fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" data-altupdatedat="1787630408000" data-alt="Równanie 3">, 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
<img alt="Równanie obrazowania tensora dyfuzji, ln(A), komponenty tensora; wyświetlanie wzoru naukowego." fo:src="/files/ftp_upload/50427/50427eq2highres.jpg" src="/files/ftp_upload/50427/50427eq2.jpg" data-altupdatedat="1787630408000" data-alt="Równanie 2"> 
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 <img alt="Electric displacement vector symbol, equation representation, physics, electromagnetic field." fo:src="/files/ftp_upload/50427/50427eq3highres.jpg" src="/files/ftp_upload/50427/50427eq3.jpg" data-altupdatedat="1787630408000" data-alt="Equation 3"> zawsze można zdiagonalizować, pozostawiając jedynie trzy niezerowe elementy wzdłuż głównej przekątnej tensora, tj. wartości własne (<img alt="Eigenvalues λ1, λ2, λ3; static equilibrium equations; linear algebra concept." fo:src="/files/ftp_upload/50427/50427eq4highres.jpg" src="/files/ftp_upload/50427/50427eq4.jpg" data-altupdatedat="1787630408000" data-alt="Equation 4"> ). Wartości własne odzwierciedlają kształt lub konfigurację elipsoidy. Zależność matematyczna między głównymi współrzędnymi elipsoidy a układem odniesienia laboratorium jest opisana przez wektory własne. <img alt="Vector notation, \(\vec{v_1}, \vec{v_2}, \vec{v_3}\), mathematical symbols for vector representation." fo:src="/files/ftp_upload/50427/50427eq5highres.jpg" src="/files/ftp_upload/50427/50427eq5.jpg" data-altupdatedat="1787630408000" data-alt="Equation 5">
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.
<img alt="Wzór na współczynnik pękania, analiza naprężeń, równanie Ff, reprezentacja matematyczna, inżynieria." fo:src="/files/ftp_upload/50427/50427eq6highres.jpg" src="/files/ftp_upload/50427/50427eq6.jpg" data-altupdatedat="1787630408000" data-alt="Równanie 6"> 
<img alt="Równowaga statystyczna; reprezentuje symbol średniej; pojęcie w rachunku prawdopodobieństwa i statystyce." fo:src="/files/ftp_upload/50427/50427eq7highres.jpg" src="/files/ftp_upload/50427/50427eq7.jpg" data-altupdatedat="1787630408000" data-alt="Równanie 7"> 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.

<table><tbody><tr><td>Skaner</td><td></td><td></td> MR <td>Siemens 1.5 T Oprogramowanie</td></tr> <tr><td></td><td></td><td>do analizy </td> Magnetom Symphony <td>TIFT - Obrazowanie Tensorowe i Śledzenie Włókien</td></tr></tbody></table>

rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych

Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases

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.

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...

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.

Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych

Diffusion tensor imaging (DTI) techniques provide information on the microstructural processes of the cerebral white matter (WM) in vivo. The present ...

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.

diffusion-tensor-magnetic-resonance-imaging-analysis

Research

JoVE Journal

Medicine

Medycyna

Obrazowanie tensora dyfuzji rezonansu magnetycznego w analizie chorób neurodegeneracyjnych

Metody obrazowania biologicznego stosowane do oceny biodystrybucji komórkowej nanocząsteczek znajdują zastosowanie w monitorowaniu terapeutycznym i diagnostycznym związków sformułowanych w nanostruktury. Metody opisane w niniejszym opracowaniu są czułe i swoiste w ocenie za pomocą korejestracji histologicznej. Przedstawione metodologie zapewniają ścieżkę translacyjną od zastosowań na modelach gryzoni do zastosowań u ludzi.

Rejestrowane obrazowanie biomedyczne nanomateriałów w monitorowaniu diagnostyki i terapii

Techniki neuroobrazowania, takie jak funkcjonalny rezonans magnetyczny (fMRI) oraz obrazowanie tensora dyfuzji (DTI), stają się coraz bardziej użyteczne w charakteryzacji deficytów poznawczych i neurologicznych w autyzmie. Przedstawiono badanie łączności mózgowej w autyzmie na poziomie sieci oraz adaptacje procedur skanowania dzieci z zaburzeniami rozwojowymi.

Badanie mózgu w autyzmie z wykorzystaniem fMRI oraz obrazowania tensora dyfuzji

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Strukturę mózgu oceniamy za pomocą wysokorozdzielczego obrazowania dyfuzyjnego oraz traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego MRI, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z właściwościami funkcjonalnymi sieci mózgowych.

Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego

Źródło: Zheng, W. i wsp., Obrazowanie rezonansu magnetycznego tensora dyfuzji w przewlekłym ucisku rdzenia kręgowego. J. Vis. Exp. (2019 rok)Ten film przedstawia obrazowanie tensora dyfuzji w ocenie przewlekłego ucisku rdzenia kręgowego. Analizując wzorce dyfuzji wody, anizotropię frakcyjną i pozorne wartości współczynników dyfuzji, wyniki ujawniają uszkodzenia aksonów w ściśniętych obszarach. Odkrycia dostarczają krytycznych informacji na temat patologii rdzenia kręgowego i integralności...

Ocena kompresji rdzenia kręgowego za pomocą obrazowania tensora dyfuzji

Opisujemy, jak uzyskać mapy parametryczne i wektorowe tensora dyfuzji piersi za pomocą rezonansu magnetycznego. Protokół i końcowe wyniki po przetworzeniu obrazowania są dostosowane do śledzenia cech architektonicznych piersi i wykrywania nowotworu złośliwego piersi.

Śledzenie cech architektonicznych sutka i wykrywanie raka piersi za pomocą obrazowania tensora dyfuzji rezonansu magnetycznego

Choroby nerwowo-mięśniowe często wykazują zróżnicowaną czasowo, przestrzennie niejednorodną i wieloaspektową patologię. Celem tego protokołu jest scharakteryzowanie tej patologii za pomocą nieinwazyjnych metod obrazowania metodą rezonansu magnetycznego.

Ilościowy rezonans magnetyczny w chorobach mięśni szkieletowych

Celem tego protokołu jest uzyskanie wysokiej jakości obrazowania metodą rezonansu magnetycznego (DWI) rdzenia kręgowego szczura w celu nieinwazyjnej charakterystyki mikrostruktury tkanki. Protokół ten opisuje optymalizacje sekwencji rezonansu magnetycznego, cewki o częstotliwości radiowej i metod analizy, aby umożliwić tworzenie obrazów DWI wolnych od artefaktów.

Obrazowanie dyfuzyjne w szyjnym rdzeniu kręgowym szczura

Tutaj prezentujemy protokół zastosowania parametrów obrazowania tensora dyfuzji do oceny ucisku rdzenia kręgowego.

Rezonans magnetyczny tensora dyfuzji w przewlekłym ucisku rdzenia kręgowego

Ogólnym celem tej procedury jest uzyskanie ilościowych informacji mikrostrukturalnych o hipokampie u szczura z łagodnym urazowym uszkodzeniem mózgu. Odbywa się to za pomocą zaawansowanego protokołu obrazowania rezonansu magnetycznego ważonego dyfuzją oraz analizy parametrycznych map dyfuzji opartej na obszarze zainteresowania.

Zaawansowane obrazowanie dyfuzyjne w hipokampie szczurów z łagodnym urazowym uszkodzeniem mózgu

Tutaj prezentujemy protokół pozyskiwania obrazów rezonansu magnetycznego (MR) mózgów pacjentów ze stwardnieniem rozsianym (SM) przy 7,0 Tesli. Protokół obejmuje przygotowanie konfiguracji, w tym cewek o częstotliwości radiowej, ustandaryzowane procedury wywiadu z pacjentami ze stwardnieniem rozsianym, pozycjonowanie obiektu w skanerze MR i akwizycję danych MR.

Rezonans magnetyczny stwardnienia rozsianego przy 7,0 Tesli

Poznaj analizę obrazowania tensora dyfuzji w badaniu mikrostruktury mózgu i chorób neurodegeneracyjnych. Metoda ta pozwala identyfikować patologiczne zmiany w istocie białej u pacjentów.

Rezonans magnetyczny tensora dyfuzji w analizie chorób neurodegeneracyjnych

Przeglądaj więcej filmów