Diffusion Tensor Imagem por Ressonância Magnética na Análise de Doenças Neurodegenerativas

O objetivo geral do seguinte experimento é utilizar a análise de imagem por tensor de difusão para definir uma patoanatomia distinta da substância branca em diferentes doenças cerebrais, combinando estatísticas de anisotropia fracional baseadas em todo o cérebro e baseadas em tratos. Isso é alcançado por meio de um pré-processamento adequado dos dados de imagem por tensor de difusão (DTI), incluindo controle de qualidade e normalização estereotáxica. Como segundo passo, realiza-se a estatística espacial baseada em todo o cérebro (WBSS), que permite uma comparação voxel a voxel dos mapas de anisotropia fracional (FA) de diferentes grupos de indivíduos, a fim de detectar as diferenças patológicas.

Em seguida, realiza-se a TrackWise fracionária. Uma estatística ATROPY ou TFAS é realizada para complementar os resultados da comparação voxel a voxel, comparando as estruturas cerebrais definidas por um procedimento de rastreamento de fibras. São obtidos resultados que mostram as diferenças entre grupos doentes e grupos controle com base na análise por DTI.

A principal vantagem desta técnica em relação a outros métodos é que o rastreamento de fibras em conjuntos de dados médios de grupo torna-se viável. Este método pode ajudar a responder perguntas fundamentais na área de neuroimagem, como a identificação de estruturas cerebrais afetadas por doenças neurodegenerativas. As implicações desta técnica estendem-se para o uso como marcador substituto baseado em neuroimagem, pois poderia potencialmente demonstrar efeitos longitudinais tanto em nível individual quanto em nível de grupo.

A demonstração deste método é fundamental, pois as etapas de processamento de dados são difíceis de aprender, já que a análise dos dados foi realizada em um pacote de software desenvolvido sob medida, que é T, e diversos passos no processamento e análise de dados são muito demorados para executar uma correção de artefatos. Um software desenvolvido sob medida pelo nosso laboratório é utilizado para detectar GD com pelo menos uma fatia apresentando diminuição da intensidade, ou seja, artefatos de movimento causados por movimento espontâneo do sujeito. O software utilizado é de imagem por tensor e rastreamento de fibras, e foi desenvolvido sob medida pelo nosso laboratório para qualquer volume com ponderação em difusão.

Calcule a intensidade média para cada corte, em seguida compare sua intensidade com o mesmo corte em todos os outros volumes utilizando uma abordagem de média ponderada. O fator de ponderação é o produto escalar dos vetores de dois gd. Se Q estiver abaixo de um determinado limiar, um limiar de 0,8 neste caso como exemplo, elimine então todo o volume ou gd.

Um valor limite de 0,8 é considerado uma solução estável. São mostrados aqui os artefatos de movimento visíveis nas reconstruções sagitais e detectados pelo algoritmo de controle de qualidade. Neste exemplo, do número total de GD 17, ficaram abaixo da linha vermelha, que corresponde a Q igual a 0,8 e devem ser eliminados.

Um exemplo de estatísticas de eliminação de volume para todo o estudo é mostrado aqui: neste exemplo, dados de DTI de 29 indivíduos com HD pré-sintomáticos foram comparados aos dados de DTI de 30 controles para a normalização estereotáxica, criando um modelo específico do estudo com B igual a zero e um modelo de FA. Uma normalização estereotáxica não linear completa consiste em três componentes de deformação. Consequentemente, o tensor de difusão resultante de cada vóxel deve ser rotacionado de acordo com todas as rotações consideradas anteriormente.

Aqui há uma transformação rígida do cérebro para alinhar os quadros coordenados básicos. Esta figura mostra uma deformação linear de acordo com os pontos de referência. Os componentes dos vetores iGen precisam ser adaptados de acordo com os seis parâmetros de normalização de S da deformação linear, e aqui há uma normalização não linear, equalizando as diferenças não lineares na forma do cérebro.

Os deslocamentos vetoriais 3D são diferentes para cada vóxel, levando a uma transformação separada para cada vóxel da matriz tridimensional. Após este procedimento individual de normalização, utilize todos os conjuntos de dados DTI individuais para criar um modelo específico do estudo com B igual a zero e um modelo de FA. Como o registro não PHE a um modelo de FA apresenta a vantagem de fornecer maior contraste em comparação com imagens B igual a zero, defina um modelo de FA por meio da média de todos os mapas de FA derivados individualmente dos pacientes e dos controles.

Em um segundo passo, realize uma normalização não linear MNI dos conjuntos de dados de DTI minimizando a discrepância entre as intensidades regionais do mapa de FA a ser ajustado e o modelo de FA, com base nos quadrados das diferenças. A partir desses dados, derivam-se novos modelos T dois. Repita esse processo iterativo até que a correlação entre os mapas individuais de FA e o modelo de FA seja maior que 0,7. Normalmente, isso é alcançado após duas iterações.

Agora, é possível realizar estatísticas espaciais baseadas em todo o cérebro calculando mapas fracionários anisotrópicos a partir dos dados normalizados de DTI, suavizando os mapas fracionários anisotrópicos e realizando a avaliação estatística, incluindo a correção para comparações múltiplas a seguir. As diferenças nos mapas fracionários anisotrópicos de pacientes com esclerose lateral amiotrófica em comparação com controles são calculadas por meio de estatísticas espaciais baseadas em todo o cérebro. Calcule os mapas de FA a partir dos dados de DTI normalizados para preservar as informações direcionais como uma etapa de pré-processamento antes da comparação voxel a voxel e aplique um filtro de suavização aos mapas individuais de FA normalizados para suavização.

O fato de o tamanho do filtro influenciar os resultados da análise de dados de DTI exige a aplicação do teorema do filtro casado, que afirma que a largura do filtro usado para processar os dados deve ser ajustada ao tamanho da diferença esperada. Compare os grupos de pacientes e o grupo controle correspondente foxwell Y utilizando o teste t de Student. Isso é feito comparando os valores de FA dos mapas de FA dos pacientes com os valores de FA dos mapas de FA dos controles para cada foxhole separadamente, e então corrija os resultados estatísticos para comparações múltiplas utilizando o algoritmo da taxa de falsa descoberta em P menor que 0,05.

Reduza ainda mais o erro alfa utilizando um algoritmo de correlação espacial que elimina voxels isolados ou pequenos grupos isolados de voxels na faixa de tamanho do kernel de suavização, resultando em um tamanho mínimo de cluster de 512 foxholes na seguinte trilha, duas vezes. Estatísticas fracionais anes atropicas são calculadas para pacientes com esclerose lateral amiotrófica em comparação com controles. Para aplicar algoritmos de rastreamento de fibras baseados em grupo, gere conjuntos de dados DTI médios a partir dos dados dos pacientes e dos dados dos controles em conjunto, e então realize a tractografia e conjuntos de dados DTI médios de grupos de indivíduos mediante a aplicação de uma técnica de rastreamento otimizada.

Identifique manualmente pontos de semente definidos adjacentes aos máximos locais pela análise de FA baseada em todo o cérebro, que servem como base para a análise consecutiva de traqueamento de fibras após a identificação das sementes, realize a tractografia T e defina os vóxeis das fibras delimitadas como uma máscara específica do grupo para a TFAS subsequente. Para quantificar os resultados da tractografia T, aplique a TFAS utilizando as trajetórias de fibras criadas a partir dos conjuntos de dados DTI médios de todos os sujeitos de cada grupo, para seleção dos vóxeis que contribuem para uma comparação entre os mapas de FA dos pacientes e dos controles, a fim de obter informações abrangentes por WBSS e TFAS. Considere todos os vóxeis resultantes com valor de FA acima de 0,2 para análise estatística pelo teste T de Student. Esta animação mostra as diferenças grupais nos mapas de FA detectadas por WBSS entre uma amostra de pacientes com LS e controles pareados, em visualização por fatias.

Este vídeo mostra o rastreamento de fibras com pontos iniciais no trato corticoespinal, utilizado como base para o TFAS, uma vez dominado. Esta técnica pode ser realizada quase automaticamente em algumas horas, se for executada corretamente. Após assistir a este vídeo, você deverá ter uma boa compreensão de como realizar análise de DTI em nível de grupo utilizando estatísticas espaciais baseadas em todo o cérebro e estatísticas de FA do TrackWise.