Diffusion Tensor Imagem por Ressonância Magnética na Análise de Doenças Neurodegenerativas

O objetivo geral do experimento a seguir é usar a análise de imagem por tensor de difusão para definir uma patoanatomia distinta da substância branca de diferentes doenças cerebrais pela combinação de estatísticas de atropia de anes fracionárias baseadas no cérebro inteiro e no trato. Isso é obtido por imagem de tensor de difusão apropriada ou pré-processamento de dados DTI, incluindo controle de qualidade e normalização estereotáxica. Como segunda etapa, é realizada estatística espacial baseada no cérebro inteiro ou WBSS, o que permite uma comparação sábia de mapas fracionários de atropia fracionária ou FA de diferentes grupos de sujeitos, a fim de detectar as diferenças patológicas.

Em seguida, fracionário do TrackWise. Uma estatística ATROPY ou TFAS é realizada para complementar os resultados da comparação de voxel, comparando as estruturas cerebrais que foram definidas por um procedimento de rastreamento de fibra. São obtidos resultados que mostram as diferenças entre os grupos doentes e os grupos de controle com base na análise baseada em DTI.

A principal vantagem dessa técnica em relação a outros métodos é que o rastreamento de fibra em conjuntos de dados médios de grupo se torna viável. Este método pode ajudar a responder a questões-chave no campo da neuroimagem, como a identificação de estruturas cerebrais afetadas por doenças neurodegenerativas. As implicações dessa técnica se estendem ao uso como um marcador substituto baseado em neuroimagem, pois pode potencialmente demonstrar efeitos longitudinais tanto no nível individual quanto no nível do grupo.

A demonstração deste método é crítica, pois as etapas de processamento de dados são difíceis de aprender porque a análise de dados foi realizada em um pacote de software personalizado que é T, e várias etapas no processamento e análise de dados são muito demoradas para realizar uma correção de artefato. Um software personalizado desenvolvido por nosso laboratório é usado para detectar GD com pelo menos uma fatia mostrando artefatos de movimento IE de intensidade diminuída causados pelo movimento espontâneo do sujeito. O software usado é a imagem de tensor e o rastreamento de fibras, e é feito sob medida por nosso laboratório para qualquer volume ponderado por difusão.

Calcule a intensidade média de cada fatia e, em seguida, compare sua intensidade com a mesma fatia em todos os outros volumes usando uma abordagem de média ponderada. O fator de ponderação é o produto escalar de vetores de dois gd. Se Q estiver abaixo de um certo limite, um limite de 0,8 neste caso como exemplo, elimine todo esse volume ou gd.

Um limite de 0,8 é considerado uma solução estável. Aqui são mostrados os artefatos de movimento visíveis nas reconstruções sagitais e detectados pelo algoritmo QC. Neste exemplo, do número total de GD 17, estavam abaixo da linha vermelha, que corresponde a Q igual a 0,8 e deve ser eliminado.

Um exemplo de estatística de eliminação de volume para todo o estudo é mostrado aqui neste exemplo, os dados de DTI de 29 indivíduos em HD pré-sintomáticos foram comparados com os dados de DTI de 30 controles para a normalização estereotáxica, criar um modelo B específico do estudo 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 olho de voxel deve ser girado de acordo com todas as rotações consideradas mostradas anteriormente.

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

As mudanças de vetor 3D são diferentes para cada voxel, levando a uma transformação separada para cada vle da matriz de voxel 3D. Após esse procedimento de normalização individual, use todos os conjuntos de dados DTI individuais para criar um modelo B específico do estudo igual a zero e um modelo FA. Como o registro não PHE em um modelo de FA tem a vantagem de fornecer mais contraste em comparação com B igual a zero imagens, defina um modelo de FA calculando a média de todos os mapas de FA derivados individualmente dos pacientes e dos controles.

Em uma segunda etapa, execute uma normalização MNI não linear dos conjuntos de dados DTI, minimizando a incompatibilidade entre as intensidades regionais do mapa FA a ser ajustado e, se o modelo FA de acordo com as diferenças quadradas com base nesses dados, novos modelos T dois são derivados. Repita esse processo iterativo até que a correlação entre os mapas de FA individuais e o modelo de FA seja maior que 0,7. Normalmente, isso é alcançado após duas iterações.

Agora, as estatísticas espaciais baseadas no cérebro inteiro podem ser realizadas calculando mapas atrôpicos de anes fracionários a partir de dados DTI normalizados, suavizando os mapas fracionários e atrópicos e avaliação estatística, incluindo correção para comparações múltiplas a seguir. As diferenças nos mapas de antrópio fracionário de pacientes com esclerose lateral amiotrófica versus controles são calculadas por estatísticas espaciais baseadas em todo o cérebro. Calcule os mapas de FA a partir de dados DTI normalizados para preservar as informações direcionais como uma etapa de pré-processamento antes da comparação de voxel, aplique um filtro de suavização aos mapas de FA normalizados individuais para suavização.

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

Reduza ainda mais o erro alfa usando um algoritmo de correlação espacial que elimina voxels isolados ou pequenos grupos isolados de voxels na faixa de tamanho do kernel de suavização, levando a um tamanho mínimo de cluster de limite de 512 trincheiras na trilha seguinte duas vezes. As estatísticas fracionárias de anes atrópicas são calculadas para pacientes com esclerose lateral amiotrófica versus controles. Para aplicar algoritmos de rastreamento de fibra baseados em grupo, gerar conjuntos de dados DTI médios a partir dos dados do paciente e dos dados de controles juntos e, em seguida, realizar a tractografia e os conjuntos de dados DTI médios de grupos de sujeitos pela aplicação de uma técnica de rastreamento simplificada.

Identifique pontos de sementes definidos manualmente adjacentes aos máximos locais por toda a análise de FA baseada no cérebro, que são a base para a análise de rastreamento de fibra consecutiva após a identificação das sementes, execute a tractografia t e defina os voxels das fibras delineadas como uma máscara específica de grupo para o TFAS seguinte. Para quantificar os resultados da tractografia T, aplicar o TFAS usando as trilhas de fibra que foram criadas nos conjuntos de dados médios do DTI de todos os indivíduos de cada grupo para a seleção dos voxels que contribuem para uma comparação entre os pacientes e os controles, mapas de AF para obter informações abrangentes por WBSS e TFAS, considerar todos os voxels resultantes com um valor de FA acima de 0,2 para análise estatística pelo teste T de Student. Esta animação mostra as diferenças de grupo nos mapas de AF detectados pela WBSS entre uma amostra de pacientes com LS e controles pareados na visualização slice wise.

Este vídeo mostra o rastreamento de fibras com pontos de partida no trato corticoespinhal usado como base para o TFAS Once Mastered. Essa técnica pode ser feita quase automaticamente em poucas horas, se for executada corretamente. Depois de assistir a este vídeo, você deve ter uma boa compreensão de como realizar a análise DTI no nível do grupo usando estatísticas espaciais baseadas em todo o cérebro e estatísticas TrackWise FA.