FMRI ve difüzyon ağırlıklı görüntüleme ile Beyin Yapısı ve Fonksiyonu Co-analizi

Summary

Biz manyetik rezonans görüntüleme (MRG) ile beyin yapısı ve işlevleri aynı anda analizi için yeni bir yaklaşım açıklanmaktadır. Biz yüksek çözünürlüklü difüzyon ağırlıklı görüntüleme ve beyaz madde lif traktografi beyin yapısının değerlendirilmesi. Standart yapısal MRG aksine, bu teknikler bize doğrudan beyin ağlarının fonksiyonel özelliklerini anatomik bağlantı ilgili izin verir.

Abstract

Karmaşık bilgi işlem sistemlerinin çalışması gibi devre şemaları gibi ağ haritaları ile kolaylaştırılır. Bir beyin alanı kriterlerdir büyük ölçüde diğer beyin bölgeleri ile bağlantıları tarafından tanımlanmış olabilir fonksiyonel rolü, beyin okuyan zaman, bu haritalama özellikle bilgilendirici. Bu yazıda, manyetik rezonans görüntüleme (MRG) ile beyin yapısı ve işlevi ile ilgili bir roman, non-invaziv bir yaklaşım açıklanmaktadır. Bu yaklaşım, uzun menzilli fiber bağlantıları ve fonksiyonel görüntüleme verilerinin yapısal görüntüleme bir arada, iki farklı bilişsel alanlarda, görsel dikkat ve yüz algılama gösterilmektedir. Yapısal görüntüleme beyinde beyaz madde lif yolları (Şekil 1) boyunca su moleküllerinin difüzyon izlemek difüzyon ağırlıklı görüntüleme (DAG) ve lif traktografi ile gerçekleştirilir. Bu lif yolları görselleştirmek, biz beynin uzun menzilli bağ yapısını araştırmak edebiliyoruz. Elde edilen sonuçlar favora karşılaştırmakMecliste DAG, difüzyon tensör görüntüleme (DTG) en yaygın kullanılan tekniklerden biri ile. DTI beyin fonksiyonlarının ayrıntılı, anatomik bilgili modelleri oluşturmak için kendi programını sınırlayıcı, lif yolları karmaşık konfigürasyonları çözümleyemiyor. Buna karşılık, bizim analizleri hassasiyet ve doğruluk ile bilinir nöroanatomi ürerler. Bu avantaj, veri toplama işlemleri nedeni kısmen yol tarifi az sayıda (örneğin, 6 veya 12) birçok DTI protokolleri tedbir difüzyon ederken, biz 257 yönde difüzyon değerlendirir ve bir difüzyon spektrum görüntüleme (DSI) ^{1, 2} protokolünü kullanan manyetik gradyan güçlü bir mesafeden. Ayrıca, DSİ veriler bize elde edilen verilerin yeniden yapılandırılması için daha sofistike yöntemler kullanmanıza izin verir. İki deney (görsel dikkat ve yüz algılama) olarak traktografi işlevsel ağlar oluştururlar kaybolmamış hipotezle destekleyerek, anatomik bağlı insan beyninin bu co-aktif alanlar ortaya koymaktadır. DAG bize bir "devre di oluşturmanıza olanak sağlarAGRAM "ve ilgi ağlarında izlenmesi görev alakalı beyin aktivitesinin amacıyla, bireysel-konu bazında yayınlıyoruz.

Protocol

1. MR Veri Toplama için donatım

Şekil 2 ve 3 difüzyon MRG toplama, veri yeniden ve fiber izleme yapılacak seçimler bir dizi özetler. Bu seçenekler genellikle trade-off'lar dahil, ve en iyi seçim bir araştırma hedeflerine bağlı olabilir unutmayın. Örneğin, DSİ ve multi-kabuk HARDI (bkz. Şekil 2) tipik DTI daha yüksek "b-değerleri" (yani, güçlü difüzyon ağırlıklandırma) kullanın. Sonuç olarak, bu yöntemler lifler geçişi çözülmesi veya "öpme" için gerekli olan daha iyi açısal sahip (yani, hangi lifleri birbirlerine doğru eğri, tekrar uzak kavisli önce tek bir temas eden tanjant). Ancak, açısal çözünürlük bu kazanç genellikle EPI verileri daha düşük sinyal-gürültü oranı (SNR) (Şekil 3) pahasına elde edilir. Araştırmacılar kendi özel amaçları için bu trade-off alaka düşünebilirsiniz:bir çalışma olan yörüngeleri, diğer yolları paralel çapraz ya tüketmemek için birkaç önemli lif yolları üzerinde duruluyor eğer düşük yönü yüksek SNR ile DTI tarama ideal olabilir. Inferior longitudinal fasciculus'un Görüntüleme Böyle bir durumda temsil edebilir. Bir araştırmacı kompleks geçişleri yoluyla bir yolu izlemek istiyorsa aksine, SNR kaybı kabul edilebilir bir sonucu olabilir.

Benzer bir trade-off kafasını hareket düzeltme, girdap akımları, ve doğrusal olmayan görüntü bozulmaları içerir. Hava sinüslerde cepleri, fizyolojik gürültü, ve diğer faktörler ³ kaynaklanan manyetik alan homojensizliklerin duyarlıdır; DAG protokolleri kullanımı eko-planar görüntüleme (bkz. Tablo 1 EPI). Özellikle bu alanlarda fiber izleme sonuçlarının geçerliliği ve güvenilirliği azaltır inferior temporal lob ve orbito-frontal korteks, istenmeyen görüntü bozulmalarını, bu homojensizliklerin sonucu. Ek bozulmalar eddy Curren tarafından oluşturulurts, ⁴ anahtarlama hızlı MR degrade bir ürünüdür. Katılımcılar 'kafa hareketli görüntü kalitesini düşürür ve olumsuz traktografi etkileyen başka bir faktördür. Mevcut yöntemlerle baş hareketi ve bu DTI gibi düşük b-değer veri, görüntü bozulmaları hem düzeltebilirsiniz, ancak bu yöntemleri gibi DSİ gibi yüksek çözünürlüklü yöntemleri uzatıldı olmamıştır. DSİ veri dosyasını düzeltme yöntemleri uygulamada zorluk yukarıda anlatılan düşük SNR (Şekil 3) kaynaklanmaktadır. EPI bozulma duyarlı beyin bölgelerinde fiber izleme için, düşük-yönlülük DTI veya görüntü bozulmaları düzeltilebilecek olan başka bir yöntem kullanmak en iyisi olabilir. Beyin boyunca yüksek açısal isteniyorsa diğer yandan, araştırmacılar DSİ, HARDI, veya benzer teknikleri kullanmak için tercih edebilir. Tuch (2004), ⁵ önerdiği bir DSİ tarama boyunca difüzyon ağırlığa sahip olan araştırmacıların Boşluk T2 görüntüler, hareket düzeltme için kriterler (örneğin, s sağlamaee ref. 6). Tüm durumlarda, araştırmacılar edinme sırasında kafa hareketi olumsuz etkilerinin farkında olmalıdır: son derece eğitimli katılımcıların kullanımı ve lokma barlar, burun korumaları, dolgu, veya diğer önlemlerin kullanımı yoluyla hareketini en aza indirmek için tavsiye edilir.

Sonuçları burada değişen degrade güçlü olan, bir 257-yönü difüzyon spektrum görüntüleme (DSI) protokolünü kullanır b = 300 7,000 (Tablo 1'de parametreleri bakınız). Sundu Difüzyon spektrum görüntüleme (DSI) dizisi bu yüksek çözünürlüklü difüzyon verilerin toplanması için gerekli bazı özelliklere sahip modern MR tarama ekipman gerektirir. Siemens Tim Trio tarayıcı üzerinde yaklaşık 43 dakika: Bu sırası zamanı gereksinimleri önemli olduğunu unutmayın. Kapsamlı ampirik test ettikten sonra, bu verilerin kalitesini süresi ve tarama maliyeti haklı olduğunu hissediyorum, ancak satın alma protokolü seçiminde, kullanıcıların dikkatli ca karşı araştırma hedeflerini tartmak gerekirKapasiteler ve katılımcıların konforu. Biz de iyi kalitede DSİ verileri ileri veri toplama teknikleri ⁷ ile 10 kadar az dakika içinde tahsil edilmiştir unutmayın.

1. 3 Tesla alan gücü MR cihazı: 3T yüksek açısal yönde DSİ tarama için gerekli sinyali elde etmek için gereklidir.
2. 32 kanallı faz dizilimli kafa bobini: yüksek hassasiyet ve mükemmel sinyal-gürültü oranına sahip bir kafa bobini DSİ veri toplamak için gereklidir. Sekiz ve 12 kanal bobinler beyin yüzeyinde daha az sinyali sağlar, dolayısıyla bu bobinler projeksiyon alanların kesin eşleme desteklemek için artan tarama süresi gerekli olabilir.
3. DSİ tarama sırası süresinin uzun olması nedeniyle, ve hareket düzeltme DSİ verilerine uygulanabilir olamaz, çünkü mükemmel bir kafa istikrar nesne hareketi kontrol etmek gereklidir: Kafa stabilizasyon. Hareket doldurma ve teyp bir ısırık bar kadar kontrol, vakum torbası, veya termoplastik maske subjektif stabilize etmek tavsiye edilirts 'kafaları. Herhangi bir yönde öteleme hareketi veya dönme hareketi 2 ° 2 mm'den fazla aşırı ve verileri hariç gerekçesi olarak kabul edilebilir.
4. FMRI sunum ekipmanları: fMRI tarama için fonksiyonel tohumlar, ilave ekipman kullanılarak analizler için gereklidir. Lokalize bölgeler türüne bağlı olarak, bu genellikle bir MR uyumlu ekran (örneğin MR uyumlu LCD projektör sistemi gibi), bir düğmeye tepki sistemi, ses sistemi ve tarayıcı satın alma ile senkronize deneme sunumu, bilgisayar içerir.

2. Tarama Prosedürü

1. Gerçekleştirilen ve bilgilendirilmiş onam elde edilecek taramaları doğası hakkında kısa katılımcılar. Kafa hareketi (özellikle uzun DSİ tarama sırasında) en aza indirmek için gerekliliğini vurgular. Katılımcıların bir film ya da DSİ tarama sırasında eğlence için diğer video seçenek sunuyoruz. Davranışsal görevlerin fonksiyonel tarama için denek görev releva için ekran izlemek için talimatnt uyaranlara ve gerektiği gibi cevap.
2. MR kontrendikasyonlar için tarama sonra, rahatça tarayıcıya yukarıda açıklanan yöntemlerden birini ve slayt hasta yatak kullanarak katılımcıların kafa stabilize.
3. İlk izci taramaları ve kalibrasyonu gerçekleştirin.
4. Anterior ve posterior commisures bağlayan hayali bir çizgi için DSİ tarama paralel için dilim reçete ayarlayın. DSİ tarama için dilim tüm beyin kapsayacak emin olun.
5. Konu sunumu sistemine tarayıcı veya saatler eğlence rahatlatır ise DSİ taraması çalıştırın.
6. Hemen DSİ tarama tamamlandıktan sonra, diğer anatomik veya fonksiyonel verileri ile DSİ verileri eş kaydettirdiğiniz ileride kullanmak (örneğin, hizalama) için T1-ağırlıklı anatomik tarama (örneğin, MPRAGE) toplamak.
7. İsteğe bağlı olarak, standart EPI puls sekansları kullanılarak aynı seansta fMRI verileri toplamak.
8. Gerekirse, ayrı bir tarama oturumunda fMRI taraması yapmak. Collveri setlerinin ortak kayıt kolaylaştırmak için her iki seansta bir MPRAGE ect.

3. Anatomik MRI İşleme

Aşağıda açıklandığı gibi FreeSurfer, bir yüksek çözünürlüklü T1 ağırlıklı anatomik görüntü kullanılarak fMRI verisinin ve otomatik segmentasyon yüzey analizi için mükemmel beyaz-gri cevher kontrast gereklidir. Bu görüntü fonksiyonel ve difüzyon ağırlıklı görüntüleme verilerini analiz etmek için ortak bir referans alanı sağlar. En modern MRI tarayıcıları, bu görüntü bir MPRAGE (Mıknatıslanma Rapid Gradient Echo Hazırlayan) görüntü olarak anılacaktır. En modern MPRAGE dizileri tek bir tarama (Tablo 1 parametreleri) yeterli kalitede veri sağlayabilir. Gerekirse, iki veya daha fazla tarama segmentasyonu için gri-beyaz cevher kontrast artırmak için ortalama edilebilir. Aşağıda, genellikle farklı voksel boyutlarda ve farklı kökenli puan ile toplanır DAG ve fMRI verileri, otomatik olarak hizalanır ve için resampled nasıl açıklarMPRAGE ile eş zamanlı görüntüleme.

FreeSurfer anatomik MRI işleme akımının detaylı tanımları FreeSurfer wiki (bulunabilir http://surfer.nmr.mgh.harvard.edu/fswiki/FreeSurferWiki ); FreeSurfer çıkış çoklu kortikal yüzey temsilleri, hem de kortikal parselinin kapsamaktadır anatomik özellikleri ve subkortikal yapıların segmentasyonu. Biz kolayca AFNI / SUMA, FSL, SPM ve diğer nörogörüntüleme yazılım paketleri araçları kullanarak işlenebilir dosya biçimleri içine bu çıkışı dönüştürür FreeSurfer çıkışı üzerinde AFNI / SUMA komut @ SUMA_Make_Spec_FS çalıştırmanızı öneririz. Örneğin, görüntü birlikte bu tür kayıt 3dAllineate gibi çeşitli programlar biridir (AFNI / SUMA), Hal (FSL), bbregister (FreeSurfer), ya da SPM Coregister fonksiyonu ile gerçekleştirilebilir.

1. Anatomik segmentasyon ve kortikal yüzey rekonstrüksiyonu b gerçekleştiriny FreeSurfer otomatikleştirilmiş algoritması (Recon-tümü) T1-ağırlıklı anatomik görüntü göndererek.
2. SUMA @ SUMA_Make_Spec_FS komut dosyası kullanarak içine FreeSurfer işleme sonuçları alma. Bu adım giriş anatomik görüntünün bir yoğunluk-normalize, kafatası-soyulmuş sürümü dahil FreeSurfer çıktı tüm birimlerin NIFTI-biçimi sürümlerini oluşturur. Biz AFNI / SUMA terminolojisine göre, Yüzey Hacim olarak işlenmiş anatomik resme bakın; @ SUMA_Make_Spec_FS tarafından oluşturulan bu görüntünün NIFTI sürümü brain.nii adlandırılır.
3. Çıkan Yüzey Hacmi (Suma dizininde brain.nii adlı bu görüntünün NIFTI format sürümü kullanmak) için DSİ B0 görüntüyü hizalayın.
4. Co-kayıtlar daha sonraki kullanım için 12-noktalı afin dönüşüm matrisi kaydedin.

4. Fonksiyonel MRI (fMRI) İşleme

Fonksiyonel MR tetkikinde nesil ya da lifleri post-hoc seçimi için ilgi alanları (ROI) tanımlayabilirsiniz. Herhangi bir eko-Belirli fMRI deneyleri için optimize parametreleri ile düzlemsel görüntüleme (EPI) pals dizileri kullanılabilir. Aynı şekilde, bu tür AFNI / SUMA (NIMH, NIH) ^{8, 9,} BrainVoyager (Brain Yenilik) ^10, FSL (FMRIB, Oxford Üniversitesi) ^{11, 12,} ve SPM gibi fMRI işleme ve analizi için mevcut yazılım paketleri, çok sayıda ( Nörogörüntüleme için Wellcome Trust Merkezi, University College London) ^13. Şekil 4 "fMRI işleme ve analizi" bölümü AFNI / SUMA yazılım paketi göre bir analiz yolu özetlenmektedir. Daha ayrıntılı kullanım talimatları için, biz AFNI / SUMA web sitesinde mükemmel öğreticiler ve diğer eğitim materyalleri (okuyucuları bakın http://afni.nimh.nih.gov ).

Lif-izleme için fMRI analizi sonu hedefi vurgu maksimum aktivasyon odağı bulmak için sık sık olduğu standart fonksiyonel yerelleştirme analizleri, farklıdır.İyi istatistiksel yöntemin önceden istatistik mukayeseler için alfa düzeyleri belirlemek için araştırmacılar gerektirir, ancak araştırmacılar istatistiksel eşikleri seçim fonksiyonel aktivasyon mekansal ölçüde etkileyen ve bu nedenle fiber sonlandırma alanların ölçüde olacak gerçeğini düşünmelisiniz.

1. Referans görüntü olarak çalışacak ilk tarayıcı ortalama görüntü kullanılarak, her bireyin fMRI verileri konuda kafa hareketi için düzeltin.
2. İsteğe bağlı olarak, özellikle hızlı bir olaya ilişkin görev tasarım kullanıyorsanız, dilim edinimi zaman düzeltme gerçekleştirin.
3. Her çalışma içinde, her voksel için zaman serisi normalize ederek sinyal bazal arasındaki dönem farklılıkları düzeltin.
   1. Böyle 3dcalc (AFNI / Suma) veya fslmaths (FSL) gibi bir program kullanarak, belirli bir çalışma için zamanla anlamına vokselin den yüzde değişim olarak her vokselin zaman serisi ifade eder.
   2. Alternatif olarak, sinyal ortalama ve st dayalı, her çalışma için her vokselin zaman serisi z-dönüşümüzamanla andard sapması.
4. Co-ol her işlenmiş EPI Yüzey Hacmi (brain.nii) için FreeSurfer (yukarıya bakınız) tarafından oluşturulan veri kümesi çalıştırın.
5. EPI belirli bir birey için zaman çalışır tüm bitiştirmek.
6. Harita her EPI her çalışma için bir NIML yüzey dataset üreten, 3dVol2Surf (AFNI / Suma) kullanarak yüzeye çalıştırın.
   1. Pürüzsüz beyaz cevher ve haritalama için referans yüzeyleri gibi pial yüzeyleri kullanın; bunlar sırasıyla, gri / beyaz madde sınır ve korteks yüzeyi temsil olarak düşünülebilir olabilir.
   2. Bu iki yüzey arasındaki mesafe üzerinden sinyal ortalama.
7. Kortikal yüzeyde İsteğe pürüzsüz EPI veri SurfSmooth (AFNI / Suma) kullanarak.
8. Konu ile sunulan deneysel şartlar her birine karşılık gelen bir zaman dönemleri için ayrı regresyonu oluşturun.
9. Genel lineer model (GLM) bu Regresör (hiçbir ilgi Regresör birlikte) Gönderfonksiyonel veri analizi.
10. Farklı regresyonu Kontrast beta ağırlıkları yüzeyi boyunca istatistiksel bir değer "işlevsel harita" üretmek için
11. İsteğe bağlı bir faktöriyel tasarım kullanıyorsanız, varyansın grup seviyesinde analizi (ANOVA) içine birden katılımcılar için beta-ağırlık değerleri girin.
12. Işlevsel haritalar familywise hata oranı (Gauss rastgele alan teorisi) ¹⁴ ya da yanlış keşif hızı (FDR) ^15, çoklu karşılaştırmalar için düzeltmek için ¹⁶ ayar istihdam, istatistiksel olarak anlamlı etkileri görmek için eşiklenir türet.
13. Her parçalanabilir alanı etiketleyerek yüzey üzerinde önemli fonksiyonel aktivasyon bitişik bölgelerden, traktografi ekimi için daha sonra kullanılacak ilgi alanları (ROI), oluşturun.
    1. Otomatik segment ve böyle SurfClust (AFNI / Suma) gibi bir mekansal kümeleme algoritması kullanılarak etiket ROI'leri.
    2. Alternatif olarak, Suma adlı Beraberlik ROI özelliğini kullanarak elle çizmek ROI'leri.
    Traktografi sırasında akıcılık ile temas maksimize etmek 3dSurf2Vol (AFNI / SUMA) kullanarak beyaz madde içine ROI'leri genişletin.
    1. 6. adımda olduğu gibi, eşleme için pürüzsüz beyaz cevher ve pial yüzeylerde kullanabilirsiniz.
    2. Her bir yüzey düğüm gri cevher kalınlığının% 50 gri / beyaz madde sınırının altında ROI büyümek için f_p1_fr = -0.5 ayarlayın.
    3. Pial yüzeyine zıt yönde ROI büyümek için f_pn_fr = 1 ayarlayın.
14. Yüzey Hacmi (brain.nii) için B0 görüntü Hizalamada oluşturulan 12 maddelik afin dönüşüm matrisinin tersini bulmak için AFNI programı cat_matvec kullanın.
15. DSİ verileri ile uyum amacıyla fonksiyonel ROI için ters matris niiApply.

5. Difüzyon Ağırlıklı Görüntüleme Veri İşleme

Difüzyon ağırlıklı görüntüleme çok farklı combinati kapsayan, beyaz cevherde görüntüleme yöntemleri için genel bir terimdirveri toplama ve rekonstrüksiyon yöntemleri ons. Belki de difüzyon tensor görüntüleme (DTG), ^{17, 18} olarak adlandırılan, en sık kullanılan yöntem, 6 ya da 12 yönde difüzyon ölçme, veri toplama 5-10 dakika dayanır. Bu verilere dayanarak, difüzyon modelleri genellikle iyi bir tek dominant difüzyon yönünü tespit etmek için uygundur basit tensör modeli ile modellenmiştir. Bu sınırlama DTI birbirleriyle veya tek bir noktada "öpücük" çapraz görüntüleme elyaflar için iyi performans anlamına gelir. Geçişi ve öpüşme lifleri daha iyi gibi yüksek açısal çözünürlüklü difüzyon görüntüleme (HARDI) ^19-21, difüzyon spektrum görüntüleme (DSI) ^{1, 2,} ve genelleştirilmiş q-ball görüntüleme (gibi yüksek çözünürlüklü edinimi ve rekonstrüksiyon yöntemlerinin kombinasyonu ile tespit edilir GQI) ^22-24.

Siemens 3T tarayıcılar üzerinde çalışan bir 257-yönü çok kabuk DSİ dizisi (param burada sunulan sonuçların elde edilmesi için kullanılanTablo 1 'de etreleri). Edinilen veriler birden fazla yönde eşzamanlı difüzyon algılayabilir bir oryantasyon dağılım fonksiyonu (ODF) her voksel içindeki difüzyon modelleri modellemektedir GQI yöntemi ²⁴ ile yeniden inşa edildi. Diğer yüksek açısal çözünürlük difüzyon dizilerinin benzer sonuçlar üretmesi gerekir. ODFs bu doğru yeniden DSİ Studio, burada kullanılan işlem ile DAG traktografi programı için bir giriş eğim tablo (aynı zamanda, bir b-tablo olarak da adlandırılır) için araştırmacı gerektirir. (DSİ Studio Detaylı kullanım talimatları yazılımın web sitesine bulunabilir http://dsi-studio.labsolver.org .) Bu tablo elde DAG hacimleri her Degrade yönünü ve manyetik alan şiddeti listeler. Degrade tablo MR edinimi protokolü bağlıdır ve otomatik DSİ Studio tarafından DICOM görüntüleri elde edilir. Ancak, araştırmacılar bu autom karşılaştırın öneririzOnların tarayıcının DAG protokolü için standart bir tablo ile degrade tablo atically-ayıklanır.

1. Gerekirse, mri_convert kullanarak. Dcm (DICOM) formatında (FreeSurfer) MR görüntüleri dönüştürmek.
2. B0 görüntüleri (yani, eko-planar görüntüler difüzyon ağırlıklı toplanan) olan veri kümesi içinde hangi resim (ler) belirleyin.
3. AFNI programı to3d kullanarak NIFTI biçimine B0 resim (ler) dönüştürün.
4. DSİ Studio, açık DICOM görüntüleri ve bir kaynak (. Src) dosyası oluşturmak için birleştirir.
5. (Yukarıya bakın) bir degrade tablo sağlayın.
6. Varsayılan yeniden maskesi boş, kafatası, veya non-beyin dokusu dahil olmadan, tüm gri madde kapsadığını kontrol edin. Gerekirse maske düzenleyin.
7. Alternatif olarak, B0 görüntü üzerinde AFNI programı 3dAutomask çalıştırarak yeniden maskesi oluşturun.
8. DSİ, GQI veya GQI varyant: yüksek çözünürlüklü bir rekonstrüksiyon modelini seçin.
9. Içinde ana yayılma yönünde (ler) i temsil eden bir lif enformasyon dosyası (. Uydurmak) oluşturmaHer voksel.

6. Tüm-beyin Traktografi aracılığıyla Veri Kalitesi ve Takip Parametreleri Bakımından Değerlendirilmesi

Bir bütün beyin tohumu ile Takip lifler genel veri kalitesini değerlendirmek için hızlı ve etkili bir yoldur. Ayrıca, özellikle genel parametreleri, traktografi bir durma kriteri olarak kullanılan anizotropi eşiği için uygun değerlere karar vermek için bir fırsat sunuyor. Bu prosedür, fiber izleme işlemi de kapsamına iyileştirilmesi ve gürültü önleme arasında bir denge için gereklidir. Özel bakım gibi açı eşiği ve izleme eşikleri gibi anahtar izleme parametreleri, ayar alınmalıdır.

Farklı yolları göreli anizotropi, yaş ve beyaz cevher bütünlüğünün yanı sıra oturumlar arasında donanım kalibrasyonu gibi dış etkenler gibi biyolojik faktörlere bağlı olarak kişiden kişiye değişebilir unutmayın önemlidir. Aşağıda, izleme dengeye için birden çok yöntem önermekveri setleri arasındaki eşik. Tüm zamanlarda, bilinen nöroanatomi ile karşılaştırarak takip sonuçlarının kalitesini kontrol edin. Örneğin, bilinen interhemisferik bağlantıları (yani, korpus kallozum, anterior ve posterior commissures) dışında interhemisferik fissür çapraz lifleri izleme eşik çok düşüktür ve artırılması gerekmektedir, ya da kafa hareketleri eserler kanıtlar olabileceğini gösterebilir.

Lif yolları kısa vadede kurvatür değişmediğinden eğer hiç izleme eşiği aksine, açı eşik, oturumları arasında belirli bir birey için değişmez olmalıdır. Aynı şekilde, kanal eğrilik beyin boyut morfolojisi ya da büyük farklar yokluğunda, bireyler arasında nispeten sabit olmalıdır. Ancak, bakım bu parametrenin ilk değerlerini ayarlama alınmalıdır. Böyle hairpin eğrileri gibi imkansız yörüngeleri, izleyin Elyaf açısı eşiği çok yüksek olduğunu gösteriyor olabilir.

1. Bir oluşturmatüm beyin tohum bölgesi.
2. Düşük sinyal vokseller maskelemek için bir başlangıç ​​izleme eşik değerini ayarlayın.
3. Lifleri tek bir adımda n derece eğri yukarı izin açısı eşik ayarlayın.
4. Mm izleme adım boyutunu ayarlayın.
5. Lifler veya tohum noktalarının istenen sayısını ayarlayın.
6. Genel ODF rekonstrüksiyon kalitesini kontrol etmek için tüm beyin traktografi gerçekleştirin.
7. Başlamak için, medyan (gerçekleştirmede çapında) izleme eşiği seçin.
   1. TrackVis, fiber yolu görselleştirme ve analiz programı (Biyomedikal Görüntüleme, Massachusetts Genel Hastanesi için Martinos Merkezi) ²⁵ içine tüm beyin trk dosya yükleyin.
   2. ROI'ler olarak SUMA dizini (lh / rh.ribbon.nii) içinde gri madde (GM) hacimleri yükleyin.
   3. ROI'ler birinde iki ucundan var sadece lifleri kabul parça grup filtreleri, GM ROI'leri ayarlayın.
   4. Trk dosyasında lifler (% 90-100) en süzülmüş parça grupta kalmasını doğrulayın.
   5. Bir tekrarlayıns gerekli, DSİ Studio her zaman izleme eşiğinin ayarlanması.
8. Ayrıca boş (yani, beyin kenarlarında ve intra-giral uzayda) olarak vokseller üzerinden izleme eşik maskeleri açıkça beyaz cevherde yalan vokseller, çıkarmadan olmadığını kontrol edin.
9. İsteğe bağlı olarak, veri kümeleri üzerinde izleme eşik (yani, farklı oturumları ve / veya katılımcı) muvazene.
   1. DSİ Studio arayüzü aracılığı ile bir veri kümesi içinde istediğiniz gibi bir izleme eşik ayarlayın.
   2. DSİ Studio web (ilgili talimatlar uyarınca, MATLAB içine. Mat uzantısı ve ithalat ile DSİ Studio tarafından oluşturulan. Fib dosyasını yeniden adlandırın http://dsi-studio.labsolver.org ).
   3. Eğer eşik istediğiniz değerleri bir histogram oluşturun.
   4. Z-skorları içine harita değerleri dönüştürün.
   5. Başlangıçta DSİ Studio interfac belirlenen izleme eşiğinin z-skoru bule.
   6. Adım e'de bulunan z-skoru karşılık izleme eşik bulma diğer tüm veri kümeleri için adımları bd, gerçekleştirin.
   7. Adımları af için bir çapraz kontrol olarak, 500.000 tohumları ile oksipital kutup bir anatomik ROI gelen kontrol liflerin bir dizi izleyebilirsiniz.
   8. Bu prosedür yaklaşık gerçekleştirmede genelinde liflerin aynı sayıda (- 100 lifler +) üretir olduğunu kontrol edin.

7. Yerel-kısıtlı Traktografi

Tüm beyin traktografi aksine, yerel kısıtlı traktografi tür lifler veya geçmeyebilir gerekir hangi aracılığıyla hacimleri belirtme gibi YG tabanlı Boolean işlemleri, kullanımı yapar. Sonuç olarak, yerel-kısıtlı traktografi ilgi belirli lifler izleme için yüksek hassasiyet ve daha fazla kontrol sunuyor. Tüm beyin traktografi tohumlama faaliyetleri ve sınırlı bilgisayar grafik belleği yüksek hesaplama maliyet nedeniyle mümkün tohum puan alan, undersamples. (Bu poBu kısıtlamalara undersampling bir sonucu olarak traktografi algoritmaları değişiklikler, artan bellek kapasitesi, ya da diğer faktörlere bağlı olarak gelecek.) de azaltılabilir olacak ssible, tüm beyin traktografi sık sık olarak baskın yayılma yollarının karşı önyargılı sonuçlar üretir beyin. Kullanıcı tarafından sağlanan ROI'ler, tohum puan yüksek yoğunluklu sınırlı hedef bölgelerde sağlayarak daha kolay yakalamak zor-algılamak için lif yolları yaparak bu sorunu çözmek.

1. DSİ Studio tüm beyin tohum bölge oluşturun.
2. Bir veya daha fazla NIFTI bölge-faiz (ROI) dosyaları yükleyin.
3. İsteğe bağlı olarak geçmesine olmaMAlıdır lifleri vokseller belirtmek için kaçınma (ROA) Dosyanın bir bölümü yükleyin.
4. Yukarıda tarif edildiği gibi anizotropi eşik ve açı eşik ayarlayın.
5. Izleme yapın.
6. Anatomik detaylara elyaf parçaları karşılaştırarak kalitesini kontrol edin.

8. Endpoint Yoğunluğu Analizi

1. NIfTI ROI'ler ve trk dosyaları i yükleyinnto TrackVis.
2. Bölgeler arasındaki Boolean işlemleri gerçekleştirin.
3. Yeni bir TRK dosyasında olarak her bir işlemin sonuçlarını kaydedin.
4. Mekansal Yüzey Hacmi (brain.nii) dosyasına trk dosyaları dönüştürmek için track_transform (Difüzyon ToolKit) işlevini kullanın.
5. Dönüştürülmüş trk dosyası ve incelemek için TrackVis Yüzey Hacmi (brain.nii) yükleyin.
6. Niceliksel bağlantı tahminleri yapmak için MATLAB içine trk ve ROI dosyaları yükleyin.
7. Bir ROI {x / y / z} Centroid bulun.
8. Bağlantı bir tedbir olarak, ROI hacmi ile normalize bir ROI fiber uç sayısını hesaplamak.
9. Alternatif olarak, bu ROI'ye yolunuzun bağlantı özgüllük ve tutarlılık bir önlem olarak, fiber uç ve ROI Centroid arasındaki Öklid uzaklığı hesaplamak.

9. Temsilcisi Sonuçlar

Yüksek çözünürlüklü difüzyon görüntüleme ve elyaf traktografi geniş bir yelpazede uygulanabilirsinirbilimsel sorular. Bizim bu bildirideki odak detaylara işlevsel beyin yapısal bağlantı yöntemleri bağlantısıdır. Bununla birlikte, DAG herhangi bir uygulama veri toplama protokol, yeniden yöntem ve traktografi parametreler nihai ürün üzerinde kayda değer, bağımsız etkiler ortaya göz önüne alındığında, traktografi sonuç dikkatli bir şekilde değerlendirilmesi gerektiğini not edin. Şekil 5 kullanarak optimum ve sub-optimal sonuçlar gösterilmektedir tüm beyin traktografi. Bütün görüntüler tek bir üç katılımcıdan aynı 257-yönü DAG veri kümesi dayanmaktadır; en iyi sonuçlar sol panel gösterilmiştir. Buna karşılık, orta panel aşırı yumuşak traktografi parametreleri (FA ve açı eşikleri) etkisini gösterir. Sağ panel kalitede azalma gösterir DAG verileri yeniden oluşturmak için bir tek-tensör modeli kullanılarak elde edilen sonuçlar.

Bu traktografi sonuçlar teyit nasıl iki örnekleri arasında ve interpretati bildirmekfonksiyonel görüntüleme verileri üzerine. Yani, yüz algılama ve görsel dikkat: Bu deneyler fonksiyonel tohum bölgelerin oluşturulması izin bilişsel süreçleri değerlendirmek. Bu tohum bölgeleri kognitif ağı içinde beyaz madde bağlantı sorulara test etmek için de kullanılabilir. Şekil 6, bir yüz algı görev sırasında aktif bölgelerin bir örneğini göstermektedir. Konular fMRI tarama çalışmaları sırasında yüzleri ve gündelik nesnelerin fotoğraflarını inceledi. Orta fusiform girus (MFG) ve inferior oksipital girus (IOG) İki ventro-temporal bölgelerde, nesneler için daha yüzler için anlamlı olarak daha fazla BOLD yanıtları gösterdi. Bu iki işlevsel olarak tanımlanmış bölgeleri, (yukarıda Bölüm 6-7 belirtildiği gibi) traktografi sırasında tohum bölgeler olarak kullanılmıştır. Şekil 6A elyafın büyük bir paketin temporal lob içinde ilgi bu iki bölge bağlamak için (kırmızı renkte), akıcılık gösterir, yaklaşık 12 cm'lik bir mesafe üzerinde. Lifler ve s sıkı paketleme notBu mesafe fiber eğrilik merkezi derecesi. Bu desen, uzun mesafeler (örneğin, ref bkz. 26) üzerinde işlevsel ağlar içinde bire-bir bağlantı için tipiktir. Şekil 6B'de gösterilmektedir ayrı fiber uç noktaları ile birlikte tohum IOG işlevsel bölge (sarı renkte gösterilmiştir) (kırmızı nokta) . Fiber uç ROI çapında bulunmaktadır. Bu bağlantı desen bu bölgelerin yüz algılama ağı içinde hızlı iletişim altında yatan olabilir doğrudan, uzun mesafe bağlantıları olduğunu öne sürmektedir.

Bizim ikinci örnek (Şekil 7), görsel korteksin duyusal bölgeler ve posterior parietal korteks (PPC) olarak dikkat bir kontrol bölgesi arasındaki bağlantıları gösterir. Bu durumda, fonksiyonel aktivasyonlar (oksipital ve parietal bölgeler) iki takım aynı bireylerden alınan fMRI verisinin bağımsız setleri ile üretilmiştir. Parietal aktivasyonlar Visu 6 konumları arasında bir ilgi kayması task ile üretildi. Şekil 7A gösterir - oksipital bölgelerde görsel korteksin (V3 V1) fonksiyonel tohum bölgeler arasındaki sınırları işaretlemek için kullanılan standart görme alanı meridyen haritalama ²⁸ kullanılarak tanımlanmıştır, oysa diğerleri alanına (ayrıntı için ref bakın ^27.) V1, V2 ve V3 tohum bölgeleri (sırasıyla kırmızı, yeşil, ve mavi) yaklaşık yerle PPC tohum bölgede IPS-1 etiketli ve bu bölgelere bağlayan lif yolları. Sahaları onlar ekildi hangi oksipital ROI tarafından renklendirilir. Temporal lob (Şekil 6), uzun, düz elyaf aksine, bu beyaz madde yolları kısa bir mesafe (aralık 3 - 5 cm) kapsayacak ve bu nedenle, daha fazla U-şeklinde olup, oksipital diğerine seyahat gibi daha az sıkışık parietal lob. Şekil 7B lob her bölgede fiber uç noktaları ile birlikte kortikal yüzeyde IPS (kahverengi), V1 (kırmızı), V2 (yeşil), ve V3 (mavi) olarak işlevsel tanımlı bölgelerini göstermektedir. NotIPS-1 son nokta interdijitasyon büyük ölçüde tezat tohum bölgeye göre oksipital lobda yolları, ayrılığı. Bu bizim PPC bölgedeki (seçici dikkat görevi sırasında fMRI aktivite yoluyla tespit) duyusal korteks birçok farklı düğümlere yapısal bağlantıları olan, beynin bir yakınsama alanı olabileceğini düşündürmektedir. Bu bağlantı desen erken korteksde aktivitesini modüle daha yüksek kortikal bölgelerden dikkat kutuplama sinyallerinin iletimi için izin verebilir; bu sinyallerin görsel korteks ^{29, 30} hedef gösterimleri geliştirmek için yardımcı olur.

Şekil 1. . Difüzyon ağırlıklı görüntüleme (DAG) Panel anahtar kavramları şematik gösterimi A: homojen bir ortamda, difüzyon Brownian hareketi sonucu rasgele ortaya çıkar. Su moleküllerinin büyük sayılar için, difüzyon izotropik, yani toplam difüzyon deseni küresel olduğunu. Panel B: akson içinde ve aksonal demetleri çatlaklarda su moleküllerinin difüzyon aksonal duvarları ve diğer destek yapıları ile kısıtlanır. Bu nedenle, lif yolları boyunca dağılma anizotropik: bu, başka yönlerde göre fiber sistem yörüngesi boyunca çok daha büyüktür. Panel C: Yüksek çözünürlüklü DAG yöntemleri beyaz cevher yollarının karmaşık konfigürasyonları anizotropik difüzyon modellemek için böyle bir yönelim dağılım fonksiyonu (ODF) gibi modelleri kullanın. Bu örnekte de görüldüğü gibi, ODFs tek bir noktada kesişen birden fazla lif yolları için ayrı difüzyon yollar ayırt edebilirsiniz. Iki ya da üç farklı fiber içeren yolları Geçişleri beyin yaygındır.

Şekil 2. Fiber-izleme araştırma çeşitli şekillerde gerçekleştirilebilir. En önemli seçenek edinme protokol, yeniden inşa tekniği, ve traktografi yöntem içerir. Geçerli kağıt, biz use bir difüzyon spektrum görüntüleme (DSI) ^1, edinimi için ² protokolü; jeneralize Q-örnekleme görüntüleme (GQI) rekonstrüksiyon için ²⁴ ve FACT deterministik traktografi ^{40, 41.} Her voksel içindeki difüzyon temsil etmek; Biz özellikle oryantasyon dağılım fonksiyonları (bkz. Şekil 1 ODFs) oluşturmak model ücretsiz ve hibrid rekonstrüksiyon teknikleri, vurgulayın. Araştırmacılar bütçe, mevcut zaman, yüksek açısal çözünürlük ihtiyacı ve baş hareketi ve doğrusal olmayan görüntü bozulmaları için düzeltme önemine göre farklı boru hatları seçebilirsiniz. Bu rakam tüm canlı edinimi, yeniden yapılanma ve traktografi yöntemleri kapsamlı bir liste değildir. Rekonstrüksiyon teknikleri mükemmel bir değerlendirme için Seunarine & Alexander ⁴² Bkz.

Şekil 3,. Difüzyon MRG edinimi değişkenlerin etkileşimi, tarama süresi ve ability fiber kesişmelerinin çözmek için. Yüksek difüzyon kontrast karmaşık geçiş yapılandırmaları lifleri çözmek için gereklidir. Bu karşıtlık gradyan yönleri sayısı (yani, olası fiber yönelimlerin sayısı) ve b-değeri (difüzyon ağırlık derecesini gösteren) dahil olmak üzere birçok faktöre bağlıdır. Burada b-değerleri ve gradyan yönleri sayısının arttırılması tipik etkileri mevcut. Bu tablo sadece eğilimleri gösterir ve bireysel teknikleri tarama süresi, sinyal-gürültü oranı (SNR) ve difüzyon kontrast farklı etkilere sahip olabileceğini unutmayın. Genel olarak, kontrast gradyan yönleri sayı ve b-değeri büyüklüğü artırarak geliştirilebilir. Daha yüksek b-değerleri, ancak, difüzyon ağırlıklı görüntülerin sinyal-gürültü oranı azalır ve tarama zamanı genellikle artar.

Şekil 4. Grafiksel summayeşil metin kullanılabilir yazılım gösterir iken siyah anatomik MRG, DAG-MRG ve fMRI işleme akarsu ry. Yazı, her işlem adımının doğasını açıklar. Kesik çizgiler ve kutular tüm projeler için geçerli olmayabilir isteğe adımları göstermektedir. Bu örnekte, işlem AFNI / SUMA paket (DSİ Studio veya TrackVis belirtildiği durumlar hariç) içinde gerçekleştirilir. Diğer beyin analiz paketler içinde benzer işlevler de sık sık ikame edilebilir. Bu diyagramlar gösterildiği adımların birçoğu uygun komut içine yazılım geliştiriciler tarafından kısmen konsolide olmuştur: biz özellikle FreeSurfer Recon-tüm boru hattına okuyucuların bakın ( http://surfer.nmr.mgh.harvard.edu/fswiki/ReconAllDevTable ) . Biz birkaç yazılım paketleri DAG veriler için komple işleme hatları sağladığı ek unutmayın, ancak bu paketler kendi güçlü ve zayıf yönleri değişir, Ve bazı yüksek açısal çözünürlük difüzyon MRG verileri ile çalışmak için araçlar içermez. büyük bir rakam görmek için buraya tıklayın .

Şekil 5,. Farklı rekonstrüksiyon yöntemleri ve traktografi parametreler ile tüm beyin traktografi İllüstrasyon. Tüm görüntüler aynı veri kümesi, birden fazla b-değeri (7,000 s / mm ^2, 5 kabukları) ile 257-yönü difüzyon spektrum görüntüleme (DSI) dizisi elde edilmiştir. Panel A: yüksek çözünürlüklü, ODF tabanlı rekonstrüksiyon yöntemi kullanılarak elde optimum sonuçlar. 0.06, nispeten yüksek bir izleme eşik sadece çok anizotropik vokseller lifler oluşturmak için seçildi, ve 55 ° 'lik bir açı eşik biyolojik olarak gerçekçi olmayan eğrilik (yani, "döngü" lifleri) ile liflerin üretimi önlemek üzere seçildi. Nuzunlamasına fissür ayrılmış hemisferlerin da net, OT, aynı zamanda lif donatılacak sulkal / giral kontür bekleniyor izler nasıl unutmayın. Panel B: Aynı rekonstrüksiyon yöntemi (A) olarak kullanılan, ancak FA ve açı eşikleri traktografi (0.03 ve 85 °, sırasıyla) sırasında daha fazla Yumuşak bir kuruldu. Sakıncalı takip parametreleri anatomik yapısı hakkında doğru bilgileri gizlemek "önemsiz" lifler, çok sayıda nesil neden olabilir. Uygun parametre seçimleri konusunda tavsiye almak için, "Veri Kalitesinin Değerlendirilmesi ve Tüm-Beyin Traktografi yoluyla Parametreleri İzleme", Bölüm 5'e bakınız. Panel C: Veriler tek bir tensör modeli, DAG en yaygın kullanılan yöntemlerden biri kullanılarak yeniden inşa edildi. Uygun izleme parametreleri (A gibi) ile tek tensör modeli çok bilinen belli başlı lif yolları üretir ve giral konturları Sagital görünümde biraz görebilir. Ancak, aynı zamanda ODF modeline daha fazla yanlış pozitif üretir: not lifler yatay yolculuk interhemisferik fissür boyunca ly. büyük bir rakam görmek için buraya tıklayın .

Şekil 6. Bir yüz algılama denemeden Traktografi sonuçlar. Paneli (A) gösterir bir yüz algılama deneyinden belirlenen fonksiyonel ROI arasındaki traktografi kaynaklanan kolaylaştırır. Alt oksipital girus (IOG) ve orta-fusiform girus (MFG) Genel alanlarda sarı oval gösterilir. Panel (B) liflerin IOG uç arka temporal korteks yüzeyinin büyütülmüş bir alttan görünüşü gösterilen panel (A) 'de belirtilen göstermektedir. Sarı işlenen ROI bir yüz algılama fonksiyonel MRG deneyi kaynaklanmıştır. IOG işlevsel olarak tanımlanmış aktivasyon ve fiber uç noktaları arasında büyük anlaşma unutmayın. Bu lifler, bir beyin bölgesi MFG katılan yüz algı izleyebilirsiniz.p :/ / www.jove.com/files/ftp_upload/4125/4125fig6large.jpg "target =" _blank "> büyük bir rakam görmek için buraya tıklayın.

Şekil 7. Bir görsel dikkat deneyi. Paneli (A) 'dan Traktografi sonuçları bir görsel dikkat deneyde ²⁷ identifiye fonksiyonel ROI arasındaki traktografi kaynaklanan akıcılık gösterir. Posterior parietal korteks (IPS-1) ve görsel korteks (V1d, V2d, & V3d) Genel alanlarda renkli oval gösterilir. V1d için kırmızı, V2d için yeşil ve V3d için mavi: Fiber yolları gelen renkler işlenir. Panel (B) liflerinin uç noktaları (posterior parietal ve oksipital) kortikal yüzeyin büyütülmüş bir yan görünümüdür gösterilen (A) panel belirtilen göstermektedir. Renk sözleşmeler panelinin olanlar (A) maç. Bir görsel dikkat fonksiyonel MRG deneyi kaynaklanan faiz Bölgeler kortikal yüzey üzerinde görüntülenir. Her üç syolları / uç ets görsel korteks hedeflere sinyaller kutuplama ilgi kaynağı olabilir görsel dikkat öncelik haritası bulunduğunun sanıldığını IPS-1 bölgesinde, yakınsama. Bu lif yolları oksipital uçları açık görsel korteksin bölgeye göre ayrılmış oysa IPS-1 yolları büyük ölçüde, interdigitated edilir.

MR Tarama	Parametreler
DSİ	257 yönde difüzyon spektrum görüntüleme (DSI) tarama bir kez-refocused spin-eko EPI sekansı kullanarak ve bir 43 dk edinimi süresi ile birden q-değerleri (TR = 9.916 ms, TE = 157 msn, voksel boyutu = 2.4 x 2.4 x 2.4 mm , FoV = 231 x 231 mm, b-max = 7,000 s / mm 2, 5 kabukları)
Anatomik	T1 ağırlıklı MPRAGE dizisi (1 mm x 1 mm x 1 mm, 176 sagittal kesitler, TR = 1,870, TI = 1.100, FA = 8 °, GRAPPA = 2)
fMRI </ Td>	T2 *-ağırlıklı eko-planar görüntüleme (EPI) darbe dizisi (31 oblik aksiyel kesitler, x 2 mm, 3 mm kesit kalınlığı, hiçbir boşluk, tekrarlama zaman [TR] = 2.000 ms, eko süresi [TE düzlem çözünürlük 2 mm ] = 29 ms, flip açısı = 90 °, GRAPPA = 2, matris boyutu = 96 x 96, görüş alanı [FOV] = 192 mm)

Tablo 1. Tedarik parametreleri Nörogörüntüleme.

Discussion

Yüksek çözünürlüklü DAG ve fiber traktografi insan beyninin bağ yapısını incelemek için güçlü bir yaklaşım sağlar. İşte, biz bu yapısal mimari anlamlı fMRI ile değerlendirilen beyin fonksiyonu, ilişkili olduğuna dair kanıtlar mevcut. FMRI görev aktivasyonuna dayanan traktografi tohum kullanarak, görsel dikkat sırasında eş-aktif beyin bölgelerinin işlevsel nöroanatomi ön bilgi (Şekil 7) ile anatomik connectedconsistent olduğunu kanıtlar bulmak. Benzer şekilde, yüz algılama için işlevsel nöroanatomi bugünkü yapısal bağlantısı bulguları (Şekil 6) ile tutarlıdır. Anatomik bağlantı bilgisi, belirli bir görev beyin bölgeleri (ve tersi) arasında doğrudan bir fonksiyonel bağlantı çıkarım için yeterli olmasa da gereklidir. Birçok beyin görüntüleme çalışmalarında ise, doğrudan yapısal ve işlevsel bağlantıları olayla-sorunlu-üzerine verilen eşzamanlı functio temelindeyalnız nal aktivasyonu. Bu tür çıkarımlar diğer yorumların ihmal: ortak bir giriş paylaşmak çünkü örneğin, iki beyin bölgeleri co-aktif görünebilir, çünkü deneysel tasarım çünkü bu tür başkanı olarak ortak bir gürültü kaynağı, hatta kontrol veya etmediği için küresel nöromodülatör etkileri hareket. MR difüzyon traktografi olası bir bağ substrat aralarında varolduğunu onaylayarak distal beyin bölgeleri arasındaki dinamik fonksiyonel ilişkiler için yakınsak kanıtlar sağlar.

Kullanıcılar fiber izleme araştırmalar birkaç sınırlamalar ve uyarılar dikkate almalıdır. Bunların en temel mümkün difüzyon yolları değil, gerçek lif demetleri temsil ettiğini lif deterministik traktografi üretilen akıcılık olduğunu. Traktografi sonuçları yanlış pozitif ve yanlış negatif sonuçlar ve traktografi yorumlanması hem etkilenebilir mevcut nöroanatomik bilgiye göre yönlendirilmelidir. Beyaz cevher c iyi öncesinde kanıtlaronnectivity gibi mikrodiseksiyon veya izleyici etiketleme gibi "altın standart" teknikleri geliyor. Böyle Dijital anatomist projesi olarak ücretsiz çevrimiçi kaynaklara (; Özellikle yararlı olasılıksal gibi Buergel, Amunts oluşturduğunuz gibi Postmortem insan beyni türetilmiş lif yolu kontür haritalar, ve arkadaşları ³¹ olan http://www9.biostr.washington.edu/ da.html ) da yararlı rehberlik sağlayabilir. Biz EEG, MEG fonksiyonel bağlantı analizi unutmayın ve BOLD fMRI verisinin beyin bölgeleri arasındaki anatomik bağlantı için, eğer varsa, sadece zayıf bir kanıt sağlar.

Ek bir ihtar iki bağımsız difüzyon yolları kabaca uçtan uca hizalanır oluşabilir lif akıcılık yanlış Angola'dakiler, kaygıları ve birbirlerine akmaya görünür. Bu gibi durumlarda, traktografi algoritması doğru durma noktası sonra da devam edebilir. Dan Örneğin, talamik afferentlerinbeyin sapı ve korteks dorsal bölümlerine talamik efferentler benzer yönelimleri olabilir. Sonuç olarak, traktografi algoritmaları beyinsapı yükselecek uzun elyaf üreten içine aldatıldığını olabilir, talamus geçmesine ve korteks sonlandırmak için görünür. Böyle yanlış lifler kendisi doğru, her biri iki anatomik olarak doğru yolları, kavuşum kaynaklanabilir. Ancak, onlar da anatomik geçersiz lif yörüngeleri kaynaklanabilir. Diğer yaygın yanlış Angola'dakiler insula ve bilinen interhemisferik geçiş noktalarında (yani, korpus kallozum ve commissures) dışında uzunlamasına fissür çapraz liflerinin içine temporal kutup geçmesine görünür lifler içerir. Izleme eşiği çok Yumuşak bir ayarlanmış olduğundan veya 2); 1) kısmi hacim etkileri loblar / hemisferlerin sınırları belirsiz, çünkü bu yanlış Angola'dakiler sık ​​görülür. Yukarıda da belirtildiği gibi, araştırmacılar, kaybolmamış neuroana ışığında, lif-izleme sonuçlarını değerlendirmek zorundadırtomical bilgi. Son bir dikkatli olarak, difüzyon MRG ve fiber traktografi bağlantılarının yönü hakkında bilgi verin unutmayın: yani, efferentler geribildirim liflerden, veya afferentlerin gelen ileribeslemeli ayırt edemez.

Elyaf hipotezler karşı mukayese edilebilir belirli yörüngeleri boyunca noktadan-noktaya bağlantı ile ilgili çıkarımlarda teşkil oluşturur akıcılık gibi Deterministik traktografi, hipotez testleri için yararlı olabilir. Ancak, kullanıcılar, aynı zamanda (bkz. Şekil 2) olasılıksal izleme yöntemlerini dikkate almak isteyebilirsiniz. Olasılıksal yöntemlerin büyük avantajı bu noktaları ³² bağlamak vokseller difüzyon olasılıkların birikimine dayanan iki nokta arasındaki difüzyon yolları için güven tahminler vermesidir. Buna karşın, deterministik traktografi sonuçları dikkate sanal bir fiberin yayılma her adımda biriken belirsizlik yapmayız; Bu belirsizlik adım boyutu, kullanıcı grubu parametre olarak artar, artar. Güven iki veya daha fazla farklı difüzyon yollarının göreceli olasılığını belirlemek için çalışırken olasılıklı traktografi tarafından üretilen özellikle yararlı olabilir tahmin, dahası, kullanıcıların kolayca düşük güven tahminleri ile vokseller maskelemek için, bir olasılık deterministik yöntemler ile tanınan değil. Deterministik traktografi gibi, ancak, olasılıksal yöntemler kesin olarak beyaz madde liflerinin varlığını göstermek değil, daha ziyade, onlar mümkün difüzyon yolları göstermektedir.

Kullanıcıların sonuçları genellikle 3 boyutlu lif görüntüleyici hızlı bir şekilde olası fiber yörüngeleri yakalamak için izin veren, akıcılık olarak sunulmaktadır olarak, görselleştirme için deterministik traktografi sonuçları daha sezgisel bulabilirsiniz. Buna karşılık, olasılık traktografi sonuçları genellikle hacimsel veri 2-boyutlu dilim olarak temsil edilir. Bu görüntüler genellikle con ısı haritaları göstermekyolakta olası fiber yörüngeleri modelleme olmadan eşiklenir yolu hacmi içindeki difüzyon olasılığına karşılık tiguous vokseller,. Ne olursa olsun traktografi ve görselleştirme yöntemleri kullanıcıların tercih, onlar fiber izleme sonuçlarını mümkün difüzyon yolları göstermek tanımalı ve iki yöntemin sonuçları I ve II istatistiksel hata türleri içerebilir.

Araştırma grubumuz teknikleri görselleştirmek ve ölçmek kortikospinal ³³ yolu, korpus kallosum ^34, ve görsel dikkat sistemi ²⁷ bağlantıları yanı sıra, bazal ganglionlar ³⁵ kortikal projeksiyon devreleri eşlemek için burada açıklanan kullandı. Bazı durumlarda traktografi sonuçlar romanı bulgular oluşturabilir:. Örneğin, Wang ve ark (sunulmuştur) önce kadavra diseksiyon ³⁶ çapraz doğrulama, lif yolları porterlere detaylara yüksek çözünürlüklü DAG kullanılır. Bu gibi sonuçlar verebilirbeyin fonksiyonlarının araştırmalar, yeni keşfedilen yollarının fonksiyonel programını değerlendirmek amacıyla için ivme. Son olarak, non-invaziv, yüksek çözünürlüklü DAG gibi nöroşirürji planlama ³⁷ gibi klinik durumlar, bir dizi sözünü tutar ve travmatik beyin hasarı (TBI) ^39; tümörleri, kanamaları ve cavernovas ³⁸ ameliyat. Grubumuzun davranışsal belirtiler kesintiye fiber bağlantı ile, nöroşirürji ve travmatik beyin hasarı durumlarda çok sayıda bu teknikleri uyguladı.

Sonuçta, kolay elde global beyin bağlantısına ilişkin bilgiler araştırmacılar beynin daha iyi bir model oluşturmak için izin verecektir. Örneğin, beyaz-maddenin, kademeli bağlantı ölçümlerinin MEG / EEG, kaynak yerleşimi iyileştirmek için ya da fMRG bazlı etkili bağlantı analizleri üzerine kısıtlamalar yerleştirmek için kullanılabilir. Yüksek çözünürlüklü traktografi de bozuluyor veya patolojik beyin bağlantısı modelleri, su geliştirmek için muhtemeldirch olarak TBI veya otizm oluşabilir. Son olarak, yüksek çözünürlüklü traktografi araştırmacılar iyi insan-olmayan beyinler invaziv çalışmalar ile insan işlevsel nöroanatomi bilgi entegre sağlayabilir. Umuyoruz ve araştırmacılar giderek artan sayıda yüksek çözünürlüklü difüzyon ağırlıklı görüntüleme ile beyin fonksiyonlarının değerlendirilmesi birleştirme potansiyeli keşfetmek öngörmekteyiz.