Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Diffusion Tensor imagerie par résonance magnétique dans l'analyse des maladies neurodégénératives

Published: July 28, 2013 doi: 10.3791/50427
Automatic Translation
1, 1
1Department of Neurology, University of Ulm

Summary

Tenseur de diffusion d'imagerie (DTI) sert essentiellement comme un outil basé sur l'IRM pour identifier

Abstract

Techniques d'imagerie du tenseur de diffusion (DTI) fournissent des informations sur les processus de microstructure de la matière blanche cérébrale (WM) in vivo. Les applications actuelles sont conçues pour étudier les différences de modes de participation MW dans différentes maladies du cerveau, troubles neurodégénératifs, notamment par l'utilisation de différentes analyses DTI par rapport à des témoins appariés.

L'analyse des données DTI est effectué de façon variable aléatoire, ie comparaison voxelwise de paramètres régionaux de diffusion direction basés tels que l'anisotropie fractionnelle (FA), ainsi que le suivi de la fibre (FT) accompagné de statistiques anisotropie fractionnelle tractwise (AGT) au niveau du groupe afin d'identifier les différences FA long structures WM, visant à la définition de schémas régionaux d'altérations WM au niveau du groupe. Transformation en un espace standard stéréotaxique est une condition préalable pour des études de groupe et nécessite des données approfondies traitement afin de préserver dinterdépendances irectional. Les applications actuelles montrent approches techniques optimisées pour cette préservation de l'information quantitative et directionnel lors de la normalisation spatiale dans l'analyse des données au niveau du groupe. Sur cette base, les techniques de FT peuvent être appliquées à des données moyennes de groupe afin de quantifier des informations métriques telles que définies par FT. En outre, l'application de méthodes DTI, à savoir les différences de FA-cartes après alignement stéréotaxique, dans une analyse longitudinale sur la base d'un sujet individuel révéler des informations sur la progression des troubles neurologiques. Amélioration de la qualité ultérieure des résultats de base DTI peut être obtenue lors du prétraitement par application d'une élimination contrôlée des directions de gradient avec des niveaux de bruit élevés.

En résumé, DTI est utilisé pour définir un pathoanatomy WM distinct de différentes maladies du cerveau par la combinaison de l'ensemble de l'analyse DTI fondée sur le cerveau et les voies basée.

Introduction

l'imagerie du tenseur de diffusion dans le cerveau humain

Les matières étendues blanches (WM) dans le système nerveux central se composent des axones denses, en plus de divers types de neuroglia et d'autres petites populations de cellules. La membrane axonale ainsi que les fibres protéiques bien aligné à l'intérieur d'un axone restreint la diffusion de l'eau perpendiculairement à l'orientation des fibres, ce qui conduit à la diffusion de l'eau dans le cerveau anisotrope WM 1. Gaines de myéline autour des axones peuvent également contribuer à l'anisotropie pour l'eau intra-et extracellulaire 2.

La description quantitative de cette anisotropie peut être détectée par l'imagerie du tenseur de diffusion (DTI). DTI produit des images de tissus pondérés avec les caractéristiques des microstructures locales de diffusion de l'eau. Les images-intensité à chaque position sont atténués, en fonction de la force et la direction du gradient dite diffusion magnétique (représenté enla valeur de b), ainsi que sur la microstructure locale dans laquelle les molécules d'eau diffusent 3, le coefficient de diffusion D, une valeur scalaire:

Équation 1
Toutefois, en présence d'anisotropie dans WM, la diffusion ne peut plus être caractérisé par un coefficient scalaire, mais nécessite un tenseur Équation 3 qui en première approximation décrit mobilité moléculaire le long de chaque direction et la corrélation entre ces directions 4. anisotropie de diffusion est principalement causée par l'orientation des faisceaux de fibres dans WM et est influencé par ses micro-et macro-structurale fonctionnalités. Parmi les caractéristiques de microstructure, l'organisation intra-axonal semble être de la plus grande influence sur l'anisotropie de diffusion, en plus de la densité de fibres pargarnissage de cellule ème, le degré de myélinisation, et le diamètre de fibre individuelle. Sur une échelle macroscopique, la variabilité dans l'orientation de toutes les voies WM dans une imagerie voxel influence son degré d'anisotropie 5.

Dans les mesures typiques DTI, les dimensions de voxel sont de l'ordre de quelques millimètres. Ainsi, un voxel contient toujours l'information moyennée des molécules d'eau à l'intérieur du volume saisi qui couvre habituellement plusieurs axones ainsi que les molécules d'eau environnantes. Malgré cet environnement multidirectionnel, DTI est sensible à l'orientation du grand axe principal, qui est aligné à la direction axonale prédominant, soit la contribution axonale domine le signal de mesure 2.

DTI fournit deux types d'informations sur la propriété de diffusion de l'eau: d'abord, la mesure orientation indépendant de diffusion anisotropie 5 et la deuxième, la direction prédominante de diffusion de l'eau dans image voxels, à savoir l'orientation de la diffusion 6.

Les protocoles actuels sont censés fournir un cadre de techniques d'analyse du DTI pour la comparaison quantitative des groupes thématiques au niveau du groupe, tel que décrit ci-après.

Quantification des propriétés de diffusion - paramètres d'analyse

Les éléments du tenseur symétrique peuvent être mesurés par des gradients de diffusion long d'au moins six non-alignés et non coplanaires directions de sorte que b (équation 1) est devenu un tenseur, ce qui entraîne l'atténuation du signal

Équation 2
Cette équation nécessite la comptabilisation des interactions possibles entre l'imagerie et de gradients de diffusion qui sont appliquées dans des directions orthogonales (termes croisés) et même entre les gradients d'imagerie qui sont appliquéesdans des directions orthogonales 4.

Le tenseur de diffusion de second rang Équation 3 on peut toujours diagonaliser ne laissant que trois éléments non nuls long de la diagonale principale du tenseur, c'est à dire les valeurs propres ( L'équation 4 ). Les valeurs propres reflètent la forme ou la configuration de l'ellipsoïde. La relation mathématique entre les coordonnées du principal de l'ellipsoïde et le châssis laboratoire est décrit par les vecteurs propres Équation 5

Comme il ya plusieurs défis dans l'affichage des données tenseur, le concept d'ellipsoïdes de diffusion a été proposé 3. Les Eigendiffusivities de ces ellipsoids représentent les coefficients de diffusion unidimensionnels dans la direction principale de la diffusivité du milieu, à savoir l'axe principal de l'ellipsoïde représente la direction de diffusion principale du voxel qui coïncide avec la direction des fibres, tandis que l'excentricité de l'ellipsoïde fournit des informations sur l' degré d'anisotropie et sa symétrie. Par conséquent, les mesures d'anisotropie de diffusion tels que l'anisotropie fractionnelle (FA) pourraient être définies 7.

L'équation 6
Equation 7 est la moyenne arithmétique de toutes les valeurs propres.

Une autre approche consiste à utiliser la direction principale du tenseur de diffusion pour aborder la connectivité WM du cerveau, ce qui correspond à la tractography approach qui a l'intention d'enquêter sur quelles parties du cerveau sont reliés les uns aux autres. En supposant que l'orientation de la composante majeure du tenseur de diffusion représente l'orientation des voies axonales dominantes, un champ de vecteurs 3-D est prévue, dans laquelle chaque vecteur représente l'orientation des fibres. Actuellement, il existe plusieurs approches différentes pour reconstruire tracts MW qui pourrait être divisé en deux catégories: la première catégorie est basée sur des algorithmes de propagation de la ligne en utilisant les informations de tenseur local pour chaque étape de la voie de propagation de la fibre 2,8,9. La deuxième catégorie est basée sur la minimisation de l'énergie mondiale pour trouver le chemin énergétiquement plus favorable entre deux régions WM, résultant dans l'approche des statistiques spatiales voies basées sur (TBSS) 10 qui a été utilisé dans d'autres algorithmes comme les statistiques de anisotropie fractionnelle tractwise (AGT - voir texte du protocole, section 2.4)..

Transformation en position stéréotaxiqueard espace

Comme dans d'autres méthodes avancées de l'IRM, DTI et études FT-base dans un contexte clinique de poursuivre l'objectif ultime de classer la morphologie du cerveau de chaque patient afin de faciliter le processus de diagnostic basé sur une certaine discrimination métrique 11. Les études au niveau du groupe sont les plus pertinentes si le phénotype clinique commun est censé être en raison de dommages à une ou plusieurs zones spécifiques du cerveau ou d'un réseau neuroanatomiques spécifiques. Ici, la moyenne des résultats pour les différents sujets est utile pour évaluer les caractéristiques communes de changements de microstructure. Chaque cerveau individuel doit être transférée dans l'espace stéréotaxique de sorte que, dans une deuxième étape, la moyenne arithmétique des résultats à un niveau de voxel par voxel est possible. Normalisation spatiale a permis de moyenne arithmétique des résultats obtenus à partir de différentes matières, afin d'améliorer le rapport signal-sur-bruit (SNR) et pour effectuer une comparaison entre des échantillons de patients et contRols afin d'analyser la pathoanatomy calcul d'un trouble spécifique, par exemple une maladie neurodégénérative qui est associée à l'affectation d'un système spécifique du cerveau.

La première approche de la normalisation à un espace stéréotaxique standard de 12 a proposé un algorithme de transformation d'un atlas standard impliquant l'identification des différents sites du cerveau et fragmentaire échelle des quadrants du cerveau. Aujourd'hui, la plupart des logiciels d'analyse de données avancées d'IRM utilisent la normalisation de l'Institut neurologique de Montréal (INM) de l'espace stéréotaxique 13. Pour cette transformation, les algorithmes d'enregistrement cerveau semi-automatiques et automatiques à l'aide de modèles spécifiques de l'étude ont été élaborés 14,15. En DTI, une attention particulière doit être établi afin de préserver l'information de la direction pendant le processus de normalisation 16,17. L'application de transformations spatiales aux images DT-MR qui sont nécessaires pour la normalisation spatialedes collections d'ensembles de données est, contrairement aux images scalaires de déformation, compliqué par le fait que DTS ne contiennent pas d'informations d'orientation qui est à nouveau affectée par la transformation. Cet effet doit être pris en compte afin d'assurer l'exactitude anatomique de l'image transformée. Ici, les techniques d'application de transformations affines pour les ensembles de données DTI sont présentés.

Application de la DTI pour les maladies du cerveau

La comparaison des données longitudinales DTI nécessite un alignement / enregistrement des données d'un sujet parmi d'autre. Dans ce contexte, la préservation de l'information directionnelle est nécessaire (par exemple rotation du tenseur de diffusion pendant les transformations affines). Les applications possibles de maladies neurodégénératives ont été rapportés précédemment (par exemple 18,19).

DTI a été établi comme un outil technique non-invasive robuste pour étudier in vivo Neuropatholgie de WM voies neuronales (par exemple 11,20,21,22). Mesures quantitatives DTI à base du processus de diffusion, par exemple la FA, ont déjà été présentés comme des marqueurs sensibles pour étudier un large éventail de pathologies WM, comme un AVC 20, la sclérose en plaques 23, la sclérose latérale amyotrophique 24, 25, de la maladie d'Alzheimer 26 , et plusieurs autres troubles WM 27,28.

En outre, le DTI avec FT peut être utilisé pour identifier les voies WM 23. Cette technique, alors que pas encore en utilisation clinique de routine, est en train de devenir un instrument puissant pour l'évaluation des anomalies voie spécifiques à une maladie neurologique. Dans les parcelles identifiées, divers indices IRM quantitatives dérivées de DTI et acquisitions supplémentaires (par exemple des images pondérées en T2 et / ou transfert de magnétisation (MT) Imagerie) qui sont anatomiquement recalées aux données DTI pourraient être mesurés. Par la présente, chaque indice pourrait être calculATED en fonction de la position dans l'appareil, se référant à des parcelles représentant leur variation spatiale que les profils des voies.

Dans les scans, DTI humaines suivantes qui ont été effectuées sur 1,5 Tesla l'IRM scanners (Siemens Medical, Erlangen, Allemagne) ont été utilisés pour étudier le potentiel de différentes techniques d'analyse pour la détection des anomalies de la substance blanche dans les groupes de patients ainsi que chez les individus. Après une vérification automatisée de la qualité pour l'élimination des volumes mouvement corrompus et les volumes avec d'autres types d'artefacts, des procédures de post-traitement standardisés préparer les données DTI pour l'analyse consécutive. Différentes approches d'analyse seront illustrés dans ce qui suit, à savoir d'abord, tout le cerveau en fonction des statistiques spatiales (WBSS), deuxième, FT, et troisièmement, les statistiques de l'anisotropie fractionnelle Tractwise (AGT). WBSS est une méthode qui fonctionne de manière analogue à la morphométrie voxel (VBM) qui est généralement connu comme morphometry / statistiques voxel sur les données DTI (VBM / DTI)

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Méthodes d'analyse: pré-et post-traitement

La tâche du protocole suivant est d'analyser les propriétés de diffusion voxelwise dans les faisceaux de matière blanche qui pourrait être - en raison de la détection voxelwise - soit isotrope ou anisotrope, résultant en des tenseurs de diffusion allongés ou aplatie pour les voxels respectifs. Le paramétrage des tenseurs de voxels est utilisé soit pour le calcul de la FA-cartes ou l'identification des fibertracts (Figure 1).

Afin d'obtenir des résultats d'analyse comme illustré ci-dessous, utilisez la imagerie du tenseur de progiciels et de suivi de la fibre (TIFT) 17. TIFT fournit des outils d'analyse pour les conditions suivantes:

  • analyse en termes de DTI mesures, par exemple FA-cartes,
  • normalisation stéréotaxique
  • comparaison du groupe en termes de FA ou d'autres paramètres DTI
  • différentes approches d'analyse de FT
  • FT sur le groupe D en moyenneDonnées TI et de l'analyse statistique correspondant.

Ces caractéristiques permettent une variété d'analyses dans un environnement logiciel 17,29,30,31. Le logiciel TIFT est constamment en cours de développement pour de nouvelles options dans l'analyse des données DTI.

La figure 2 donne un aperçu schématique comment analyser les données DTI au niveau du groupe après la normalisation spatiale par deux approches complémentaires, c'est à dire à la fois par WBSS et par TFAS pour finalement obtenir des différences entre les échantillons soumis au niveau du groupe, par exemple cerveaux malades par rapport aux témoins sains. Ici, WBSS vise à une détection impartiale voxelwise des zones avec des différences au niveau du groupe, alors que TFAS est basée sur fibertracts prédéfinis; AGT à partir des zones peut être soit librement choisi ou peut être déduite des résultats WBSS (`hotspots` de considérablement modifié FA).

Comparaison longitudinale individuelle du FA-cartes est effectuée par le DETECTing différences dans FA-cartes de mesures à différents temps après l'alignement stéréotaxique affine (figure 2).

  1. Contrôle de la qualité (QC) y compris la correction des directions de gradient corrompus
    En cas de troubles de mouvement lors de l'acquisition, soit en cas de volumes corrompus, soit une augmentation SNR est obtenu en omettant directions de gradient simples (GD) pour le calcul tenseur. A cet effet, un contrôle de qualité (CQ) de l'algorithme 32 a été développé. En bref, pour les balayages qui contenaient les volumes corrompue, une augmentation SNR est obtenue en omettant simples gradient route un à la fois avant l'estimation tenseur: pour chaque GD, la variance pondérée est calculée à partir de toutes les directions restantes dans la séquence par pondération avec l'angle en dont ils différaient de l'indice GD.
    1. Effectuer une correction d'artefacts en détectant GD, avec au moins une tranche montrant l'intensité a diminué, c'est à dire les artefacts de mouvement provoqués par di spontanée bject mouvement (Figure 3, partie supérieure). Pour tout pondéré par les volumes de diffusion, calculer l'intensité moyenne pour chaque tranche et comparer son intensité avec la même tranche dans tous les autres volumes en utilisant une approche de moyenne pondérée - le facteur de pondération est le produit scalaire des vecteurs de deux GD Equation 8 :
      Equation 9
      Équation 10
      Équation 11 désigne l'intensité de la moyenne arithmétique de la tranche sous observation et427eq12.jpg "L'écart d'intensité moyenne par rapport /> une tranche de comparaison. Équation 13 est pondéré par le produit scalaire de la GD. Ainsi, afin de définir un paramètre global:
      L'équation 14
      reflète le minimum de comparaisons slicewise de toutes les tranches.
    2. Si Q est inférieur à un certain seuil (dans l'exemple, un seuil de 0,8 est utilisé à cet effet), d'éliminer ce volume entier ou GD. Un seuil de 0,8 est considéré comme une solution stable 32. Figure 3 illustre les artefacts de mouvement visible dans les reconstructions sagittales et détecté par l'algorithme de QC. Dans cet exemple, sur le nombre total de GD (points bleus sur la figure 3c), 17 étaient en dessous de la ligne rouge qui correspond à Q = 0,8 et should être éliminé. Un exemple d'un volume statistiques d'élimination de toute une étude est présentée dans la figure 3d. Dans cette étude exemplaire, les données DTI de 29 sujets HD présymptomatique ont été comparés aux données DTI de 30 témoins. D'autres détails de cet algorithme sont présentés dans 32, 33.
  2. Prétraitement et normalisation spatiale
    1. Effectuer la correction des distorsions géométriques courant de Foucault induits par des données d'imagerie écho-planaire définit par la méthode proposée par 34.
    2. Pour la normalisation stéréotaxique, créez une étude spécifique (b = 0) - gabarit et une FA-modèle comme décrit précédemment 17,28,31. Fondamentalement, une normalisation stéréotaxique non-linéaire complet se compose de trois éléments de déformation. Par conséquent, le tenseur de diffusion résultant Équation 15 de chaque voxel i doit être RoTated selon toutes les rotations énumérés ci-dessus (Figure 4):
      1. La figure 4a montre une transformation du cerveau rigide pour aligner les cadres de coordonnées de base. La rotation Équation 16 résultant de l'alignement de la trame de coordonnées de base doit être appliquée
        Équation 17
      2. Figure 4b montre une déformation linéaire selon les points de repère. Les composantes des vecteurs propres Équation 5 doivent être adaptées en fonction des six paramètres de normalisation de S (dépend de la région du cerveau s un, a = 1 ... 6) de la déformation linéaire.
        v w, j a v w, j'''
        w = 1,2,3 et j = x, y, z.
      3. La figure 4c montre une normalisation non linéaire d'égalisation des différences de forme cérébrales non linéaires. Les déplacements de vecteur en 3-D sont différents pour chaque voxel conduisant à une transformation pour chaque voxel de l'ensemble de voxels 3D Équation 18 ). Trigonométrie norme donne une matrice de rotation indépendamment pour chaque voxel, résultant du vecteur 3-D déplace en suivant les concepts de 16 ans afin de préserver les relations directionnelles entre les vecteurs propres de voxels neighbored. Ainsi, différentes équipes de deux voxels neighbored résulte en rotations des vecteurs propres correspondants. Utilisation des matrices de dilatation pour l'alignement du tenseur Équation 15 de chaque voxel àles voxels environnants.
        Équation 19
        Équation 20 sont les composantes du Équation 18
      Le processus de normalisation ensemble est itératif, à savoir créer un scanner et spécifique de la séquence (b = 0) - modèle pour l'étude de la première étape par arithmétiquement moyenne de la (b = 0) - volume de tous les sujets après transformation linéaire selon manuellement mis repères. Après cette première normalisation, de créer des modèles améliorés de façon à optimiser les matrices de normalisation. Les étapes suivantes 1.2.3 jusqu'à 1.2.5 sont schématiquement visualisées sur la figure 5a.
    3. Après cette procédure de normalisation individuel (step (i) - DTI-données I 0), utiliser toutes les données individuelles DTI définit pour la création d'une étude spécifique (b = 0) - gabarit et une FA-template (étape (ii) - les modèles T 1). Comme l'enregistrement non-affine à un FA-modèle a l'avantage qu'elle offre plus de contraste par rapport à (b = 0) 10 images, définir un FA-modèle faisant la moyenne de tous les dérivés individuellement FA-cartes des patients et les contrôles.
    4. Dans une deuxième étape, en suivant les idées de base de Ashburner et Friston 35, procéder à une normalisation INM non-linéaire (étape (iii)) des données DTI met en minimisant l'écart entre les intensités régionales de la FA-plan pour être monté et de le FA-modèle en fonction des différences au carré (X 2) - de cette façon, vous obtenez DTI données I 1.
    5. Sur la base de ces données, de nouveaux modèles T 2 sont dérivés (étape (iv)). Répétez ce processus itératif jusqu'à ce que la corrélation entre l'individu FA-cartes et tIl FA-modèle est> 0,7. Habituellement, cela est atteint après deux itérations.
  3. Statistiques spatiales basées sur le cerveau entier
    Les étapes suivantes 1.3.1 à 1.3.5 sont visualisées de façon schématique sur la figure 5b.
    1. Calculer FA-cartes à partir de données DTI normalisé par rapport à la procédure de normalisation de 1,2. , afin de préserver des informations de direction (étape (i)).
    2. Comme une étape de prétraitement avant comparaison statistique voxelwise, appliquer un filtre de lissage (étape (ii)) à l'individu normalisé FA-cartes. Pour le lissage, le fait que la taille du filtre influe sur les résultats de l'analyse des données DTI 36 exige l'application du théorème de filtre adapté qui stipule que la largeur du filtre utilisé pour traiter les données doit être adapté à la taille de l'écart prévu, tel que détaillé dans les applications antérieures aux données DTI de patients atteints de maladies neurodégénératives (par exemple 28).
    3. Effectuer un échantillon statistiqueArison entre les groupes de patients et le voxelwise du groupe témoin correspondant de t de Student-test, c'est à dire comparer les valeurs de FA des patients FA-cartes avec les valeurs de la FA du contrôle "FA-cartes, pour chaque voxel séparément (étape (iii )). Les valeurs inférieures à 0,2 FA ne sont pas pris en compte pour le calcul puisque la matière grise corticale montre les valeurs de la FA jusqu'à 0,2 37.
    4. Les résultats statistiques doivent être corrigées pour les comparaisons multiples en utilisant la découverte taux de faux (FDR) de l'algorithme à p <0,05 38 (étape (iv)). Poursuite de la réduction de l'erreur alpha doit être effectuée par un algorithme de corrélation spatiale (clustering - l'étape (v)) qui a éliminé voxels isolés ou de petits groupes isolés de voxels dans la gamme de taille du noyau de lissage, conduisant à une taille de cluster de seuil de 512 voxels.
    5. Pour afficher les résultats sur un fond morphologique (étape (v)), de normaliser les 3-D T1 données pondérées définit l'espace INM et moyenne arithmétique. Effectuez cette normalisation pROCÉDURE par l'utilisation d'un modèle spécifique à l'étude par analogie à la normalisation appliquée aux données DTI fixe 17.

La figure 6 montre les résultats de l'ensemble des statistiques spatiales basées sur le cerveau (WBSS) des patients par rapport aux contrôles SLA. Figure 6a montre le maximum local des valeurs de FA ont diminué dans une sagittal, coronar et vue axiale (à un seuil à p <0,01, corrigée des multiples comparaisons). figure 6B montre FT projectionnel avec des points de départ dans le tractus cortico utilisé comme base pour TFAS. figure 6c montre différences de groupe dans FA-cartes détectées par le cerveau entier en fonction des statistiques spatiales (WBSS) entre un échantillon de patients atteints de SLA et des témoins appariés en une visualisation slicewise.

  1. Tractography et statistiques anisotropie fractionnelle tractwise (AGT)
    La figure 7 illustre le processus de FT groupe basé notamment TFAS comme décrit dans 1.4.1 à 1.4.4.
    1. Afin d'appliquer les algorithmes de FT par groupe, de générer en moyenne données DTI définit à partir de données et des contrôles des patients les données ensemble selon les méthodes décrites précédemment 17. Cette moyenne nécessite un traitement attentif des informations d'orientation qui est conservée au cours du processus de normalisation selon les techniques décrites par 16 - Pour plus de détails voir 30.
    2. Effectuer tractography dans les ensembles de données DTI moyennes des groupes de matières par application d'une technique de rationaliser le suivi 31. Identifier les points germes définis manuellement adjacentes à des maxima locaux par l'ensemble des analyses de FA basées sur le cerveau qui sont à la base de l'analyse de FT consécutive. Après l'identification des graines, effectuer tractography et définir les voxels des fibres délimitées comme un masque spécifique au groupe pour le TFAS 30 suivant.
    3. Afin de quantifier les résultats de tractographie, appliquer la technique des AGT en utilisant èmefaisceaux de fibres de courriers qui ont été créés sur les données DTI moyennée ensembles de l'ensemble des objets de chaque groupe (données du patient et des données de commande en même temps) pour la sélection des voxels qui contribuent à une comparaison entre les patients et les témoins de FA-cartes.
    4. Pensez à tous les voxels résultant d'une valeur supérieure à 0,2 FA pour l'analyse statistique par du test t de Student.
    5. Si vous le souhaitez, la technique TFAS pourrait être appliquée à toutes les mesures dérivées du DTI, comme diffusivité moyenne (MD), l'anisotropie radiale, anisotropie axiale, etc (pour un exemple, voir 28).
    6. Les résultats sont affichés sur un fond morphologique comprenant les 3-D des ensembles de données pondérées en T1 INM normalisées

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

1. QC et correction des directions de gradient corrompus dans l'application aux données des patients atteints de trouble hyperkinétique

A titre d'exemple de l'effet de l'application de QC et l'exclusion du volume suivant (à la suite de la correction pour des fichiers GD), figure 8 montre les différences dans les statistiques spatiales fondées sur le cerveau entier avec et sans exclusion de volume pour comparaison avec un groupe de 29 maladies de premanifest Huntington sujets contre 30 ans et le sexe des témoins appariés. Le protocole de numérisation a été effectuée sur un 1,5 Tesla Magnetom Symphony (Siemens Medical, Erlangen, Allemagne). Le protocole de l'étude DTI était identique pour les patients et les contrôles et composée de 72 volumes (40 tranches, 96 x 96 pixels, épaisseur tranche de 2,3 mm, taille de pixel 2,3 x 2,3 mm), représentant 64 directions de gradient (b = 1,000 sec / mm 2) et huit balayages avec un minimum de pondération en diffusion (b = 100 s / mm 2). Le temps d'écho (TE) et temps de répétition (TR) wERE 90 ms et 8000 ms, respectivement.

2. DTI dans xeroderma pigmentosum

Xeroderma pigmentosum (XP) est un syndrome progéroïde autosomique récessive rare où le défaut de réparation de l'ADN sous-jacente joue un rôle central dans le processus de vieillissement 39,40. Une approche IRM multiparamétrique de caractériser le phénotype cerebromorphological a été utilisée dans sept patients XP de différents sous-types afin d'évaluer la morphologie cérébrale macrostructurale et microstructure par rapport aux témoins 41, y compris DTI, des mesures volumétriques, et la spectroscopie MR (1 H MRS).

Le protocole IRM a été acquis sur un système Tesla 1.5 MR (Magnetom Symphony, Siemens, Erlangen, Allemagne), équipé d'un headcoil standard. Pondérée en T1 (T1w) balaie composée de 196 tranches avec une épaisseur de coupe de 1,0 mm (256 x 256 pixels, taille de pixel 1,0 x 1,0 mm). TE et TR étaient de 12 ms et 456 ms, respectivement. L'étude proto DTIcol composée de 13 volumes (45 tranches, 128 x 128 pixels, épaisseur de coupe de 2,2 mm, taille de pixel 1,5 x 1,5 mm), représentant 12 directions de gradient et un scan avec gradient 0 (b = 0). TE et TR était de 93 ms et 8000 ms, respectivement; b était de 800 sec / mm 2 et cinq analyses ont été en moyenne de ligne par le logiciel du scanner dans l'espace de l'image.

En raison de l'hétérogénéité clinique et démographique du XP-sujets, la comparaison n'a pas été effectuée au niveau du groupe, mais plutôt d'une manière paires, c'est à dire chaque XP-sujet a été analysée par rapport à un témoin apparié selon l'âge et le sexe. FA-plan comparaison a été réalisée pour les régions d'intérêt situé dans le thalamus, dans le tractus cortico supérieure, dans la capsule interne, et dans le corps calleux. En outre, les changements de directivité ont été comparées deux à deux pour FT et TFAS consécutifs, avec des points de départ dans le thalamus. DTI a démontré significativement réduit directionnalité WM dans toutes les régions étudiées, c'est-èmee thalamus, les voies cortico et le corps calleux dorsale, avec des réductions de volume et de directivité des projections fibres impliquant à la fois les fibres craniocaudale et les connexions interhémisphériques (Figure 9). Ces résultats, bien hétérogène parmi l'échantillon de l'étude, pourraient être mises en corrélation avec les symptômes clinico-neurologiques. Les résultats de l'imagerie soutiennent la position que les structures de myéline se dégradent prématurément dans le cerveau de patients XP, comme nous le verrons dans 41.

DTI dans la neurodégénérescence (maladies du motoneurone)

Les changements morphologiques dans la sclérose latérale (SLA) patients amyotrophique par analyse IRM structurelle 42,43 ainsi que sensori-motrices des changements de connectivité fonctionnelle chez les patients SLA 21 ont été rapportés récemment. Dans ce travail, comme un exemple de l'application des méthodes d'analyse WBSS et AGT vingt patients atteints de SLA ont été étudiés par IRM multiparamétrique. Sevérité de symptômes physiques, telle que mesurée par l'ALS révisées échelle d'évaluation fonctionnelle (ALS-FRS-R) a été de l'ordre de légère à modérée (35,9 ± 8,0), et aucun des patients a montré des signes neuropsychologiques de la démence frontotemporale. Comme le groupe témoin âge de vingt ans et au sexe des témoins sains appariés ont été scannés.

Le protocole de numérisation a été effectuée sur un 1,5 Tesla Magnetom Symphony (Siemens Medical, Erlangen, Allemagne). Le protocole de l'étude DTI était identique pour les patients et les contrôles et composée de 13 volumes (45 tranches, 128 x 128 pixels, épaisseur de coupe de 2,2 mm, taille de pixel 1,5 x 1,5 mm), représentant 12 directions de gradient et un scan avec gradient 0 (b = 0). TE et TR était de 93 ms et 8000 ms, respectivement; b était de 800 sec / mm 2 et cinq analyses ont été en moyenne de ligne par le logiciel du scanner dans l'espace de l'image.

Les résultats du groupe ALS ont montré des réductions importantes de la FA sur une grande partie de la CST et le CC, dans le dernier including le segment III selon la Hofer et Frahm schéma 44, mais allant au-delà des zones de CC ventrale et dorsale (Figure 6). Les résultats du groupe ALS ont montré des réductions de FA étendus le long de grandes parties du CST et du CC, dans ce dernier, y compris le segment III selon la Hofer et Frahm schéma 44, mais allant au-delà des zones de CC ventrale et dorsale (Figure 6).

Un autre exemple est l'enquête sur les modes de participation WM dans la revue Neuron autres maladies à moteur (MND), à savoir la SLA, la sclérose latérale primaire (PLS) et paraparésie de spastique héréditaire (HSP) subdivisé en pur (RPAM) et complexe (CHSP), par l'utilisation d'une approche à deux volets de l'analyse DTI: WBSS sur FA-cartes a été complétée par les résultats de FT et TFAS ultérieures. Comparaisons de la SLA et des échantillons PLS DTI à base ont été décrits par d'autres auteurs ainsi 45. L'analyse du groupe PLS a montré une tendance similaire de la diminution de FA along le CST anatomie tandis que la participation de la CC a été marquée, mais moins importante que dans la SLA et plus restreint au secteur III. L'analyse de l'échantillon RPAM a démontré une réduction FA au CST qui comprenait des zones plus circonscrites dans cette structure alors que les altérations de la CC étaient, similaire à la tendance observée dans le groupe ALS, s'étendait sur une grande partie de la CC dorsale, y compris le secteur automobile. Enfin, le groupe CHSP a montré les plus grandes régions de la diminution de FA qui se sont accumulés à un grand cluster connecté, y compris la structure du CST complet et grand dorsal et aussi des parties ventrales du CC. En résumé, l'analyse DTI contrôlée dans un total de 72 patients atteints de différents MND affichaient des lésions caractéristiques corrélées avec la participation des régions distinctes du cerveau dans les processus pathologiques des différentes entités de la maladie. Pour une description détaillée et discussion, s'il vous plaît se référer à 22,28,46

3. DTI des comparaisons longitudinales >

A titre d'exemple pour l'application de DTI en comparaison longitudinale, un patient de 46 ans avec oligoastrocytome anaplasique biopsie OMS III ° a été scannée. Après l'opération terminée, le patient a reçu radio-/chemotherapy combiné et 6 cycles de chimiothérapie adjuvante.

DTI a été acquis à 4 points dans le temps, c'est à dire avant radio-/chemotherapy combiné et 2, 5 et 9 mois après radio-/chemotherapy pour décrire l'état de l'intégrité régionale et mondiale WM dans un design longitudinal.

Le protocole de numérisation a été effectuée sur un 1,5 Tesla Magnetom Symphony (Siemens Medical, Erlangen, Allemagne). Le protocole étude DTI composée de 52 volumes (64 tranches, 128 x 128 pixels, épaisseur tranche 2,8 mm, taille de pixel 2.0 x 2.0 mm), représentant 48 directions de gradient et quatre scans avec gradient 0 (b = 0). TE et TR étaient de 95 ms et 8000 ms, respectivement; b était de 1.000 sec / mm 2.

ntent "> Figure 10 affiche exemplairement différences dans les FA-cartes entre l'analyse DTI après radio-/chemotherapy et DTI scan 7 mois plus tard, c'est à dire des scans de timepoints 2 et 4. WBSS est effectuée conformément à la section 1.3. avec un seuil de FA 0,15, FDR corrigé.

Figure 1
Figure 1. En DTI, un voxel représente les propriétés de diffusion de plusieurs faisceaux d'axones à calculer un tenseur de diffusion, comme illustré ellipsoïde. Pour chaque voxel, les informations tenseur peut être paramétré dans anisotropie fractionnelle (FA) cartes ou utilisée pour le suivi de la fibre (FT).

27fig2.jpg "/>
Figure 2 du panneau supérieur:. Après un contrôle de qualité (CQ) et l'élimination de volume correspondant (VE), DTI mesures, par exemple FA-cartes pourraient être calculés. Dans l'étape suivante, soit la normalisation stéréotaxique (à gauche) permet la comparaison au niveau du groupe (cerveau entier en fonction des statistiques spatiales - WBSS et / ou des statistiques anisotropie fractionnelle tractwise - TFAS) ou l'alignement stéréotaxique (à droite) permet de comparer longitudinal FA-cartes . Ces analyses soit conduisent à des différences au niveau du groupe (à gauche) ou de détecter les différences longitudinales au sein même sujet données DTI (à droite). Cliquez ici pour agrandir la figure .

les/ftp_upload/50427/50427fig3.jpg "/>
Figure 3. (A) mouvement représentatif corrompu coupe axiale avec une intensité réduite qui a été détecté par l'algorithme de QC. (B) La localisation respective du volume sagittale reconstruite, indiqué par une flèche blanche. La corruption de mouvement est également indiquée visuellement par une perte d'intensité relative par rapport aux coupes axiales adjacentes. (C) par application d'un seuil de 0,8 (en rouge) dans le total des 17 directions de gradient a été détectée pour l'élimination de volume. La flèche noire indique le volume de (a) et (b) (d) les statistiques d'élimination de volume (nombre de directions de gradient éliminés - GD). Pour 29 sujets présymptomatique de la maladie de Huntington (PS) et 30 témoins.

Figure 4
(a) la transformation du cerveau rigide par translation et rotation pour aligner les cadres de coordonnées de base. (b) déformation linéaire en fonction de points de repère. Les composantes des vecteurs propres ont dû être adaptés en fonction de la déformation linéaire. (C) normalisation non linéaire égaliser les différences de forme cérébrales non linéaires. Les déplacements de vecteur en 3-D sont différents pour chaque voxel conduisant à une transformation pour chaque voxel de l'ensemble de voxels en 3-D, afin de préserver les relations directionnelles entre les vecteurs propres de voxels neighbored.

Figure 5
Figure 5. (A) Exemple schématique d'un modèle itératif spécifique MNI-normalization: après une étape de normalisation 1 ère basée sur des repères, par moyenne arithmétique des données DTI-I 0, les premiers modèles T 1 ((b = 0) et modèle FA-modèle) ont été obtenus. Par la suite, dans une procédure itérative, normalisé DTI-données I 1 ont été obtenues par la normalisation non linéaire aux modèles définis précédemment (T 1). De ces nouveaux normalisée DTI-données I 1, les nouveaux modèles (T 2) ont été tirées qui pourraient à nouveau être utilisé pour la normalisation. Ce processus itératif est arrêté lorsque une coïncidence prédéfini (mesure par corrélation) entre-DTI données et des modèles a été atteint (b) Régime de données de pré-traitement avant l'ensemble des statistiques spatiales basées sur le cerveau (WBSS):. FA-cartes sont calculées à partir de DTI données normalisées et un filtre de lissage à l'individu normalisé FA-maps est appliqué. Dans une étape consécutive, voxelwise comparaison statistique entre les groupes de patients et le groupe de contrôle correspondant est performed. Après correction pour les comparaisons multiples en utilisant l'algorithme de fausse découverte de taux (FDR) et une procédure de regroupement pour une nouvelle réduction de l'erreur d'alpha, les résultats sont affichés sur un fond morphologique. Cliquez ici pour agrandir la figure .

Figure 6
Figure 6. Résultats de l'ensemble des statistiques spatiales basées sur le cerveau (WBSS) des patients par rapport aux contrôles de la SLA. (A) maximum local des valeurs de FA a diminué dans une sagittal, coronar et vue axiale (à un seuil à p <0,01, corrigé pour les comparaisons multiples ) (b) FT avec des points de départ dans le tractus cortico utilisés comme base pour TFAS (c) (animation 1):.. différences de groupe dans FA-MA ps détectée par le cerveau entier en fonction des statistiques spatiales (WBSS) entre un échantillon de patients atteints de SLA et les contrôles appariés en visualisation slicewise. Cliquez ici pour agrandir la figure .

Figure 7
Figure 7 (animation 2):. Tracking de fibres (FT) sur le groupe en moyenne de données (contrôles) avec des points de départ dans le corps calleux (à gauche) et dans le tractus cortico-spinal (à droite). Cliquez ici pour agrandir la figure .

fig8highres.jpg "src =" / files/ftp_upload/50427/50427fig8.jpg "/>
Figure 8 Statistiques entières du cerveau à base spatiale avant correction des artefacts. (Élimination de volume - VE) (à gauche) et après correction des artefacts (à droite), chacun corrigées à p <0,05, le taux de fausses découvertes (FDR)). FA augmentation des couleurs froides, FA baisse dans des couleurs chaudes.

Figure 9
Figure 9 IRM multiparamétrique pour un sujet avec xeroderma pigmentosum (XP) de rang supérieur:.. Pondérée en T1 après contraste de l'IRM conventionnelle dans coronar, sagittal et vue axiale. Focus sur une lésion contraste amélioré l'hémisphère gauche avec œdème périfocale au sein de la substance blanche frontopariétal Moyen de ligne:. FA cartes (seuil affichage 0,2) à l'identiqueconcentrer Basse rangée: Résultats de FT avec des points de semences dans le thalamus - gauche:. XP soumis, à droite: FT moyenne de 7 contrôles.

Figure 10
Figure 10. Patient avec oligoastrocytome anaplasique biopsie OMS III ° et la chirurgie complète et radio-/chemotherapy combiné et une chimiothérapie adjuvante. Différences longitudinales dans FA-cartes entre deux balayages ultérieurs avec un intervalle de temps de 7 mois (FA différence 0,15, FDR corrigées).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Inter-individuelle moyenne des données DTI peut être réalisé par rapport à l'amplitude de diffusion (par utilisation de l'information FA) et la direction de diffusion (en fonction de FT), respectivement. Étalement de la FA cartes permet la comparaison statistique des groupes de matières par WBSS et TFAS. Ce cadre méthodologique donne une introduction aux techniques DTI avec inter-sujet moyenne et la comparaison de groupe. Normalisation stéréotaxique et la comparaison des cartes FA au niveau du groupe permet plusieurs possibilités de quantifier les différences entre les groupes de matières. WBSS et TFAS semble être une façon d'homologation pour mesurer les différences au niveau du groupe en groupes de sujets avec un motif similaire GroupWise des altérations du cerveau, telles que les maladies neurodégénératives. Pour les troubles avec des phénotypes cliniques hétérogènes, une démarche d'analyse au niveau du groupe pourrait ne pas être utilisé, mais plutôt une analyse de la manière paires pourrait être approprié, comme l'a montré par exemple dans l'étude chez les patients XP.Cette cartographie du cerveau DTI basée au niveau du seul cas est également important dans un autre contexte clinique, c'est à dire la combinaison de différents outils de neuro-imagerie non invasive et leur co-intégration dans stéréotaxie sans cadre / systèmes neuronavigational après l'inscription comme un élément important et précieux de preneurosurgical diagnostics . Différentes approches techniques telles que les techniques d'IRMf, DTI, MRS, la tomographie par émission de positons (TEP), la tomographie d'émission (SPECT) et la magnétoencéphalographie (MEG) avec des options de combinaisons utiles sont utilisés en clinique (par exemple 47,48,49) .

En général, les techniques DTI à base sont limités par le fait qu'ils ne sont en mesure d'analyser la directionnalité dans la substance blanche avec une résolution IRM spécifique de l'ordre de quelques millimètres. reconstructions FT permettent de visualiser la directionnalité des fibres axonales plus probable, et non les structures axonales eux-mêmes. Ainsi, il ne sera pas possible par le DTI à l'image axones directly. Limitations spécifiques de l'acquisition de données DTI et l'analyse consécutive comme décrit ici sont d'abord la résolution spatiale qui peut être réalisé dans un certain temps de numérisation prédéfini. Toutefois, cette acquisition est limitée par ce que les sujets ayant des capacités physiques ont diminué en raison de l'âge et des conditions pathologiques peuvent se tenir debout. Taille de voxel restreint conduit à des difficultés pour résoudre régions avec passage des fibres. Deuxièmement, la plupart des études présentées ici ont été réalisées avec 12 diffusion directions de gradient pondérées - un tel protocole balayage DTI permet FA-mapping avec une qualité suffisante. FT avec 12 directions de gradient révèle des résultats corrects dans les grandes structures de fibres axonales, mais comme une troisième limitation, des problèmes pourraient se produire dans les régions de fibres croisées et dans des régions où aucune structure de fibres distinctes peuvent être séparées de la résolution spatiale donnée. Suggestions pour résoudre fibres croisées ont été d'abord l'algorithme de "fast-marching" 50 qui, en principe, se souvient de l'history des voies et des marches avec de grandes étapes à travers la région de la fibre de croisement, et la seconde le soi-disant "q-ball" imagerie 51 qui, par l'acquisition d'un grand nombre de directions de gradient (> 100) permet de détecter plus d'une direction à un seul voxel. Une approche différente pour obtenir des informations détaillées sur l'architecture de fibre multidirectionnelle est la haute résolution angulaire diffusion imagerie pondérée (HARDI) où les systèmes d'acquisition directionnels supplémentaires (par exemple 129 diffusion encodage directions de gradient) fournissent plus d'informations sur les zones à croisements de fibres que norme DTI 52. Plusieurs options de FT ont été mises en œuvre dans TIFT: Rationaliser le suivi 2,3, Déviation Tensor 53, Fast Marching-algorithme 50, et les modifications de ces techniques 31. Le choix de l'algorithme FT n'a aucune incidence sur la stratégie d'analyse, à savoir chacun des algorithmes de FT en œuvre pourraient être utilisés au cours du processus d'analyse à til niveau du groupe. Comme il n'existe pas de technique générale de FT optimisé le choix de la technique FT dépend de la question spécifique abordée par l'étude. Développements nouveaux algorithmes de FT (par exemple 54) pourraient contribuer à améliorer encore les résultats, en particulier dans la résolution des structures en fibre de passage. Une approche complètement différente serait l'utilisation de TBSS 10 (voir Introduction).

Le pipeline de traitement rapporté dans cette étude a été principalement développé pour les études cliniques lorsque le protocole IRM de routine clinique doit être assez court, à savoir les résolutions voxel de l'ordre de 2 mm et un nombre limité d'accumulations de signal (SA) et les directions de gradient (GD ), c.-à-SA x GD de l'ordre de 50 à 80 sont utilisées. Pour les études mettant l'accent sur les analyses DTI haute résolution (résolution de voxels dont l'épaisseur de coupe <1,5 mm et la numérisation de tenseur haute résolution, y compris GD> 50 avec un certain nombre de signaux accumulations (SA> 2), c'est-SA x GD> 100, une alternative à la normalisation spatiale précise est l'utilisation d'algorithmes de haute déformation dimensionnelle sur des données anatomiques distincts fixe 55. En outre, le post-traitement rapporté dans cette étude est basée sur l'utilisation d'un modèle étude spécifique qui requiert intrinsèquement la nécessité d'un processus de normalisation itératif. Une alternative pourrait être la normalisation à un modèle DTI stéréotaxique standardisée avec l'inconvénient non itérative que l'amélioration de la précision de la normalisation stéréotaxique à un modèle spécifique de l'étude ne serait pas mis à profit. Une limitation de la course FT sur spatialement ensembles de données normalisées est que le suivi pourrait être limité par le processus de normalisation, à savoir les mesures de normalisation linéaires et non linéaires pourraient conduire à de légères imprécisions de directivité tenseur. D'autre part, les algorithmes telles que le suivi global 54 qui fonctionnent par exemple sur les données d'imagerie de diffusion de haute résolution angulaire

En outre, l'étape la plus critique dans la procédure d'analyse est une co-registration précise des données du DTI à l'autre. Mauvais co-registration pourrait conduire à des résultats faussement positifs ou faussement négatifs. Afin d'améliorer la qualité de co-enregistrement, le caractère du processus de normalisation itérative par l'utilisation de modèles spécifiques à une étude est une étape clé dans le traitement des données. De plus, le lissage des ensembles de données résultants permet d'améliorer la qualité des données par la réduction des inexactitudes spatiales résiduelles. Une autre approche itérative pour obtenir des paramètres de normalisation spatiale a été récemment publié par Mohammadi et ses collègues 57 et mis à disposition une boîte à outils pour SPM. Leur algorithme a été principalement développé pour calculer les paramètres de normalisation d'un modèle symétrique.

Dans le sens d'un processus de dépannage, le concept du logiciel TIFT permet de contrôler les résultats après chaque étape de pré-et post-traitement. De cette façon, les données individuelles / dépistage des résultats (également les ensembles de données simples) sur la cohérence et la vraisemblance devient possible afin de permettre enfin aux interactions à n'importe quelle étape de la cascade de l'analyse.

Pris ensemble, ces études appuient la notion que FA est un marqueur sensible de la pathologie cérébrale WM (voir aussi 58). Étant donné que biomarqueur axé approche est désormais une priorité dans de nombreux troubles neurologiques et surtout neurodegenerative les maladies, les études actuelles renforcent le rôle de DTI comme un outil supplémentaire pour définir le pathoanatomy du cerveau par la microstructure des caractéristiques d'empreintes digitales in vivo. Analyses DTI au niveau du groupe semblent être utiles pour l'identification et la quantification des caractéristiques pathoanatomical en termes de marqueurs non invasifs. D'autres résultats peuvent être fournis par l'analyse combinée des techniques d'IRM avancées basées sur la neuroanatomie de calcul, à savoir la combinaison de DTI avec par exemple l'analyse fondée sur l'intensité de la 3-D T1 IRM pondérée (par exemple 59), ou imagerie par résonance magnétique fonctionnelle de l'état de repos (par exemple 60), ainsi que la corrélation avec d'autres paramètres quantitatifs cliniquement dérivés.

Dans l'approche complémentaire ou multiparamétriques, DTI est combiné avec d'autres modalités IRM, comme en T2 ou T1 imagerie pondérée, MT ou Spectroscopie par résonance magnétique (SRM) pour obtenir des données complètes et cominformation complémentaire 29. A titre d'exemples, 61 et 23 corrélées résultats DTI-FA avec un temps de relaxation T2 dans la sclérose en plaques, et 62 la caractérisation des tissus, réalisé par la combinaison de DTI et l'imagerie pondérée en T1. L'approche multiparamétrique, comme le montre l'étude chez les patients XP au niveau d'une seule matière, permet une analyse complémentaire et globale de l'affectation des structures cérébrales par les maladies du cerveau. Les possibilités de DTI pour la surveillance progression de la maladie au niveau individuel dans les observations longitudinales ont été représentés, mais des études plus longitudinales sont nécessaires dans l'avenir pour faire usage de cette possibilité.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n'ont rien à révéler.

Acknowledgments

Certaines parties de ce travail, à savoir l'étude sur QC et correction des directions de gradient corrompus en application aux données des patients atteints de trouble hyperkinétique, ont été pris en charge par le réseau européen HD (EHDN projet 070). Les examens par IRM dans cette étude ont été certain acquises dans le cadre du site cohorte TRACK-HD Londres.

Materials

Name Company Catalog Number Comments
MR scanner Siemens 1.5 T Magnetom Symphony
analysis software TIFT - Tensor Imaging and Fiber Tracking

DOWNLOAD MATERIALS LIST

References

  1. Moseley, M. E., Cohen, Y., et al. Diffusion-weighted MR imaging of anisotropic water diffusion in cat central nervous system. Radiology. 176, 439-445 (1990).
  2. Mori, S., van Zijl, P. C. M. Fiber tracking: principles and strategies - a technical review. NMR Biomed. 15, 468-480 (2002).
  3. Basser, P. J., Mattiello, J., LeBihan, D. MR Diffusion Tensor Spectroscopy and Imaging. Biophys J. 66, 259-267 (1994).
  4. Mattiello, J., Basser, J. P., Le Bihan, D. Analytical expression for the b-matrix in NMR diffusion imaging and spectroscopy. J. Magn. Reson. A. 108, 131-141 (1994).
  5. Pierpaoli, C., Basser, P. J. Toward a quantitative assessment of diffusion anisotropy. Magn. Reson. Med. 36, 893-906 (1996).
  6. Pajevic, S., Pierpaoli, C. Color schemes to represent the orientation of anisotropic tissues from diffusion tensor data: application to white matter fiber tract mapping in the human brain. Magn. Reson. Med. 42, 526-540 (1999).
  7. Le Bihan, D., Mangin, J. F., et al. Diffusion tensor imaging: concepts and applications. J. Magn. Reson. Imaging. 13, 534-546 (2001).
  8. Conturo, T. E., Lori, N. F., et al. Tracking neuronal fibre pathways in the living human brain. Proc. Natl. Acad. Sci. U.S.A. 96, 10422-10427 (1999).
  9. Lori, N. F., Akbudak, E. Diffusion tensor fibre tracking of human brain connectivity: aquisition methods, reliability analysis and biological results. NMR Biomed. 15, 494-515 (2002).
  10. Smith, S. M., Jenkinson, M., et al. Tract-based spatial statistics: voxelwise analysis of multi-subject diffusion data. Neuroimage. 31, 1487-1505 (2006).
  11. Agosta, F., Pagani, E., et al. Assessment of white matter tract damage in patients with amyotrophic lateral sclerosis: a diffusion tensor MR imaging tractography study. AJNR. Am. J. Neuroradiol. 31, 1457-1461 (2010).
  12. Talairach, J., Tournoux, P. Coplanar stereotaxic atlas of the human brain. , Thieme Medical. New York. (1988).
  13. Brett, M., Johnsrude, I. S., Owen, A. M. The problem of functional localization in the human brain. Nat. Rev. Neurosci. 3, 243-249 (2002).
  14. Collins, D. L., Neelin, P., Peters, T. M., Evans, A. C. Automatic 3-D intersubject registration of MR volumetric data in standardized Talairach space. J. Comput. Assist. Tomogr. 18, 192-205 (1994).
  15. Friston, K. J., Ashburner, J., Frith, C. D., Poline, J. -B., Heather, J. D., Frackowiak, R. S. J. Spatial registration and normalization of images. Human Brain Mapp. 2, 165-189 (1995).
  16. Alexander, D. C., Pierpaoli, C., Basser, P. J., Gee, J. C. Spatial transformations of diffusion tensor magnetic resonance images. IEEE Trans. Med. Imaging. 20, 1131-1139 (2001).
  17. Müller, H. -P., Unrath, A., Ludolph, A. C., Kassubek, J. Preservation of Diffusion Tensor Properties during Spatial Normalization by use of Tensor imaging and Fiber Tracking on a Normal Brain Database. Phys. Med. Biol. 52, N99-N109 (2007).
  18. Likitjaroen, Y., Meindl, T., et al. Longitudinal changes of fractional anisotropy in Alzheimer's disease patients treated with galantamine: a 12-month randomized, placebo-controlled, double-blinded study. Eur. Arch. Psychiatry Clin. Neurosci. 262, 341-350 (2012).
  19. Zhang, Y., Schuff, N. Progression of white matter degeneration in amyotrophic lateral sclerosis: A diffusion tensor imaging study. Amyotroph. Lateral Scler. 12, 421-429 (2011).
  20. Pierpaoli, C., Barnett, A. Water diffusion changes in Wallerian degeneration and their dependence on white matter architecture. Neuroimage. 13, 1174-1185 (2001).
  21. Agosta, F., Valsasina, P., et al. Sensorimotor functional connectivity changes in amyotrophic lateral sclerosis. Cereb Cortex. 21, 2291-2298 (2011).
  22. Müller, H. -P., Unrath, A., Huppertz, H. J., Ludolph, A. C., Kassubek, J. Neuroanatomical patterns of cerebral white matter involvement in different motor neuron diseases as studied by diffusion tensor imaging analysis. Amyotroph Lateral Scler. 13, 254-264 (2012).
  23. Reich, D. S., Zackowski, K. M. Corticospinal tract abnormalities are associated with weakness in multiple sclerosis. Am. J. Neuroradiol. 29, 333-339 (2008).
  24. Abe, O., Yamada, H. Amyotrophic lateral sclerosis: Diffusion tensor tractography and voxel-based analysis. NMR Biomed. 17, 411-416 (2004).
  25. Sage, C. A., Peeters, R. R., Gorner, A., Robberecht, W., Sunaert, S. Quantitative diffusion tensor imaging in amyotrophic lateral sclerosis. Neuroimage. 34, 486-499 (2007).
  26. Preti, M. G., Baglio, F., et al. Assessing corpus callosum changes in Alzheimer's disease: comparison between tract-based spatial statistics and atlas-based tractography. PLoS One. 7, e35856 (2012).
  27. Borroni, B., Brambati, S. M., et al. Evidence of white matter changes on diffusion tensor imaging in frontotemporal dementia. Arch. Neurol. 64, 246-251 (2007).
  28. Unrath, A., Müller, H. -P., Riecker, A., Ludolph, A. C., Sperfeld, A. D., Kassubek, J. Whole brain-based analysis of regional white matter tract alterations in rare motor neuron diseases by diffusion tensor imaging. Hum Brain Mapp. 31, 1727-1740 (2010).
  29. Müller, H. -P., Lulé, D., Unrath, A., Ludolph, A. C., Riecker, A., Kassubek, J. Complementary Image Analysis of Diffusion Tensor Imaging and 3-Dimensional T1-Weighted Imaging: White Matter Analysis in Amyotrophic Lateral Sclerosis. J. Neuroimaging. 21, 24-33 (2011).
  30. Müller, H. -P., Unrath, A., Sperfeld, A. D., Ludolph, A. C., Riecker, A., Kassubek, J. Diffusion tensor imaging and tractwise fractional anisotropy statistics: quantitative analysis in white matter pathology. Biomed. Eng. Online. 6, 42 (2007).
  31. Müller, H. -P., Unrath, A., Riecker, A., Pinkhardt, E. H., Ludolph, A. C., Kassubek, J. Inter-subject variability in the analysis of diffusion tensor imaging at the group level: fractional anisotropy mapping and fiber tracking techniques. Magn. Reson. Imaging. 27, 324-334 (2009).
  32. Müller, H. -P., Glauche, V., et al. Stability of white matter changes related to Huntington's disease in the presence of imaging noise: a DTI study. PLoS Curr. 3, RRN1232 (2011).
  33. Müller, H. -P., Süßmuth, S. D., Landwehrmeyer, G. B., Ludolph, A. C., Tabrizi, S. J., Klöppel, S., Kassubek, J. Stability effects on results of diffusion tensor imaging analysis by reduction of the number of gradient directions due to motion artifacts: an application to presymptomatic Huntington's disease. PLoS Curr. 3, RRN1292 (2011).
  34. Shen, Y., Larkman, D. J., Counsell, S., Pu, I. M., Edwards, D., Hajnal, J. V. Correction of High-Order Eddy Current Induced Geometric Distortion in Diffusion-Weighted Echo-Planar images. Magn. Reson. Med. 52, 1184-1189 (2004).
  35. Ashburner, J., Friston, K. J. Nonlinear Spatial Normalization Using Basis Functions. Human Brain Mapping. 7, 254-266 (1999).
  36. Jones, D. K., Symms, M. R., Cercignani, M., Howard, R. J. The effect of filter size on VBM analyses of DT-MRI data. Neuroimage. 26, 546-554 (2005).
  37. Kunimatsu, A., Aoki, S., et al. The optimal trackability threshold of fractional anisotropy for diffusion tensor tractography of the corticospinal tract. Magn. Reson. Med. Sci. 3, 11-17 (2004).
  38. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimage. 15, 870-878 (2002).
  39. Cleaver, J. E. Defective repair replication of DNA in xeroderma pigmentosum. Nature. 218, 652-656 (1968).
  40. Anttinen, A., Koulu, L., et al. Neurological symptoms and natural course of xeroderma pigmentosum. Brain. 131, 1979-1989 (2008).
  41. Kassubek, J., Sperfeld, A. D. The cerebro-morphological fingerprint of a progeroid syndrome: white matter changes correlate with neurological symptoms in xeroderma pigmentosum. PLoS One. 7, e30926 (2012).
  42. Canu, E., Agosta, F. The topography of brain microstructural damage in amyotrophic lateral sclerosis assessed using diffusion tensor MR imaging. AJNR. Am. J. Neuroradiol. 32, 1307-1314 (2011).
  43. Verstraete, E., Veldink, J. H., Hendrikse, J., Schelhaas, H. J., van den Heuvel, M. P., van den Berg, L. H. Structural MRI reveals cortical thinning in amyotrophic lateral sclerosis. J. Neurol. Neurosurg. Psychiatry. 83, 383-388 (2012).
  44. Hofer, S., Frahm, J. Topography of the human corpus callosum revisited- comprehensive fiber tractography using diffusion tensor magnetic resonance imaging. Neuroimage. 32, 989-994 (2006).
  45. Iwata, N. K., Kwan, J. Y., et al. White matter alterations differ in primary lateral sclerosis and amyotrophic lateral sclerosis. Brain. 134, 2642-2655 (2011).
  46. Kassubek, J., Ludolph, A. C., Müller, H. -P. Neuroimaging of motor neuron diseases. Ther. Adv. Neurol. Disord. 5, 119-127 (2012).
  47. Kassubek, J., Juengling, F. D. Multimodality functional neuroimaging. In: C. Stippich (Ed.): Clinical functional MRI - Presurgical functional neuroimaging. , Springer. Berlin/Heidelberg/New York. (2007).
  48. Stadlbauer, A., Buchfelder, M., Salomonowitz, E., Ganslandt, O. Fiber density mapping of gliomas: histopathologic evaluation of a diffusion-tensor imaging data processing method. Radiology. , 257-846 (2010).
  49. Stadlbauer, A., Hammen, T., et al. Differences in metabolism of fiber tract alterations in gliomas: a combined fiber density mapping and magnetic resonance spectroscopic imaging study. Neurosurgery. 71, 454-463 (2012).
  50. Staempfli, P., Jaermann, T., Crelier, G. R., Kollias, S., Valavanis, A., Boesiger, P. Resolving fiber crossing using advanced fast marching tractography based on diffusion tensor imaging. Neuroimage. 30, 110-120 (2006).
  51. Ehricke, H. H., Otto, K. M., Klose, U. Regularization of bending and crossing white matter fibers in MRI Q-ball fields Magn. Reson Imaging. 29, 916-926 (2011).
  52. Hirsch, J. G., Schwenk, S. M., Rossmanith, C., Hennerici, M. G., Gass, A. Deviations from the diffusion tensor model as revealed by contour plot visualization using high angular resolution diffusion-weighted imaging (HARDI). MAGMA. 16, 93-102 (2003).
  53. Lazar, M., Weinstein, D. M., et al. White matter tractography using diffusion tensor deflection. Human Brain Mapping. 18, 306-321 (2003).
  54. Reisert, M., Mader, I., Anastasopoulos, C., Weigel, M., Schnell, S., Kiselev, V. Global fiber reconstruction becomes practical. Neuroimage. 54, 955-962 (2011).
  55. Klein, A., Andersson, J. Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration. Neuroimage. 46, 786-802 (2009).
  56. Bammer, R. Basic principles of diffusion-weighted imaging. Eur. J. Radiol. 45, 169-184 (2003).
  57. Mohammadi, S., Keller, S. S. The influence of spatial registration on detection of cerebral asymmetries using voxel-based statistics of fractional anisotropy images and TBSS. PLoS One. 7, e36851 (2012).
  58. Turner, M. R., Grosskreutz,, et al. Towards a neuroimaging biomarker for amyotrophic lateral sclerosis. Lancet Neurol. 10, 400-403 (2011).
  59. Müller, H. -P., Kassubek, J. Multimodal imaging in neurology - special focus on MRI applications and MEG. Synthesis Lectures in Biomedical Engineering. Enderle, J. D. 16, Morgan & Claypool Publishers. (2008).
  60. Douaud, G., Filippini, N., Knight, S., Talbot, K., Turner, M. R. Integration of structural and functional magnetic resonance imaging in amyotrophic lateral sclerosis. Brain. 134, 3470-3479 (2011).
  61. Kolind, S. H., Laule, C., et al. Complementary information from multi-exponential T2 relaxation and diffusion tensor imaging reveals differences between multiple sclerosis lesions. Neuroimage. 40, 77-85 (2008).
  62. Verma, R., Zacharaki, E. I. Multiparametric tissue characterization of brain neoplasms and their recurrence using pattern classification of MR images. Acad. Radiol. 15, 966-977 (2008).

Tags

Médecine Numéro 77 neurosciences la neurobiologie la biologie moléculaire génie biomédical anatomie la physiologie les maladies neurodégénératives résonance magnétique nucléaire RMN IRM IRM tenseur de diffusion d'imagerie le suivi de la fibre la comparaison au niveau du groupe les maladies neurodégénératives du cerveau imagerie techniques cliniques
Diffusion Tensor imagerie par résonance magnétique dans l&#39;analyse des maladies neurodégénératives
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Müller, H. P., Kassubek, J.… More

Müller, H. P., Kassubek, J. Diffusion Tensor Magnetic Resonance Imaging in the Analysis of Neurodegenerative Diseases. J. Vis. Exp. (77), e50427, doi:10.3791/50427 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter