Nörodejeneratif Hastalıkların Analizi Difüzyon Tensör Manyetik Rezonans Görüntüleme

Aşağıdaki deneyin genel amacı, tüm beyin tabanlı ve kanal tabanlı fraksiyonel anes atropi istatistiklerinin kombinasyonu ile farklı beyin hastalıklarının farklı bir beyaz cevher patoanatomisini tanımlamak için difüzyon tensör görüntüleme analizini kullanmaktır. Bu, kalite kontrol ve stereotaktik normalizasyon dahil olmak üzere uygun difüzyon tensör görüntüleme veya DTI veri ön işleme ile elde edilir. İkinci adım olarak, patolojik farklılıkları tespit etmek için farklı denek gruplarının fraksiyonel ve atropi veya FA haritalarının foel wise karşılaştırmasına izin veren tüm beyin tabanlı uzamsal istatistik veya WBSS gerçekleştirilir.

Ardından, TrackWise kesirli. Bir fiber izleme prosedürü ile tanımlanan beyin yapılarını karşılaştırarak voksel bilge karşılaştırmanın sonuçlarını iltifat etmek için bir ATROPY istatistiği veya TFAS gerçekleştirilir. DTI temelli analize dayalı olarak hastalıklı gruplar ile kontrol grupları arasındaki farkları gösteren sonuçlar elde edilmiştir.

Bu tekniğin diğer yöntemlere göre en büyük avantajı, grup ortalaması veri setlerinde fiber izlemenin mümkün hale gelmesidir. Bu yöntem, nörodejeneratif hastalıklardan etkilenen beyin yapılarının tanımlanması gibi nörogörüntüleme alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin etkileri, hem bireysel hem de grup düzeyinde potansiyel olarak uzunlamasına etkiler gösterebileceğinden, nörogörüntüleme tabanlı bir vekil belirteç olarak kullanıma doğru uzanır.

Yapacağız Bu yöntemin gösterilmesi kritiktir, çünkü veri işleme adımlarının öğrenilmesi zordur, çünkü veri analizi T olan özel yapım bir yazılım paketinde gerçekleştirilmiştir ve veri işleme ve analizindeki birkaç adım çok zaman alıcıdır. Bir artefakt düzeltmesi gerçekleştirmek için. Laboratuvarımız tarafından geliştirilen özel yapım bir yazılım, spontan nesne hareketinin neden olduğu düşük yoğunluklu IE hareket artefaktlarını gösteren en az bir dilim ile GD'yi tespit etmek için kullanılır. Kullanılan yazılım tensör görüntüleme ve fiber izlemedir ve herhangi bir difüzyon ağırlıklı hacim için laboratuvarımız tarafından özel olarak üretilmiştir.

Her dilim için ortalama yoğunluğu hesaplayın, ardından ağırlıklı ortalama yaklaşımını kullanarak yoğunluğunu diğer tüm birimlerdeki aynı dilimle karşılaştırın. Ağırlıklandırma faktörü, iki gd'nin vektörlerinin nokta çarpımıdır. Q belirli bir eşiğin altındaysa, bu durumda örnek olarak 0.8'lik bir eşik, o zaman tüm hacmi veya gd'yi ortadan kaldırın.

0,8'lik bir eşik kararlı bir çözüm olarak kabul edilir. Burada, sagital rekonstrüksiyonlarda görülebilen ve QC algoritması tarafından tespit edilen hareket artefaktları gösterilmektedir. Bu örnekte, toplam GD 17 sayısından, Q'nun 0.8'e eşit olduğu ve ortadan kaldırılması gereken kırmızı çizginin altındaydı.

Tüm çalışma için bir hacim eliminasyon istatistiği örneği burada gösterilmiştir, bu örnekte, 29 presemptomatik HD deneğinin DTI verileri, stereotaksik normalizasyon için 30 kontrolün DTI verileriyle karşılaştırıldı, çalışmaya özgü B sıfıra eşittir şablonu ve bir FA şablonu oluşturdu. Tam bir doğrusal olmayan stereotaksik normalizasyon, üç deformasyon bileşeninden oluşur. Sonuç olarak, her bir voksel gözünün ortaya çıkan difüzyon tensörü, daha önce gösterilen düşünülen tüm rotasyonlara göre döndürülmelidir.

İşte temel koordinat çerçevelerini hizalamak için katı bir beyin dönüşümü. Bu şekil, yer işaretlerine göre doğrusal bir deformasyonu göstermektedir. iGen vektörlerinin bileşenleri, doğrusal deformasyonun S'nin altı normalizasyon parametresine göre uyarlanmalıdır ve burada, doğrusal olmayan beyin şekli farklılıklarını eşitleyen doğrusal olmayan bir normalizasyon vardır.

3B vektör kaymaları her voksel için farklıdır ve bu da 3B voksel dizisinin her vle'si için ayrı bir dönüşüme yol açar. Bu bireysel normalleştirme prosedüründen sonra, etüde özgü bir B eşittir sıfır şablonu ve bir FA şablonu oluşturmak için tüm bireysel DTI veri kümelerini kullanın. Bir FA şablonuna PHE olmayan kayıt, B'ye eşit sıfır görüntüye kıyasla daha fazla kontrast sağlama avantajına sahip olduğundan, hastaların ve kontrollerin bireysel olarak türetilmiş tüm FA haritalarının ortalamasını alarak bir FA şablonu tanımlayın.

İkinci adımda, takılacak FA haritasının bölgesel yoğunlukları arasındaki uyumsuzluğu en aza indirerek DTI veri setlerinin doğrusal olmayan bir MNI normalizasyonunu gerçekleştirin ve bu verilere dayalı kare farklılıklarına göre FA şablonu ise yeni şablonlar T iki türetilir. Tek tek FA haritaları ile FA şablonu arasındaki korelasyon 0,7'den büyük olana kadar bu yinelemeli işlemi tekrarlayın. Genellikle buna iki yinelemeden sonra ulaşılır.

Artık tüm beyin tabanlı mekansal istatistikler, normalleştirilmiş DTI verilerinden fraksiyonel anes atropik haritaları hesaplanarak, fraksiyonel ve atropik haritaların yumuşatılması ve aşağıda çoklu karşılaştırmalar için düzeltme de dahil olmak üzere istatistiksel değerlendirme yapılarak gerçekleştirilebilir. Amyotrofik lateral skleroz hastalarının fraksiyonel antrop haritalarındaki kontrollere göre farklılıklar, tüm beyin temelli mekansal istatistiklerle hesaplanmıştır. Yön bilgilerini bir ön işleme adımı olarak korumak için normalleştirilmiş DTI verilerinden FA haritalarını hesaplayın Voksel açısından karşılaştırmadan önce, yumuşatma için tek tek normalleştirilmiş FA haritalarına bir yumuşatma filtresi uygulayın.

Filtre boyutunun DTI veri analizinin sonuçlarını etkilemesi, verileri işlemek için kullanılan filtrenin genişliğinin beklenen farkın boyutuna göre uyarlanması gerektiğini belirten eşleşen filtre teoreminin uygulanmasını gerektirir. Öğrencinin T-testini kullanarak hasta gruplarını ve karşılık gelen kontrol grubu foxwell Y'yi karşılaştırın. Bu, hastanın FA haritalarının FA değerlerini, her bir tilki deliği için ayrı ayrı kontrol FA haritalarının FA değerleri ile karşılaştırarak yapılır, ardından 0.05'ten küçük P'de yanlış keşif oranı algoritması kullanılarak çoklu karşılaştırmalar için istatistiksel sonuçları düzeltir.

Yumuşatma çekirdeğinin boyut aralığında izole vokselleri veya küçük izole voksel gruplarını ortadan kaldıran bir uzamsal korelasyon algoritması kullanarak alfa hatasını daha da azaltın ve sonraki parçada iki kez minimum 512 tilki deliği eşik kümesi boyutuna yol açın. Fraksiyonel anes atropik istatistikleri, amyotrofik lateral skleroz hastaları için kontrollere göre hesaplanmıştır. Grup bazlı fiber izleme algoritmalarını uygulamak için, hastanın verilerinden ve kontrol verilerinden birlikte ortalama DTI veri setleri oluşturun, ardından kolaylaştırılmış bir izleme tekniği uygulayarak denek gruplarının traktografisini ve ortalama DTI veri setlerini gerçekleştirin.

Tohumların tanımlanmasından sonra ardışık lif izleme analizinin temeli olan tüm beyin tabanlı FA analizi ile yerel maksimumlara bitişik manuel olarak tanımlanmış tohum noktalarını belirleyin, t traktografisi yapın ve tanımlanan liflerin voksellerini aşağıdaki TFAS için gruba özel bir maske olarak tanımlayın. T traktografi sonuçlarını ölçmek için, hastalar ve kontroller arasında bir karşılaştırmaya katkıda bulunan voksellerin seçimi için her grubun tüm deneklerinin ortalama DTI veri setlerinde oluşturulan lif izlerini kullanarak TFAS'ı uygulayın, WBSS ve TFAS ile kapsamlı bilgi elde etmek için FA haritaları, öğrencilerin T-testi ile istatistiksel analiz için FA değeri 0.2'nin üzerinde olan tüm vokselleri dikkate alın. Bu animasyon, bir LS hastasının bir örneği ile dilim bazında görselleştirmede eşleşen kontroller arasında WBSS tarafından tespit edilen FA haritalarındaki grup farklılıklarını gösterir.

Bu video, TFAS için temel olarak kullanılan kortikospinal sistemdeki başlangıç noktaları ile fiber izlemeyi göstermektedir. Bu teknik, düzgün bir şekilde yapılırsa birkaç saat içinde neredeyse otomatik olarak yapılabilir. Bu videoyu izledikten sonra, tüm beyin tabanlı uzamsal istatistikler ve TrackWise FA istatistiklerini kullanarak grup düzeyinde DTI analizinin nasıl gerçekleştirileceğini iyi anlamış olmalısınız.