Nörodejeneratif Hastalıkların Analizi Difüzyon Tensör Manyetik Rezonans Görüntüleme

Aşağıdaki deneyin genel amacı, tüm beyin tabanlı ve trakt tabanlı fraksiyonel anizotropi istatistiklerinin kombinasyonu ile farklı beyin hastalıklarının belirgin beyaz madde patoanatomisini tanımlamak için difüzyon tensör görüntüleme analizini kullanmaktır. Bu, kalite kontrolü ve stereotaktik normalizasyon dahil olmak üzere uygun difüzyon tensör görüntüleme veya DTI veri ön işleme işlemleriyle gerçekleştirilir. İkinci adım olarak, patolojik farkları tespit etmek amacıyla farklı denek gruplarının fraksiyonel anizotropi veya FA haritalarının voksel bazlı karşılaştırılmasına olanak tanıyan tüm beyin tabanlı uzamsal istatistikler veya WBSS uygulanır.

Ardından, TrackWise fraksiyonel analizi yapılır. Voksel bazlı karşılaştırma sonuçlarını tamamlamak amacıyla, fiber takip prosedürü ile tanımlanan beyin yapıları karşılaştırılarak bir ATROPY istatistiği veya TFAS gerçekleştirilir. Böylece, DTI tabanlı analize dayalı olarak hastalık grupları ile kontrol grupları arasındaki farkları gösteren sonuçlar elde edilir.

Bu tekniğin diğer yöntemlere göre temel avantajı, grup ortalaması veri setleri üzerinde fiber takibinin uygulanabilir hale gelmesidir. Bu yöntem, nörodejeneratif hastalıklardan etkilenen beyin yapılarının belirlenmesi gibi nörogörüntüleme alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin etkileri, hem birey hem de grup düzeyinde boylamsal etkileri potansiyel olarak gösterebileceği için nörogörüntüleme tabanlı bir sürrogat belirteç olarak kullanımına kadar uzanmaktadır.

Veri analizinin özel yapım bir yazılım paketi üzerinden gerçekleştirilmesi ve veri işleme ile analizdeki bazı adımların oldukça zaman alıcı olması nedeniyle, bu yöntemin gösterilmesi kritik öneme sahiptir; zira veri işleme adımlarının öğrenilmesi zordur. Artefakt düzeltmesi gerçekleştirmek için, laboratuvarımız tarafından geliştirilen ve en az bir kesitte yoğunluk azalması gösteren GD'leri, yani deneklerin spontan hareketlerinden kaynaklanan hareket artefaktlarını tespit eden özel bir yazılım kullanılır. Kullanılan yazılım, tensor görüntüleme ve fiber takibi için geliştirilmiş olup, laboratuvarımız tarafından herhangi bir difüzyon ağırlıklı hacim için özel olarak hazırlanmıştır.

Her bir kesit için ortalama yoğunluğu hesaplayın, ardından ağırlıklı ortalama yaklaşımını kullanarak bu yoğunluğu diğer tüm hacimlerdeki aynı kesitle karşılaştırın. Ağırlıklandırma faktörü, iki gd vektörünün nokta çarpımıdır. Eğer Q belirli bir eşik değerinin, bu örnekte 0.8 eşiğinin altındaysa, söz konusu hacmin veya gd'nin tamamını eleyin.

0.8 eşiği, stabil bir çözüm olarak kabul edilir. Burada, sagital rekonstrüksiyonlarda görülen ve QC algoritması tarafından tespit edilen hareket artefaktları gösterilmiştir. Bu örnekte, toplam GD sayısının 17'si, Q eşittir 0.8'e karşılık gelen kırmızı çizginin altında kalmış olup elenmelidir.

Tüm çalışma için bir hacim eliminasyon istatistiği örneği burada gösterilmiştir; bu örnekte, stereotaktik normalizasyon için 29 semptom öncesi HD deneğin DTI verileri ile 30 kontrolün DTI verileri karşılaştırılarak çalışmaya özgü bir B=0 şablonu ve bir FA şablonu oluşturulmuştur. Eksiksiz bir doğrusal olmayan stereotaktik normalizasyon, üç deformasyon bileşeninden oluşur. Sonuç olarak, her bir voksel i'den elde edilen difüzyon tensörü, daha önce gösterilen tüm rotasyonlara göre döndürülmelidir.

Temel koordinat çerçevelerini hizalamak için uygulanan rijit beyin transformasyonu burada verilmiştir. Bu şekil, belirleyici noktalara (landmark) göre doğrusal bir deformasyonu göstermektedir. iGen vektörlerinin bileşenleri, doğrusal deformasyonun S'ye ait altı normalizasyon parametresine göre uyarlanmalıdır; burada ise doğrusal olmayan beyin şekli farklarını eşitleyen doğrusal olmayan bir normalizasyon sunulmuştur.

3B vektör kaymaları her voksel için farklıdır, bu da 3B voksel dizisinin her bir elemanı için ayrı bir dönüşüme yol açar. Bu bireysel normalizasyon prosedüründen sonra, çalışmaya özgü bir B eşittir sıfır şablonu ve bir FA şablonu oluşturmak için tüm bireysel DTI veri setlerini kullanın. FA şablonuna yapılan PHE dışı kaydırma, B eşittir sıfır görüntülerine kıyasla daha fazla kontrast sağlama avantajına sahip olduğundan, hastaların ve kontrollerin bireysel olarak elde edilmiş tüm FA haritalarının ortalamasını alarak bir FA şablonu tanımlayın.

İkinci adımda, uydurulacak FA haritasının bölgesel yoğunlukları ile FA şablonu arasındaki uyumsuzluğu, bu verilere dayalı kare farklarına göre minimize ederek DTI veri setlerinin doğrusal olmayan MNI normalizasyonunu gerçekleştirin ve yeni T2 şablonları türetin. Bireysel FA haritaları ile FA şablonu arasındaki korelasyon 0,7'den büyük olana kadar bu yinelemeli işlemi tekrarlayın. Bu değere genellikle iki yineleme sonrası ulaşılır.

Artık, normalize edilmiş DTI verilerinden fraksiyonel anizotropi haritalarının hesaplanması, fraksiyonel anizotropi haritalarının düzleştirilmesi ve çoklu karşılaştırmalar için düzeltmeleri de içeren istatistiksel değerlendirme yoluyla tüm beyin tabanlı mekânsal istatistikler gerçekleştirilebilir. Amyotrofik lateral skleroz hastaları ile kontroller arasındaki fraksiyonel anizotropi haritalarındaki farklar, tüm beyin tabanlı mekânsal istatistiklerle hesaplanır. Voksel bazlı karşılaştırma öncesinde bir ön işlem adımı olarak yönsel bilgiyi korumak amacıyla normalize edilmiş DTI verilerinden FA haritalarını hesaplayın ve düzleştirme işlemi için bireysel normalize edilmiş FA haritalarına bir düzleştirme filtresi uygulayın.

Filtre boyutunun DTI veri analizi sonuçlarını etkilemesi, verileri işlemek için kullanılan filtrenin genişliğinin beklenen farkın boyutuna göre ayarlanması gerektiğini belirten eşleşmiş filtre teoreminin uygulanmasını gerektirir. Hasta gruplarını ve ilgili kontrol grubu foxwell Y'yi Student's T-testi kullanarak karşılaştırın. Bu işlem, her foxhole için ayrı ayrı hastaların FA haritalarındaki FA değerleri ile kontrollerin FA haritalarındaki FA değerleri karşılaştırılarak yapılır; ardından, P < 0.05 değerinde yanlış keşif oranı algoritması kullanılarak çoklu karşılaştırmalar için istatistiksel sonuçlar düzeltilir.

Yumuşatma çekirdeği boyut aralığındaki izole vokselleleri veya küçük izole voksel gruplarını ortadan kaldıran bir mekânsal korelasyon algoritması kullanarak alfa hatasını daha da azaltın; bu işlem, takip işlemi iki kez gerçekleştirildiğinde minimum eşik küme boyutunun 512 voksel olmasına yol açar. Amyotrofik lateral skleroz hastaları ile kontrollere yönelik fraksiyonal anizotropik istatistikler hesaplanır. Grup tabanlı fiber takip algoritmalarını uygulamak için, hastanın verilerinden ve kontrol verilerinden birlikte ortalama DTI veri setleri oluşturun, ardından traktografi gerçekleştirin ve basitleştirilmiş bir takip tekniği uygulayarak denek gruplarının ortalama DTI veri setlerini elde edin.

Tüm beyin tabanlı FA analizinin yerel maksimumlarına komşu, manuel olarak tanımlanmış tohum noktalarını belirleyin; bu noktalar, tohumların tanımlanmasının ardından yapılacak ardışık fiber takip analizinin temelini oluşturur, T traktografisini gerçekleştirin ve tanımlanan fiberlerin voksellerini, sonraki TFAS için gruba özgü bir maske olarak belirleyin. T traktografisi sonuçlarını nicelleştirmek için, hastalar ve kontrollerin FA haritaları arasındaki karşılaştırmaya katkıda bulunan voksellerin seçimi amacıyla, her grubun tüm deneklerinin ortalama DTI veri setleri üzerinde oluşturulan fiber yollarını kullanarak TFAS'yi uygulayın; WBSS ve TFAS aracılığıyla kapsamlı bilgi elde etmek için, FA değeri 0,2'nin üzerinde olan tüm sonuç voksellerini öğrenci t-testi ile yapılacak istatistiksel analiz için değerlendirin. Bu animasyon, bir grup LS hastası ve eşleştirilmiş kontroller arasında WBSS ile tespit edilen FA haritalarındaki grup farklarını kesit bazlı görselleştirme ile göstermektedir.

Bu video, TFAS'ın temeli olarak kullanılan ve başlangıç noktaları kortikospinal traktus olan fiber takibini göstermektedir. Bu teknik bir kez kavrandığında, doğru şekilde uygulandığı takdirde birkaç saat içinde neredeyse otomatik olarak gerçekleştirilebilir. Bu videoyu izledikten sonra, tüm beyin tabanlı uzamsal istatistikler ve TrackWise FA istatistikleri kullanılarak grup düzeyinde DTI analizinin nasıl yapılacağı konusunda iyi bir anlayışa sahip olmalısınız.