Tensor de difusión por resonancia magnética en el análisis de las enfermedades neurodegenerativas

El objetivo general del siguiente experimento consiste en utilizar el análisis de imágenes por tensor de difusión para definir una patoanatomía distinta de la sustancia blanca en diversas enfermedades cerebrales, mediante la combinación de estadísticas fraccionales de anisotropía basadas en todo el cerebro y en tractos. Esto se logra mediante un procesamiento previo adecuado de los datos de imágenes por tensor de difusión o DTI, incluyendo control de calidad y normalización estereotáctica. Como segundo paso, se realiza un análisis estadístico espacial basado en todo el cerebro (WBSS), que permite una comparación voxel a voxel de los mapas de anisotropía fraccional o FA entre diferentes grupos de sujetos con el fin de detectar las diferencias patológicas.

A continuación, fraccional TrackWise. Se realiza un análisis estadístico ATROPY o TFAS para complementar los resultados de la comparación por vóxeles, mediante la comparación de las estructuras cerebrales definidas por un procedimiento de seguimiento de fibras. Se obtienen resultados que muestran las diferencias entre los grupos enfermos y los grupos control basados en análisis basados en DTI.

La principal ventaja de esta técnica frente a otros métodos es que el seguimiento de fibras en conjuntos de datos promedio de grupo se vuelve factible. Este método puede ayudar a responder preguntas clave en el campo de la neuroimagen, como la identificación de estructuras cerebrales afectadas por enfermedades neurodegenerativas. Las implicaciones de esta técnica se extienden hacia su uso como marcador sustituto basado en neuroimagen, ya que podría demostrar potencialmente efectos longitudinales tanto a nivel individual como grupal.

La demostración de este método es fundamental, ya que los pasos del procesamiento de datos son difíciles de aprender debido a que el análisis de datos se realizó con un paquete de software personalizado que es T, y varios pasos en el procesamiento y análisis de datos requieren mucho tiempo para realizar una corrección de artefactos. Se utiliza un software personalizado desarrollado por nuestro laboratorio para detectar GD con al menos un corte que muestre una intensidad disminuida, es decir, artefactos de movimiento causados por movimientos espontáneos del sujeto. El software utilizado es de imagen por tensor y seguimiento de fibras, y fue desarrollado a medida por nuestro laboratorio para cualquier volumen ponderado por difusión.

Calcule la intensidad media para cada corte, luego compare su intensidad con el mismo corte en todos los demás volúmenes utilizando un enfoque de promedio ponderado. El factor de ponderación es el producto escalar de los vectores de dos gd. Si Q está por debajo de un umbral determinado, un umbral de 0,8 en este caso como ejemplo, entonces elimine todo el volumen o gd.

Se considera que un umbral de 0.8 corresponde a una solución estable. Aquí se muestran los artefactos de movimiento visibles en las reconstrucciones sagitales y detectados por el algoritmo de control de calidad. En este ejemplo, del número total de GD, 17 estuvieron por debajo de la línea roja, que corresponde a Q igual a 0.8 y deberían eliminarse.

Un ejemplo de estadísticas de eliminación de volumen para todo el estudio se muestra aquí: en este ejemplo, los datos de DTI de 29 sujetos con HD presintomática se compararon con los datos de DTI de 30 controles para la normalización estereotáxica, creando una plantilla específica del estudio con B igual a cero y una plantilla de FA. Una normalización estereotáxica no lineal completa consta de tres componentes de deformación. Por consiguiente, el tensor de difusión resultante de cada vóxel debe rotarse de acuerdo con todas las rotaciones consideradas previamente.

Aquí se muestra una transformación rígida del cerebro para alinear los marcos de coordenadas básicos. Esta figura muestra una deformación lineal según los puntos de referencia. Los componentes de los vectores iGen deben adaptarse según los seis parámetros de normalización de S de la deformación lineal, y aquí se presenta una normalización no lineal, que iguala las diferencias no lineales de la forma del cerebro.

Los desplazamientos vectoriales 3D son diferentes para cada vóxel, lo que lleva a una transformación separada para cada vle del arreglo de vóxeles 3D. Después de este procedimiento de normalización individual, utilice todos los conjuntos de datos individuales de DTI para crear una plantilla específica del estudio con B igual a cero y una plantilla de FA. Dado que el registro no PHE a una plantilla de FA tiene la ventaja de proporcionar más contraste en comparación con las imágenes B igual a cero, defina una plantilla de FA promediando todos los mapas de FA derivados individualmente de los pacientes y los controles.

En una segunda etapa, realice una normalización no lineal MNI de los conjuntos de datos de DTI mediante la minimización del desajuste entre las intensidades regionales del mapa de FA que se ajustará y la plantilla de FA, según las diferencias cuadráticas. Con base en estos datos, se derivan nuevas plantillas T2. Repita este proceso iterativo hasta que la correlación entre los mapas individuales de FA y la plantilla de FA sea mayor que 0,7. Por lo general, esto se alcanza tras dos iteraciones.

Ahora se pueden realizar estadísticas espaciales basadas en todo el cerebro mediante el cálculo de mapas fraccionales de atrofia a partir de datos DTI normalizados, suavizando los mapas fraccionales de atrofia y evaluando estadísticamente, incluyendo la corrección por comparaciones múltiples en lo siguiente. Las diferencias en los mapas fraccionales de atrofia entre pacientes con esclerosis lateral amiotrófica y controles se calculan mediante estadísticas espaciales basadas en todo el cerebro. Calcule los mapas de FA a partir de datos DTI normalizados para preservar la información direccional como un paso previo al análisis comparativo por vóxeles, y aplique un filtro de suavizado a los mapas individuales de FA normalizados para suavizarlos.

El hecho de que el tamaño del filtro influya en los resultados del análisis de datos de DTI requiere la aplicación del teorema del filtro adaptado, que establece que el ancho del filtro utilizado para procesar los datos debe ajustarse al tamaño de la diferencia esperada. Compare los grupos de pacientes y el grupo control correspondiente foxwell Y utilizando la prueba t de Student. Esto se realiza comparando los valores de FA de los mapas de FA de los pacientes con los valores de FA de los mapas de FA de los controles para cada foxhole por separado, y luego corrija los resultados estadísticos por comparaciones múltiples mediante el algoritmo de tasa de descubrimiento falso con un valor de P menor que 0,05.

Reduzca aún más el error alfa mediante un algoritmo de correlación espacial que elimina vóxeles aislados o pequeños grupos aislados de vóxeles en el rango de tamaño del núcleo de suavizado, lo que conduce a un tamaño mínimo del grupo umbral de 512 foxholes en la siguiente pista, dos veces. Se calculan estadísticas fraccionales anes atrópicas para pacientes con esclerosis lateral amiotrófica frente a controles. Con el fin de aplicar algoritmos de seguimiento de fibras basados en grupos, genere conjuntos de datos promedio de DTI a partir de los datos de los pacientes y de los controles juntos, luego realice tractografía y conjuntos de datos promedio de DTI de grupos de sujetos mediante la aplicación de una técnica de seguimiento optimizada.

Identifique manualmente los puntos semilla definidos adyacentes a los máximos locales mediante el análisis de FA basado en todo el cerebro, los cuales sirven como base para el análisis consecutivo de seguimiento de fibras tras la identificación de las semillas, realice la tractografía T y defina los vóxeles de las fibras delimitadas como una máscara específica del grupo para el siguiente TFAS. Con el fin de cuantificar los resultados de la tractografía T, aplique TFAS utilizando las trayectorias de fibras que se crearon a partir de los conjuntos de datos DTI promedio de todos los sujetos de cada grupo para la selección de los vóxeles que contribuyen a una comparación entre los mapas de FA de pacientes y controles, a fin de obtener información integral mediante WBSS y TFAS considere todos los vóxeles resultantes con un valor de FA superior a 0,2 para el análisis estadístico mediante la prueba t de Student. Esta animación muestra las diferencias grupales en los mapas de FA detectadas por WBSS entre una muestra de pacientes con LS y controles apareados en una visualización por cortes.

Este video muestra el seguimiento de fibras con puntos iniciales en el tracto corticoespinal utilizados como base para TFAS una vez dominado. Esta técnica puede realizarse casi automáticamente en unas pocas horas si se realiza correctamente. Después de ver este video, debería tener una buena comprensión de cómo realizar análisis de DTI a nivel grupal utilizando estadísticas espaciales basadas en todo el cerebro y estadísticas de FA de TrackWise.