Diffusion Tensor Imagem por Ressonância Magnética na Análise de Doenças Neurodegenerativas

Resumo

Tensor de difusão (DTI), basicamente, serve como uma ferramenta baseada em ressonância magnética para identificar In vivo A microestrutura do cérebro e processos patológicos devido a desordens neurológicas dentro da matéria branca cerebral. Análises baseadas DTI permite a aplicação de doenças cerebrais, tanto ao nível do grupo e em Dados sujeitos individuais.

Resumo

Técnicas de imagem tensor de difusão (DTI) fornecer informações sobre os processos microestruturais da substância branca cerebral (WM) in vivo. Os atuais aplicativos são projetados para investigar as diferenças de padrões de envolvimento WM em diferentes doenças cerebrais, doenças neurodegenerativas, especialmente pelo uso de diferentes análises DTI em comparação com os controles.

Análise de dados DTI é realizada de uma forma variada, ou seja, comparação voxelwise de difusão métricas regionais baseadas em direção como anisotropia fracionada (FA), juntamente com acompanhamento de fibra (FT), acompanhado de estatísticas da anisotropia fracionada tractwise (AGT) no nível do grupo, a fim para identificar diferenças na FA ao longo estruturas WM, visando a definição de padrões regionais de WM alterações no nível do grupo. Transformação em um espaço padrão estereotáxica é um pré-requisito para estudos em grupo e exige que os dados completos de processamento para preservar directional inter-dependências. As aplicações atuais mostram abordagens técnicas otimizadas para esta preservação de informações quantitativas e direcional durante a normalização espacial em análises de dados em nível de grupo. Nesta base, as técnicas de FT pode ser aplicado para o grupo de dados em média, a fim de quantificar a informação métricas definidas pela FT. Além disso, a aplicação de métodos de DTI, isto é, diferenças de FA-mapas após alinhamento estereotáxico, numa análise longitudinal a um sujeito individual com base revelar informações sobre a progressão de desordens neurológicas. Melhora ainda mais a qualidade dos resultados baseados DTI podem ser obtidos durante o pré-processamento através da aplicação de uma eliminação controlada de instruções de gradiente com elevados níveis de ruído.

Em resumo, o DTI é utilizado para definir um WM pathoanatomy distinta de diversas doenças cerebrais, a combinação do conjunto de análise DTI cérebro baseado e baseado trato.

Introdução

Imagem tensor de difusão no cérebro humano

A matéria (WM) tratos branca no sistema nervoso central consistem de axónios densamente empacotados em adição a vários tipos de neuroglia e outras pequenas populações de células. A membrana axonal, bem como as fibras de proteína bem alinhadas dentro de um axónio limita a difusão de água perpendicular à orientação das fibras, provocando a difusão de água no cérebro anisotrópica WM ^1. Bainhas de mielina em torno dos axônios também podem contribuir para a anisotropia tanto intra e extracelular de água ^2.

A descrição quantitativa deste anisotropia pode ser detectado pelo tensor de difusão (DTI). DTI produz imagens de tecidos ponderados com as características microestruturais locais de difusão de água. As intensidades de imagem-em cada posição são atenuados, dependendo da intensidade e direcção do chamado gradiente de difusão magnética (representado emo valor-b), bem como sobre a microestrutura local no qual as moléculas de água difundir ^3, o coeficiente de difusão D, a um valor escalar:

No entanto, na presença de anisotropia em WM, difusão já não pode ser caracterizado por um único coeficiente de escalar, mas requer um tensor que, em primeira aproximação descreve mobilidade molecular ao longo de cada direção e correlação entre esses ^quatro direções. Anisotropia de difusão é causada principalmente pela orientação de feixes de fibras em WM e é influenciado por suas micro e macroestrutural recursos. Dos aspectos microestruturais, organização intraaxonal parece ser de grande influência sobre a anisotropia de difusão, além da densidade de uma fibraembalagem célula nd, o grau de mielinização e diâmetro das fibras individuais. Em uma escala macroscópica, a variabilidade na orientação de todas as extensões de WM em um voxel imagiologia influencia o seu grau de anisotropia ^5.

Em medições típicas de DTI, são as dimensões do voxel na ordem de milímetros. Assim, um voxel sempre contém a informação médio das moléculas de água no interior do volume de detecção que normalmente cobre várias axónios, bem como as moléculas de água circundantes. Apesar deste enquadramento multidirecional, DTI é sensível à orientação do maior eixo principal que se alinha com a direcção predominante axonal, ou seja, a contribuição axonal domina o sinal medido ^duas.

DTI fornece dois tipos de informações sobre a propriedade de difusão de água: em primeiro lugar, a extensão orientação independente de difusão anisotropia ⁵ e, segundo, a direção predominante de difusão de água em imagvoxels electrónicos, isto é, a orientação de difusão ^6.

Os protocolos atuais são supostamente para fornecer um quadro de técnicas de análise de DTI para a comparação quantitativa dos grupos de sujeitos no nível do grupo, conforme descrito a seguir.

Quantificação de propriedades de difusão - parâmetros de análise

Os elementos do tensor simétrico pode ser medido por gradientes de difusão ao longo de, pelo menos, seis não colineares e não coplanares instruções de modo a que b (Equação 1) tornou-se um tensor, o que resulta na atenuação do sinal

Esta equação requer respondendo por possíveis interações entre imagem e gradientes de difusão que são aplicadas em direções ortogonais (termos cruzados) e até mesmo entre os gradientes de imagem que são aplicadasem ^quatro direcções ortogonais.

O tensor de difusão de segunda ordem sempre pode ser diagonalizada deixando apenas três elementos diferentes de zero ao longo da diagonal principal do tensor, ou seja, os valores próprios ( ). Os Eigenvalues ​​reflectir a forma ou configuração do elipsóide. A relação matemática entre o principal coordenadas da elipsóide e do quadro de laboratório é descrita por os autovectores

Uma vez que existem vários desafios na exibição de dados tensor, o conceito de elipsóides de difusão foi proposto ^3. Os Eigendiffusivities destes ellipsoids representam unidimensionais os coeficientes de difusão na direcção principal de difusividades do meio, isto é, o eixo principal do elipsóide representa a direcção de difusão principal no voxel, que coincide com a direcção das fibras, enquanto que a excentricidade do elipsóide fornece informações sobre o grau de anisotropia e a sua simetria. Portanto, as métricas de anisotropia de difusão, tais como a anisotropia fracionada (FA) pode ser definida ^7.

é a média aritmética de todas as Eigenvalues.

Uma abordagem adicional consiste em utilizar a direcção principal do tensor de difusão para abordar a conectividade WM do cérebro, o que corresponde ao tractografia approach que tem a intenção de investigar quais as partes do cérebro estão ligados uns aos outros. Assumindo-se que a orientação do componente principal do tensor de difusão representa a orientação dos folhetos axonais dominantes, num campo de vectores em 3-D é proporcionado, em que cada vetor representa a orientação das fibras. Actualmente, existem diversas abordagens para reconstruir WM extensões que podem ser divididas em dois tipos: a primeira categoria é baseado em algoritmos de propagação de linha usando a informação tensor local para cada passo de propagação do tracto fibra ^2,8,9. A segunda categoria é baseada na minimização de energia global para encontrar o caminho energeticamente mais favorável entre duas regiões WM, resultando na abordagem estatística espacial baseados trato (TBSS) ^10, o qual tem sido usado em outros algoritmos, tais como as estatísticas da anisotropia fracionada tractwise (AGT - ver texto do protocolo, a seção 2.4)..

Transformação em estande estereotáxicaard espaço

Tal como em outros métodos de ressonância magnética avançada, DTI-e estudos baseados em FT num contexto clínico prosseguir a meta final para categorizar morfologia do cérebro do paciente individual, a fim de facilitar o processo de diagnóstico com base em alguma discriminação métrico ^11. Estudos ao nível do grupo são mais relevantes se o fenótipo clínico comum é suposto ser devido a danos a uma ou mais áreas específicas do cérebro ou uma rede neuroanatomical específico. Aqui, com uma média de resultados para indivíduos diferentes é útil para avaliar padrões comuns de alterações microestruturais. Cada cérebro individual tem que ser transferido para o espaço estereotáxico de modo que, num segundo passo, a média aritmética dos resultados ao nível do voxel-a-voxel é possível. Normalização espacial permitido para cálculo da média aritmética dos resultados obtidos a partir de diferentes indivíduos, a fim de melhorar a relação sinal-ruído (SNR), e para realizar uma comparação de amostras de pacientes e controls, a fim de analisar o pathoanatomy computacional de uma doença específica, por exemplo, uma doença neurodegenerativa, o qual está associado com a afectação de um sistema cerebral específico.

A abordagem inicial de normalização para um espaço estereotáxico padronizado em ¹² sugeriram um algoritmo de transformação de um atlas padrão envolvendo a identificação de vários marcos cerebrais e fragmentada escala de quadrantes do cérebro. Hoje em dia, a maioria dos pacotes de análise de dados de ressonância magnética avançados usam normalização do Instituto Neurológico de Montreal (MNI) estereotáxica espaço ^13. Para esta transformação, algoritmos de registro cérebro semi-automáticos e automatizados usando o estudo de modelos específicos foram desenvolvidos ^14,15. Em DTI, atenção especial deve ser desenhado para preservar a informação direcional durante o processo de normalização ^16,17. A aplicação de transformações espaciais em imagens DT-MR, que são necessários para a normalização espacialde conjuntos de conjuntos de dados é, em contraste com as imagens escalares entortamento, complicado pelo facto de conter informações DTs orientacional que é novamente afectadas pela transformação. Este efeito deve ser contabilizada, a fim de garantir a correção anatômica da imagem transformada. Aqui, são apresentadas técnicas de aplicação transformações afins de conjuntos de dados de DTI.

Aplicação de DTI para doenças cerebrais

A comparação dos dados longitudinal DTI requer um alinhamento / registo de dados de um objecto entre si. Neste contexto, a preservação da informação direccional é necessário (isto é, a rotação do tensor de difusão durante transformações afins). As possíveis aplicações para doenças neurodegenerativas foram relatadas anteriormente (por exemplo, ^18,19).

DTI foi estabelecida como uma ferramenta técnica não-invasiva robusto para investigar in vivo Neuropatholgia de WM extensões neuronais (por exemplo, ^{11,20,21,22).} Métricas quantitativas baseadas DTI do processo de difusão, por exemplo, o FA, já demonstraram ser marcadores sensíveis para o estudo de uma ampla gama de WM patologias, tais como acidente vascular cerebral ^20, esclerose múltipla ^23, a esclerose amiotrófica lateral, ^{24, 25,} a doença de Alzheimer ²⁶ e vários outros distúrbios WM ^27,28.

Além disso, o DTI com FT podem ser usadas para identificar extensões WM ^23. Esta técnica, embora ainda não em uso clínico de rotina, está emergindo como um poderoso instrumento para a avaliação de anormalidades específicas da via na doença neurológica. Dentro dos intervalos identificados vários índices quantitativos MRI derivado de DTI e aquisições adicionais (por exemplo, T2 e / ou transferência de magnetização (MT) de imagem) que são anatomicamente georeferenciados aos dados DTI podem ser medidos. Por este meio, cada índice poderia ser calculated como uma função da posição no interior do tracto, referindo-se aos lotes que descrevem a variação espacial como perfis trato.

Nos seguintes, digitaliza DTI humanos, que foram realizadas em 1,5 Tesla MRI scanners (Siemens Medical, Erlangen, Alemanha) foram utilizadas para investigar o potencial de várias técnicas de análise para a detecção de alterações na substância branca em grupos de pacientes, assim como em indivíduos. Depois de um controlo automático de qualidade para a eliminação de volumes movimento corrompidos e volumes com outros tipos de artefatos, procedimentos pós-processamento padronizados preparar os dados do DTI para a análise consecutiva. Diferentes abordagens de análise será ilustrada no seguinte, ou seja, em primeiro lugar, o cérebro todo com base estatística espacial (WBSs), em segundo lugar, a FT, e, Tractwise estatísticas da anisotropia fracionada terceiros (AGT). WBSs é um método que funciona em analogia com morfometria baseada em voxel (VBM), que é geralmente conhecida como morfometria / estatística baseada em voxel em dados DTI (VBM / DTI) . VBM é um método que é executado inicialmente em imagens de contraste em que as diferenças de contraste nas varreduras separados têm de ser resolvidas quando WBSs é um método que utiliza a comparação voxelwise de um parâmetro físico. Portanto, embora algoritmicamente semelhante, uma terminologia que se diferenciar WBSs e VBM serão usados ​​a seguir.

Protocolo

Métodos de Análise: pré e pós-processamento

A tarefa do seguinte protocolo é analisar propriedades de difusão voxelwise dentro tratos de substância branca que poderia ser - devido à detecção voxelwise - ou isotrópicos ou anisotrópicos, resultando em tensores de difusão prolate ou oblato para os respectivos voxels. A parametrização dos tensores voxel é usado tanto para o cálculo da FA-mapas ou a identificação de fibertracts (Figura 1).

A fim de obter os resultados da análise, como mostrado a seguir, utilizar o pacote de software de tensor e seguimento de Fibra (TIFT) ^17. TIFT fornece ferramentas de análise para os seguintes requisitos:

• análise em termos de DTI métricas, por exemplo, FA-mapas,
• normalização estereotáxica
• comparação entre os grupos em termos de FA ou outras métricas DTI
• várias abordagens de análise do FT
• FT no grupo de média DDados da TI ea análise estatística correspondente.

Estas características permitem uma variedade de análises em um ambiente de software ^17,29,30,31. O software TIFT está constantemente em desenvolvimento de novas opções em análise de dados DTI.

A Figura 2 apresenta uma visão esquemática como analisar dados DTI no nível do grupo após a normalização espacial de duas abordagens complementares, ou seja, tanto por WBSs e por TFAS para finalmente obter diferenças entre as amostras sujeitas ao nível do grupo, por exemplo, cérebros doentes contra controles saudáveis. Aqui, WBSs visa uma detecção imparcial voxelwise de áreas com as diferenças ao nível do grupo, enquanto que AGT baseia fibertracts pré-definidas; as áreas a partir AGT pode ser livremente escolhida, ou pode ser derivada a partir dos resultados WBSs `(` focos de significativamente alterada FA).

Comparação longitudinal individual do FA-mapas é realizada pela detecçãoting diferenças em fa-mapas de medições em diferentes pontos temporais após alinhamento estereotáxico afim (Figura 2).

1. Verificação de qualidade (QC), incluindo a correção para as direções gradiente corrompidos
   No caso de distúrbios de movimento, durante a aquisição, ou seja, em caso de volumes corrompidos, um aumento de SNR é obtido omitindo direcções gradientes individuais (DG) para o cálculo do tensor. Para esse efeito, um controlo de qualidade (QC) ³² algoritmo foi desenvolvido. Em resumo, para verificações que continha volumes corrompidos, um aumento SNR é conseguido por omissão de um simples gradiente de direcções de cada vez antes da estimação tensor: para cada DG, a variância ponderada é calculada a partir de todos os lados restantes da sequência através da ponderação com o ângulo em que difere do índice de SG.
   1. Executar uma correção artefato detectando GD com pelo menos uma fatia mostrando redução na intensidade, ou seja, artefatos de movimento causado por su espontânea bject circulação (Figura 3, painel superior). Para qualquer volume ponderado difusão, calcular a intensidade média para cada fatia e comparar sua intensidade com a mesma fatia em todos os outros volumes, usando uma abordagem média ponderada - o fator de ponderação é o produto escalar de dois vetores de GD :
      
      
      denota a intensidade média aritmética da fatia sob observação e427eq12.jpg "/> uma fatia de comparação. O desvio médio relativo intensidade é ponderado pelo produto escalar da GD. Assim, a fim de definir um parâmetro global:
      
      reflecte o mínimo de comparações slicewise de todas as fatias.
   2. Se Q é abaixo de um certo limiar (no exemplo, um limite de 0,8 é usada para esta finalidade), que o volume de eliminar todo, ou GD. Um limiar de 0,8 é considerada uma solução estável ^32. Figura 3 ilustra artefactos de movimento visível nas reconstruções sagital e detectados pelo algoritmo de CQ. Neste exemplo, a partir do número total de GD (pontos azuis na figura 3c), 17 estavam abaixo da linha vermelha, que corresponde a Q = 0,8 e Should ser eliminado. Um exemplo de um volume de estatísticas para eliminação de um estudo conjunto é apresentado na Figura 3d. Neste estudo exemplar, os dados de DTI 29 indivíduos pré-sintomáticos HD foram comparados aos dados de DTI 30 controles. Outros detalhes deste algoritmo é apresentado em ^{32, 33.}
2. Pré-processamento e normalização espacial
   1. Realizar a correcção de distorções geométricas corrente de Foucault induzidas dos dados de imagem de eco-planar define pelo método proposto por ^34.
   2. Para a normalização estereotáxico, criar um específico de estudo (b = 0) - e um molde-molde FA, como descrito anteriormente ^17,28,31. Basicamente, uma normalização estereotáxico não linear completo é composto por três componentes de deformação. Consequentemente, o tensor de difusão, resultando de cada voxel i tem de ser rotated acordo com todas as rotações acima enumeradas (Figura 4):
      1. A Figura 4a mostra uma transformação rígida cérebro para alinhar as estruturas básicas de coordenadas. A rotação resultante do alinhamento com a estrutura de coordenadas de base tem de ser aplicado
         
      2. Figura 4b mostra uma deformação linear de acordo com marcos. Os componentes das Autovetores tem que ser adaptado de acordo com os seis parâmetros de normalização de S (dependente da região do cérebro é _um, a = 1 ... 6) da deformação linear.
         v _{w, j} '' '= S _a v _{w, j'''}
         w = 1,2,3 e j = x, y, z.
      3. Figura 4c mostra uma normalização não linear igualização diferenças de forma do cérebro não-lineares. Os desvios vetor 3-D são diferentes para cada voxel levando a uma transformação separado para cada voxel da matriz de 3-D do voxel ). Trigonometria padrão dá uma matriz de rotação independente para cada voxel, resultante do vetor 3-D se desloca seguindo os conceitos de ^16, a fim de preservar as relações direcionais entre autovetores de voxels neighbored. Assim, diferentes turnos de dois voxels neighbored resultar em rotações de os autovetores correspondentes. Use as matrizes de dilatação para o alinhamento do tensor de cada voxel paraos voxels circundantes.
         
         são os componentes
      O processo de normalização todo é iterativo, ou seja, criar um scanner e específico de seqüência (b = 0) - modelo para este estudo, no primeiro passo a média aritmética da (b = 0) - volumes de todos os indivíduos, após a transformação linear de acordo com o manual definir marcos. Após esta primeira normalização, criar melhores modelos, a fim de optimizar as matrizes de normalização. Os passos seguintes 1.2.3 até 1.2.5 são esquematicamente visualizado na Figura 5a.
   3. Após este procedimento de normalização individual (rep (i) - DTI-dados I _0), o uso de todos os dados individuais DTI define para a criação de um específico de estudo (b = 0) - e um molde-molde FA (passo (ii) - modelos T _1). Como o registo não afim de um molde-FA tem a vantagem de proporcionar mais contraste, em comparação com (b = 0), as imagens ^10, definem um molde-FA pela média de todos os derivados individualmente FA-os mapas dos doentes e os controlos.
   4. Em uma segunda etapa, na sequência das ideias básicas da Ashburner Friston e ^35, a uma normalização MNI não-linear (passo (iii)) dos dados DTI define minimizando o desfasamento entre as intensidades regionais do mapa-FA para ser montada e o modelo FA de acordo com as diferenças ao quadrado (X ²⁾ - dessa forma, você obter dados DTI I _1.
   5. Com base nestes dados, os novos modelos são derivados ₂ T (passo (iv)). Repita este processo iterativo até que a correlação entre FA-maps individual e tele FA-molde é> 0,7. Geralmente isto é alcançado após duas iterações.
3. Estatística espacial baseados cérebro inteiro
   Os passos seguintes 1.3.1 até 1.3.5 são visualizados de forma esquemática na Figura 5b.
   1. Calcular FA-mapas a partir dos dados de DTI normalizadas com respeito ao procedimento de normalização de 1,2. , a fim de preservar a informação direccional (passo (i)).
   2. Como um passo de pré-processamento antes da comparação estatística voxelwise, aplicar um filtro de suavização (passo (ii)) para o indivíduo normalizada FA-mapas. Por alisamento, o facto de que o tamanho do filtro influencia os resultados da análise de dados ³⁶ DTI exige a aplicação do teorema do filtro adaptado que afirma que a largura do filtro utilizado para processar os dados devem ser adaptados ao tamanho da diferença esperada, conforme detalhado em aplicações anteriores aos dados DTI de pacientes com doenças neurodegenerativas (por exemplo ^28).
   3. Realizar estatística miniaturaarison entre os grupos de pacientes e os correspondentes voxelwise grupo controle por teste t de Student de, ou seja, comparar os valores de FA dos pacientes "FA-mapas com os valores de FA os controles 'FA-mapas, para cada voxel separadamente (passo (iii )). Valores de FA abaixo de 0,2 não são considerados para o cálculo desde a matéria cinzenta cortical mostra valores de FA até 0,2 ^37.
   4. Os resultados estatísticos têm que ser corrigido para múltiplas comparações usando o de taxa de detecção falso (FDR) algoritmo de p <0,05 ³⁸ (passo (iv)). Uma maior redução do erro alfa tem de ser executada por um algoritmo de correlação espacial (aglomeração - o passo (v)), que eliminou os voxels isoladas ou pequenos grupos isolados de voxeis na gama de tamanho do grão de alisamento, conduzindo a um tamanho de aglomerado de 512 limiar voxels.
   5. Para exibir os resultados em um fundo morfológica (passo (v)), normalizar os 3-D T1 dados ponderados define o espaço MNI e média aritmética. Realize esta normalização procedimento por utilização de um modelo específico de estudo em analogia com a normalização aplicados aos dados do DTI define ^17.

A Figura 6 mostra os resultados de toda a estatística espacial baseadas no cérebro (WBSs) de pacientes versus controles ELA. Figura 6a mostra o máximo local de valores de FA diminuiu em um sagital, coronar e vista axial (estabelecido em p <0,01, corrigido para múltiplas comparações). Figura 6b mostra FT projectional com pontos de partida no trato corticoespinhal usado como base para TFAS. Figura 6c mostra diferenças entre os grupos na FA-maps detectados pelo cérebro todo com base estatística espacial (WBSs) entre uma amostra de pacientes com ELA e controles pareados em uma visualização slicewise.

4. Estatísticas da anisotropia fracionada tractwise tractography e (TFAS)
   A Figura 7 ilustra o processo de FT-base do grupo, incluindo AGT como descrito no ponto 1.4.1 até 1.4.4.
   1. A fim de aplicar algoritmos baseados no grupo FT, gerar dados médios DTI conjuntos de 'dados e os comandos a partir dos Pacientes de dados em conjunto de acordo com os métodos descritos anteriormente ^17. Isto requer um tratamento cuidadoso média da informação de orientação que é preservada durante o processo de normalização de acordo com técnicas descritas por ¹⁶ - para mais pormenores ver ^30.
   2. Realize tractography em conjuntos de dados DTI médias de grupos de sujeitos através da aplicação de uma técnica de simplificar rastreamento ^31. Identificar pontos sementes definidas manualmente adjacentes aos valores máximos locais por todo o FA análises baseadas no cérebro, que são a base para a análise FT consecutivo. Após a identificação das sementes, executar tractografia e definir os voxels das fibras delineado como uma máscara específica de grupo pelo seguinte AGT ^30.
   3. De forma a quantificar os resultados tractography, aplicar a técnica de AGT, utilizando thde e feixes de fibras que foram criados na dados DTI médio de conjuntos de todos os sujeitos de cada grupo (dados do doente e os dados de controlo em conjunto) para a selecção dos voxeis que contribuem para uma comparação entre os pacientes e os dos controles FA-mapas.
   4. Considere todos os voxels resultantes com um valor de FA acima de 0,2 para análise estatística pelo teste t de Student de.
   5. Se desejado, a técnica de AGT poderia ser aplicada a qualquer métricas derivadas DTI, tais como a difusividade média (DM), anisotropia radial, anisotropia axial, etc (para um exemplo, ver ^28).
   6. Os resultados são exibidos em um fundo morfológico composto pelos MNI-normalizadas 3-D conjuntos de dados T1

Resultados

1. QC e correção para direções gradiente corrompidos na aplicação de dados de pacientes com desordens hipercinéticas

Como um exemplo, para o efeito da aplicação de QC, e de exclusão de volume subsequente (como uma consequência da correcção para GD corrompidos), a Figura 8 mostra as diferenças de cérebro inteiro de estatísticas espaciais base com ou sem exclusão de volume para a comparação de grupos de 29, a doença de premanifest Huntington assuntos vs 30 ano...

Discussão

Média inter-sujeito dos dados DTI podem ser alcançados com respeito à amplitude de difusão (por utilização de informação FA) ea direcção da difusão (com base em FT), respectivamente. Média de FA mapas permite a comparação estatística dos grupos de sujeitos por WBSs e AGT. Este quadro metodológico dá uma introdução às técnicas DTI com média inter-sujeitos e comparação grupo. Normalização estereotáxica e comparação de mapas de FA no nível do grupo permite várias possibilidades de quantificar...

Materiais

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