JoVE Logo
АВТОРЫ
СВЯЖИТЕСЬ С НАМИ

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Воображение тензора диффузии (DTI) в основном служит МРТ-инструмент для выявления В естественных условиях Микроструктуры мозга и патологических процессов из-за неврологических нарушений в коре головного белого вещества. DTI основе анализы позволяют для нанесения на заболевания головного мозга, как на уровне группы и в данных одного предмета.

Аннотация

Воображение тензора диффузии (DTI) методы обеспечивают информацию о микроструктурных процессов головного белого вещества (WM) в естественных условиях. В настоящем приложения предназначены для исследования различий узоров WM участие в различных заболеваний мозга, особенно нейродегенеративных расстройств, при использовании различных анализов DTI в сравнении с контрольной группой.

DTI анализ данных выполняется в мерный образом, т. voxelwise сопоставление региональных направлении диффузии на основе таких показателей, как фракционная анизотропия (ФА), а также волоконно-слежения (FT) в сопровождении tractwise дробной статистике анизотропии (TFAS) на уровне группы в целях выявить различия в Англии наряду WM структур, направленный на определение региональных особенностей изменений WM на уровне группы. Трансформация в стереотаксической стандартном пространстве является необходимым условием для групповых занятий и требует тщательной обработки данных, чтобы сохранить Directional взаимозависимости. Настоящий приложения появятся оптимизированные технические подходы к этому сохранение количественных и направленной информации при пространственном нормализации анализа данных на уровне группы. Исходя из этого, FT методы могут быть применены к группе усредненные данные для того, чтобы количественно данные метрик, как это определено FT. Кроме того, применение методов DTI, т.е. различия в FA-карты после стереотаксической выравнивания в продольном анализа на индивидуальной основе субъект раскрывать информацию о прогрессировании неврологических расстройств. Дальнейшее улучшение качества DTI основе результаты могут быть получены при предварительной обработке путем применения контролируемого устранение градиент направлениях с высоким уровнем шума.

Таким образом, DTI используется для определения различных патологической анатомии WM различных заболеваний мозга путем сочетания всего головного мозга на основе путей и анализа на основе МТП.

Введение

Воображение тензора диффузии в человеческом мозге

Белого вещества (WM) трактов в центральной нервной системе состоит из плотно упакованных аксонов в дополнение к различным типам нейроглии и других небольших популяций клеток. Мембраны аксона, а также хорошо выровненных волокон белка в аксон ограничивает диффузию воды перпендикулярной к ориентации волокон, что приводит к анизотропной диффузии воды в мозге WM 1. Миелиновых оболочек вокруг аксонов также может способствовать анизотропии для внутри-и внеклеточной воды 2.

Количественное описание этой анизотропии могут быть обнаружены воображение тензора диффузии (DTI). DTI производит изображения тканей взвешены с учетом местных микроструктурных характеристик диффузии воды. Изображений интенсивности в каждом положении ослабляются, в зависимости от силы и направления так называемого градиента магнитного диффузии (представлено вб-значение), а также на локальном микроструктуры в которых молекулы воды диффундируют 3, коэффициент диффузии D, скалярное значение:

figure-introduction-1177
Тем не менее, в присутствии анизотропии СУС, диффузия не может быть охарактеризована одним коэффициентом скаляр, но требует тензор figure-introduction-1436 которая в первом приближении описывает молекулярную подвижность по каждому направлению и корреляции между этими направлениями 4. Анизотропии диффузии в основном связано с ориентацией волокон участки в WM и находится под влиянием ее микро-и макроструктуры особенности. Из микроструктуры, intraaxonal организации видимому, имеет наибольшее влияние на анизотропии диффузии, кроме того, плотность волоконй упаковки клеток, степени миелинизации, а отдельные диаметра волокна. В макроскопических масштабах, изменчивость в ориентации всех путей в WM изображений воксел влияет на ее степень анизотропии 5.

В типичных измерений DTI, воксел размеры приведены в порядок миллиметров. Таким образом, вокселов всегда содержит усредненной информации молекул воды внутри обнаруженного объем, который обычно охватывает несколько аксонах, а также окружающих молекул воды. Несмотря на это разнонаправленные среды, МТП чувствительного к ориентации крупных основной оси, которая выравнивает к преимущественному аксонального направлении, т.е. аксонального вклад доминирует измеренного сигнала 2.

DTI предоставляет два типа информации о недвижимости диффузии воды: во-первых, ориентация независимых степень анизотропии диффузии 5 и, во-вторых, преобладающее направление диффузии воды в мнимойэлектронной вокселов, т.е. диффузии ориентации 6.

Современные протоколы должны обеспечивать рамках DTI методов анализа для количественного сравнения предметных групп на уровне группы, как об этом говорится в следующем.

Количественная оценка свойств диффузии - анализ параметров

Элементы симметричный тензор может быть измерена путем диффузии градиент вдоль по меньшей мере шесть неколлинеарных и некомпланарными направлениях, так что Ъ (уравнение 1) стала тензор, что приводит к ослаблению сигнала

figure-introduction-3615
Это уравнение требует учета возможных взаимодействий между изображениями и диффузии градиенты, которые применяются в ортогональных направлениях (перекрестные члены) и даже между изображениями градиенты, которые применяютсяв ортогональных направлениях 4.

Второго ранга тензора диффузии figure-introduction-4068 всегда может быть приведена к диагональному оставив только три ненулевых элементов на главной диагонали тензора, т.е. собственные значения ( figure-introduction-4340 ). Собственные отражают форму и конфигурацию эллипсоида. Математическую зависимость между основными координат эллипсоида и лабораторной описывается собственные векторы figure-introduction-4630

Так как существует несколько проблем при отображении тензор данных, концепция диффузии эллипсоидов была предложена 3. Eigendiffusivities из этих электронныхllipsoids представляют собой одномерные коэффициентов диффузии в основном направлении диффузии среды, т.е. основной оси эллипсоида является основным направлением диффузии в воксела которой совпадает с направлением волокон, при этом эксцентриситет эллипсоид предоставляет информацию о степень анизотропии и ее симметрии. Поэтому анизотропии диффузии показателей, таких как дробная анизотропии (ФА) может быть определено 7.

figure-introduction-5417
figure-introduction-5548 является средним арифметическим всех собственных.

Еще один подход заключается в использовании основное направление тензора диффузии для решения соединения WM головного мозга, отвечающая трактография подхоч. который имеет намерение исследовать, какие части головного мозга соединены друг с другом. Если предположить, что ориентация основной компонент тензора диффузии представляет ориентации доминирующей аксонального путей, 3-D векторное поле предусмотрено, в котором каждый вектор представляет ориентации волокон. В настоящее время существует несколько различных подходов для восстановления WM участки, которые могут быть разделены на два типа: первая категория основана на линии распространения алгоритмов с использованием локальной информации тензор на каждом этапе распространения волокна тракта 2,8,9. Вторая категория основана на глобальной минимизации энергии, чтобы найти наиболее энергетически выгодная путь между двумя областями WM, в результате чего подход тракта на основе пространственной статистики (TBSS) 10, который был использован в других алгоритмов, таких как tractwise дробной статистике анизотропии (TFAS - см. текст протокола, раздел 2.4)..

Преобразование в стереотаксической стендARD пространства

Как и в других передовых методов МРТ, DTI-и FT на основе исследований в клиническом контексте добиваться конечной цели классифицировать морфологии мозга конкретного пациента, чтобы облегчить диагностический процесс, основанный на некоторую дискриминацию метрических 11. Исследования на уровне группы, которые наиболее актуальны если общий клинический фенотип, как предполагается, из-за повреждения одного или нескольких конкретных областях мозга или конкретных нейроанатомическую сети. Здесь усреднение результатов по различным предметам полезна для оценки общих закономерностей микроструктурных изменений. Каждый отдельный мозг должен быть передан в стереотаксической пространство таким образом, что на втором этапе, арифметическое усреднение результатов на воксела-на-воксела уровне возможно. Пространственное нормализации разрешено для арифметических усреднением результатов, полученных из различных предметов для того, чтобы улучшить отношение сигнал-шум (SNR) и выполнить сравнение образцов пациентов и продолжениеROLS для анализа вычислительных патологической анатомии конкретного расстройства, например, нейродегенеративные заболевания, которое связано с аффектацией конкретной системы мозга.

Раннем подходе к нормализации стандартизированных стереотаксической пространства на 12 предложили алгоритм преобразования в стандартный атлас участием идентификации различных достопримечательностей по частям мозга и масштабирование мозга квадранта. В настоящее время большинство передовых МРТ анализа данных пакеты используют нормализацию Монреальского неврологического института (МНИ) стереотаксической пространстве 13. Для этого преобразования, полуавтоматические и автоматические мозга регистрации алгоритмы, использующие конкретные исследования были разработаны шаблоны 14,15. В DTI, особое внимание должно быть обращено на сохранение информации о направлении во время процесса нормализации 16,17. Применение пространственных преобразований DT-МР изображений, которые требуются для пространственного нормализацииколлекций наборов данных, в отличие от коробления скалярных изображений, осложняется тем фактом, что ДЦ содержать ориентационная информация, которая снова зависит от трансформации. Этот эффект должны быть учтены в целях обеспечения анатомической правильности преобразованное изображение. Здесь методы применения аффинного преобразования, чтобы DTI наборов данных представлены.

Применение DTI для заболеваний головного мозга

Сравнение продольной DTI данных требует выравнивания / регистрации данных одного субъекта друг с другом. В этом контексте, сохранение информации о направлении необходимо (т.е. вращение Тензор диффузии при аффинных преобразований). Возможные приложения для нейродегенеративных заболеваний были зарегистрированы ранее (например, 18,19).

Министерство торговли и промышленности был создан в качестве надежных неинвазивных техническим инструментом для исследования в естественных условиях Neuropatholлогии WM нейронных путей (например 11,20,21,22). DTI основе количественных метрик процесса диффузии, например, FA, уже было показано, чувствительных маркеров для изучения широкого спектра патологий, WM, таких как инсульт 20, рассеянный склероз 23, боковой амиотрофический склероз 24, 25, болезни Альцгеймера 26 и ряд других расстройств WM 27,28.

Кроме того, МТП с FT может быть использован для идентификации WM трактов 23. Этот метод, в то время как до сих пор не в рутинной клинической использования, становится мощным инструментом для оценки пути конкретных отклонений в неврологическом заболевании. В определены путей, различные количественные показатели МРТ, полученных из DTI и дополнительные приобретения (например, Т2-взвешенных изображений и / или намагниченность перевода (МП) изображения), которые анатомически coregistered к DTI данные могут быть измерены. Настоящим, каждый индекс может быть исчислениеated в зависимости от положения в тракте, ссылаясь на участках изображающие их пространственное изменение как тракт профилей.

В следующем, человеческие сканирований DTI, которые были выполнены на 1,5 Тесла МРТ-сканеры (Siemens Medical, Эрланген, Германия) были использованы для исследования потенциала различных методов анализа для обнаружения аномалий белого вещества в группах пациентов, а также у лиц. После автоматизированной проверки качества для ликвидации движения поврежденного объемы и объемы с других видов артефактов, стандартизированные процедуры постобработки DTI подготовить данные для последовательного анализа. Различные подходы анализ будет проиллюстрировано следующими, то есть первый, весь мозг основан пространственной статистики (WBSS), второй FT, и, в-третьих, Tractwise дробной статистике анизотропии (TFAS). WBSS это метод, который работает по аналогии с воксел основе морфометрии (ВБМ), который, как правило, известные как воксел основе морфометрии / статистика по данным DTI (ВБМ / DTI) . ВБМ это метод, который изначально работает на контрасте изображений, где различия в контрасте отдельных сканов должны быть решены в то время как WBSS это метод, который использует voxelwise сравнение физического параметра. Поэтому, хотя алгоритмически подобное, терминологии, которая дифференцирует WBSS и ВБМ будет использоваться в следующем.

протокол

Методы анализа: предварительная и последующая обработка

Задачей следующего протокола для анализа свойств диффузии voxelwise в пределах путей белого вещества, которое может быть - за счет voxelwise обнаружения - или изотропными или анизотропными, в результате вытянутого или сплющенного диффузии тензора для соответствующих вокселов. Параметризации тензоров воксел использоваться как для расчета FA-карт или идентификации fibertracts (рис. 1).

Для того чтобы получить результаты анализа, как показано в следующем, использовать тензора изображений пакет программного обеспечения и волокна слежения (Tift) 17. Tift предоставляет инструменты для анализа следующих требований:

  • Анализ с точки зрения DTI метрики, например, FA-карт,
  • стереотаксической нормализации
  • Группа сравнения с точки зрения FA или других метрик DTI
  • различные подходы анализа FT
  • FT среднем по группе DTI данных и соответствующего статистического анализа.

Эти функции позволяют различные анализы в одной программной среде 17,29,30,31. Tift программное обеспечение постоянно совершенствуется для новых опций в DTI анализа данных.

На рисунке 2 приведен схематический обзор, как анализировать DTI данные на уровне группы после пространственной нормализация два взаимодополняющих подхода, т.е. как по WBSS TFAS и, наконец, получить различия между субъектом образцов на уровне группы, например, по сравнению с больными мозг здоровых людей. Здесь WBSS направлен на voxelwise объективной обнаружения участков с различиями на уровне группы, тогда как TFAS основан на предопределенных fibertracts; TFAS начиная области могут быть либо свободно выбран или могут быть получены из WBSS результаты (`` из точек доступа значительно изменили FA).

Отдельные продольные сравнения FA-картами осуществляется обнаружениеTing различия в FA-карты измерений при различных временных точках после аффинного стереотаксической выравнивания (рис. 2).

  1. Проверка качества (QC), включая коррекцию для поврежденных направления градиента
    В случае нарушения движения во время приобретения, то есть в случае повреждения объемов, увеличение SNR получается путем исключения одного направления градиента (GD) для расчета тензора. С этой целью проверки качества (КК) 32 Алгоритм был разработан. Короче говоря, для сканирования, которые содержали поврежденных объемов, увеличение SNR достигается путем исключения одного направления градиента по одному за раз перед тензор оценка: для каждого GD, взвешенной дисперсии вычисляется из всех остальных направлениях в последовательность путем взвешивания с углом которые они отличались от индекса GD.
    1. Выполнение артефакт коррекции путем обнаружения GD, по крайней мере один срез показывает пониженную интенсивность, артефакты т.е. движение, вызванное спонтанной су ▪ Таблица движения (рис. 3, верхняя панель). Для любой диффузии Среднедневной объем, вычислить среднее значение интенсивности для каждого слоя и сравнить ее интенсивности с теми же ломтик во всех других томов с помощью взвешенного подхода среднем - весовой коэффициент равен скалярного произведения векторов двух GD figure-protocol-3483 :
      figure-protocol-3613
      figure-protocol-3740
      figure-protocol-3870 обозначает интенсивность среднее арифметическое срез под наблюдением и427eq12.jpg "/> кусочек для сравнения. Относительное отклонение средней интенсивности figure-protocol-4151 взвешивается скалярного произведения GD. Таким образом, для того, чтобы определять глобальный параметр:
      figure-protocol-4386
      отражает минимум slicewise сравнение всех ломтиками.
    2. Если Q не превышает определенного порога (в примере, порог 0,8 используется для этой цели), устранить, что весь объем или GD. Порог 0,8 считается стабильным решением 32. 3 иллюстрирует видимых артефактов движения в сагиттальной реконструкции и обнаружить QC алгоритма. В этом примере из общего количества GD (синие точки на рисунке 3с), 17 были ниже красной линии, которая соответствует Q = 0,8 и шоусть быть устранены. Примером тому ликвидации статистику для всего исследования представлены на рисунке 3d. В этом варианте исследовании DTI данных 29 бессимптомных субъектов HD сравнивали с DTI данных 30 управления. Дальнейшие подробности этого алгоритма представлены в 32, 33.
  2. Предварительная обработка и пространственный нормализации
    1. Выполните коррекцию вихревых токов индуцированных геометрические искажения эхо-планарной визуализации данных устанавливается по методике, предложенной на 34.
    2. Для нормализации стереотаксической, создайте исследование конкретных (B = 0) - шаблон и FA-шаблона, как описано ранее 17,28,31. В основном, полное нелинейное стереотаксической нормализации состоит из трех компонентов деформации. Следовательно, в результате тензора диффузии figure-protocol-5909 каждого воксела я должен быть вращающейсяред по всем поворотам, перечисленных выше (рис. 4):
      1. На рисунке 4а показаны жесткие преобразования мозга для выравнивания основных системах координат. Вращение figure-protocol-6301 в результате согласования с основной системы координат должен быть применен
        figure-protocol-6508
      2. На рисунке 4б показана линейная деформация в соответствии с ориентирами. Компоненты Собственные векторы figure-protocol-6763 должны быть адаптированы в соответствии с шестью параметрами нормализации S (в зависимости от области мозга, с,, = 1 ... 6) линейной деформации.
        V W, J '' '= С V W, J'''
        W = 1,2,3 и J = X, Y, Z.
      3. На рисунке 4в показана нелинейной нормализации выравнивания нелинейные различия мозга формы. 3-D векторной сдвигов различны для каждого воксел ведущих к отдельным преобразованием для каждого воксел 3-D массив воксел figure-protocol-7425 ). Стандартные тригонометрические дает матрицу вращения независимо для каждого воксела, в результате 3-D вектор сдвигается в соответствии с понятиями 16 для того, чтобы сохранить направленности отношений между Собственные векторы соседствует вокселов. Таким образом, различные сдвиги два соседствует вокселов в результате вращения соответствующих собственных векторов. Используйте расширения матрицы для выравнивания тензора figure-protocol-7986 каждого вокселеокружающие вокселы.
        figure-protocol-8152
        figure-protocol-8282 являются компонентами figure-protocol-8429
      Весь процесс нормализации итеративный, т.е. создать сканер и последовательность-специфический (б = 0) - шаблон для этого исследования на первом этапе на среднем арифметическом (б = 0) - объемы всех испытуемых после линейного преобразования, в соответствии с вручную определить этапы. После этого первого нормализации, создают улучшенные шаблоны для того, чтобы оптимизировать нормализации матриц. Следующие шаги 1.2.3 до 1.2.5 схематически визуализированы на рисунке 5а.
    3. После этого отдельные процедуры нормализации (Санкт-EP (I) - DTI-данных I 0), используйте все DTI отдельных наборов данных для создания конкретного исследования (B = 0) - шаблон и FA-шаблон (стадия (II) - шаблоны T 1). Как неаффинные регистрации FA-шаблон имеет то преимущество, что оно обеспечивает больший контраст по сравнению с (б = 0) изображения 10, определяют FA-шаблон путем усреднения всех индивидуально полученных FA-карты пациента и контроля.
    4. На втором этапе, после основных идей Ashburner и Friston 35, выполняет нелинейную MNI нормализации (стадия (III)) от МТП наборов данных путем минимизации несоответствия между региональным интенсивностей FA-карта для установки и FA-шаблона в соответствии с квадратов разностей (X 2) - таким образом, вы получаете DTI данных I 1.
    5. На основании этих данных, новые шаблоны T 2 являются производными (стадия (IV)). Повторите это итерационный процесс до корреляции между отдельными FA-карты и тОн FA-шаблон> 0,7. Обычно это достигается после двух итераций.
  3. Весь мозг на основе пространственной статистики
    Следующие шаги 1.3.1 до 1.3.5 схематично отображаются на фиг.5b.
    1. Рассчитать FA-карты из нормализованного данных DTI в отношении нормализации процедуры 1.2. в целях сохранения информации о направлении (стадия (I)).
    2. В предварительном этапе перед voxelwise статистического сравнения, нанесите сглаживающий фильтр (стадия (II)), чтобы отдельные нормированные FA-карт. Для сглаживания, тот факт, что размер фильтра влияет на результаты анализа данных DTI 36 требует применения согласованного фильтра теорема в котором говорится, что ширина фильтра, используемого для обработки данных должна быть адаптирована к размеру ожидаемой разницы, как описано в предыдущих приложений DTI данные пациентов с нейродегенеративных расстройств (например, 28).
    3. Выполнить статистический оценочногоАрисона между группами пациентов и соответствующие voxelwise контрольную группу по Стьюдента-тест, т.е. сравнивать FA значений пациентов FA-карт с FA значения элементов управления FA-карты, для каждого воксела отдельно (стадия (III )). FA значения ниже 0,2 не рассматриваются, так как для расчета коркового серого вещества показывает FA значения до 0,2 37.
    4. Статистические результаты должны быть исправлены для множественных сравнений использованием ложных открытий-ставка (FDR) алгоритма при р <0,05 38 (стадия (IV)). Дальнейшее снижение альфа ошибки должно быть выполнено посредством пространственного алгоритм корреляции (кластеризации - шаг (V)), которые устранены изолированных вокселей или небольшие изолированные группы вокселов в диапазоне размеров от сглаживающего ядра, что приводит к пороговое значение размера кластера 512 вокселы.
    5. Для отображения результатов на фоне морфологической (стадия (V)), нормализуют 3-D T1 взвешенных наборы данных для MNI пространстве и средним арифметическим. Выполните это нормализация Procedure с помощью исследования конкретных шаблон по аналогии с нормализацией применяется к DTI наборов данных 17.

На рисунке 6 показаны результаты всего головного мозга на основе пространственной статистики (WBSS) пациентов с БАС по сравнению с контролем. 6а показан локальный максимум снизилась FA значения в сагиттальной, coronar и осевое (пороговой при р <0,01, с поправкой на несколько сравнений). рисунке 6б показывает проекционных FT с отправными точками в урочище кортикоспинальными использована в качестве основы для TFAS. фиг.6с показывает различия между группами в FA-карты обнаружены весь мозг основан пространственной статистики (WBSS) между образцом пациентов с БАС и контрольной группы в slicewise визуализации.

  1. Трактографии и tractwise дробной статистике анизотропии (TFAS)
    7 иллюстрирует процесс на основе групп FT в том числе TFAS, как описано в 1.4.1 до 1.4.4.
    1. Для того чтобы применить групповые алгоритмы FT, генерировать среднем DTI наборы данных из "данные и из элементов управления пациентов данные вместе в соответствии с ранее описанными методами 17. Такое усреднение требует бережного отношения ориентационной информации, которая сохраняется в течение процесса нормализации в соответствии с методами, описанными на 16 - подробнее см. 30.
    2. Выполнение трактография в усредненной DTI наборов данных субъекта групп путем применения упорядочения отслеживания техники 31. Определить определены вручную семена пунктов, прилегающих к локальным максимумам на весь мозг на основе FA анализов, которые служат основой для последовательного анализа FT. После идентификации семян, выполнять трактография и определить вокселей очерченной волокон в качестве конкретных групп маска для следующих TFAS 30.
    3. Для количественной трактография результатов, применять технику с помощью TFAS йэлектронной волокна путей, которые были созданы на усредненном DTI наборов данных всех субъектов каждой группы (данные пациента и контроля данных вместе) для отбора вокселы которые способствуют сравнение между пациентами и управления "FA-карт.
    4. Рассмотрим все возникшие вокселы со значением FA выше 0,2 для статистического анализа Стьюдента тест.
    5. При желании техники TFAS может быть применен к любому производных метрики DTI, такие как средний коэффициент диффузии (MD), радиально анизотропии осевой анизотропии и т.д. (см., например, 28).
    6. Результаты представлены на морфологические фон, состоящий из MNI нормированные 3-D T1-взвешенных наборов данных

Результаты

1. Контроля качества и коррекции для поврежденных градиентом направлений в приложения к данным пациентов с гиперкинетической расстройств

В качестве примера на эффект применения QC и последующее исключение объем (как следствие с поправкой на поврежденные GD), 8 пок...

Обсуждение

Inter-субъект усреднение DTI данных может быть достигнута по отношению к диффузии амплитуды (по использованию информации FA) и направление диффузии (в расчете на FT) соответственно. Усреднение FA карт позволяет статистическое сравнение групп предметов по WBSS и TFAS. Эта методологическая основа ?...

Раскрытие информации

Авторы не имеют ничего раскрывать.

Благодарности

Части этой работы, то есть исследования по QC и коррекции для поврежденных градиентом направлений в приложения к данным пациентов с гиперкинетической нарушениями, однако были при поддержке Европейской сети HD (EHDN проект 070). МРТ в этом определенные исследования были приобретены в рамках сайта Лондоне TRACK-HD когорты.

Материалы

NameCompanyCatalog NumberComments
MR scannerSiemens 1.5 T Magnetom Symphony
analysis software TIFT - Tensor Imaging and Fiber Tracking

Ссылки

  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. , (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. , (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., Enderle, J. D. Multimodal imaging in neurology - special focus on MRI applications and MEG. Synthesis Lectures in Biomedical Engineering. 16, (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).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

77

This article has been published

Video Coming Soon

JoVE Logo

Конфиденциальность

Условия эксплуатации

Политика

СВЯЖИТЕСЬ С НАМИ

РЕКОМЕНДОВАТЬ БИБЛИОТЕКЕ

НОВОСТИ JoVE

Исследования

Образование

АВТОРЫ

Библиотекарь

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены