Diffusion Tensor imagerie par résonance magnétique dans l'analyse des maladies neurodégénératives

Résumé

Tenseur de diffusion d'imagerie (DTI) sert essentiellement comme un outil basé sur l'IRM pour identifier In vivo La microstructure du cerveau et des processus pathologiques dus à des troubles neurologiques, à l'intérieur de la matière blanche cérébrale. DTI analyses basées permettent une application pour les maladies du cerveau, tant au niveau du groupe et des données à sujet unique.

Résumé

Techniques d'imagerie du tenseur de diffusion (DTI) fournissent des informations sur les processus de microstructure de la matière blanche cérébrale (WM) in vivo. Les applications actuelles sont conçues pour étudier les différences de modes de participation MW dans différentes maladies du cerveau, troubles neurodégénératifs, notamment par l'utilisation de différentes analyses DTI par rapport à des témoins appariés.

L'analyse des données DTI est effectué de façon variable aléatoire, ie comparaison voxelwise de paramètres régionaux de diffusion direction basés tels que l'anisotropie fractionnelle (FA), ainsi que le suivi de la fibre (FT) accompagné de statistiques anisotropie fractionnelle tractwise (AGT) au niveau du groupe afin d'identifier les différences FA long structures WM, visant à la définition de schémas régionaux d'altérations WM au niveau du groupe. Transformation en un espace standard stéréotaxique est une condition préalable pour des études de groupe et nécessite des données approfondies traitement afin de préserver dinterdépendances irectional. Les applications actuelles montrent approches techniques optimisées pour cette préservation de l'information quantitative et directionnel lors de la normalisation spatiale dans l'analyse des données au niveau du groupe. Sur cette base, les techniques de FT peuvent être appliquées à des données moyennes de groupe afin de quantifier des informations métriques telles que définies par FT. En outre, l'application de méthodes DTI, à savoir les différences de FA-cartes après alignement stéréotaxique, dans une analyse longitudinale sur la base d'un sujet individuel révéler des informations sur la progression des troubles neurologiques. Amélioration de la qualité ultérieure des résultats de base DTI peut être obtenue lors du prétraitement par application d'une élimination contrôlée des directions de gradient avec des niveaux de bruit élevés.

En résumé, DTI est utilisé pour définir un pathoanatomy WM distinct de différentes maladies du cerveau par la combinaison de l'ensemble de l'analyse DTI fondée sur le cerveau et les voies basée.

Introduction

l'imagerie du tenseur de diffusion dans le cerveau humain

Les matières étendues blanches (WM) dans le système nerveux central se composent des axones denses, en plus de divers types de neuroglia et d'autres petites populations de cellules. La membrane axonale ainsi que les fibres protéiques bien aligné à l'intérieur d'un axone restreint la diffusion de l'eau perpendiculairement à l'orientation des fibres, ce qui conduit à la diffusion de l'eau dans le cerveau anisotrope WM ^1. Gaines de myéline autour des axones peuvent également contribuer à l'anisotropie pour l'eau intra-et extracellulaire ^2.

La description quantitative de cette anisotropie peut être détectée par l'imagerie du tenseur de diffusion (DTI). DTI produit des images de tissus pondérés avec les caractéristiques des microstructures locales de diffusion de l'eau. Les images-intensité à chaque position sont atténués, en fonction de la force et la direction du gradient dite diffusion magnétique (représenté enla valeur de b), ainsi que sur la microstructure locale dans laquelle les molécules d'eau diffusent ^3, le coefficient de diffusion D, une valeur scalaire:

Toutefois, en présence d'anisotropie dans WM, la diffusion ne peut plus être caractérisé par un coefficient scalaire, mais nécessite un tenseur qui en première approximation décrit mobilité moléculaire le long de chaque direction et la corrélation entre ces directions ^4. anisotropie de diffusion est principalement causée par l'orientation des faisceaux de fibres dans WM et est influencé par ses micro-et macro-structurale fonctionnalités. Parmi les caractéristiques de microstructure, l'organisation intra-axonal semble être de la plus grande influence sur l'anisotropie de diffusion, en plus de la densité de fibres pargarnissage de cellule ème, le degré de myélinisation, et le diamètre de fibre individuelle. Sur une échelle macroscopique, la variabilité dans l'orientation de toutes les voies WM dans une imagerie voxel influence son degré d'anisotropie ^5.

Dans les mesures typiques DTI, les dimensions de voxel sont de l'ordre de quelques millimètres. Ainsi, un voxel contient toujours l'information moyennée des molécules d'eau à l'intérieur du volume saisi qui couvre habituellement plusieurs axones ainsi que les molécules d'eau environnantes. Malgré cet environnement multidirectionnel, DTI est sensible à l'orientation du grand axe principal, qui est aligné à la direction axonale prédominant, soit la contribution axonale domine le signal de mesure ^2.

DTI fournit deux types d'informations sur la propriété de diffusion de l'eau: d'abord, la mesure orientation indépendant de diffusion anisotropie ⁵ et la deuxième, la direction prédominante de diffusion de l'eau dans image voxels, à savoir l'orientation de la diffusion ^6.

Les protocoles actuels sont censés fournir un cadre de techniques d'analyse du DTI pour la comparaison quantitative des groupes thématiques au niveau du groupe, tel que décrit ci-après.

Quantification des propriétés de diffusion - paramètres d'analyse

Les éléments du tenseur symétrique peuvent être mesurés par des gradients de diffusion long d'au moins six non-alignés et non coplanaires directions de sorte que b (équation 1) est devenu un tenseur, ce qui entraîne l'atténuation du signal

Cette équation nécessite la comptabilisation des interactions possibles entre l'imagerie et de gradients de diffusion qui sont appliquées dans des directions orthogonales (termes croisés) et même entre les gradients d'imagerie qui sont appliquéesdans des directions orthogonales ^4.

Le tenseur de diffusion de second rang on peut toujours diagonaliser ne laissant que trois éléments non nuls long de la diagonale principale du tenseur, c'est à dire les valeurs propres ( ). Les valeurs propres reflètent la forme ou la configuration de l'ellipsoïde. La relation mathématique entre les coordonnées du principal de l'ellipsoïde et le châssis laboratoire est décrit par les vecteurs propres

Comme il ya plusieurs défis dans l'affichage des données tenseur, le concept d'ellipsoïdes de diffusion a été proposé ^3. Les Eigendiffusivities de ces ellipsoids représentent les coefficients de diffusion unidimensionnels dans la direction principale de la diffusivité du milieu, à savoir l'axe principal de l'ellipsoïde représente la direction de diffusion principale du voxel qui coïncide avec la direction des fibres, tandis que l'excentricité de l'ellipsoïde fournit des informations sur l' degré d'anisotropie et sa symétrie. Par conséquent, les mesures d'anisotropie de diffusion tels que l'anisotropie fractionnelle (FA) pourraient être définies ^7.

est la moyenne arithmétique de toutes les valeurs propres.

Une autre approche consiste à utiliser la direction principale du tenseur de diffusion pour aborder la connectivité WM du cerveau, ce qui correspond à la tractography approach qui a l'intention d'enquêter sur quelles parties du cerveau sont reliés les uns aux autres. En supposant que l'orientation de la composante majeure du tenseur de diffusion représente l'orientation des voies axonales dominantes, un champ de vecteurs 3-D est prévue, dans laquelle chaque vecteur représente l'orientation des fibres. Actuellement, il existe plusieurs approches différentes pour reconstruire tracts MW qui pourrait être divisé en deux catégories: la première catégorie est basée sur des algorithmes de propagation de la ligne en utilisant les informations de tenseur local pour chaque étape de la voie de propagation de la fibre ^2,8,9. La deuxième catégorie est basée sur la minimisation de l'énergie mondiale pour trouver le chemin énergétiquement plus favorable entre deux régions WM, résultant dans l'approche des statistiques spatiales voies basées sur (TBSS) ¹⁰ qui a été utilisé dans d'autres algorithmes comme les statistiques de anisotropie fractionnelle tractwise (AGT - voir texte du protocole, section 2.4)..

Transformation en position stéréotaxiqueard espace

Comme dans d'autres méthodes avancées de l'IRM, DTI et études FT-base dans un contexte clinique de poursuivre l'objectif ultime de classer la morphologie du cerveau de chaque patient afin de faciliter le processus de diagnostic basé sur une certaine discrimination métrique ^11. Les études au niveau du groupe sont les plus pertinentes si le phénotype clinique commun est censé être en raison de dommages à une ou plusieurs zones spécifiques du cerveau ou d'un réseau neuroanatomiques spécifiques. Ici, la moyenne des résultats pour les différents sujets est utile pour évaluer les caractéristiques communes de changements de microstructure. Chaque cerveau individuel doit être transférée dans l'espace stéréotaxique de sorte que, dans une deuxième étape, la moyenne arithmétique des résultats à un niveau de voxel par voxel est possible. Normalisation spatiale a permis de moyenne arithmétique des résultats obtenus à partir de différentes matières, afin d'améliorer le rapport signal-sur-bruit (SNR) et pour effectuer une comparaison entre des échantillons de patients et contRols afin d'analyser la pathoanatomy calcul d'un trouble spécifique, par exemple une maladie neurodégénérative qui est associée à l'affectation d'un système spécifique du cerveau.

La première approche de la normalisation à un espace stéréotaxique standard de ¹² a proposé un algorithme de transformation d'un atlas standard impliquant l'identification des différents sites du cerveau et fragmentaire échelle des quadrants du cerveau. Aujourd'hui, la plupart des logiciels d'analyse de données avancées d'IRM utilisent la normalisation de l'Institut neurologique de Montréal (INM) de l'espace stéréotaxique ^13. Pour cette transformation, les algorithmes d'enregistrement cerveau semi-automatiques et automatiques à l'aide de modèles spécifiques de l'étude ont été élaborés ^14,15. En DTI, une attention particulière doit être établi afin de préserver l'information de la direction pendant le processus de normalisation ^16,17. L'application de transformations spatiales aux images DT-MR qui sont nécessaires pour la normalisation spatialedes collections d'ensembles de données est, contrairement aux images scalaires de déformation, compliqué par le fait que DTS ne contiennent pas d'informations d'orientation qui est à nouveau affectée par la transformation. Cet effet doit être pris en compte afin d'assurer l'exactitude anatomique de l'image transformée. Ici, les techniques d'application de transformations affines pour les ensembles de données DTI sont présentés.

Application de la DTI pour les maladies du cerveau

La comparaison des données longitudinales DTI nécessite un alignement / enregistrement des données d'un sujet parmi d'autre. Dans ce contexte, la préservation de l'information directionnelle est nécessaire (par exemple rotation du tenseur de diffusion pendant les transformations affines). Les applications possibles de maladies neurodégénératives ont été rapportés précédemment (par exemple ^18,19).

DTI a été établi comme un outil technique non-invasive robuste pour étudier in vivo Neuropatholgie de WM voies neuronales (par exemple ^{11,20,21,22).} Mesures quantitatives DTI à base du processus de diffusion, par exemple la FA, ont déjà été présentés comme des marqueurs sensibles pour étudier un large éventail de pathologies WM, comme un AVC ^20, la sclérose en plaques ^23, la sclérose latérale amyotrophique ^{24, 25,} de la maladie d'Alzheimer ²⁶ , et plusieurs autres troubles WM ^27,28.

En outre, le DTI avec FT peut être utilisé pour identifier les voies WM ^23. Cette technique, alors que pas encore en utilisation clinique de routine, est en train de devenir un instrument puissant pour l'évaluation des anomalies voie spécifiques à une maladie neurologique. Dans les parcelles identifiées, divers indices IRM quantitatives dérivées de DTI et acquisitions supplémentaires (par exemple des images pondérées en T2 et / ou transfert de magnétisation (MT) Imagerie) qui sont anatomiquement recalées aux données DTI pourraient être mesurés. Par la présente, chaque indice pourrait être calculATED en fonction de la position dans l'appareil, se référant à des parcelles représentant leur variation spatiale que les profils des voies.

Dans les scans, DTI humaines suivantes qui ont été effectuées sur 1,5 Tesla l'IRM scanners (Siemens Medical, Erlangen, Allemagne) ont été utilisés pour étudier le potentiel de différentes techniques d'analyse pour la détection des anomalies de la substance blanche dans les groupes de patients ainsi que chez les individus. Après une vérification automatisée de la qualité pour l'élimination des volumes mouvement corrompus et les volumes avec d'autres types d'artefacts, des procédures de post-traitement standardisés préparer les données DTI pour l'analyse consécutive. Différentes approches d'analyse seront illustrés dans ce qui suit, à savoir d'abord, tout le cerveau en fonction des statistiques spatiales (WBSS), deuxième, FT, et troisièmement, les statistiques de l'anisotropie fractionnelle Tractwise (AGT). WBSS est une méthode qui fonctionne de manière analogue à la morphométrie voxel (VBM) qui est généralement connu comme morphometry / statistiques voxel sur les données DTI (VBM / DTI) . VBM est une méthode qui fonctionne d'abord sur les images de contraste où les différences de contraste dans les analyses séparées doivent être résolues en WBSS est une méthode qui utilise la comparaison voxelwise d'un paramètre physique. Par conséquent, bien algorithme similaire, une terminologie qui différencie WBSS et VBM sera utilisé par la suite.

Protocole

Méthodes d'analyse: pré-et post-traitement

La tâche du protocole suivant est d'analyser les propriétés de diffusion voxelwise dans les faisceaux de matière blanche qui pourrait être - en raison de la détection voxelwise - soit isotrope ou anisotrope, résultant en des tenseurs de diffusion allongés ou aplatie pour les voxels respectifs. Le paramétrage des tenseurs de voxels est utilisé soit pour le calcul de la FA-cartes ou l'identification des fibertracts (Figure 1).

Afin d'obtenir des résultats d'analyse comme illustré ci-dessous, utilisez la imagerie du tenseur de progiciels et de suivi de la fibre (TIFT) ^17. TIFT fournit des outils d'analyse pour les conditions suivantes:

• analyse en termes de DTI mesures, par exemple FA-cartes,
• normalisation stéréotaxique
• comparaison du groupe en termes de FA ou d'autres paramètres DTI
• différentes approches d'analyse de FT
• FT sur le groupe D en moyenneDonnées TI et de l'analyse statistique correspondant.

Ces caractéristiques permettent une variété d'analyses dans un environnement logiciel ^17,29,30,31. Le logiciel TIFT est constamment en cours de développement pour de nouvelles options dans l'analyse des données DTI.

La figure 2 donne un aperçu schématique comment analyser les données DTI au niveau du groupe après la normalisation spatiale par deux approches complémentaires, c'est à dire à la fois par WBSS et par TFAS pour finalement obtenir des différences entre les échantillons soumis au niveau du groupe, par exemple cerveaux malades par rapport aux témoins sains. Ici, WBSS vise à une détection impartiale voxelwise des zones avec des différences au niveau du groupe, alors que TFAS est basée sur fibertracts prédéfinis; AGT à partir des zones peut être soit librement choisi ou peut être déduite des résultats WBSS (`hotspots` de considérablement modifié FA).

Comparaison longitudinale individuelle du FA-cartes est effectuée par le DETECTing différences dans FA-cartes de mesures à différents temps après l'alignement stéréotaxique affine (figure 2).

1. Contrôle de la qualité (QC) y compris la correction des directions de gradient corrompus
   En cas de troubles de mouvement lors de l'acquisition, soit en cas de volumes corrompus, soit une augmentation SNR est obtenu en omettant directions de gradient simples (GD) pour le calcul tenseur. A cet effet, un contrôle de qualité (CQ) de l'algorithme ³² a été développé. En bref, pour les balayages qui contenaient les volumes corrompue, une augmentation SNR est obtenue en omettant simples gradient route un à la fois avant l'estimation tenseur: pour chaque GD, la variance pondérée est calculée à partir de toutes les directions restantes dans la séquence par pondération avec l'angle en dont ils différaient de l'indice GD.
   1. Effectuer une correction d'artefacts en détectant GD, avec au moins une tranche montrant l'intensité a diminué, c'est à dire les artefacts de mouvement provoqués par di spontanée bject mouvement (Figure 3, partie supérieure). Pour tout pondéré par les volumes de diffusion, calculer l'intensité moyenne pour chaque tranche et comparer son intensité avec la même tranche dans tous les autres volumes en utilisant une approche de moyenne pondérée - le facteur de pondération est le produit scalaire des vecteurs de deux GD :
      
      
      désigne l'intensité de la moyenne arithmétique de la tranche sous observation et427eq12.jpg "L'écart d'intensité moyenne par rapport /> une tranche de comparaison. est pondéré par le produit scalaire de la GD. Ainsi, afin de définir un paramètre global:
      
      reflète le minimum de comparaisons slicewise de toutes les tranches.
   2. Si Q est inférieur à un certain seuil (dans l'exemple, un seuil de 0,8 est utilisé à cet effet), d'éliminer ce volume entier ou GD. Un seuil de 0,8 est considéré comme une solution stable ^32. Figure 3 illustre les artefacts de mouvement visible dans les reconstructions sagittales et détecté par l'algorithme de QC. Dans cet exemple, sur le nombre total de GD (points bleus sur la figure 3c), 17 étaient en dessous de la ligne rouge qui correspond à Q = 0,8 et should être éliminé. Un exemple d'un volume statistiques d'élimination de toute une étude est présentée dans la figure 3d. Dans cette étude exemplaire, les données DTI de 29 sujets HD présymptomatique ont été comparés aux données DTI de 30 témoins. D'autres détails de cet algorithme sont présentés dans ^{32, 33.}
2. Prétraitement et normalisation spatiale
   1. Effectuer la correction des distorsions géométriques courant de Foucault induits par des données d'imagerie écho-planaire définit par la méthode proposée par ^34.
   2. Pour la normalisation stéréotaxique, créez une étude spécifique (b = 0) - gabarit et une FA-modèle comme décrit précédemment ^17,28,31. Fondamentalement, une normalisation stéréotaxique non-linéaire complet se compose de trois éléments de déformation. Par conséquent, le tenseur de diffusion résultant de chaque voxel i doit être RoTated selon toutes les rotations énumérés ci-dessus (Figure 4):
      1. La figure 4a montre une transformation du cerveau rigide pour aligner les cadres de coordonnées de base. La rotation résultant de l'alignement de la trame de coordonnées de base doit être appliquée
         
      2. Figure 4b montre une déformation linéaire selon les points de repère. Les composantes des vecteurs propres doivent être adaptées en fonction des six paramètres de normalisation de S (dépend de la région du cerveau s _un, a = 1 ... 6) de la déformation linéaire.
         v _{w, j} '' '= S _a v _{w, j'''}
         w = 1,2,3 et j = x, y, z.
      3. La figure 4c montre une normalisation non linéaire d'égalisation des différences de forme cérébrales non linéaires. Les déplacements de vecteur en 3-D sont différents pour chaque voxel conduisant à une transformation pour chaque voxel de l'ensemble de voxels 3D ). Trigonométrie norme donne une matrice de rotation indépendamment pour chaque voxel, résultant du vecteur 3-D déplace en suivant les concepts de ^{16 ans} afin de préserver les relations directionnelles entre les vecteurs propres de voxels neighbored. Ainsi, différentes équipes de deux voxels neighbored résulte en rotations des vecteurs propres correspondants. Utilisation des matrices de dilatation pour l'alignement du tenseur de chaque voxel àles voxels environnants.
         
         sont les composantes du
      Le processus de normalisation ensemble est itératif, à savoir créer un scanner et spécifique de la séquence (b = 0) - modèle pour l'étude de la première étape par arithmétiquement moyenne de la (b = 0) - volume de tous les sujets après transformation linéaire selon manuellement mis repères. Après cette première normalisation, de créer des modèles améliorés de façon à optimiser les matrices de normalisation. Les étapes suivantes 1.2.3 jusqu'à 1.2.5 sont schématiquement visualisées sur la figure 5a.
   3. Après cette procédure de normalisation individuel (step (i) - DTI-données I _0), utiliser toutes les données individuelles DTI définit pour la création d'une étude spécifique (b = 0) - gabarit et une FA-template (étape (ii) - les modèles T _1). Comme l'enregistrement non-affine à un FA-modèle a l'avantage qu'elle offre plus de contraste par rapport à (b = 0) ¹⁰ images, définir un FA-modèle faisant la moyenne de tous les dérivés individuellement FA-cartes des patients et les contrôles.
   4. Dans une deuxième étape, en suivant les idées de base de Ashburner et Friston ^35, procéder à une normalisation INM non-linéaire (étape (iii)) des données DTI met en minimisant l'écart entre les intensités régionales de la FA-plan pour être monté et de le FA-modèle en fonction des différences au carré (X ²⁾ - de cette façon, vous obtenez DTI données I _1.
   5. Sur la base de ces données, de nouveaux modèles T ₂ sont dérivés (étape (iv)). Répétez ce processus itératif jusqu'à ce que la corrélation entre l'individu FA-cartes et tIl FA-modèle est> 0,7. Habituellement, cela est atteint après deux itérations.
3. Statistiques spatiales basées sur le cerveau entier
   Les étapes suivantes 1.3.1 à 1.3.5 sont visualisées de façon schématique sur la figure 5b.
   1. Calculer FA-cartes à partir de données DTI normalisé par rapport à la procédure de normalisation de 1,2. , afin de préserver des informations de direction (étape (i)).
   2. Comme une étape de prétraitement avant comparaison statistique voxelwise, appliquer un filtre de lissage (étape (ii)) à l'individu normalisé FA-cartes. Pour le lissage, le fait que la taille du filtre influe sur les résultats de l'analyse des données DTI ³⁶ exige l'application du théorème de filtre adapté qui stipule que la largeur du filtre utilisé pour traiter les données doit être adapté à la taille de l'écart prévu, tel que détaillé dans les applications antérieures aux données DTI de patients atteints de maladies neurodégénératives (par exemple ^28).
   3. Effectuer un échantillon statistiqueArison entre les groupes de patients et le voxelwise du groupe témoin correspondant de t de Student-test, c'est à dire comparer les valeurs de FA des patients FA-cartes avec les valeurs de la FA du contrôle "FA-cartes, pour chaque voxel séparément (étape (iii )). Les valeurs inférieures à 0,2 FA ne sont pas pris en compte pour le calcul puisque la matière grise corticale montre les valeurs de la FA jusqu'à 0,2 ^37.
   4. Les résultats statistiques doivent être corrigées pour les comparaisons multiples en utilisant la découverte taux de faux (FDR) de l'algorithme à p <0,05 ³⁸ (étape (iv)). Poursuite de la réduction de l'erreur alpha doit être effectuée par un algorithme de corrélation spatiale (clustering - l'étape (v)) qui a éliminé voxels isolés ou de petits groupes isolés de voxels dans la gamme de taille du noyau de lissage, conduisant à une taille de cluster de seuil de 512 voxels.
   5. Pour afficher les résultats sur un fond morphologique (étape (v)), de normaliser les 3-D T1 données pondérées définit l'espace INM et moyenne arithmétique. Effectuez cette normalisation pROCÉDURE par l'utilisation d'un modèle spécifique à l'étude par analogie à la normalisation appliquée aux données DTI fixe ^17.

La figure 6 montre les résultats de l'ensemble des statistiques spatiales basées sur le cerveau (WBSS) des patients par rapport aux contrôles SLA. Figure 6a montre le maximum local des valeurs de FA ont diminué dans une sagittal, coronar et vue axiale (à un seuil à p <0,01, corrigée des multiples comparaisons). figure 6B montre FT projectionnel avec des points de départ dans le tractus cortico utilisé comme base pour TFAS. figure 6c montre différences de groupe dans FA-cartes détectées par le cerveau entier en fonction des statistiques spatiales (WBSS) entre un échantillon de patients atteints de SLA et des témoins appariés en une visualisation slicewise.

4. Tractography et statistiques anisotropie fractionnelle tractwise (AGT)
   La figure 7 illustre le processus de FT groupe basé notamment TFAS comme décrit dans 1.4.1 à 1.4.4.
   1. Afin d'appliquer les algorithmes de FT par groupe, de générer en moyenne données DTI définit à partir de données et des contrôles des patients les données ensemble selon les méthodes décrites précédemment ^17. Cette moyenne nécessite un traitement attentif des informations d'orientation qui est conservée au cours du processus de normalisation selon les techniques décrites par ¹⁶ - Pour plus de détails voir ^30.
   2. Effectuer tractography dans les ensembles de données DTI moyennes des groupes de matières par application d'une technique de rationaliser le suivi ^31. Identifier les points germes définis manuellement adjacentes à des maxima locaux par l'ensemble des analyses de FA basées sur le cerveau qui sont à la base de l'analyse de FT consécutive. Après l'identification des graines, effectuer tractography et définir les voxels des fibres délimitées comme un masque spécifique au groupe pour le TFAS ³⁰ suivant.
   3. Afin de quantifier les résultats de tractographie, appliquer la technique des AGT en utilisant èmefaisceaux de fibres de courriers qui ont été créés sur les données DTI moyennée ensembles de l'ensemble des objets de chaque groupe (données du patient et des données de commande en même temps) pour la sélection des voxels qui contribuent à une comparaison entre les patients et les témoins de FA-cartes.
   4. Pensez à tous les voxels résultant d'une valeur supérieure à 0,2 FA pour l'analyse statistique par du test t de Student.
   5. Si vous le souhaitez, la technique TFAS pourrait être appliquée à toutes les mesures dérivées du DTI, comme diffusivité moyenne (MD), l'anisotropie radiale, anisotropie axiale, etc (pour un exemple, voir ^28).
   6. Les résultats sont affichés sur un fond morphologique comprenant les 3-D des ensembles de données pondérées en T1 INM normalisées

Résultats

1. QC et correction des directions de gradient corrompus dans l'application aux données des patients atteints de trouble hyperkinétique

A titre d'exemple de l'effet de l'application de QC et l'exclusion du volume suivant (à la suite de la correction pour des fichiers GD), figure 8 montre les différences dans les statistiques spatiales fondées sur le cerveau entier avec et sans exclusion de volume pour comparaison avec un groupe de 29 maladies de premani...

Discussion

Inter-individuelle moyenne des données DTI peut être réalisé par rapport à l'amplitude de diffusion (par utilisation de l'information FA) et la direction de diffusion (en fonction de FT), respectivement. Étalement de la FA cartes permet la comparaison statistique des groupes de matières par WBSS et TFAS. Ce cadre méthodologique donne une introduction aux techniques DTI avec inter-sujet moyenne et la comparaison de groupe. Normalisation stéréotaxique et la comparaison des cartes FA au niveau du groupe p...

matériels

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