Nörodejeneratif Hastalıkların Analizi Difüzyon Tensör Manyetik Rezonans Görüntüleme

Özet

MRI-tabanlı bir araç tespit olarak difüzyon tensör görüntüleme (DTG) temelde hizmet vermektedir In vivo Serebral beyaz cevher içinde nörolojik bozukluklar nedeniyle beyin ve patolojik süreçlerin mikro. DTI tabanlı analizler grup seviyesinde ve tek bir konu veri hem de beyin hastalıkları için uygulama için izin verir.

Özet

Difüzyon tensör görüntüleme (DTG) teknikleri in vivo serebral beyaz cevher (WM) ve mikro süreçleri hakkında bilgi vermek. Mevcut uygulamalar uyumlu kontrollere göre farklı DTI analizler kullanılarak farklı beyin hastalıkları, özellikle nörodejeneratif hastalıkların, WM katılımı desen farklılıkları araştırmak için tasarlanmıştır.

DTI veri analizi bir değişken şekilde yapılır, birlikte lif izleme ile bu fraksiyonel anizotropi gibi bölgesel difüzyon yön-tabanlı ölçümleri (FA), (FT) yani voxelwise karşılaştırılması amacıyla grup seviyesinde tractwise fraksiyonel anizotropi istatistik (TFAS) ile birlikte grup seviyesinde WM değişikliklerin bölgesel desen tanımı amaçlayan, WM yapıları birlikte FA farklılıkları tanımlamak için. Bir stereotaksik standart uzaya Dönüşüm grup çalışmaları için bir ön koşuldur ve d korumak için işlem ayrıntılı veri gerektiririrectional arası bağımlılıkları. Mevcut uygulamalar grup seviyesinde veri analizleri mekansal normalleştirme sırasında nicel ve yön bu bilgi korunması için optimize edilmiş teknik yaklaşımlar göstermektedir. Bu temelde, MS teknikleri MS tarafından tanımlanan ölçüm bilgilerini ölçmek amacıyla grubun ortalama veri uygulanabilir. Ayrıca, DTI yöntemlerin uygulanması, bireysel konu bazında bir uzunlamasına analizinde stereotaksik yönlendirmeden sonra FA-haritalarda yani farklılıkları, nörolojik hastalıkların ilerlemesi hakkında bilgi ortaya koymaktadır. DTG tabanlı bir sonuç daha da kalitesinin iyileştirilmesi yüksek gürültü seviyeleri gradyanı ile yönde kontrollü bir eleme uygulanması ile ön işleme sırasında elde edilebilir.

Özet olarak, DTG tüm beyin bazlı ve kanal bazlı DTG analizi kombinasyonu, farklı beyin hastalıkları ayrı bir WM pathoanatomy tanımlamak için kullanılır.

Giriş

Insan beyninde difüzyon tensör görüntüleme

Merkezi sinir sisteminde beyaz madde (PY) nöroglia yolları ve diğer hücre nüfusu az çeşitli ek olarak yoğun bir şekilde aksonlar oluşur. Bir akson olan aksonal membran hem de iyi hizalanmış protein lifleri beyin WM ¹ anizotropik su dağılım yol açan, lif yönelimine dik su dağılım kısıtlar. Aksonlar etrafında miyelin kılıfını da hücre içi ve dışı su ² her ikisi için de anizotropi katkıda bulunabilir.

Bu anizotropi kantitatif açıklaması difüzyon tensör görüntüleme (DTG) tarafından tespit edilebilir. DTI su difüzyon yerel mikro özelliklere sahip ağırlıklı dokuların görüntüler üretir. Her pozisyonda görüntü yoğunlukları (temsil sözde difüzyon manyetik gradyan şiddeti ve yönü ile ilgili olarak, zayıflatılmışb-değeri), hem de su molekülleri ³ yaygın olan, yerel mikro, difüzyon katsayısı D skalar değeri:

Bununla birlikte, WM anizotropi varlığında, difüzyon artık tek bir skalar katsayısı ile karakterize edilen, ancak tensör gerektirir İlk yaklaşım bu yönde ⁴ arasında her yönde ve korelasyon birlikte moleküler hareketlilik anlatılmaktadır. Difüzyon anizotropi özellikle WM lif yolları yönünü neden olur ve mikro-ve macrostructural özellikleri etkilenir. Mikroyapısal özellikleri arasında, intraaxonal organizasyon lif yoğunluğunun yanı sıra, difüzyon anizotropi üzerinde büyük etkisi olduğu görülmektedirnd hücre ambalaj, miyelinasyonun derecesi ve bireysel elyaf çapı. Bir makroskopik ölçekte, bir görüntüleme voksel tüm WM yolları yönde değişkenlik anizotropi ⁵ derecesi etkiler.

Tipik DTI ölçümlerde, voksel boyutları milimetre sıralanmıştır. Bu nedenle, her bir voksel genellikle birkaç akson hem de çevresindeki su molekülleri kapsar tespit hacmi içindeki su moleküllerinin ortalama bilgi içerir. Bu çok yönlü ortama rağmen, DTI baskın aksonal yönüne hizalar en büyük ana ekseni yönünü duyarlı, yani aksonal katkı ölçülen sinyal ² hakimdir.

İlk, difüzyon anizotropi ⁵ ve ikinci yönünü bağımsız ölçüde, imag su difüzyon baskın yönü: DTI su difüzyon özelliği hakkında iki tür bilgi sağlare vokselleri, difüzyon dizilişi ⁶ yani.

Aşağıdaki belirtildiği gibi mevcut protokoller, grup seviyesinde konu grupları kantitatif karşılaştırılması için DTI analiz teknikleri bir çerçeve sağlamak gerekiyor.

Difüzyon özelliklerinin ölçümü - analiz parametreleri

B (Denklem 1) Bir tensör olmuştur, böylece simetrik tensörünün elemanları sinyal kaybı ile sonuçlanan, en az altı olmayan doğrudaş ve eş düzlemli olmayan yönleri boyunca difüzyon gradyanlar ile ölçülebilir

Bu denklem dik yönde (çapraz açısından) uygulanan ve hatta uygulanan görüntüleme geçişlerini arasında olan görüntüleme ve difüzyon geçişlerini arasındaki olası etkileşimler için muhasebe gerektirirdik yönde ^4.

İkinci-sıra difüzyon tensör her zaman tensör temel diyagonal boyunca sadece üç sıfır olmayan elemanlar terk köşegenleştirilebilir olabilir, (Özdeğer yani .) Özdeğer elipsoid şekli veya yapılandırma yansıtmaktadır. Elipsoid ve laboratuvar çerçevenin koordinatlar arasındaki matematiksel ilişki özvektörler tarafından açıklanan

Tensör veri görüntüleme çeşitli zorluklar olduğu için, difüzyon elipsoitlerin kavramı ³ önerilmiştir. Bu e EigendiffusivitiesElipsoid eksantrikliği ile ilgili bilgi sağlar iken elipsoidin ana ekseni, liflerin yönü ile çakışan voksel temel yayılma yönü temsil llipsoids yani, ortamın difüzyon ana yönde tek boyutlu difüzyon katsayıları temsil anizotropi ve simetri derecesi. Bu nedenle, fraksiyonel anizotropi (FA) olarak difüzyon anizotropi ölçümleri ⁷ tanımlanabilir.

Tüm Özdeğer ve aritmetik ortalamasıdır.

Bir başka yaklaşım traktografi approa tekabül eden, beynin WM bağlantı adresine difüzyon tensörünün ana yön kullanmaktırhangi kanal birbirine bağlı olduğu, beynin bölümleri araştırmak için niyeti. Difüzyon tensör en önemli bileşeni yönünü baskın aksonal yolları yönünü temsil ettiği varsayılarak, her vektör fiber yönü temsil eder, bir 3-D vektör alanı sağlanır. İlk kategori fiber yolu yayılma ^2,8,9 her adımı için yerel tensör bilgileri kullanarak hat yayılma algoritmalar dayanmaktadır: Şu anda, iki tip ayrılabilir olabilir WM yolları yeniden inşa etmek farklı yaklaşımlar vardır. İkinci kategori yolu tabanlı mekansal istatistik yaklaşımı ile sonuçlanan iki WM bölge arasındaki enerjik en uygun yolu bulmak için küresel enerji minimizasyonu dayanmaktadır (TBSS) gibi tractwise fraksiyonel anizotropi istatistik (TFAS gibi diğer algoritmalar kullanılmıştır ¹⁰ - protokol metni, bkz. Bölüm 2.4)..

Stereotaksik standı dönüşümard alanı

Diğer gelişmiş MR yöntemleri gibi, bir klinik bağlamda DTI-ve FT-dayalı çalışmalar ¹¹ metrik bazı ayrımcılığa dayalı tanı sürecini kolaylaştırmak için hastanın beyin morfolojisi kategorize nihai hedefi takip. Ortak klinik fenotip bir veya daha fazla beyin alanları veya belirli nöroanatomik ağa hasar nedeniyle olması gerekiyordu, grubun düzeyinde çalışmalar en uygun olan. Burada, farklı konular için sonuçların ortalama mikro değişiklikler ortak kalıpları değerlendirmek için yararlıdır. Her bir beyin, böylece bir ikinci adımda, ortalama aritmetik bir voksel-by-voksel düzeyde sonuç mümkündür stereotaksik uzaya aktarılır zorundadır. Mekansal normalleştirme sinyal-gürültü oranı (SNR) geliştirmek ve hasta numuneleri ve konteynerler bir karşılaştırma yapmak amacıyla farklı hastalardan elde edilen sonuçların aritmetik ortalama müsadeRols belirli bir bozukluğun hesaplama pathoanatomy analiz etmek için, belirli bir beyin sisteminin özenti ile ilişkili bir nörodejeneratif hastalık gibi.

¹² tarafından standart bir stereotaksik alana normalleştirme erken yaklaşımı çeşitli beyin yerler ve beyin kadranın parça parça ölçekleme belirlenmesi içeren standart bir atlas bir dönüşüm algoritması önerdi. Günümüzde, gelişmiş MR veri analizi paketleri çoğu Montreal Nöroloji Enstitüsü (MNI) stereotaksik alanı ¹³ normalleştirme kullanın. Bu dönüşüm için, çalışma belirli şablonları kullanarak yarı otomatik ve otomatik beyin kaydı algoritmaları ^14,15 geliştirilmiştir. DTI, özel ilgi normalleşme sürecine ^16,17 sırasında yön bilgilerini korumak için çizilecek vardır. DT-MR görüntüleri için mekansal dönüşümlerin uygulanması hangi mekansal normalleşmesi için gereklidirveri setleri koleksiyonları DTS yeniden dönüşümü ile etkilenir yönelim bilgisi içeren gerçeği ile daha da karmaşık çözgü sayısal görsel aksine vardır. Bu etki dönüştürülmüş görüntünün anatomik doğruluğunu sağlamak için dikkate alınması gerekir. Burada, DTI veri setleri için afin dönüşümler uygulamak için teknikleri sunulmaktadır.

Beyin hastalıkları DTI Uygulanması

Uzunlamasına DTI veri karşılaştırılması aralarında bir konu veri bir uyum / kayıt olunması. Bu bağlamda, yön bilgilerin korunması (afin dönüşümler sırasında difüzyon tensör yani dönme) gereklidir. Nörodejeneratif hastalıklar için olası uygulamalar (örneğin ^18,19) daha önce bildirilmiştir.

DTI in vivo nöropatoloji araştırmak için güçlü bir non-invaziv teknik araç olarak kurulmuşturWM nöronal yolları ogy (örneğin ^{11,20,21,22).} Difüzyon süreci DTG tabanlı bir miktar ölçümleri, FA, örneğin daha önce, inme ^20, multipl skleroz ^23, amiyotrofik lateral skleroz, ^{24, 25,} Alzheimer hastalığı ²⁶ olarak WM patolojilerin, geniş bir yelpazede çalışmak için hassas belirteçleri gösterilmiştir ve diğer bazı WM bozuklukları ^27,28.

Buna ek olarak, FT ile DTG WM yolları ²³ tanımlamak için kullanılabilir. Bu teknik, hala rutin klinik kullanımda, nörolojik hastalığı yolu özgü anormalliklerin değerlendirilmesi için güçlü bir araç olarak ortaya çıkmaktadır olmasa da. Tespit yolları içinde, çeşitli kantitatif MRG endeksleri DTI verilere anatomik coregistered olan ölçülebilir ki DTI ve ek satın alma (örneğin, T2 ağırlıklı görüntülerde ve / veya manyetizasyon transfer (MT) görüntüleme) elde edilen. Bu vesile ile, her dizin calcul olabilirsistem profilleri olarak mekansal değişim gösteren araziler atıfta sistemi içinde konumunun bir fonksiyonu olarak ated.

1.5 uygulandı aşağıdaki, insan DTI taramaları Tesla MR-tarayıcılar (Siemens Medical, Erlangen, Almanya) hasta gruplarında hem de bireylerde beyaz cevher anormallikleri tespit etmek için çeşitli analiz tekniklerinin potansiyel araştırmak için kullanılmıştır. Eserler başka türlü hareket bozuk hacimleri ve hacimleri ortadan kaldırılması için otomatik bir kalite kontrol sonra, standart postprocessing işlemleri ardışık analiz için DTI verileri hazırlamak. Farklı analiz yaklaşımlar aşağıdaki gösterildiği, yani mekansal istatistik tabanlı ilk, tüm beyin (WBSS), ikinci, FT, ve üçüncü, Tractwise fraksiyonel anizotropi istatistik (TFAS). Olacak WBSS genellikle DTI verileri (VBM / DTI) üzerinde voksel tabanlı morfometri / istatistik olarak bilinir voksel tabanlı morfometri (VBM) benzer şekilde çalışan bir yöntemdir . VBTM başlangıçta WBSS bir fiziksel parametrenin voxelwise karşılaştırması kullanan bir yöntem ise ayrı olarak tarar kontrast farklılıkları çözülmesi gereken kontrast görüntüleri üzerinde çalışan bir yöntemdir. Algoritmik benzer olsa da, bu nedenle, WBSS ve VBM ayırt bir terminoloji aşağıdaki kullanılacaktır.

Protokol

Analiz Yöntemleri: Ön ve Artişleme

Voxelwise algılama nedeniyle - - izotropik ya da anizotropik ya, ilgili vokselleri için yayvan veya yassı difüzyon tensör sonuçlanan aşağıdaki protokol görevi olabilir beyaz cevher yolları içinde voxelwise difüzyon özelliklerini analiz etmektir. Voksel Tensörlerin parametre FA-haritaların hesaplama veya fibertracts belirlenmesi (Şekil 1) ya için kullanılır.

Aşağıda gösterildiği gibi analiz sonuçları elde etmek için, yazılım paketi Tensör Görüntüleme ve Fiber İzleme (Tift) ¹⁷ kullanın. Tift aşağıdaki gereksinimleri için analiz araçları sunar:

• DTI ölçümleri, örneğin FA-haritalar, açısından analizi
• stereotaksik normalleşme
• FA açısından veya diğer DTI ölçümler grup karşılaştırma
• FT çeşitli analizi yaklaşımları
• Grup FT D ortalamaTI verileri ve ilgili istatistiksel analizi.

Bu özellikler bir yazılım ortamında ^17,29,30,31 içinde analizler çeşitli sağlar. Tift yazılım DTI veri analizinde yeni seçenekler için geliştirme aşamasında sürekli olarak.

Şekil 2 nasıl grup seviyesinde DTI verileri analiz etmek için iki tamamlayıcı yaklaşımlarla mekansal normalleştirme sonra, nihayet grup seviyesinde konu örnekleri arasındaki farklılıklar, sağlıklı kontrollere göre örneğin hastalıklı beyinleri elde etmek WBSS tarafından ve TFAS her iki yani şematik bir bakış sunuyor. TFAS önceden tanımlanmış fibertracts dayanmaktadır ise Burada, WBSS, grup seviyesinde farklılıklar olduğu bölgelerde bir voxelwise tarafsız algılama amaçlamaktadır; alanlarda başlayan TFAS ya serbestçe seçilebilir veya WBSS sonuçları (`noktaları` bir elde edilebilir önemli ölçüde) FA değiştirdi.

FA-haritaların Bireysel boyuna göre algılama yapılırilgin stereotaksik hizalama sonra farklı zaman noktalarında ölçüm FA-haritalarında ting farklılıklar (Şekil 2).

1. Bozuk gradyan yönleri için düzeltme dahil olmak üzere kalite kontrol (QC)
   Bozuk miktarlar halinde satın alma, yani sırasında hareket bozuklukları durumunda, bir SNR artış tensör hesabı için tek gradyan yönleri (GD) atlayarak elde edilir. Bu amaçla, bir kalite kontrol (QC) algoritması ³² geliştirilmiştir. Kısacası, cilt bozuk içeriyordu taramalar için, bir SNR artış tek gradyan yönleri tensör tahmini önce her seferinde bir ihmal elde edilir: Her GD için, ağırlıklı varyanstaki açı ile ağırlıklandırılarak sırayla kalan tüm yönlerden hesaplanır oldukları dizin GD farklıydı.
   1. Azalma şiddeti gösteren en az bir dilim GD tespit ederek bir eser düzeltme yapın, yani hareket eserler kendiliğinden su neden bject hareketi (Şekil 3, üst panel). Herhangi bir difüzyon ağırlıklı birim için, her bir dilim için ortalama yoğunluğu hesaplamak ve ağırlıklı ortalama bir yaklaşım kullanarak tüm diğer birimler aynı dilim ile yoğunluğu karşılaştırma - ağırlık faktörü iki GD vektörlerin nokta ürünüdür :
      
      
      gözlem altında dilimin aritmetik ortalama yoğunluk gösterir ve427eq12.jpg "/ karşılaştırma için> bir dilim. Bağıl ortalama yoğunluk sapması GD nokta ürünü ağırlıklı. Böylece, küresel bir parametre tanımlamak için:
      
      her dilim slicewise karşılaştırmalar en az yansıtır.
   2. S, belirli bir eşik değerinin (bu örnekte, 0.8 bir eşik bu amaç için kullanılır) altında ise, bütün bu hacim, ortadan kaldırmak veya GD. 0.8 bir eşik Şekil 3 sagital rekonstrüksiyon hareket eserler görünür göstermektedir. Istikrarlı bir çözüm ³² olarak kabul edilir ve QC algoritması tarafından algılanır. Bu örnekte, GD sayısı (Şekil 3c mavi nokta) dışında, 17 S karşılık gelen kırmızı çizgi altındaydı = 0.8 ve siteld ortadan. Bir bütün çalışma için bir birim eleme istatistik bir örneği Şekil 3B 'de sunulmaktadır. Bu örnek teşkil eden çalışmada, 29 presemptomatik HD deneklerin DTI verileri 30 kontroller DTI verileri ile karşılaştırılmıştır. Bu algoritma daha başka ayrıntıları, ^{32, 33} olarak sunulmuştur.
2. Ön işleme ve mekansal normalleşme
   1. Eko-planar görüntüleme veri girdap akımları bağlı geometrik çarpıklıkların düzeltilmesi ³⁴ önerdiği yöntemle ayarlar yapın.
   2. Stereotaksik normalleştirilmesi için, bir çalışma-spesifik (b = 0) oluşturabilir - şablon olarak ve daha önce tarif edildiği gibi bir ^17,28,31 FA-şablonu. Temel olarak, bir tam doğrusal olmayan bir stereotaksik normalleştirme adet deformasyon bileşenden oluşur. Sonuç olarak, ortaya çıkan difüzyon tensör her bir voksel i rotat olmak zorundadır(Şekil 4) Yukarıda listelenen tüm rotasyonlar göre ed:
      1. Şekil 4a temel koordinat çerçeveleri hizalamak için katı bir beyin dönüşüm gösterir. Dönme temel koordinat çerçevesi için hizalama kaynaklanan uygulanmalıdır
         
      2. Şekil 4b önemli noktalara göre doğrusal bir deformasyon gösterir. Özvektörler bileşenleri doğrusal deformasyon S (beyin bölgesi _s, a = 1 ... 6 bağlıdır) altı normalleştirme parametrelerine göre adapte edilmesi gerekir.
         _{v, w j} '' '= _{S, V, W J'''}
         W = 1,2,3 ve j = x, y, z.
      3. Şekil 4c, doğrusal olmayan beyin şekil farkları dengeleme, doğrusal olmayan bir normalleştirme gösterir. 3-D vektör vardiya 3-D voksel dizinin her voksel için ayrı bir dönüşüme giden her voksel için farklıdır .) Standart trigonometri 3-D vektör vardiya neighbored voksellerin özvektörleri arasındaki yönlü ilişkileri korumak için ¹⁶ kavramlarını takip sonucu, her voksel için bağımsız bir rotasyon matrisi verir. Böylece, iki neighbored vokseller farklı vardiya ilgili özvektörler bir dönüş yol. Tensör uyum için dilatasyon matrisler kullanın her vokselinçevreleyen vokselleri.
         
         bileşenleri;
      Tüm normalleşme süreci iteratif, bir tarayıcı-ve sıra özel (b = 0) oluşturmak yani - şablon ilk adım bu çalışma için aritmetik (b = 0) ortalayarak - lineer dönüşüm sonra tüm konularda hacimleri elle göre yerler ayarlayın. Bu ilk normalleştirme sonra, normalleşme matrisler optimize etmek için geliştirilmiş şablonları oluşturabilir. Aşağıdaki adımlar 1.2.3 kadar 1.2.5 için Şekil 5a şematik görüntülendi.
   3. Bu bireysel normalleşme işlemden sonra (stEP (I) - şablonları T ₁₎ - DTI veri I _0), tek tek tüm DTI verileri bir çalışma özgü oluşturmak için ayarlar (- şablon ve FA-şablonu (adım (ii B = 0)) kullanın. Bir FA-şablonuna olmayan afin kaydı olarak avantajı göre daha fazla kontrast sağladığı vardır (b = 0) görüntüleri ^10, tüm tek tek hastaların FA-haritalar ve kontrol edilen ortalama ile bir FA-şablonu tanımlayabilirsiniz.
   4. İkinci adımda, Ashburner ve Friston ³⁵ temel fikirlerini takip, bir doğrusal olmayan MNI normalleşme DTI veri (adım (iii)) FA-haritanın bölgesel yoğunlukları arasındaki uyumsuzluk takılacak en aza indirerek ve setleri gerçekleştirmek kareleri alınmış farkların (X ²⁾ göre FA-şablon - bu şekilde, DTI verileri I ₁ edinin.
   5. Bu verilere dayanarak, yeni şablonlar T ₂ (adım (iv)) elde edilir. Bu bireysel FA-haritalar ve t arasındaki ilişki kadar işlemi tekrarlayın iteratifo FA-şablon> 0.7 olduğunu. Genellikle bu iki yineleme sonra ulaşılır.
3. Tüm beyin temelli mekansal istatistik
   Aşağıdaki adımlar 1.3.5 için 1.3.1 Şekil 5b şematik olarak görüntülendi.
   1. 1.2 normalleştirme işlemi ile ilgili olarak normalize DTI veri FA-haritalar hesaplayın. yön bilgisi (adım (i)) korumak amacıyla.
   2. Voxelwise istatistiksel karşılaştırma önce bir ön işleme adım olarak, bireysel normalize FA-haritalar için bir yumuşatma filtre (adım (ii)) geçerlidir. Yumuşatma için, filtre boyutu DTI veri analizi ³⁶ sonuçlarını etkiler gerçeği ayrıntılı olarak, verileri işlemek için kullanılan filtrenin genişliği beklenen farkın büyüklüğüne uygun olmalıdır belirten eşleştirilmiş filtre teoremi uygulanmasını gerektirir nörodejeneratif hastalıklarda (örneğin ²⁸⁾ DTI verilerine önceki uygulamalarda.
   3. Istatistiksel comp gerçekleştirinStudent t-testi ile hasta grupları ve ilgili kontrol grubu voxelwise arasında Arison, (adım (iii her voksel ayrı ayrı, FA-haritalar 'kontrollerin FA değerleri ile FA-haritalar ve hasta yakınlarının FA değerleri karşılaştırmak yani )). Kortikal gri cevher 0.2 ³⁷ FA değerleri göstermesi 0.2 aşağıda FA değerleri hesaplama için kabul edilmez.
   4. İstatistiksel sonuçlar yanlış-keşif-oranı (FDR) p algoritması <0.05 ³⁸ (adım (iv)) kullanılarak çoklu karşılaştırmalar için düzeltilmesi gerekir. 512 bir eşik küme boyutu yol açan, izole vokselleri veya düzeltme çekirdek büyüklüğü aralığında voksellerden küçük izole gruplar ortadan - alfa hata daha da azaltılması bir mekansal korelasyon algoritması (adım (v) kümeleme) tarafından yapılacak olan vokselleri.
   5. Bir morfolojik arka plan (adım (v)) üzerindeki sonuçlarını görüntülemek için, aritmetik MNI alanı ve ortalama ayarlayan 3-D T1 ağırlıklı veri normalleştirmek. Bu normalleşme p gerçekleştirinDTG verilere uygulanan normalleştirme benzer şekilde bir çalışma-belirli bir şablon kullanılarak rocedure ¹⁷ belirler.

Şekil 6 ALS hastaları vs kontrollerin tüm beyin temelli mekansal istatistik (WBSS) sonuçları göstermektedir. Şekil 6a bir sagital azalmış FA değerlerin yerel maksimum gösterir, coronar ve eksenel görünümü (p <0.01 eşiklenir birden için düzeltilmiş karşılaştırmalar). Şekil 6b TFAS için temel olarak kullanılan kortikospinal sisteminde başlangıç ​​noktaları ile eğik FT gösterir. Şekil 6c bir ALS hastalarının örnek ve eşleştirilmiş kontrollerde arasında mekansal istatistik (WBSS) tabanlı tüm beyin tarafından tespit FA-haritalarda grup farklılıklar göstermektedir bir slicewise görselleştirme.

4. Traktografi ve tractwise fraksiyonel anizotropi istatistikler (TFAS)
   Şekil 7, 1 'de tarif edildiği gibi TFAS de dahil olmak üzere, grup tabanlı FT işlemi göstermektedir.4.1 1.4.4 kadar.
   1. Grup tabanlı algoritmalar FT uygulamak için, DTG oluşturmak veri birlikte daha önce ¹⁷ tarif edilen yöntemlere göre, hasta verilerini ve kontrollerden 'veri kümeleri, ortalama olarak. Bu ortalama ¹⁶ tarif tekniklerine göre normalleşme sürecinde korunur yönelim bilgilerin dikkatli tedavi gerektirir - detay ³⁰ görmek için.
   2. Bir düzene izleme tekniği ³¹ uygulanarak konusu grupların ortalama DTI veri setleri traktografi yapın. Ardışık FT analizi için temel olan tüm beyin temelli FA analizleri ile yerel maksimum bitişik el tanımlanan tohum noktaları belirlemek. Tohumların belirlenmesinden sonra, traktografi gerçekleştirmek ve aşağıdaki TFAS ³⁰ için bir grup özel maske olarak tarif liflerin vokselleri tanımlar.
   3. Traktografi sonuçları ölçmek için, inci kullanılarak TFAS tekniğini uygulamakortalama DTI veriler oluşturulan e lif yolları hasta ve kontrol 'FA-haritalar arasında bir karşılaştırma katkıda voksellerin seçimi için her grup (hasta veri ve kontrol verileri bir araya) tüm konuların ayarlar.
   4. Student t-testi ile istatistiksel analiz için 0.2 üzerinde bir FA değeri ortaya çıkan vokselleri düşünün.
   5. İsterseniz, TFAS teknik, ortalama yayınım gibi türetilmiş DTI ölçümleri, (MD), radyal anizotropi, eksenel anizotropi, vb (bir örnek için, ²⁸⁾ için uygulanabilir.
   6. Sonuçlar MNI-normalize 3-D T1 ağırlıklı veri setleri oluşan morfolojik arka plan üzerinde görüntülenir

Sonuçlar

1. Hiperkinetik bozukluğu olan QC ve hasta veri uygulama bozulmuş gradyan yönleri için düzeltme

QC uygulanması ve sonraki hacim dışlama (bozuk GD için düzeltme bir sonucu olarak) etkisi için bir örnek olarak, Şekil 8 29 premanifest Huntington hastalığı grubu karşılaştırılması için ses dışlama olan ve olmayan tüm beyin temelli mekansal istatistik farklılıklar gösterir 30 yaş ve cinsiyet vs konular kontrolleri uyumlu. Tarama protokolü, 1.5 Tesla Mag...

Tartışmalar

DTG veri denekler arası ortalama sırasıyla difüzyon genliği (FA bilgilerin kullanılması ile) ve yayılma yönü (FT dayalı olarak) ile ilgili olarak elde edilebilir. FA haritaların ortalama WBSS ve TFAS tarafından konu grupların istatistiksel karşılaştırma için izin verir. Bu metodolojik çerçeve arası konu ortalama ve grup karşılaştırma ile DTI tekniklerine giriş yapılıyor. Stereotaksik normalleştirme ve grup düzeyinde FA haritaların karşılaştırılması konu grupları arasındaki farklı...

Malzemeler

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