Hjerneavbildning

For å møte utfordringene knyttet til en aldrende befolkning og økende andel pasienter med sammensatte sykdomsbilder, vil forskningssenteret fokusere på utvikling av persontilpasset medisin, utdanning av helsepersonell og utvikling av medisinsk utstyr og nye tekniske løsninger, inkludert e-helseløsninger. Medisinsk bildedannelse, bildeanalyse, bildeveiledet diagnostikk, minimalt invasiv kirurgi og billedveiledet behandlinger vil være sentrale fagfelt for senteret.

 

MR pulssekvenser

MR pulssekvenser beskriver fremgangsmåten for å ta MR-bilder. I prinsippet består enhver MR pulssekvens av 4 trinn. I trinn 1 blir protoner i vevet som skal avbildes eksitert (eksitasjonspuls), i trinn 2 manipuleres protoner for å gi ønsket bildekontrast, i trinn 3 mottas signal fra protoner når de går tilbake til utgangspunktet (relaksasjon) og til slutt i trinn 4 blir signalene behandlet og omdannet til et bilde.

Valg av pulssekvens avhenger av flere forhold. Først velger man en pulssekvens som gir den bildekontrasten man ønsker. Bildekontrast er gråtoneforskjeller mellom ulike vevstyper, for eksempel mellom fett og vann eller mellom sykt og frisk vev. Siden ulike vev har ulike relaksasjonsegenskaper, velges pulssekvens ut fra hva man vil framstille. For eksempel, ved mistanke om en spesiell sykdom vil man velge de MR-sekvensene som framstiller og avdekker den aktuelle sykdommen best mulig. I tillegg vil man velge sekvenser som kan bekrefte eller avkrefte muligheten for sykdom som har liknede symptomer, men ikke samme biologiske utgangspunkt.

Hvis området man skal avbilde inneholder elementer som forstyrrer magnetfeltet, kan man velge en pulssekvens som er mer robust ovenfor magnetfeltinhomogenitet. Deretter velger man en pulssekvens som passer til pasienten som skal avbildes. For eksempel, er pasienten urolig, velger man en pulssekvens som har kort opptakstid. Som oftest er valg av pulssekvens et kompromiss mellom bildekvalitet og opptakstid.  Kort opptakstid gir ofte dårligere bildekvalitet, men blir opptakstiden for lang kan bildekvaliteten forringes av andre årsaker som for eksempel pasientbevegelse. Valget av pulssekvens er svært viktig og avhenger i stor grad av det kliniske spørsmålet som stilles, området av kroppen som skal avbildes, og de spesifikke pasientforholdene.

Til toppen

Spinn ekko og gradient ekko sekvenser

Spinn ekko sekvenser (forkortes SE-sekvenser) bruker radiofrekvente (RF) pulser til både eksitasjon og refokusering av protonene. RF puls har samme bølgelengde som brukes i FM-radio og mikrobølgeovn. Gradient ekko sekvenser (forkortes GRE eller GE-sekvenser) bruker også en RF-puls til eksitasjon, men refokusering skjer ved å indusere endringer i magnetfeltet ved bruk av mindre elektromagneter kalt gradienter. Sammenlignet med SE-sekvenser er GRE-sekvenser ofte raskere, men mindre robuste ovenfor inhomogeniteter i magnetfeltet. GRE-sekvenser vil også avsette mindre varme i vevet (specific absorpsion rate eller SAR) fordi de bruker færre RF-pulser.

Ulike typer spinn ekko sekvenser
- Spinn ekko (SE)
- Turbo spinn ekko (TSE)
- Ultrafast spinn ekko (UFSE, single shot teknikk)

Ulike typer gradient ekko sekvenser
- Gradient ekko (GRE eller GE)
- Spoiled gradient ekko
- Coherent gradient ekko
- Ultrafast gradient ekko

Mer å lese

NIH

Til toppen

 

Inversion Recovery sekvenser

Inversion recovery sekvenser er basert på spinn ekko sekvenser og tar utgangspunkt i enten T1, T2 eller PD vekting. Ved bruk av en spesiell RF-puls kalt inversjonspuls, kan signal fra vann eller fett undertrykkes. Inversjonspulsen sendes før eksitasjonspuls. Tiden mellom inversjonspulsen og eksitasjonspulsen kalles inversjonstiden, eller på engelsk time to inversion (TI). For å undertrykke signalet fra fett, kan man bruke Inverison Recovery (IR) eller Short Tau Inversion Recovery sekvenser (STIR). For å slå ut signal fra vann kan man bruke en Fluid Attenuation Inverison Recovery (FLAIR) sekvens.

Mer å lese
NIH

Til toppen

Diffusjonsvektede sekvenser

Diffusjon er tilfeldige mikroskopiske bevegelser av vannmolekyler (protoner) som skyldes termisk energi. Diffusjonsvektede sekvenser er basert på spinn ekko eller gradient ekko, og bruker en ekstra magnetfeltendring (gradient) for å markere vannmolekyler som har beveget seg slik at diffusjon kan måles. I områder med høy diffusjon vil vannmolekyler bevege seg lengre, noe som gir lavere MR-signal. I områder med lav diffusjon vil vannmolekyler bevege seg lite og gi et høyt MR-signal.

Ved å bruke flere gradienter som induserer endringer i magnetfeltet kan man i tillegg til å måle graden av diffusjon og retningen av diffusjon. Denne teknikken kalles for diffusjon tensor avbildning (på engelsk diffusion tensor imaging, forkortet til DTI), og krever at diffusjon måles i minimum 6 ulike retninger.

 

Diffusjonsvektet avbilding

Diffusjonsvektet avbildning, hvorav diffusjonstensor avbildning (diffusion tensor imaging, DTI) er én modell, er en relativt ny og populær teknikk som gir oss kvantitativ informasjon om hjernens hvite substans. DTI er blitt brukt til å studere en rekke sykdommer og degenerative tilstander, som traumatisk hjerneskade, multippel sklerose, Alzheimers sykdom, schizofreni, epilepsi og prematur fødsel [1]. I tillegg er diffusjonsavbildning et viktig verktøy for å undersøke funksjonelle nettverk i hjernen (bl.a. språk) og for å kartlegge The Human Connectome [2]. DTI er ikke utbredt i vanlige kliniske undersøkelser, men benyttes til prekirurgisk planlegging for kartlegging av nervebaner som ligger nært hjernesvulster som skal opereres.

Diffusjonsvektet MR måler diffusjon (tilfeldig bevegelse) av vannmolekyler i biologisk vev. Uten restriksjoner vil diffusjon være like sannsynlig i alle retninger (isotropi), men i biologisk vev vil diffusjonen påvirkes av mikroskopisk vevsheterogenitet og i større eller mindre grad variere i ulike retninger (anisotropi). Diffusjon tensor modellen, introdusert i 1994 [3, 4], gjorde det mulig å måle anisotropisk diffusjon av vannmolekyler uten at orienteringen til aksonene er kjent. Sammenlignet med vanlig diffusjonsvektet MR, som måler diffusjon i tre retninger, måler vi diffusjon i mange retninger (30-60) for å kunne beskrive den tredimensjonale diffusjonen i hvert voksel i MR-bildet.

I hjernens hvite substans vil diffusjon perpendikulært på aksonenes retning være begrenset av myelin og cellemembraner. Det betyr at anisotropi i MR-signalet, som varierer som følge av forskjeller i diffusjon i tre dimensjoner, kan brukes som en indikasjon på orienteringen av nervebanene. Anisotropi reflekterer både antall og størrelse (tverrsnitt) av myeliniserte aksoner og i hvor stor grad aksonene er orientert i samme retning. Der hvor fiberbaner krysser hverandre, er det vanskelig eller umulig å anslå retning.

Diffusjonsvektet MR-data kan benyttes til lokalisering av nervebaner (traktografi) og måling av parametere i hvit substans (se nedenfor).

Traktografi

Informasjonen vi får fra DTI-analysene kan også benyttes til å rekonstruere nervebanene i hjernen, såkalt traktografi. Det finnes flere algoritmer som kan benyttes til å lage slike traktografikart av de ulike nervebanene i hjernen. Det finnes forskjellige måter å analysere nye data på med bruk av algoritmer, hvorav den enkleste er deterministisk traktografi.

Med deterministisk traktografi, eller streamlining begynner rekonstruksjon på et ”seed” punkt og går (i begge retninger) ved å følge minste motstands vei for diffusjon. En streamlining stopper vanligvis når den når en FA-terskel og kurvatur-terskel, for å minimisere feil langs rekonstruksjonen [5]. Probabilistisk traktografi estimerer graden av usikkerhet knyttet til The Principal Diffusion Direction (PDD) fra seed-punkt A gjennom region B, noe som gjør det mulig å gå gjennom regioner med høy usikkerhet [5].
Traktografikart kan gi en indirekte indikasjon på nevronal konnektivitet og avvik i sådan ved eventuell sykdom som berører hvit substans.

 

DTI-analyse

Med DTI modellen kan vi beregne en del parametere som kan si noe om hvit substans. De viktigste er MD, FA, AD og RD.

FA (fraksjonell anisotropi) er proporsjonen av all diffusjon (0-1) som går i samme retning, hvor isotropisk diffusjon (samme i alle retninger) har en FA på 0. MD (mean diffusivity) er et uttrykk for gjennomsnittlige verdien på hvor mye vann flyter gjennom denne vokselen – i alle retninger. AD (axial diffusivity) og RD (radial diffusivity) er komponenter av MD, i perpendikulære retninger. FA visualiseres også ofte ved å legge til farge som viser i hvilken retning nervebanene går i hvert voksel av MR-bildet.

DTI-analyse kan også utføres som vokselbasert eller ROI-basert, inkludert traktografi-basert, ROI-analyse. To av de mest fremtredende programvarene, TBSS og TRACULA, omtales nedenfor.

 

TBSS

TBSS står for Tract-Based Spatial Statistics, og er en metode i programvaren FSL hvor vi kan analysere DTI parameterne (FA, MD, AD og RD) vokselvis. Hovedprinsippet for metoden er at det lages et gjennomsnittlig FA-bilde basert på alle individene som skal være med i analysen. Basert på dette gjennomsnittlige FA bildet benytter TBSS en algoritme som lager et hvit substans skjelett av den indre kjernen av alle nervebanene i hjernen. Det hentes deretter ut vokselvis informasjon om FA, MD, AD og RD for hvert individ på hvit substans-skjelettet. Vi kan deretter utføre vokselvise statistiske analyser for de forskjellige DTI parameterne for å studere for eksempel forskjeller mellom en sykdomsgruppe og en kontroll gruppe, eller for eksempel studere korrelasjoner mellom DTI parameterne og ulike kliniske mål innad i sykdomsgrupper. 

 

TRACULA

Morfometriprogramvarepakken FreeSurfer inneholder en traktografimodul som kalles TRACULA (TRActs Constrained by UnderLying Anatomy). TRACULA utfører automatisert global probabilistisk traktografi, basert på individets diffusjonsdata samt a priori anatomisk informasjon fra to kilder: 1) generell informasjon om hvor en gitt nervebane ligger i forhold til øvrig hjerneanatomi og (2) spesifikk informasjon om individets anatomi. Den generelle anatomiske informasjonen stammer fra et atlas som er basert på manuell segmentering av nervebaner i en populasjon [6], mens den spesifikke informasjonen stammer fra den volumetriske segmenteringen av individets T1-vektede bilde i FreeSurfer [7-12].

TRACULA beregner DTI-parametere voksel for voksel ved bruk av en «ball and stick» modell (fra FSL). Deretter gjennomføres traktografien, hvor den a priori anatomiske informasjonen brukes til å guide rekonstruksjonen av nervebanene. Dermed er det ikke nødvendig å ha en erfaren nevroanatom i teamet. TRACULA rekonstruerer atten ulike nervebaner i hvert individs hjerne (se figur over) og genererer DTI-data (FA, MD, AD, RD) som er spesifikke for disse nervebanene for hvert individ.

 

Statistiske analyser på data fra TRACULA

Formålet med traktografi i forskningsøyemed er å generere data som kan brukes i inferensielle statistiske analyser. Dermed kan vi sammenligne grupper (pasienter, kontroller) eller analysere sammenhenger mellom hvit substans og andre variabler av interesse, som for eksempel kognitive tester eller genetikk. Disse dataene kan brukes i statistiske analyser og resultatene visualiseres slik at det fremkommer hvilke deler av nervebanen som viser statistisk signifikante funn.

Fordeler og ulemper med TRACULA
1) En vesentlig fordel med TRACULA er at det er en automatisk prosedyre som ikke forutsetter aktiv brukerinvolvering (tegne ROI, etc.), noe som gjør det praktisk mulig å analysere store mengder DTI-data. På den annen side kan kvalitetskontrollen til dels være tidkrevende, og det anbefales å utføre kontroll på flere punkter underveis i dataprosesseringen. 

2) TRACULA måler DTI-parametere i «native space» (individets opprinnelige anatomi) og beregner gjennomsnittlig FA, AD, RD, MD for hver av de 18 nervebanene, som så kan brukes til statistiske modellberegninger. Målinger i native space er en fordel fordi DTI-data ikke blir påvirket av de deformeringer som er nødvendige for å registrere hjernen til et hjerneatlas. Ulempen med å bruke gjennomsnittsdata fra hele trakten er at vi mangler informasjon om hvordan eventuelle forandringer/gruppeforskjeller/assosiasjoner er fordelt langs trakten (spatial distribution). TRACULA genererer imidlertid data fra segmenter («waypoints») langs hele nervebanen (default lengde: 2.5 mm) som kan brukes til slike punkt-for-punkt analyser [8]. For å beregne slike segmenter, samregistreres nervebanene slik at midtpunktet i banene er likt. Nervebanene til ulike individ vil imidlertid være av ulik lengde, og da det ikke er noen non-lineær samregistrerering, vil noen av banene være lengre enn andre, og jo lenger vekk fra midten av banen vi er, desto mindre sikre er vi på at vi sammenligner homologe regioner på tvers av individer.

3) Nervebanene fra traktografien i TRACULA kan i prinsippet projiseres ut til hvert enkelt individs rekonstruerte cortex (fra FreeSurfers morfometri), noe som gjør det mulig å undersøke anatomiske parametere i de kortikale regionene der nervebanene ender opp. Slik kan DTI-data (FA, MD, RD, AD) sammenholdes med for eksempel kortikal tykkelse. Dette gjør at vi direkte kan undersøke sammenhenger mellom hvitsubstansavvik og eventuelle avvik i grå substans [se 13].

De aller fleste programvarene for MR-forskning er tilgjengelig gratis med åpen kildekode (open source).

 

Referanser

1. Eikenes, L., et al., Young adults born preterm with very low birth weight demonstrate widespread white matter alterations on brain DTI. Neuroimage, 2011. 54(3): p. 1774-85.
2. Sotiropoulos, S.N., et al., Advances in diffusion MRI acquisition and processing in the Human Connectome Project. Neuroimage, 2013. 80: p. 125-43.
3. Basser, P.J., J. Mattiello, and D. LeBihan, Estimation of the effective self-diffusion tensor from the NMR spin echo. J Magn Reson B, 1994. 103(3): p. 247-54.
4. Basser, P.J., J. Mattiello, and D. LeBihan, MR diffusion tensor spectroscopy and imaging. Biophys J, 1994. 66(1): p. 259-67.
5. Johansen-Berg, H. and T. Behrens, Diffusion MRI. 2nd ed. 2014, USA: Academic Press.
6. Yendiki, A., et al., Automated probabilistic reconstruction of white-matter pathways in health and disease using an atlas of the underlying anatomy. Front Neuroinform, 2011. 5: p. 23.
7. Fischl, B., et al., Whole brain segmentation: automated labeling of neuroanatomical structures in the human brain. Neuron, 2002. 33(3): p. 341-55.
8. Dale, A.M., B. Fischl, and M.I. Sereno, Cortical Surface-Based Analysis: I. Segmentation and Surface Reconstruction. NeuroImage, 1999. 9(2): p. 179-194.
9. Fischl, B., Automatically Parcellating the Human Cerebral Cortex. Cerebral Cortex, 2004. 14(1): p. 11-22.
10. Fischl, B., et al., Sequence-independent segmentation of magnetic resonance images. Neuroimage, 2004. 23 Suppl 1: p. S69-84.
11. Fischl, B., M.I. Sereno, and A.M. Dale, Cortical Surface-Based Analysis: II: Inflation, Flattening, and a Surface-Based Coordinate System. NeuroImage, 1999. 9(2): p. 195-207.
12. Fischl, B., et al., High-resolution intersubject averaging and a coordinate system for the cortical surface. Human brain mapping, 1999. 8(4): p. 272-284.
13. Sølsnes, A.E., et al., Limited microstructural and connectivity deficits despite subcortical volume reductions in school-aged children born preterm with very low birth weight. Neuroimage, 2015.
14. Kern, K.C., et al., Fornix damage limits verbal memory functional compensation in multiple sclerosis. Neuroimage, 2012. 59(3): p. 2932-40

Til toppen

 

MR bildekontrast

MR bildekontrast er gråtoneforskjell mellom ulike vevstyper. Eksempel på vevstyper er vann, fett, muskel, i tillegg ulike sykdomstilstander som ødem, blødning eller svulster. Under er en liste over de vanligste MR bildekontrastene

T1 kontrast

T1 kontrast eller vekting avbilder T1-relaksasjonstid i de underliggende vevstypene. T1-relaksasjonstid beskriver hvor raskt magnetisk likevekt i et spesifikt vev gjenvinnes etter en eksitasjonspuls (gjenvinning av longitudinal magnetisering). Kort relaksasjonstid gir høyt signal. Fett har kort T1-relaksasjonstid og blir derfor lyst i T1-vektede bilder mens vann har lang T1-relaksasjonstid og ser mørkt ut. T1 vekting er også den beste MR sekvensen for paramagnetiske kontrastmiddel (for eksempel gadoliniumholdig kontrast).

Bruksområde
Bilder med T1 kontrast gir et godt anatomisk bilde av hjerne. Ulike hjernestrukturer som grå og hvit substans, basale ganglier og ventrikkelsystem er lett gjenkjennelig på T1 bilder. T1 kontrast kan også kombineres med MR kontrastmiddel (for eksempel gadolinium kontrastmiddel) som brukes til å avdekke noen typer hjernesvulster (glioblastomer, meningeomer), infeksjoner eller liknede prosesser hjernen som bryter ned blod hjerne barrieren.

Egnede MR sekvenser
Spinn ekko
- Spinn ekko
- Fast spinn ekko
- Ultra fast spinn ekko
Gradient ekko
- Gradient ekko
- Spoiled gradient ekko
- Ultra fast spoiled gradient ekko

 

T2 kontrast

T2 kontrast eller vekting avbilder T2 relaksasjonstid i de underliggende vevstypene. T2 relaksasjonstid er hvor raskt den transversale vevsmagnetiseringen tapes etter eksitasjonspuls. Lang relaksasjonstid gir høyt signal og kort relaksasjonstid gir lavt signal. Vann har lang relaksasjonstid og er derfor lyst, mens fett har kort relaksasjonstid og er mørkt*

*Ved konvensjonell spinn ekko sekvens blir fett mørkt. Men ved turbo spinn ekko sekvens blir fett lyst. I praksis vil alt fett være lyst på T2-vektet bilde da T2 avbilding foregår hovedsakelig med turbo spinn ekko sekvenser. Dette fenomenet skyldes J-coupling mellom protoner.

Bruksområde
Bilder med T2 kontrast gir også et godt anatomisk bilde av hjernen, særlig strukturer som inneholder mye væske «lyser opp» på T2 bilder. Eksempler på tilstander kan være cyster, svulster, demyeliniserende sykdom (MS), ødem og traumatisk hjerneskade.

Egnede MR pulssekvenser
Spinn ekko
- Spinn ekko
- Fast spinn ekko
- Ultrafast spinn ekko

T2 kontrast med vann undertrykking (FLAIR kontrast)

FLAIR kontrasten ligner på T2-kontrast. Ved bruk av en inversjonspuls undertrykkes signal fra fritt flytende vann (for eksempel cerebrospinal væske). FLAIR kontrasten egner seg godt i situasjoner der signal fra vann er forstyrrende, for eksempel for å skille fritt vann fra økt vannmengde i hjernevev (vasogent ødem). Fritt flytende vann (for eksempel i ventrikkelsystemet) vil være undertrykt og dermed ikke gi fra seg signal, mens vannet som er bundet i hjernevevet vil lyse opp.

Bruksområde

FLAIR kontrast kan brukes til identifikasjon av ødem i hjernen som kan skyldes underliggende hjernesvulst, skade eller hjerneslag. I tillegg kan FLAIR kontrasten visualisere sykdom i de små blodårene i hjernen (mikroangiopati) i forbindelse med aldring og traumatisk aksonal skade (traumatic axonal injury TAI) ved hodeskader.

Egnete MR pulssekvenser
Inversion recovery
- Long tau inversion recovery

Til toppen

 

T2* Kontrast

T2* kontrast eller vekting er også basert på T2 kontrast, og måler tap av transversal magnetisering. I områder med ujevnt magnetfelt (feltinhomogenitet) forårsaket av for eksempel lokale ansamlinger av blod, jernavleiringer eller kalk vil vevsmagnetisering tapes fortere sammenlignet med andre områder uten disse forandringene. T2* kontrast er kun tilgjengelig med gradient ekko sekvenser. Dette er fordi refokuseringspulsen i en TSE sekvens vil kompensere for inhomogenitetene og føre til at T2* kontrasten forsvinner. For å øke sensitiviteten for T2* kontrast kan man kompensere for blodfløde da får man susceptibility weighted imaging (SWI).

Bruksområde
T2* kontrast brukes til identifikasjon av misdannelser av blodårer (karmalformasjon) og små blødninger i hjernevevet (mikroblødninger). Mikroblødninger kan være traumatisk betinget (f.eks etter trafikkulykke) og er et kjennetegn på traumatisk aksonal skade (TAI).

Egnete MR pulssekvenser
Gradient ekko
- Gradient ekko
- Susceptibility weighted imaging (SWI)

Til toppen

 

PD kontrast

PD står for proton density (engelsk for proton tetthet), og måler tetthet av hydrogen atomer (protoner) i vann og noen fett molekyler.

Bruksområde
Brukes ikke så ofte i avbilding av hjerne

Egnete MR-pulssekvenser
Spinn ekko
- Spinn ekko
- Fast spinn ekko
- Ultra fast spinn ekko

Til toppen

 

Diffusjon kontrast

Ved bruk av standard diffusionssekvenser får man diffusjonsvektede bilder (diffusion weighted images (DWI)) som gir et kvalitativt uttrykk for graden av diffusion i vevet. Områder med høyt signal er områder med lav diffusjon (stor diffusjonsrestriksjon), områder med lavt signal er områder med høy diffusion (lav diffusjonsrestriksjon).

Fra de diffusjonsvektede bildene (DWI) kan man beregne appararent diffusion coefficient (ADC) som er et kvantitativt mål for diffusjon uttrykt i mm2/s (hastighet på diffusjon gitt i kvadrat millimeter per sekund). På ADC bilder er områder med lavt signal områder med lite diffusion, områder med høyt signal er områder med høy diffusjon.

Bruksområde
Diffusjonsvektede bilder brukes til identifikasjon av områder med endrede diffusjonsegenskaper. For eksempel, ved hjerneslag vil diffusjonsegenskapene endres raskt på grunn av utvikling av cytotoksisk ødem (link til radiopaedia). Disse ødemforandringer er lett synlig og kan ses tidlig i et hjerneslag forløp. Cytoksisk ødem kan også ses ved traumatisk hjerneskade og er et tegn til mulig diffus aksonal skade. Enkelte hjernesvulster har økt celletetthet som gir endrede diffusjonsegenskaper. For avanserte diffusjonssekvenser som diffusion tensor imaging (DTI), trykk her.

Egnete MR-pulssekvenser
- Spinn ekko ekko planar imaging
- Gradient ekko ekko planar imaging

Til toppen

 

Strukturell MR

Morfometri i Klinikken

Kvantitative mål på ulike anatomiske hjernestrukturer og patologiske funn er etterspurt. I klinikken brukes manuelle metoder, men disse er arbeidskrevende, med mindre det ikke er begrenset til for eksempel å måle tverrsnitt og/eller lengde av en normal eller patologisk struktur. Full manuell segmentering, se tumor segmentering (legg inn lenke til Anne Linse segmentering) kan utføres, men er ikke klinisk rutine. Ofte brukes semi-kvantitative skårings systemer for å bedømme f.eks. atrofi generelt eller i spesielle strukturer som i hippocampus eller kortikale regioner.

Per i dag har ingen leverandører av MR maskiner som har inkorporert metoder for automatisk morfometri (lenke legges inn her til automatisk morfometri) som del av programvaren, som det for eksempel er gjort for DTI, perfusjon og fMRI analyse. Det finnes ekstern programvare som er FDA og CE anerkjent og utfører automatisk morfometri. Programvaren kan enten kobles opp mot PACS eller MR bildene lastes opp på en server (https://www.cortechslabs.com/neuroquant/ ). Denne tjeneste koster penger. Flere klinikker i Norge har prøvd metoden for ulike kliniske problemstillinger, se publikasjoner under.

Den prediktive verdien av MR basert morfometri for demens er ikke god nok til klinisk bruk alene. Den må kobles sammen med andre mål som PET resultater eller kognitive mål. 

Referanser:

Semikvantitative skåringssystmer

1. Harper L, Barkhof F, Fox NC et-al.
   Using visual rating to diagnose dementia: a critical evaluation of MRI atrophy scales.
   J. Neurol. Neurosurg. Psychiatr. . doi:10.1136/jnnp-2014-310090
2. Scheltens P, Launer L, Barkhof F et-al.
   Visual assessment of medial temporal lobe atrophy on magnetic resonance imaging: Interobserver reliability.
   J Neurol. 1995;242 (9): 557-560. doi:10.1007/BF00868807
3. Wahlund LO, Julin P, Johansson SE et-al.
   Visual rating and volumetry of the medial temporal lobe on magnetic resonance imaging in dementia: a comparative study.
   J. Neurol. Neurosurg. Psychiatr. 2000;69 (5): 630-5.
4. Sarazin M, de Souza LC, Lehéricy S et-al.
   Clinical and research diagnostic criteria for Alzheimer's disease.
   Neuroimaging Clin. N. Am. 2012;22 (1): 23-32,viii. doi:10.1016/j.nic.2011.11.004
5. Lehmann M, Koedam EL, Barnes J et-al.
   Posterior cerebral atrophy in the absence of medial temporal lobe atrophy in pathologically-confirmed Alzheimer's disease.
   Neurobiol. Aging. 2012;33 (3): 627.e1-627.e12. doi:10.1016/j.neurobiolaging.2011.04.003
6. Koedam EL, Lehmann M, van der Flier WM et-al.
   Visual assessment of posterior atrophy development of a MRI rating scale.
   Eur Radiol. 2011;21 (12): 2618-25. doi:10.1007/s00330-011-2205-4
   
   

Full automatisert morfometri brukt i klinikken

1. Persson K, Selbæk G, Brækhus A, Beyer M, Barca M, Engedal K (2016).
   Fully automated structural MRI of the brain in clinical dementia workup.
   Acta Radiol. Sep 28. pii: 0284185116669874.
2. Rogne S, Vangberg T, Eldevik P, Wikran G, Mathiesen EB, Schirmer H (2016).
   Magnetic Resonance Volumetry: Prediction of Subjective Memory Complaints and Mild Cognitive Impairment, and Associations with Genetic and Cardiovascular Risk Factors.
   Dement Geriatr Cogn Dis Extra. Nov 25;6(3):529-540. doi: 10.1159/000450885.
3. Brezova V, Moen KG, Skandsen T, Vik A, Brewer JB, Salvesen O, Håberg AK (2014).
   Prospective longitudinal MRI study of brain volumes and diffusion changes during the first year after moderate to severe traumatic brain injury.
   Neuroimage Clin. Mar 28;5:128-40. doi: 10.1016/j.nicl.2014.03.012.
   
   

Til toppen

Prediksjon av mild kognitive nedsettelse eller demens vha strukturell MR

1. Lebedeva A, Westman E, Borza T, Beyer MK, Engedal K, Aarsland D1, Selbæk G2, Håberg AK and ADNI (2017)
   MRI-based classification models in prediction of mild cognitive impairment and dementia in late-life depression.
   Frontiers in Aging Neuroscience. doi: 10.3389/fnagi.2017.00013
2. Wang L, Benzinger TL, Su Y, Christensen J, Friedrichsen K, Aldea P, McConathy J, Cairns NJ, Fagan AM, Morris JC, Ances BM (2016).
   Evaluation of Tau Imaging in Staging Alzheimer Disease and Revealing Interactions Between β-Amyloid and Tauopathy.
   JAMA Neurol. Sep 1;73(9):1070-7. doi: 10.1001/jamaneurol.2016.2078.
3. Lupton MK, Strike L, Hansell NK, Wen W, Mather KA, Armstrong NJ, Thalamuthu A, McMahon KL, de Zubicaray GI, Assareh AA, Simmons A, Proitsi P, Powell JF, Montgomery GW, Hibar DP, Westman E, Tsolaki M, Kloszewska I, Soininen H, Mecocci P, Velas B, Lovestone S; Alzheimer's Disease Neuroimaging Initiative., Brodaty H, Ames D, Trollor JN, Martin NG, Thompson PM, Sachdev PS, Wright MJ (2016)
   The effect of increased genetic risk for Alzheimer's disease on hippocampal and amygdala volume.
   Neurobiol Aging. Apr;40:68-77. doi: 10.1016/j.neurobiolaging.2015.12.023.
4. Eskildsen SF, Coupé P, Fonov VS, Pruessner JC, Collins DL; Alzheimer's Disease Neuroimaging Initiative (2015).
   Structural imaging biomarkers of Alzheimer's disease: predicting disease progression.
   Neurobiol Aging. Jan;36 Suppl 1:S23-31. doi: 10.1016/j.neurobiolaging.2014.04.034
5. Xekardaki A, Rodriguez C, Montandon ML, Toma S, Tombeur E, Herrmann FR, Zekry D, Lovblad KO, Barkhof F, Giannakopoulos P, Haller S (2015).
   Arterial spin labeling may contribute to the prediction of cognitive deterioration in healthy elderly individuals.
   Radiology. Feb;274(2):490-9. doi: 10.1148/radiol.14140680.
6. Adachi M, Kawakatsu S, Sato T, Ohshima F (2012).
   Correlation between volume and morphological changes in the hippocampal formation in Alzheimer's disease: rounding of the outline of the hippocampal body on coronal MR images. Neuroradiology. Oct;54(10):1079-87. doi: 10.1007/s00234-012-1019-7.
   7. Shaffer JL, Petrella JR, Sheldon FC, Choudhury KR, Calhoun VD, Coleman RE, Doraiswamy PM; Alzheimer’s Disease Neuroimaging Initiative (2013).
   Predicting cognitive decline in subjects at risk for Alzheimer disease by using combined cerebrospinal fluid, MR imaging, and PET biomarkers.
   Radiology. Feb;266(2):583-91. doi: 10.1148/radiol.12120010.

Til toppen

 

Manuell Segmentering

 Segmentering og programvare for segmentering

 Hva er segmentering?

Segmentering er en prosess hvor man deler et bilde opp i flere biter ved å merke de ulike bitene med merkelapper/ «labels», hvor alle biter med samme merkelapp oppfattes å tilhøre samme struktur. Dette er vist med et eksempel i figuren under, hvor man har segmentert en hjernesvulst i to deler. Den kontrastladende bremmen i utkant av tumor er merket med rødt, og nekrosen innenfor er merket med blått. Disse merkelappene brukes til å definere forskjellige «Region of Interests» (ROIs), det vil si områder med samme merkelapp, som gjør det mulig å gjøre beregninger for enkelte deler av et bilde. Dette kan være volumberegninger av merkede strukturer slik som svulsten under, eller å kalkulere funksjonelle parametere, slik som diffusjonsparametere innenfor en ROI.

 

Segmenteringsprosessen kan være manuell, semi-automatisk eller automatisk. Manuell segmentering, hvor man tegner omrisset rundt det man ønsker å segmentere, regnes fortsatt av mange som gullstandard. Dette tar imidlertid mye tid, og er assosiert med en viss inter-rater variasjon, og man har derfor forsøkt å lage algoritmer for semi-automatisk og automatisk segmentering. Slike algoritmer baserer seg på ulike egenskaper i bildet, og kan deles inn i fem grupper:

 

Terskel-basert
Disse algoritmene tar utgangspunkt i intensiteten i voxlene i bildet, og klassifiserer dem i ulike grupper basert på en definert intensitets-terskel. Dette kan brukes på hele bildet, eller på deler av bildet.

Region-baserte
Region-baserte algoritmer finner homogene områder i bildet og definerer dem som samme region. En enkel form for regionsbasert segmentering kalles “region growing”. Den tar utgangspunkt i at brukeren klikker på en voxel innenfor den strukturen man ønsker å segmentere. Deretter evaluerer algoritmen voxlene rundt, og inkluderer pixler med lignende egenskaper i segmenteringen.

Kant-basert («edge-basert»)
Disse algoritmene baserer seg på kanter mellom ulike strukturer i bildet. Først finner algoritmen alle kanter i bildet, definert som overganger med store endringer i voxel intensitet. Deretter kobler algoritmen sammen disse kanter til meningsfulle strukturer, for eksempel ved å koble sammen grenser hvor strukturene er relativt like.

Andre avanserte metoder
Voxel-klassifiserings-metoder og modell baserte metoder er mer komplekse algoritmer, og en god beskrivelse av disse kan finnes i Gordillo, N., et al. (2013). "State of the art survey on MRI brain tumor segmentation." Magnetic Resonance Imaging 31(8): 1426-1438.

Trykk her for Guide for manuell segmentering av svulster i 3D slicer

 

Programvare for segmentering

Det finnes en rekke ulike programvarer for segmentering, som gir ulike muligheter når det kommer til valg av algoritmer og grad av manuell medvirkning. Valg av programvare vil basere seg på hvilke strukturer man ønsker å segmentere. En del av de nye og mer automatiske algoritmene for tumor segmentering krever for eksempel at man har flere ulike MR sekvenser av hver pasient. Det eneste av disse programvarene som foreløpig er godkjent for klinisk bruk er en betalings-versjon av OsiriX (FDA godkjent).

3D Slicer (Dette bruker vi til segmentering av hjernesvulster i våre forskningsprosjekter)

ITK Snap

Mango 

OsiriX (kun for Mac)

TurtleSeg 

BrainVoyager QX (egentlig ikke et segmenteringsverktøy, men kan brukes til semi-automatisk segmentering basert på terskel-intensiteter, krever mye manuell korrigering)

 

Kilder:

State of the art survey on MRI brain tumor segmentation
Gordillo, N., et al. (2013)
Magnetic Resonance Imaging 31(8): 1426-1438

Medical Image Segmentation: Methods and Applications in Functional Imaging. Handbook of Biomedical Image Analysis
Wong, K.-P. (2005)
J. Suri, D. Wilson and S. Laxminarayan, Springer US: 111-182

Til toppen

 

Automatisk morfometri

 Hjernemorfometri med magnetresonans (MR)

Identifisering av strukturelle avvik i hjernen på MR bilder er stadig viktigere for studiet av nevrologiske og psykiatriske sykdommer. Avvikende hjerneutvikling, manifestert ved reduksjon av hjernevev, og patologiske prosesser som fører til tap av celler eller neuropil (atrofi), kan studeres med strukturell MRI.

Tradisjonelle teknikker for å analysere atrofi på MR-bilder omfatter visuell inspeksjon utført av erfarne nevroradiologer, inkludert bruk av ulike semikvantitative skaler som evaluerer grad av for eksempel hippokampusatrofi og/eller manuelle målinger av utvalgte hjernestrukturer. I tillegg har automatiserte teknikker blitt utviklet, som muliggjør vurdering av strukturelle avvik over store grupper av mennesker - uten behov for tidskrevende manuelle målinger eller subjektive visuelle vurderinger. Det eksisterer i dag flere typer programvare for automatisk vevsklassifisering, samt identifisering og måling av hjernestrukturer, såkalt morfometri. Vi gir her en kort beskrivelse av de mest relevante programvare-pakkene.

Et viktig poeng er at de automatiserte teknikkene gjør det praktisk mulig å studere lokale/regionale effekter over hele hjernen - ikke bare i noen få forhåndsutvalgte strukturer. I tillegg muliggjør enkelte automatiserte teknikker undersøkelse av strukturer som i praksis ikke lar seg avgrense manuelt, som tykkelsen og overflatearealet til hjernebarken (cortex cerebri).

 

Volumetriske teknikker vs. «surfacesbased» morfometri

Et hovedskille i MR-basert hjernemorfometri går mellom volumetriske og overflatebaserte metoder (surface-based mophometry; SBM).

Volumetriske metoder undersøker enten regionalt volum ved å summere opp antall voksler i en definert struktur, eller kvantifiserer regional proporsjon eller tetthet av grå substans i hvert voksel over hele hjernen. Den mest populære volumetriske teknikken for å studere regional variasjon i «grå substans tetthet» (gray matter density) er Voxel Based Morphometry (VBM) (mer om dette nedenfor).

SBM bruker informasjon fra MR-bilder til å lage en tredimensjonal modell av hjernebarken. Dette benevnes ofte med cortical surface reconstruction. Den mest brukte programvaren for dette formålet, FreeSurfer, er gratis og tilgjengelig på internett. Det finnes også annen tilgjengelig programvare, som BrainVISA og AFNI/SUMA.

 

Kortikal morfometri

Selve overflate rekonstruksjonen, surface reconstruction, prosedyren i FreeSurfer er inngående beskrevet i en rekke vitenskapelige artikler (Dale, Fischl, & Sereno, 1999; Dale & Sereno, 1993; Fischl, 2012; Fischl & Dale, 2000; Fischl, Sereno, & Dale, 1999), og en detaljert oversikt finnes på FreeSurfers hjemmeside .

Kort fortalt finner rekonstruksjons-algoritmen grensen mellom hvit og grå substans, også kalt den «indre» overflaten av korteks (white matter surface), og deretter grensen mellom grå substans og CSF (cerebrospinalvæske), som er den «ytre» kortikale overflaten (pial surface etter hjernehinnen pia mater). De to overflatene (white og pial) gjør det mulig å måle kortikal tykkelse og overflateareal, så vel som en «gyrifiserings-indeks» - som indikerer graden av folding av hjernebarken (Figur 1.). Kortikal tykkelse er den korteste avstanden mellom white matter surface og pial surface. FreeSurfers prosedyrer for måling av kortikal tykkelse er validert mot postmortem histologisk analyse (Rosas et al., 2002) og manuelle målinger (Kuperberg et al., 2003; Salat et al., 2004). Valideringen av tykkelsesmålet er samtidig også en validering av lokaliseringen av grensesnittene (hvit/grå og grå/CSF) og dermed en indirekte validering av areal- og gyrifiseringsmålene.

 

Inter-individ registrering

For å sammenligne anatomi på tvers av individer, er det nødvendig å registrere de enkelte individenes hjernebilder til hverandre eller, enklere, til en felles hjerne («inter-subject registration»). Det siste kalles registrering til «atlas space». I FreeSurfer gjøres dette ved å registrere den rekonstruerte white matter surface til et sfærisk atlas basert på mønstre av gyri og sulci. Registrering til «atlas space» er ikke-lineær og medfører en viss grad av deformering av den opprinnelige overflaten. Denne prosessen er imidlertid invertibel/reversibel, slik at etter registrering samsvarer hvert punkt («vertex») på den registrerte overflaten med et tilsvarende punkt på den opprinnelige overflaten. Målingen av kortikal tykkelse finner sted i "native space" (dvs. på individets opprinnelige overflate uten deformering), og blir derfor ikke berørt av registreringsprosedyren. Etter registrering blir tykkelsesmålene interpolert til en oppløsning som er felles for alle individ, slik at statistiske analyser på gruppenivå er mulig. Likeledes er overflatearealet av korteks («cortical area») målt i «native space» og deretter interpolert inn i «atlas space». Til forskjell fra kortikal tykkelse, krever imidlertid analyser av overflatearal at interpoleringen bevarer det globale (og lokale) arealet, og for å oppnå dette anvendes informasjon fra registreringen av den opprinnelige overflaten til det sfæriske atlas. Ved registreringen må overflaten strekkes eller krympes på forskjellige steder, og etter interpoleringen justeres arealmålene for denne faktoren (kalles «the Jacobian»).

FreeSurfer utfører i tillegg en automatisk inndeling («parcellation») av hjernebarken basert på anatomiske landemerker (gyri og sulci), samt automatisk identifisering av a priori definerte kortikale regioner. Til dette formål brukes et av flere tilgjengelige atlas; de mest brukte er beskrevet i Desikan et al. (2006) og Destrieux et al. (2010). Disse definerer et antall kortikale regioner av interesse (ROIs/parcellations) (Figur 2), og ROI-spesifikke data på gruppenivå blir automatisk generert og lagret i en tekstfil som kan benyttes for statistiske analyser.

 

Fordeler med kortikal morfometri i FreeSurfer

Inter-subject registration i FreeSurfer (og andre SBM) gir en mer nøyaktig registrering enn hva volumetriske teknikker oppnår (Van Essen, 1998) da SBM utnytter hjernebarkens naturlige to-dimensjonale topologi. For eksempel, to punkter på overflaten av korteks kan ligge (nesten) på toppen av hver sin «nabo»-gyrus. Da ligger de rett ved siden av hverandre i et tredimensjonalt volum, men på den to-dimensjonale overflaten ligger de forholdsvis langt fra hverandre. En volumetrisk metode, som ikke ivaretar topologien til korteks, risikerer å forveksle to slike punkter på tvers av ulike individer, og dermed begå en feilregistrering.

En annen fordel er at siden registreringen i FreeSurfer skjer mot white matter surface (grensesnittet hvit/grå substans), vil den ikke bli påvirket av gråsubstansatrofi i korteks (som er vanlig ved degenerative tilstander og høy alder).

Dessuten har FreeSurfer høyere spesifisitet og sensitivitet enn volumetriske teknikker, ettersom tykkelse og overflateareal kan analyseres separat. Kortikal tykkelse og overflate er trolig styrt av ulike genetiske faktorer (Panizzon et al., 2009; Winkler et al., 2010) og utvikles uavhengig av hverandre (Brown & Jernigan, 2012). Det betyr at hvis for eksempel overflatearealet øker mens tykkelsen minker tilsvarende, så vil volumendringen være omtrent null og forbli uoppdaget med en volumetrisk tilnærming (for eksempel, se Brown & Jernigan, 2012, Figur 1-3).

 

Subkortikale hjernestrukturer (volumetri)

FreeSurfer inneholder en automatisert segmenteringsprosedyre for hjernevolumer. Denne måler volumet til subkortikale hjernestrukturer (hippocampus, thalamus, amygdala etc.), samt de ulike deler av ventrikkelsystemet og cerebellum. Det kan variere noe hvor nøyaktige disse segmenteringene er; for eksempel synes segmenteringen av thalamus, hippocampus og generelt å gi gode resultater, mens nucleus accumbens og amygdala er mer variable (Han & Fischl, 2007).

I tillegg oppgis et (indirekte) estimat av intrakranielt volum. Se mer om viktigheten av nøyaktig målet intrakranielt volum og bruke av dette i morfometri her. (kommer)

Alle subkortikale volum måles i den individuelle hjerne (i native space), selv om informasjon fra et hjerneatlas (MNI) brukes til å identifisere strukturene. Dette er en fordel sammenlignet med for eksempel VBM (se nedenfor).

 

Problemer med voxel based morphometry (VBM)

Den mest brukte teknikken for volumetrisk morfometri er VBM, en metode som undersøker regionale målinger av «grå substans tetthet» («gray matter density»). Alle enkeltbilder blir ko-registrert og deformert («warped») til et felles rom («atlas space»). Deformasjonsfeltet tolkes som endringer i grå substanstetthet i «atlas space». VBM er blitt sterkt kritisert for grunnleggende problemer ved selve fremgangsmåten, ettersom registreringsmetoden interagerer med målemetoden på en slik måte det i verste fall er umulig å skille dem fra hverandre (Bookstein, 2001).

Gitt at andre alternativer er lett tilgjengelige, er det egentlig ingen god grunn til å bruke VBM for hjernemofometri. Det eneste unntaket måtte være for å undersøke helt spesifikke problemstillinger, som andelen av grå substans i subkortikale strukturer (som thalamus).

 

Longitudinelle studier

Longitudinelle studiedesign, hvor hvert individ måles gjentatte ganger over tid, og dermed fungerer som sin egen kontroll, er uunnværlige for studiet av normal og avvikende hjerneutvikling, og progresjon av sykdomstilstander som medfører atrofi. Tverrsnittsundersøkelser vil ikke alltid kunne gi grunnlag for sikre konklusjoner om hvordan hjernestruktur endres over tid.

Den longitudinelle modulen i FreeSurfer oppretter et individuelt templat for hvert individ, der alle individets MR-bilder vektes likt for å unngå at registreringen legger uforholdsmessig stor vekt på ett måletidspunktet (typisk det første). Med dette som utgangspunkt, blir de gjenværende bildedata beregnet som i en tverrsnittsanalyse.

Statistiske analyser gjøres med «linear mixed models», som tillater design med ujevne tidsintervall mellom måletidspunktene og bortfall av data på enkelttidspunkt, hvilket muliggjør signifikanstesting av endring over tid i observasjonelle studier.

 

Å lære seg morfometri

Den som vil lære hjernemorfometri, kan oppsøke hjemmesidene til de ulike programvarepakkene og benytte seg av hjelpemidlene der (tutorials, mailing list osv.). Det arrangeres også kurs både i FreeSurfer og SPM diverse steder i utlandet. Det beste er naturligvis å oppholde seg i et miljø som har kompetanse på morfometri og lære det gjennom å jobbe med et konkret datasett under kyndig veiledning.

 

Referanser:

"Voxel-based morphometry" should not be used with imperfectly registered images
Bookstein, F. L.

Brain development during the preschool years
Brown, T. T., & Jernigan, T. L.

Cortical surface-based analysis. I. Segmentation and surface reconstruction
Dale, A. M., Fischl, B., & Sereno, M. I.

Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction - A linear-approach
Dale, A. M., & Sereno, M. I.

An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest
Desikan, R. S., Segonne, F., Fischl, B., Quinn, B. T., Dickerson, B. C., Blacker, D., Killiany, R. J.

Automatic parcellation of human cortical gyri and sulci using standard anatomical nomenclature
Destrieux, C., Fischl, B., Dale, A., & Halgren, E. (2010)

FreeSurfer.
Fischl, B. (2012)

Measuring the thickness of the human cerebral cortex from magnetic resonance images
Fischl, B., & Dale, A. M. (2000).

Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system
Fischl, B., Sereno, M. I., & Dale, A. M.

Atlas renormalization for improved brain MR image segmentation across scanner platforms. IEEE Trans Med Imaging
Han, X., & Fischl, B. (2007)

Regionally Localized Thinning of the Cerebral Cortex in Schizophrenia
Kuperberg, G. R., Broome, M. R., McGuire, P. K., David, A. S., Eddy, M., Ozawa, F.,

Distinct genetic influences on cortical surface area and cortical thickness
Panizzon, M. S., Fennema-Notestine, C., Eyler, L. T., Jernigan, T. L., Prom-Wormley, E., Neale, M.,

Regional and progressive thinning of the cortical ribbon in Huntington's disease
Rosas, H. D., Liu, A. K., Hersch, S., Glessner, M., Ferrante, R. J., Salat, D. H., Fischl, B.

Thinning of the cerebral cortex in aging
Salat, D. H., Buckner, R. L., Snyder, A. Z., Greve, D. N., Desikan, R. S., Busa, E., Fischl, B.

Cortical thickness or grey matter volume? The importance of selecting the phenotype for imaging genetics studies
Winkler, A. M., Kochunov, P., Blangero, J., Almasy, L., Zilles, K., Fox, P. T.

Til toppen

 

Gyrifisering – hjernens foldingsgrad

På fosterstadiet foldes overflaten av menneskehjernen, hjernebarken (cortex cerebri), slik at det dannes furer der gyri er toppene av foldene og sulci er bunnene i foldene. Denne prosessen ansees å være en viktig faktor for utviklingen av storhjernen i menneskets evolusjon [1]. På tvers av arter har større grad av folding av hjernebarken vist seg å være assosiert med høyere kognitive evner [2].

Hos mennesket utvikles de primære kortikale gyri først, antagelig så tidlig som i tiende svangerskapsuke, etterfulgt av sekundære og tertiære gyri senere i utviklingen [3]. De tidligste og mest fremtredende furene i hjernen er fissura longitudinalis og fissura transversalis [4]. I fjerde og femte svangerskapsmåned dukker de første identifiserbare sulci opp (olfactorius, calcarinus, parieto-occipitalis, cinguli og centralis), og flere andre sekundære og tertiære sulci følger deretter. De fleste kortikale gyri og sulci begynner å ta form i løpet av svangerskapet og fortsetter i noen grad å forstørres og modnes etter fødselen [4]. Det finnes ulike hypoteser for hva som forårsaker folding av hjernebarken (eller «gyrifisering»), inkludert mekanisk ustabilitet i vevet [5], men pr. i dag har vi ikke full oversikt over mekanismene bak gyrifiseringen [6].

Ved å studere graden av gyrifisering i hjernen kan vi bedre forstå hjernens utvikling både tidlig og sent i livet, og siden vi har relativt sikre holdepunkter for at gyrifisering starter allerede på fosterstadiet, kan avvik i gyrifisering fungere som markører for tidlig hjerneskade.

Gyrifiseringsindeks

En måte å kvantifisere graden av gyrifisering på, er å beregne en såkalt «gyrifiseringsindeks». Gyrifiseringsindeksen er, generelt (og litt upresist) uttrykt, et mål på mengden av hjernebark som er begravet i foldene i forhold til mengden av hjernebark på den ytre, synlige overflaten (hvis man tenker på den ytre overflaten som en glatt overflate som omslutter hjernen uten å gå ned i dens mange sulci - se Figur 1). En hjernebark med omfattende folding har dermed en høy gyrifiseringsindeks, mens hjernebark med begrenset folding har en lav gyrifiseringsindeks.

Tidligere ble dette kvantifisert ved manuell tegning på koronale snitt av MR-bilder. En erfaren nevroanatom tegner omrisset av den ytre og den indre overflaten, og deretter blir forholdet mellom de to overflatene beregnet. Denne tilnærmingen har en iboende svakhet i det at koronalsnittene ikke nødvendigvis er vinkelrette på hjernebarken, slik at snittvinkelen uunngåelig blir en (uberegnelig) faktor som påvirker sluttresultatet. Et annet problem er at noen sulci ikke er fullt ut synlige på MR-bildet og dermed vanskelige å inkludere.

I dag finnes det metoder for tredimensjonal rekonstruksjon av hjernebarken basert på MR-bilder, og grad av gyrifisering kvantifiseres basert på tredimensjonale modeller av hjernebark. For eksempel, i morfometriprogramvare-pakken FreeSurfer finnes det en modul som beregner en «lokal» gyrifiseringsindeks (lGI) og beskrevet her [7, 8]. For å beregne lGI benyttes den kortikale overflaten fra cortical surface reconstruction (pial surface, Figur 2, blå strek) og en glatt, ytre overflate konstrueres ved at man «lukker» pial surface (Figur 2, rød strek). lGI på et gitt punkt (vertex) på den kortikale overflaten beregnes nå som forholdet mellom en sirkulær Region-Of-Interest (ROI) på den ytre overflaten, sentrert i punktet, og den tilsvarende ROI på den indre overflaten (pial surface). Helt konkret regnes indeksen ut som ratioen av overflatearealet til ROI på pial surface over overflatearealet til ROI på den ytre overflaten. I hvert punkt på den ytre overflaten, reflekterer dermed lGI mengden av hjernebark som er begravet i sulci i det omkringliggende området. lGI er blant annet blitt brukt til å studere schizofreni [9] ,22q deletion syndrome [10] og mental retardasjon [11]. 

Referanser: 

1. Albert, M. and W.B. Huttner, Clever space saving-how the cerebral cortex folds. EMBO J, 2015. 34(14): p. 1845-7.
2. Gautam, P., et al., Relationships between cognitive function and frontal grey matter volumes and thickness in middle aged and early old-aged adults: the PATH Through Life Study. Neuroimage, 2011. 55(3): p. 845-55.
3. Rajagopalan, V., et al., Local tissue growth patterns underlying normal fetal human brain gyrification quantified in utero. J Neurosci, 2011. 31(8): p. 2878-87.
4. Chi, J.G., E.C. Dooling, and F.H. Gilles, Gyral development of the human brain. Ann Neurol, 1977. 1(1): p. 86-93.
5. Tallinen, T., et al., Gyrification from constrained cortical expansion. Proc Natl Acad Sci U S A, 2014. 111(35): p. 12667-72.
6. Fernandez, V., C. Llinares-Benadero, and V. Borrell, Cerebral cortex expansion and folding: what have we learned? EMBO J, 2016. 35(10): p. 1021-44.
7. Schaer, M., et al., A surface-based approach to quantify local cortical gyrification. IEEE Trans Med Imaging, 2008. 27(2): p. 161-70.
8. Schaer, M., et al., How to measure cortical folding from MR images: a step-by-step tutorial to compute local gyrification index. J Vis Exp, 2012(59): p. e3417.
9. Palaniyappan, L., et al., Folding of the prefrontal cortex in schizophrenia: regional differences in gyrification. Biol Psychiatry, 2011. 69(10): p. 974-9.
10. Schaer, M., et al., Congenital heart disease affects local gyrification in 22q11.2 deletion syndrome. Dev Med Child Neurol, 2009. 51(9): p. 746-53.
11. Zhang, Y., et al., Reduced Cortical Thickness in Mental Retardation. Plos One, 2011. 6(12): p. e29673.

Til toppen

 

Bulbus olfactorius avbildning

Høy-oppløselig bulbus ofactorius (lukteknoppen) MR-avbildning

Bulbus olfactorius avbildning er en del av utredning for anosmi (manglende luktesans) og hyposmi (nedsatt luktesans), men også mye brukt i forskning på luktesans.

Her er 3T protokoll for høy-oppløselig bulbus olfaktorius avbildning som benyttes ved St. Olavs hospital.

For korrekt snitt plassering bør det først tas et 3D FLAIR opptak av hjernen som legges etter anatomien (ACPC plan). 3D FLAIR volumet rekonstrueres i koronart plan med 60 snitt som starter på tuppen av frontal lappen. Rekonstruksjonen skal skje i rett vinkel (90°) og ikke etter anatomien. Legg pakken slik at lukteløkene avbildes symmetrisk. Bulbus olfactorius identifiseres i den rekonstruert koronar FLAIR volumpakke. Velg det bildet der lukteknoppen er mest tydelig og ha dette aktivt.  Framre begrensning av bulbus olfactorius starter der frontallappen starter

 

For beregning av bulbus olfactorius volum er den mest benyttede metoden beskrevet i en artikkel av Rombaux P et al. 2009. Kort oppsummert beregnes bulbus olfactorius volum ved at man tegner langs ytterkanten av bulbus I hvert snitt (se figur 4). Dette kan gjøres i ulike program som tillater manuell segmentering, også gratis program som Mango, OsiriX eller FSL. Det er lettest å benytte et tegnebrett med en penn. 

Den fremre avgrensning av bulbus olfaktorius er definert som det første snittet der strukturen sees når man beveger seg fra anteriort til posteriort i volumpakken (rekonstruert koronar FLAIR pakken). Bakre avgrensning på bulbus olfaktorius er ikke like veldefinert fordi bulbus går mer eller mindre gradvis over i tractus olfactorius.  Det varierer mye mellom personer hvor lett det er å finne overgangen mellom bulbus og tractus olfactorius.

Snittet der forskjellen på bulbus olfactorius arealet minsker mest sammenlignet med forrige snittet (snittet som er like anteriort), ansees som snittet der tractus starter.  Det er veldig varierende hovr mange snitt som har bulbus olfactroius. Med MR protokollen fra St. Olav kan det være 4-10 snitt som viser bulbus

For hvert snitt får man et areal i mm2 som multipliseres med snitt-tykkelsen.

Alle bulbus olfactorius segmenteringer må utføres to ganger, gjennomsnitt av disse to segmenteringer brukes. Hvis det er = 10% forskjell mellom volumene segmentert, må segmenteringen gjøres igjen. For ytterligere detaljer, se Rombaux P et al. 2009

Scan parametrer til bulbus olfactorius protokoll på St Olavs Hospital kan lastes ned her

Referanse:

Rombaux, P., Grandin, C. & Duprez, T. How to measure olfactory bulb volume and olfactory sulcus depth? B-ent 5 Suppl 13, 53-60 (2009).

Til toppen

 

Hippocampus segmentering

Metoder for analyser av hippocampus anatomi

Hippocampus er en struktur som er interessant å undersøke i studier som omhandler hukommelse, stedsans, aldring eller demens. Til tross for at hippocampus ser ut som en homogen struktur på T1-vektede MR bilder vet man at strukturen er meget heterogen og bestående av flere subområder. Vi vil her presentere ulike metoder man kan undersøke hippocampus og dens subområder med (figur 1).

Hvorfor segmentere hippocampus i subområder?

Volumet av hippocampus blir ofte brukt som et mål for hjernehelse, for å følge med effekt av aldring, eller risiko for demens i longitudinelle studier. For å kunne beregne volumet må man først segmentere ut strukturen. Når det gjelder sykdomsrelaterte forandringer, er volumet til hippocampus mye brukt for å montroere for eksempel behandlingsrespons for medikamenter mot Alzheimers sykdom. Et mindre volum av hippocampus er beskrevet i en rekke lidelser, blant annet schizofreni, epilepsi, depresjon, PTSD, alkoholisme, bipolar lidelse, traumatisk hjerneskade, Parkinsons sykdom og borderline personlighetsforstyrrelse

 

Segmentering av hele volumet til hippocampus

For ikke mange år siden var det vanlig å segmentere hippocampus manuelt, og dette regnes fortsatt som gullstandard. Imidlertid er dette svært tidkrevende, spesielt i større studier, og automatiske segmenteringsprosedyrer blir derfor nesten alltid brukt i nye studier. Det er beskrevet over 50 ulike prosedyrer for å segmentere hippocampus automatisk eller semiautomatisk. Disse kan grovt deles inn i atlas-basert segmentering som benytter atlas der hippocampus allerede er segmentert manuelt som mal for automatisk å segmentere et bilde, og deformasjonsbasert modeller (”deformable mesh models”) som benytter en formbar struktur som gjennom en rekke iterasjoner tilpasser seg hippocampus. De vanligste programmene er FSL (http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/) og Freesurfer (http://freesurfer.net/).

 

Segmentering av hippocampus subområder

Det er i økende grad blitt populært å undersøke ulike subområder av hippocampus. Dette fordi vi vet at en rekke ulike tilstander affiserer subområdene ulikt. Presis segmentering av subområdene vil således kunne øke sensitiviteten sammenlignet med å bruke volumet av hele hippocampus (Figur 2). Det finnes per i dag minst 3 kjente programmer for å segmentere hippocampus subområder: Freesurfer (http://freesurfer.net/), ASHS (https://www.nitrc.org/projects/ashs/) og MAGeT Brain (https://github.com/CobraLab/MAGeTbrain). For å få best segmentering er det anbefalt å benytte både et høyoppløselig T2 bilde, hvor man kan se det svarte båndet inne i hippocampus, samt et helhjerne T1 bilde (Figur 2). Freesurfer 6.0 gjør det også mulig å segmentere subområder av hippocampus basert kun på T1 bilder, men dette er ikke anbefalt, og dokumentasjonen er sparsom. I tillegg til disse programmene, som segmenterer ut volumer av de ulike subområdene, kan man benytte seg av formanalyse for å si noe om de underliggende subområdene. Et mye brukt og godt dokumentert program for dette er FIRST, en del av FSL pakken (http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/). Denne analysen bruker standard oppløselige T1 bilder der hippocampus blir segmentert som helhet, og så blir overflaten fra hvert individ registrert opp mot et templat og sammenlignet statistisk. Resultatet kan så brukes til å si noe om funksjonelle subområder i hippocampus basert på forskjeller i form, uavhengig av de mange segmenteringsprotokollene.

Utfordringer ved segmentering av subområder i hippocampus

En av hovedutfordringene ved segmentering av subområder innad i hippocampus er at det ikke er noen klar enighet om hvor grensene mellom de ulike subområdene skal gå. I en studie ble 21 protokoller for manuell segmentering sammenliknet, og man viste at det var størst forskjell mellom protokollene i forhold til grensen som ble satt mellom subområdene CA1 og subiculum (Yushkevich et al., 2015). På tvers av alle subområdene i hippocampus observerte de størst forskjeller i den fremre delen av hippocampus. Når man benytter automatisk segmentering, blir segmenteringen klart best i de midtre delene av hippocampus. Dette skyldes mest sannsynlig at de ulike subområdene danner et mer komplekst mønster i de fremre og bakre delene av hippocampus.
For i det å forta en optimal segmentering av subområdene i hippocampus  må man ha et eget høyoppløslig T2 bilde, e.g. 0.4x0.4mm og 2mm snitt. Allikevel er det vanlig å benytte segmentering av subområder i hippocampus ved å bruke for eksempel T1 bilder med ei oppløsning på 1mm3, selv om disse bildene ikke har høy nok oppløsning.

Referanser

Yushkevich, P.A., Amaral, R.S.C., Augustinack, J.C., Bender, A.R., Bernstein, J.D., Boccardi, M., Bocchetta, M., Burggren, A.C., Carr, V.A., Chakravarty, M.M., et al. (2015). Quantitative comparison of 21 protocols for labeling hippocampal subfields and parahippocampal subregions in in vivo MRI: Towards a harmonized segmentation protocol. NeuroImage 111, 526-541.

 

Til toppen

ICV korreksjon

Hvorfor korrigerer man?

I studier der man ønsker å bruke volumet av en hjernestruktur i en statistisk analyse vil det som regel være behov for å korrigere dette volumet. Hvis man for eksempel undersøker forskjeller mellom kvinner og menn eller mellom eldre og yngre personer, vil systematiske størrelsesforskjeller introdusere feil i analysene hvis man ikke korrigerer for disse. Videre tenker man seg at relative volum av hjernestrukturer er mer sensitive og valide mål på sykdomspåvirkning eller funksjon enn absolutte volum (Sanfilipo et al., 2004). Historisk sett har man brukt mange ulike mål som utgangspunkt for korrigeringen, blant annet vekt, høyde og hodestørrelse. Det mest brukte, og sannsynligvis beste målet er imidlertid intrakranielt volum, eller ICV.

Hva er ICV

Intrakranielt volum (ICV) er definert som rommet innenfor dura mater avgrenset av foramen magnum.

Både høyde, vekt og hodestørrelse er indirekte mål på hjernestørrelse og er derfor dårligere mål enn ICV. Videre ønsker man å bruke noe som ikke påvirkes av eventuell sykdom og aldring, siden denne effekten kan være av interesse i en studie. ICV er derfor et nyttig mål, siden det forholder seg relativt uendret fra sen ungdom og ut livet, uavhengig av andre faktorer. I pediatriske studier bruker man på den andre siden ofte totalt hjernevolum og ikke ICV.

Hvordan estimerer man ICV?

Mens manuell segmentering basert på MR-bilder er ansett som gullstandarden er dette en tidkrevende metode. Vi har derfor utviklet en automatisk metode for estimering av ICV (se Hansen et al., 2015 for beskrivelse).  Den automatiske metoden og manuell segmentering har vist å gi svært like ICV estimat (Hansen et al., 2015).

Hvordan korrigerer man for ICV?

Det er en rekke måter å korrigere for intrakranielt volum, de mest brukte er proporsjonsmetoden og residual/ANCOVA-metoden.

Proporsjonsmetoden

Proporsjonsmetoden utføres ved å dele et strukturelt volum på ICV, for dermed å skape en ratio eller «hjernefraksjon» (Jernigan et al., 1982). Metoden er meget populær, sannsynligvis fordi den er lett å gjennomføre og intuitiv å forstå. Det er en rekke forhold som må være oppfylt for at metoden skal kunne brukes. I praksis er disse forholdene sjeldent oppfylt, noe som introduserer feil i de korrigerte volumene (Pintzka et al., 2015).

Residualmetoden

Vi anbefaler derfor at man bruker residualmetoden (Mathalon et al., 1993), og har vist i en studie at metoden gir en bedre korrigering enn proporsjonsmetoden (Pintzka et al., 2015). Residualmetoden krever at man har en eller flere grupper med deltagere hvor ICV er relativt normalfordelt. Hvis man har data fra kun en, eller få personer må man altså benytte proporsjonsmetoden. Rent praktisk gjennomføres residualmetoden ved å regne ut regresjonslinjen mellom en struktur og ICV, og så regne ut residualene (avstanden) fra en observasjon og til regresjonslinjen. Det er flere måter man kan regne ut regresjonslinjen på. Hvis studien undersøker en frisk og syk gruppe kan man bruke regresjonslinjen fra de friske som et mål på alle. Undersøker man to friske grupper, for eksempel kvinner og menn, er det vanlig å bruke alle deltagerne når man regner ut regresjonslinjen (O'Brien et al., 2006). Ved å bruke den statistiske analysen ANCOVA er det mulig å korrigere for flere variabler enn kun ICV (for eksempel kjønn og alder). Hvis man kun bruker ICV som kovariat i en ANCOVA analyse er denne identisk med residualmetoden.

Ressurser

Her kan man laste ned et SPSS script og eksempelfil som genererer ICV-korrigerte volumer basert på residualmetoden. Den automatiske ICV estimeringsmetoden kjøres i Matlab. Matlab-skript som gjør estimeringen kan fås ved henvendelse til torgil.vangberg@uit.no.

Referanser:

Hansen, T.I., Brezova, V., Eikenes, L., Håberg, A., and Vangberg, T.R. (2015). How Does the Accuracy of Intracranial Volume Measurements Affect Normalized Brain Volumes? Sample Size Estimates Based on 966 Subjects from the HUNT MRI Cohort. American Journal of Neuroradiology. doi: 10.3174/ajnr.A4299.

Jernigan, T.L., Zatz, L.M., Moses, J.A., Jr, and Berger, P.A. (1982). Computed tomography in schizophrenics and normal volunteers: I. fluid volume. Archives of General Psychiatry 39, 765-770. doi: 10.1001/archpsyc.1982.04290070001001.

Mathalon, D.H., Sullivan, E.V., Rawles, J.M., and Pfefferbaum, A. (1993). Correction for head size in brain-imaging measurements. Psychiatry Research - Neuroimaging 50, 121-139.

O'brien, L.M., Ziegler, D.A., Deutsch, C.K., Kennedy, D.N., Goldstein, J.M., Seidman, L.J., Hodge, S., Makris, N., Caviness, V., and Frazier, J.A. (2006). Adjustment for whole brain and cranial size in volumetric brain studies: a review of common adjustment factors and statistical methods. Harvard review of psychiatry 14, 141-151.

Pintzka, C.W.S., Hansen, T.I., Evensmoen, H.R., and Håberg, A.K. (2015). Marked effects of intracranial volume correction methods on sex differences in neuroanatomical structures: a HUNT MRI study. Frontiers in Neuroscience 9, 238. doi: 10.3389/fnins.2015.00238.

Sanfilipo, M.P., Benedict, R.H., Zivadinov, R., and Bakshi, R. (2004). Correction for intracranial volume in analysis of whole brain atrophy in multiple sclerosis: the proportion vs. residual method. Neuroimage 22, 1732-1743.

Til toppen

 

Demenssykdom i primærhelsetjenesten

Mange av metodene beskrevet på nettsidene til kompetansetjenesten for funksjonell MR benyttes i hovedsak for forskning og av spesialisthelsetjenesten. I primærhelsetjenesten er det i spesielt ved utredning av demenstilstander fastlegen er forventet å kunne tolke og vurdere beskrivelse av MR-funn.

Demensdiagnose stilles i de fleste tilfeller fastlegen i samarbeid med demensteam/ demenskoordinator i helse- og omsorgstjenesten i kommunen. Innholdet i basal utredning er godt beskrevet på nettsidene til Nasjonalt senter for aldring og helse

Alle pasienter som utredes for en demenssykdom skal få utført bildediagnostikk av hjernen, fortrinnsvis MR. Dette er både for å avkrefte differensialdiagnoser som romoppfyllende prosesser eller infarkter, og for å kvantifisere substanstap i ulike deler av hjernen. Henvisning sendes lokale MR-institutt, rekvireres som «MR caput som ledd i demensutredning». I beskrivelsen man mottar vil det spesielt være to begreper bør man være kjent med.

Fazekas-skår
Hvitsubstansforandringer beskrives som Fazekas skår og skalaen går fra 0-3. Hvitsubstansforandringer på MR er vanlig hos eldre og brukes som et mål på småkarsykdom. Fazekas 1 anses som normalt hos eldre, Fazekas 2 og 3 tyder på småkarsykdom men er tilstede hos mange friske eldre. Høy Fazekas skår er en individuell prediktor for fremtidig hjernesykdom. Det er blant annet vist at 30% av velfungerende eldre personer med høy Fazekas skår utvikler betydelig nevrologisk dysfunksjon (demens, gangvansker mm) i løpet av 3 år, mot ca. 10% hos eldre med lav Fazekas skår.

 

Scheltens-skår
Scheltens-skår (også kalt medial temporal lobe atrophy / mediallappsatrofi). Dette er en skala som går fra 0 til 4 og beskriver atrofi av strukturer i mediale temporallapp, inkludert hippocampus. Hos personer under 75 år er en skår på 2 eller mer ansett som patologisk, mens for personer over 75 år anses en skår på 3 eller mer som patologisk. En høy Scheltens er veldig sensitivt for Alzheimers sykdom og er tilstede hos et overveiende flertall av pasienter med sykdommen. Høy Scheltens sees i tillegg hos en del pasienter med vaskulær demens og demens med Lewy legemer. Skåren har svært høy negativ prediktiv verdi for Alzheimers sykdom, en lav skår tyder altså på annen årsak til pasientens plager (les mer her og her).

En typisk beskrivelse av MR caput vil også inneholde begreper som «…normalt ventrikkelsystem og overflaterelieff», «hjerneparenkymet er upåfallende», «normale intrakranielle arterier», «normalt i bakre skallegrop», alle disse beskriver normale tilstander.

Der Scheltens skår som regel beskrives eksplisitt vil Fazekas ofte måtte tolkes med utgangspunkt i beskrivelsen, eksempler på dette er som følger:

Fazekas 0: «Ingen hvitsubstanslesjoner».

Fazekas 1: «I begge storhjernehemisfærer sees spredte små hvitsubstanslesjoner. Dette bedømmes å ligge innenfor normalvariasjon i aldersgruppen».

Fazekas 1-2: «I hjerneparenkymet sees flere små hvitsubstanslesjoner, antall og utbredelse av disse lesjonene bedømmes å ligge i øvre normalområde for pasientens aldersgruppe».

Fazekas 2: «Det er spredte hvitsubstanslesjoner i begge storhjernehemisfærer. Dette er dels lesjoner som er beliggende dypt i hvitsubstansen, dels periventrikulært og også enkelte lesjoner ventralt i temporallappene både på høyre og venstre side. Utbredelsen av disse forandringene er mer uttalt enn forventet i aldersgruppen».

Fazekas 3: «I begge storhjernehemisfærer sees tallrike hvitsubstans lesjoner. Lesjonene ligger fordelt dypt i hvitsubstansen og i basalgangliene. Utbredelsen av disse lesjonene er i klart større omfang enn man ville forvente ut fra pasientens alder. Lesjoner av denne typen har som regel en iskemisk etiologi i pasientens aldersgruppe».

Til toppen

 

Bruk og analyse av funksjonelle MR data

fMRI er forkortelse for funksjonell MR. Funksjonell MR er i motsetning til strukturell MR, MR metoder som avbilder fysiologiske prosesser i kroppen. I utgangpunktet kan det være alt fra blodstrøm i hjerte, diffusjon i nyre til hjerneaktivitet. Det er blitt vanlig å assosiere forkortelsen fMRI med studier av hjerneaktivitet vha. ulike MR metoder som baserer seg på å måle endringer i blodstrømmen til hjernene i forbindelse med øket aktivitet i hjerneceller. Noen skiller mellom fMRI for hjerneaktivitets avbildning, og FMRI for all annen funksjonell MR. Men dette er ikke offisielle forkortelser.

 

Bold signal

Opphavet til Blood Oxygen Level dependent (BOLD) signalet

Blood oxygen level dependent (BOLD) eller blod oksygeneringsgradsavhengig signal målt med funksjonell MR (BOLD fMRI) er det mest benyttede MR metoden for å undersøke hjerneaktivitet og hvor den er lokalisert.

Det finnes flere ulike måter å forklare BOLD signalet på, for eksempel basert på mekaniske eller fysiologisk modeller. En god forståelse av de ulike aspektene ved BOLD signalet er lettest å få med en sammensatt modell som tar i betraktning anatomiske, fysiologiske, metabolske og MR-messige forhold da alle har innflytelse på BOLD signalet. Under følger en forklaring av BOLD signalet som er basert på alle disse ulike elementene.

 

Hjernens energibehov

Hjernen er alltid aktiv, om du sover eller er våken.  I våken tilstand er det kun en liten forskjell i energibruken mellom et område som aktivt bearbeider impulser utenfra og/eller sender kommandoer med aktuelle respons, sammenliknet med et annet område som ikke et involvert i disse prosessene i akkurat det øyeblikket. Dette kommer av at hjernen har et veldig høyt generelt energiforbruk. Alle nevroner (hjernecellene) har høy aerob aktivitet med forbrenning av glukose (sukker) i sitronsyresyklusen og oksidativ fosforylering (også kalt celleånding eller respirasjon) i mitokondriene for å få ut maksimalt med ATP (adenosin trifosfat) som er cellenes energienhet. Hjernecellene bruker denne energien først og fremst til å opprettholde cellemembranpotensialet som er svært kostbart. Spesielt mye energi går til å gjenopprette det postsynaptiske cellemembranpotensialet etter aktivering med nevrotransmittere som er signalmolekylene til nevronene. Det er beregnet at ca.  80% av hjernens energi brukes til å reversere natriumione-gradientene forårsaket av aksjonspotensialer og glutaminerg nevrotransmisjon. Andre beregninger angir at 60% av hjernens energi går til prosesser som har med nevrotransmisjon og 40% til andre cellulære prosesser (vedlikehold, transport, transkripsjon etc.). Siden hjernen ikke kan lagre glukose eller oksygen, er det nødvendig med jevn høy blodtilførsel. Hjernen som utgjør 2% av kroppen, bruker ca. 20 % av oksygenet som pustes inn i forbrenningen av glukose i mitokondriene.

 

Blodforsyning til hjernen

Cirka 10 % av det intrakranielle volumet er blod. Arteriesystemet fører friskt blod til hjernen mens det venøse systemet fører blod fra hjernen (Figur 1). Kapillærsengen er overgangen mellom det tilførende arterie- og fraførende venesystemet (Figur 2), og består av et nettverk tynne blodårer som er så små at kun ett rødt blodlegeme kan passere om gangen. På grunn av de mange forgreningene av blodårer i kapillærsengen er arealet av kapillærsengen mye større enn arealet av arterie- og venesystemet. Dette gjør at blodfløden er svært lav i kapillærsengen (Figur 2 A). Kombinasjonen stort areal og tynne vegger er tenkt å optimere utvekslingen av oksygen og glukose fra blodbanen til hjernevevet.

 

Glukose transporteres inn i hjernevevet via spesifikke transportproteiner i blodhjernebarrieren, mens oksygen diffunderer passivt over blodåreveggen inn i hjernevevet langs sin egen konsentrasjonsgradient. I hjernen er det blodgjennomstrømming til enhver tid i alle blodkar, selv i de minste kapillærene. Den totale blodfløden til hjernen er nøye regulert under normale forhold (les om autoregulering om du vil vite mer) fordi det intrakranielle volumet må holdes konstant ellers vil hjernes volum bli for stort i forhold til skallen (Monroe-Kelly doktrinen). I tillegg reguleres blodfløden til kapillærsengen lokalt i forbindelse med nevronal aktivitet, dette kalles nevrogen blodfløde eller nevrovaskulær kobling (Figur 2A-D). I begge tilfeller reguleres blodfløden til hjernen ved endringer i diameteren av blodkarene på arteriesiden; de store arteriene tar seg av autroregulering og de små arteriolene den nevrovaskulær kobling. Små endringer i arteriediameter har stor påvirkning på blodfløden (blodflødeendringer er i 4. potens av karradiusen fordi Q = DP P r ⁴, der Q er blodfløde, P er trykkforskjellen fra venstre hjertekammer til venesystemet, og r er karradius).  Økning i blodfløden gir også økning i blodvolumet. Den nevrovaskulær koblingen fører til relaksasjon av muskelen i arterioleveggen som igjen gir økt blodfløde inn i kapillærsengen (Figur 2B og C). Samtidig er det også noe økning i blodvolumet.  Det er også data som tyder på at det skjer en dilatasjon av karene i kapillærsengen. Pericytter, en spesiell type sammentrekkbare celler som ligger rundt kapillærsengens og venulenes (venule= minste venene) vegger, kan trekke seg sammen eller slappe av. Dette resulterer i henholdsvis redusert eller øket diameter på det underliggende karet.  Når blodfløden og kardiameteren øker i kapillærene, vil de røde blodlegemene legge seg tett inntil hverandre og flere røde blodlegemer vil derfor befinne seg i kapillærsengen enn i hvile (Figur 2C). Det er allikevel alltid lavere tetthet av røde blodlegemer i kapillærsengen enn i andre deler av kartreet. Blodfløden er regnet for å være ulik i ulike deler av kapillærsengen, spesielt i hvile. Ved nevronal aktivitet vil blodføden bli mer lik i hele kapillærsengen og dette øker diffusjonskapasiteten for f.eks. oksygen mellom blodet og vevet rundt.

 

Etter å ha passert kapillærsengen går blodet over i venesystemet. I motsetning til arteriesystemet er veggene i venesystemet uten muskulatur. Men, det finne pericytter rundt venulene og dermed er det mulig at også venulenes utvidelse har en viss aktiv komponent, men det er ikke vist ennå. Netto resultatet av den øket blodfløden og blodvolumet igjennom kapillærsengen er en rask dilatasjon av venulen (Figur 2C).

 

Nevronal aktivitet og nevrovaskulær kobling

Et nevron aktiverer et annet nevron ved hjelp av frisetting av nevrotransmitter. Frisetting av nevrotransmitter påvirker også astrocyttene som er en funksjonell og anatomisk del av synapsen (den tripartite synapsen). Normalt er det flere enn ett nevron som aktiveres. I forbindelse med nevrotransmitterfrisetting i synapsen vil astrocytter frisette ulike produkter fra fettsyre-nedbrytingen (prostaglandiner, eikosanioder) og ioner (K⁺ og H⁺).

 

Produkter fra fettsyre-nedbrytingen fra astrocyttene er spesielt effektive til å dilatere arterioler og pericytter, og dermed øker blodfløden i kapillærsengen. Arterioler kan også dilateres via nerver som innerverer (har direkte kontroll over via neurotransmitter frisetting) arterieveggen. Det er nevroner med nevrotransmitterene GABA (gamma amino butyric acid, på norsk gammaaminosmørsyre), noradrenalin, acetykolin, serotonin eller dopamin som direkte påvirker arteriole diameteren. Glutaminerg nevronal aktivitet, som utgjør 80 % av nevrotransmitterne i hjernen, er ikke ansett å ha slik direkte effekt på blodfløden. Man regner med at glutamat påvirker kardiameteren indirekte ved å indusere for eksempel produksjon og frisetting av NO (nitrogenoksid) i andre nevroner, og via astrocytter som nevnt over. Det finnes data som tyder på at glutaminerge nevroner kan påvirke blodfløden og diameteren av karene i kapillærsengen direkte. Dette skjer via glutamats effekt på protoplasmiske astrocytter som har lange utstikkere, kalt endeføtter, som omfavner kapillærene. Når glutamat reseptorer på astrocyttene aktiveres, vil Ca²⁺ mengden øke intracellulært og føre til tilbaketrekking av astrocyttens endeføtter. Slik vil diameteren i kapillærene utvides. Dette er en veldig treg prosess og er derfor ikke regnet som like sentral som de overnevnte prosessene for øket blodfløde ved nevronal aktivitet. Avslapping av pericyttene er derimot regnet å ha stor betydning for dilatasjon av kapillærsengen og venulene. Pericytt-avslapping initieres av prostaglandiner og krever NO og er således også avhengig av astrocyttene.

 

De ulike prosessene som fører til øket blodfløde ved nevronal aktivering kalles nevrovaskulær kobling. Legg merke til at disse prosessene er direkte forårsaket av og skjer samtidig som den økte nevronale aktiviteten, dvs. nevrotransmitter frisettingen. Den økte blodfløden er altså en naturlig del av den økte nevronale aktiviteten, og ikke noe som oppstår i etterkant som et svar på den nevronale aktiviteten. På engelske kaller man dette en feedforward prosess. Det er også viktig å huske at BOLD fMRI er en indirekte metode for mål av hjerneaktivitet. Vi undersøker ikke direkte nevronal elektrisk aktivitet, men effekter av nevronal aktivitet på blodfløde, blodvolum og mengden oksygenert/deoksygert hemoglobin.

 

Den økte blodfløden fører til økt mengde oksygenerte røde blodlegemer i kapillærsengen (Figur 2B-C). Denne økningen er større enn økningen i oksygen forbruket. Dette kommer antakelig av at det kreves en stor forskjell i oksygenkonsentrasjonen mellom blodkaret og hjernevevet for at diffusjonsgradienten skal bli så stor at mer oksygen diffunderer ut til de delene av hjernevevet som ligger lengst unna blodkaret. Denne forklaringsmodellen kalles oksygen diffusjonsbegrensingsmodellen. Forskjellene i mengden oksygenert blod mellom hvile og under nevronal aktivitet er fundamentet for «blood oxygenation level dependent (BOLD) fMRI» som beskrevet av Seiji Ogawa første gang i 1990 (Figur 2A-D). Røde blodceller som har oksygen budet til hemoglobin (hemoglobin er et jernholdig protein som oksygenet fester seg til for frakt fra lungene til ulike vev i kroppen) blir også kalt oksyhemoglobin. Både oksygen og jern i hemoglobinet har uparrede elektroner, og er derfor paramagnetiske.  Når oksygen er festet til jernet i hemoglobin skjer det en endring som gjør at det netto ikke er noen uparrede elektroner, og oksyhemoglobin er derfor diamagnetisk. Paramagnetiske forbindelser, som deoksygenert hemoglobin, gir raskere T1 og T2 relaksasjon i omliggende vev. Det kalles en positiv magnetisk susceptibilitets effekt. I hvile vil det paramagnetiske deoksygenerte hemoglobinet lede til magnetisk susceptibilitetsforskjeller mellom innsiden og utsiden av blodkaret. Dette fører til tap av fasekoherens i vannprotonene i nærheten (dvs. endring av T2 relaksasjon), med kortere T2 og T2* relaksasjonstider. Når man bruker T2/T2* sekvenser, vil man kunne se defasingen som tap av MR signal. Når mengden oksyhemoglobin øker under aktivitet, vil det føre til en økning av fasekoherens og dermed høyere signal. Essensen i BOLD fMRI er lokale endinger i mengden oksygenert/deoksygnert (dvs. diamagnetisk/paramagnetisk) hemoglobin i forbindelse med nevronal aktivitet som man kan måle over tid som oftest ved å bruke T2* sekvenser.

 

Sekundært til den økte blodfløden skjer det også en økning av blod volumet (Figur 2 A-D). Volum økningen er regnet å være spesielt markert i venulen der kapillærkarene munner ut for videre oppsamling i venesystemet. I motsetning til arteriolen har ikke venulen noe ordentlig muskellag og er dermed elastisk. Derfor kan venulen passivt utvide seg når det tilføres større mengder blod enn det renner av (Figur 2C-D). Dette fenomenet er sentralt i ballong- eller blåsebelgmodellen av BOLD signalet. I denne modellen følger volumendringer på venesiden passivt og treigt de aktive endringer indusert av den nevrovasulære koblingen på arteriesiden. Når den nevronale aktiveringen stopper, vil hvileforhold med hensyn til kardiameter og oksy-/deoksyhemogobin nivå raskt re-etableres på arteriesiden og i kapillærsengen, mens det tar lengre tid før blodvolumet i den passive og elastiske venulen gjenopprettes til hviletilstand (Figur 2C-D). I ballongmodellen er BOLD signalet først og fremst drevet av passive endringer på venesiden sekundært til aktive prosesser på arteriesiden og i kapilliærsengen.

Figur 3 er en illustrasjon av et idealisert BOLD signal målt i hjernen som respons på nevronal stimulering. Figur 4 er et eksempel på BOLD signal i ett individ, og viser samme BOLD signal kurve som det idealiserte signalet i Figur 3. BOLD signalet starter på hvilenivå (engelsk baseline) (Figur 1A, 2 og 3). Ved aktivering er det helt i starten ofte beskrevet et lite signal tap, «initial dip» med 1-2 sekunders varighet (figur 2B og 3). «Initial dip» måles ikke alltid og er et omdiskutert fenomen. «Initial dip» representerer økt defasing pga. øket mengde deoksyhemoglobin. Helt i starten av nevronal aktivitet er det postulert øket oksygen ekstraksjon før blodfløde økingen er kommet skikkelig i gang (Figur 2B).  Med dilatasjon av arteriolen og økt blodfløde øker også blodvolumet, men oksygen forbruket øker ikke parallelt og derfor vil BOLD signalet øke («overshoot» fase i Figur 3). Maksimal signal økning kommer etter ca. 5-6 sekunder (Figur 3). Når den nevronale aktiviteten stopper, reduseres BOLD signalet til under tidligere hvilenivå. Dette signaltapet kalles «post-stimulus undershoot» (Figur 2D og 3). «Post-stimulus undershoot» er det minst forståtte fenomenet i BOLD signalet. De fleste bruker ballongmodellen til å forklare det. Når nevronal aktivitet stopper, vil hvile blodfløde gjenopprettes raskt på arteriesiden og i kapillærsengen. Den passive dilatasjonen av venulen gjenopprettes saktere.  Det vil derfor fylles på med mer deoksyhemoglobin i den dilatert venulen som gir en relativ lokal økning av deoksygenert hemoglobin. Den økte mengden deoksygenert hemoglobin øker defasingen og gir signaltap (Figur 2D og 3). En alternativ forklaring er at nevronene, evt. også astrocyttene, øker sin metabolske aktivitet i etterkant av aktiveringen. Den økte metabolske aktiviteten er ikke assosiert med endringer i blodtilførsel. Økt oksygenforbruket vil gi høyere deoksyhemoglobin konsentrasjon og dermed signal tap som man ser som «post-stimulus undershoot».  

 

Forholdet mellom BOLD signalet, nevronal elektrisk aktivitet, blodfløde og metabolisme

Det er korrelasjon mellom økning i BOLD signalet og det lokale feltpotensialet. Lokalt feltpotensiale er den elektriske aktiviteten som anses å oppstå fra nevronal bearbeiding av innkommende impulser uten nødvendigvis videresending av signaler til andre hjerneområder, eller ut til det perifere nervesystemet. Det er også en korrelasjon mellom BOLD signalet og flerenhetsaktivering (engelsk multiunit activity), som er et mål på at lokal bearbeiding som fører til videresending av signaler til det andre steder i det sentrale eller perifere nervesystemet, og dermed til endringer for eksempel i atferd. Korrelasjonene mellom BOLD og flerenhetsaktivering er ikke like sterk som for lokalt feltpotensiale. Videre korrelerer lokalt feltpotensiale mer uttalt med blodfløde, blodvolum og oskygenforbrenning i hjernen enn flerenhetsaktivering. At de fysiologiske prosessene som danner BOLD fMRI signalet først og fremst reflekterer lokalt feltpotensiale og dernest flerenhetsaktivering er viktig å huske på. En viktig metodesvakhet for BOLD fMRI er at det ikke er mulig å bedømme hvilke aktiveringer som er nødvendig for en prosess/atferd/oppgaveløsning, og hvilke aktiveringer som opptrer samtidig uten at de nødvendige for enderesultatet. Med god design av fMRI oppgaver kan man komme nærmere dette svaret, eller ved å benyttekombinasjonen transkraniell stimulering og BOLD fMRI.

 

MR sekvenser som er BOLD sensitive

BOLD effekten kan avbildes med ulike typer T2 og T2* vektede MR sekvenser. Andre MR metoder som er følsomme for blodfløde endringer, som for eksempel arterial spin labeling (ASL), kan også brukes til å se på hjerneaktivitet.  Det er desidert T2* vektede gradient ekko sekvenser som er mest brukt til fMRI. Dette er fordi disse sekvensene har det høyeste funksjonelle signal/støy forholdet av kommersielt tilgjengelige sekvensene. 

 

Historisk perspektiv

At det er en sammenheng mellom hjernens blodfløde, blodvolum, metabolisme og aktivitet og at den er lokalisert til de områdene som er aktive i bearbeiding har vært erkjent i over 100 år

 “…blood supply to any part of the cerebral tissue is varied in accordance with the activity of the chemical changes which underlie the functional action of that part…”                   

- Roy & Sherrington, 1890

 

“We must suppose a very delicate adjustment whereby the circulation follows the needs of the cerebral activity. Blood very likely may rush to each region of the cortex according as it is most active, but of this we know nothing.”             

- W. James, 1890

 

“… cerebral blood flow is proportional to the complexity of the cognitive task… and variability between subjects may be due to …age. . .and education..”

-  A Mosso, 1935

 

Utsyr for fMRI

Prekirurgisk fMRI

Resting state fMRI

fMRI dataanalyse

fMRI analyseprogrammer

Multivoksen mønster analyse av fMRI data

Hva er multivoksel mønster analyse (Multi-voxel pattern analysis (MVPA)) av fMRI data

Blood oxygen level dependent (BOLD) målt med funksjonell MR (BOLD fMRI) har tradisjonelt sett blitt brukt som et mål på hjerneaktivering ved å se på endring i BOLD signalet for en bestemt perseptuell, motor eller kognitiv oppgave innad i hver enkelt voksel, som typisk er fra 2-3mm³ (Univariate analyser). I senere år, har det imidlertid kommet teknikker som gjør det mulig å undersøke om en oppgave også gir opphav til unike BOLD aktiveringsmønster på tvers av vokslene, uavhengig av styrken på aktiveringen innad i hver voxel (Figur 1) (Haxby et al., 2014; Kriegeskorte and Kievit, 2013). Dette blir kalt Multi-voxel pattern analysis (MVPA). MVPA analyser gjør det mulig å avdekke hvordan hjernen representerer informasjon på tvers av ulike voxler, noe som blir ekstra viktig for BOLD fMRI siden BOLD signalet for hver enkelt voxel ofte er lavt. MVPA kan også brukes opp imot andre typer fMRI data og strukturelle MR data

Ulike tilnærminger

MVPA analysene vil typisk foregå ved å undersøke BOLD aktiveringsmønstre innenfor et forutbestemt anatomisk område i hjernen (anatomisk ROI analyse), eller for hver enkelt voksel i hjernen undersøker aktiveringsmønstre for de omkringliggende vokslene (Searchlight analyse) (Kriegeskorte et al., 2006). Hovedargumentet imot anatomisk ROI analyse er at en anatomiske ROIene ofte er for store da kun er en del av et anatomisk område er aktivt for en bestemt oppgave (Carr et al., 2010; Kriegeskorte et al., 2006; Poldrack and Mumford, 2009).

 

Multivariate noise normalization

Når man undersøker BOLD aktiveringsmønstre i hjernen så er det viktig å korrigere for kovarians mellom ulike voksler i hjernen. Slik kovarians mellom voksler kan oppstå fordi vokslene for eksempel blir forsynt og tømt av de samme blodkarene. metoden for å korrigere for slik kovarians korreksjonen blir kalt «multivariate noise normalization», og har vist å gi mer reliable MVPA resultater (Walther et al., 2016).

 

Anvendelsesområder

Per i dag brukes MVPA analyser i hovedsak til forskning, ofte som et supplement til univariate analyser i forbindelse med BOLD fMRI. Imidlertid har man i de senere år, fått eksempler på at metoden kan predikere hvem med mild kognitiv svikt (MCI) som vil utvikle Alzheimers sykdom og ikke (Klöppel et al., 2015). Forskning har også beskrevet unike mønstre på tvers av ulike voksler i hjernen for andre nevrodegenerative og psykiatriske lidelser, som Parkinson, depresjon, schizofreni, autisme, og ADHD (Arbabshirani et al., 2017). Metoden regnes derfor å ha et enormt potensial for framtidig klinisk bruk til diagnostikk og oppfølging.

 

Utfordringer ved metoden

- Krever omfattende analyse, og det finnes ennå få retningslinjer for valg av metode.

- Det finnes enda ingen programvare som ikke krever individuell tilpasning og programmeringsferdigheter.

- Resultatene kan være vanskelige å tolke. Resultatene består av ulikheten i aktiveringsmønstre mellom ulike eksperimentelle betingelser, og da kan det være vanskelig å vite hvilken av de eksperimentelle betingelsene som fører til ulikheten i aktiveringsmønstre.

- Det er viktig med et paradigme som muliggjør sammenligning mellom minst tre betingelser, siden resultatene består av ulikheten i aktiveringsmønstre mellom ulike eksperimentelle betingelser. Hvis ikke, så vil man ikke være i stand til å si noe om hvilken betingelse(s) som førte til ulikhetene i aktiveringsmønstre.

 

Programvare

• RSAtoolbox - Representational similarity analysis toolbox
• Matlab toolbox, optimalisert for bruk med SPM
• PyMVPA – Multi variate pattern analysis in Python
• Python toolbox
• TDT – The Decoding Toolbox
• Matlab toolbox, optimalisert for bruk med SPM og AFNI
• CoSmoMVPA
• Matlab toolbox

 

Referanser

Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls. Arbabshirani et al (2017)

Imaging the Human Medial Temporal Lobe with High-Resolution fMRI. Carr et al (2010)

Decoding Neural Representational Spaces Using Multivariate Pattern Analysis. Haxby (2014)

Applying Automated MR-Based Diagnostic Methods to the Memory Clinic: A Prospective Study. Klöppel et al (2015).

Information-based functional brain mapping. Kriegeskorte et al (2006)

Representational geometry: integrating cognition, computation, and the brain. Kriegeskorte et al (2013)

Independence in ROI analysis: where is the voodoo? Poldrack et al (2009).

Reliability of dissimilarity measures for multi-voxel pattern analysis. Walther et al (2016).

Til toppen

 

Optimalisering av fMRI data preprosessering

Pre-prosessering av fMRI data involverer flere steg (se «Analyse av fMRI data»). Det er potensielt sett mye å hente på å optimalisere de ulike stegene. Utfordringen er imidlertid at det ikke finnes en programvare som er best på alle stegene i preprosesseringen av fMRI data. Det ideelle for preprosesseringen vil derfor være å bruke ulike programvarer for de forskjellige stegene. Hvis man ønsker å optimalisere preprosesseringen så blir derfor løsningen en egen preprosesserings pipeline, hvor man bruker den programvarene som er optimal for hvert enkelt steg i preprosesseringen. En av de som er mest gjennomtenkt preprosesserings pipelinene er fmriprep (https://fmriprep.readthedocs.io/en/stable/index.html).  Det er derfor fmriprep som vi vil bruke som et eksempel her på hvordan preprosesseringen av fmri data kan optimaliseres.  

 

For å ekstrahere ut hjernen fra skallen bruker fmriprep først ANTs (http://stnava.github.io/ANTs/) for å lage den initielle hjerne-masken, og deretter freesurfer (https://surfer.nmr.mgh.harvard.edu/) for å optimalisere hjerne-masken.

For å registrere fMRI opptakene, med relativet lite anatomiske detaljer, til det anatomiske T1 bilde bruker fmriprep bbregister i Freesurfer samt ANTs.

Deretter gjennomføres ikke-lineær registrering av det anatomiske T1 bilde til en standard hjerne, som for eksempel MNI (Montreal Neurological Institute) hjernen som vi har brukt her, slik at det blir lettere å sammenligne resultater på tvers av ulike studier. Til dette benytter fmriprep ANTs.

Bevegelseskorreksjonen i fmriprep blir utført ved hjelp av MCFLIRT i FSL (https://fsl.fmrib.ox.ac.uk/fsl/fslwiki).

For slice-time korreksjon, korreksjon for at hvert snitt i et volum er tatt opp på litt forskjellig tid, benytter fmriprep 3dTShift fra AFNI (https://afni.nimh.nih.gov/).

 

Når pre-prosessseringen er ferdig så er data klar til å analyseres videre i programvarer som FSL, SPM, AFNI, og Brain voyager.  For å få kjørt analysene i disse programvarene så må man imidlertid kjøre fMRI analysene på en bestemt måte. For å se hvordan man kjører fMRI analysene i FSL for data som har blitt pre-prosessert i fmriprep, se http://mumfordbrainstats.tumblr.com/post/166054797696/feat-registration-workaround.

Til toppen

 

Kvalitetssikring med fantom

MR-systemkontroll med fantom

American College of Radiology (ACR) har utviklet et fantom for testing av ulike aspekter av bildekvaliteten på MR-systemer. Fantomet kommer med en veiledning for hvordan fantomopptakene skal gjøres, hvordan bildene skal vurderes, samt minstekrav for hva man kan forvente av et velfungerende MR-system.

Ulike former for teknisk svikt i MR-systemet kan redusere bildekvaliteten på måter som kan være vanskelig å oppdage på standard kliniske MR-bilder, men avsløres ved hjelp av fantomtesting. Studier med MR-avbildning bør benytte seg av jevnlig standardisert kvalitetskontroll, for eksempel med ACR fantomet, for å sikre at bildekvaliteten er sammenlignbar over tid. Dette er forskerens eneste mulighet til å overvåke systemets yteevne og rette opp i eventuelle feil mens studien pågår.

For å gjøre det litt enklere å implementere ACR fantomtesting har vi laget en norsk oppskrift med opptaksprotokoll, snittlegging, registreringsskjema og tabell med minstekrav til yteevne.

ACR-fantomet kan lånes fra St. Olavs Hospital. For å få fantomet tilsendt, send en e-post med mottakers navn, mobilnummer, adresse og utleveringssted (avd., bygg, etasje, osv.) til: Ingeborg Nakken

Linker
Norsk oppskrift

 

Kvalitetsaspekter som kan testes

Hvilke tester kan gjøres med ACR-fantomet?

ACR sin veiledning for fantomopptak foreslår måling av følgende syv kvalitetsaspekter: geometrisk nøyaktighet, romlig oppløsning, snittykkelse, snittposisjon, signalhomogenitet, grad av ghosting og evne til framstilling av lavkontrastdetaljer.

Geometrisk nøyaktighet
Ikke-lineariteter i gradientfeltene gir geometriske forvrengninger (distorsjon), og dermed feil i avlesningen og bildegjengivelsen av objektet.

 Snittykkelse og snittposisjon
Unøyaktig snittykkelse eller snittposisjon kan skyldes feil eller dårlig kalibrering av gradientsystemet eller RF-systemet. Hvilken av disse som forårsaker problemer kan man finne frem til ved feilsøking, men fantomtesten vil avdekke om det er et problem.

 Lavkontrastdetaljer og romlig oppløsning
Lavkontrastoppløsning er systemets evne til å skille områder med små kontrastsforskjeller.

Romlig oppløsning beskriver hvor små detaljer tomografen kan gjengi i et bilde, og er definert som den minste synlige avstanden mellom to punkter i et objekt.

 Signalhomogenitet
Bildesignalets ensartethet, signalhomogeniteten, reflekterer tomografens evne til å generere en konstant signalrespons over et gitt volum fra et homogent fantom. Stor variasjon i signalintensitet innenfor området antennen skal dekke er uønsket fordi det kan etterligne eller skjule patologi. En slik variasjon kan for eksempel skyldes feil på antennen, gradientspolene, eller problemer i RF-kjeden.

 Ghosting
Ghosting er feilregistrering av signal som følge av fasevariasjoner mellom de ulike fasekodingstrinn. Det oppstår altså et misforhold mellom vokselposisjon under eksitasjon og signalavlesning, for eksempel som følge av en kabel eller kobling som ikke står riktig i kontakten, feil ved fasekodingsgradienten, mottakerspolen, eller problemer i RF-kjeden.

For mer informasjon, se: http://www.acr.org

 Til toppen

 

PET-MR

PET-MR ved hjernesvulster

PET/MR av primære hjernesvulster er for øyeblikket ikke rutine ved utredning av hjernesvulster i Norge. Henvisning til PET/MR av hjernesvulster ved vårt sykehus er bare tilgjengelig for spesialister ved sykehuset etter avtale med Bildediagnostisk avdeling.

Bruk av PET/MR for hjernesvulster er mer utbredt internasjonalt, og retningslinjer fra internasjonale nukleærmedisinske organisasjoner (EANM, SNMMI, EANO og RANO) anbefaler bruk av PET sammen med MR for utredning av hjernesvulster (Law et al.). Den mest brukte PET-traceren i onkologisk nukleærmedisin, 18F-FDG (18F-Fludeoxyglucose), er mindre egnet for avbildning av hjernen da den har et naturlig høyt opptak i friskt hjernevev, som gjør det vanskeligere å identifisere patologisk opptak. I stedet brukes gjerne PET basert på aminosyre-transport for disse pasientene, da dette er overuttrykt i kreftceller og aminosyre-tracere har vist lavt naturlig opptak i normalt hjernevev (Karlberg et al.). De mest utbredte aminosyre-tracerne er 11C-MET (11C-methionin), 18F-FET (18F-fluoroethylthyrosin) og 18F-FDOPA (18F-Fluorodopa), og det pågår også forskning for nyere tracere som 18F-FACBC (Axumin/fluciclovine).

Aminosyre-PET sammen med MR kan gi ekstra informasjon om hjernetumorer som kan være nyttig for diagnostisering, behandling og oppfølging. For eksempel kan PET-bildene vise hvor hjernesvulsten er mest metabolsk aktiv, noe man kan benytte innen planlegging av biopsitaking. Ved å sikre at man tar biopsier for histologisk diagnose fra de mest aktive områdene, får man mer sikker gradering av tumorvevet, som er viktig for videre behandling av tumoren. Informasjon fra PET-bilder kan potensielt også brukes i bestemmelse av volum for reseksjon og strålebehandling.  Innen oppfølging av pasienter med hjernetumor kan aminosyre-PET bidra til å identifisere residiv sykdom, noe som være vanskelig å skille fra andre forandringer i hjernen som arrvev og ødem basert på MR-bilder alene.

Referanser:
Law et al. Joint EANM/EANO/RANO practice guidelines/SNMMI procedure standards for imaging of gliomas using PET with radiolabelled amino acids and [¹⁸F]FDG: version 1.0. Eur J Nucl Med Mol Imaging. 2019 Mar;46(3):540-557. doi: 10.1007/s00259-018-4207-9.

Karlberg et al. Diagnostic accuracy of anti-3-[¹⁸F]-FACBC PET/MRI in gliomas. Eur J Nucl Med Mol Imaging. 2024 Jan;51(2):496-509. doi: 10.1007/s00259-023-06437-4.

Til toppen

 

PET-MR ved kognitiv svikt

Demens er en klinisk diagnose som forårsaker kognitiv svikt på grunn av patologiske endringer i hjernen. Den vanligste formen for demens er Alzheimers sykdom (AD), preget av hjerneavleiringer av tau og amyloid-ß. Disse patologiske avleiringene utvikler seg i tre stadier: preklinisk, prodromal og klinisk. Preklinisk AD er definert ved tilstedeværelse av tau og amyloid-ß, men uten hukommelsesvansker. Milde hukommelsesvansker blir tydelige når sykdommen utvikler seg til prodromalt stadium. Ofte får disse pasientene diagnosen mild kognitiv svikt (MCI). MCI kan utvikle seg til klinisk AD ledsaget av mer alvorlige symptomer. Andre former for demens er vaskulær demens, Lewylegeme-demens og frontotemporal demens. Både magnetisk resonanstomografi (MR) og positronemisjonstomografi (PET) har blitt viktige modaliteter for medisinsk forskning og klinisk håndtering av kognitive svikt.

MR gir funksjonelle og strukturelle målinger, hvor den strukturelle T1-vektede sekvensen er den mest utførte skanningen for å fremstille vevsanatomi og tetthet. Andre generelle sekvenser som er relevante for AD-forskning er T2-vektede bilder, Fluid-attenuated inversion recovery (FLAIR), diffusjons-MR og funksjonell MR. Alle gir innsikt i den strukturelle helsen til hjernen ved AD ettersom de alle relaterer til tilstanden av nevrodegenerasjon. Eksempler på noen nevnte MR-sekvenser er visualisert i Figur 1, som viser de patologiske forskjellene mellom en frisk person og en pasient med AD.

MR kan som sagt gi verdifull informasjon om hjernens strukturelle integritet, mens PET-bilder gir metabolsk data om amyloid-ß og tau-avleiring basert på opptaket av det nukleære sporstoffet. Vi kan kvantifisere mengden av sporopptak i et bestemt område av hjernen, som reflekterer graden av amyloid-ß og tau-byrden.

Amyloid-ß PET ble først tilgjengelig i 2004 med introduksjonen av sporstoffet Pittsburgh Compound B (PiB). PiB var imidlertid begrenset til forskning og bestemte sykehus da den tilknyttede 11C-isotopen har en kort halveringstid (20 minutter). Andre sporstoffer er utviklet basert på 18F-isotopen (halveringstid på 110 minutter) for å håndtere dette problemet, noe som resulterte i produksjonen av Florbetapir, Florbetaben, Flutafuranol og Flutemetamol. Ved AD blir amyloid-ß PET-bilder unormale før tau-avleiringen og nevrodegenerasjonen (MR) begynner, noe som understreker dets potensial for stadiumbestemmelse i de tidlige AD-stadiene.

Utviklingen av tau PET-sporstoff begynte for alvor rundt ti år etter at PiB ble introdusert. Vi kan skille mellom første og andre generasjon av tau-sporstoffer, hvor Flortaucipir og MK-6240 er de mest brukte tau-sporstoffene i AD-forskning. Selv om alle første og andre generasjons sporstoffer er basert på 18F-isotopen, så varierer de i bindingsaffiniteter som bør vurderes for deres bruk. Likevel har tau PET-bilder et stort potensial for AD-forskning og klinisk håndtering, ettersom tau-avleiringsmønstrene er mer heterogene på tvers av individer og AD-stadier. Dette er verdifullt for spesifikke diagnostiske klassifiseringer basert på romlige tau-avleiringsmønstre.

I tillegg er hypometabolisme også et viktig kjennetegn. Nevrontap og redusert synaptisk aktivitet er assosiert med alle nevrodegenerative sykdommer, akkurat som AD. Som et resultat bruker hjernen mindre glukose for metabolisme, kalt hypometabolisme. Glukosemetabolisme kan måles ved bruk av sporstoffet Fluorodeoksyglukose (FDG), som er en glukoseanalog. AD er assosiert med spesifikke romlige FDG-mønstre, som er nyttige når man kombinerer tau- og amyloid-ß-bilder.

Å kombinere PET og MR-modaliteter har stort potensial innen forskning og medisin, for å danne en bedre forståelse og evaluering av de patofysiologiske mekanismene ved AD på tvers av stadiene. Fremtidige innsats kan føre oss til bedre diagnostiske klassifiseringer, sykdomsstadier og evalueringer av AD-prognose.

Til toppen

 

Traumatiske hjerneskader

Generelt

Traumatiske hjerneskader skyldes ytre faktorer som skader hjernen som fall-, sykkel-, bil ulykker, bruk av våpen eller annen type vold. Traumatiske hjerneskader er en hovedårsak til død og ufør i dag, særlig blant barn og unge voksne. Unge menn mellom 18 og 30 år er spesielt utsatt.

 Ved moderat og alvorlig traumatisk hjerneskade (TBI; traumatic brain injury) er CT-undersøkelse av hodet, den først undersøkelsen som gjøres tidlig etter skaden. CT tas ofte også ved milde hodeskader. Denne undersøkelsen avklarer om pasienten trenger rask kirurgisk behandling eller ikke.

 Klassifikasjon

Traumatiske hjerneskader deles inn i milde, moderate og alvorlige ved bruk av Glasgow Coma Scale (GCS) som måler bevissthetsnivå til pasienten på en skala fra 3-15.  Målekriterier omfatter verbal, motorisk og øye reaksjon på stimuli. Alvorlige hjerneskader er pasienter med GCS mindre enn 8, moderate er de med GSC mellom 9 og 12, og milde er de med GCS mellom 13 og 15. GCS har begrenset evne til å forutsi hvordan det går eller prognosen. Til dette formålet er det vanlig å bruke Extended Glasgow Outcome Scale (GOS-E) som måler rehabilitering etter skader i ulike funksjonsdomener som adferd, kognitiv og fysisk evnenivå. I følge GOS-E deles pasienter i 8 ulike kategorier (¹⁾ død, ²⁾vegetative, ³⁾ alvorlig funksjonshemming totalt avhengig i dagliglivets aktiviteter , ⁴⁾ alvorlig funksjonshemming delvis avhengig i dagliglivets aktiviteter, ⁵⁾  moderate funksjonshemming, uavhengig og kan ikke gjenoppta alle tidligere aktiviteter, delvis , ⁶⁾ moderate funksjonshemming, kan delvis gjenoppta tidligere aktiviteter, ⁷⁾ God restitusjon, men kan ha noe påvirkning i hverdagen, ⁸⁾ God restitusjon,  ikke påvirket i hverdagen

Skader og skademekanismer

Hjerneskader kan deles i fokale og diffuse hjerneskader. Fokale hjerneskader skyldes direkte mekaniske krefter mot hjernen og resulterer i skader som skallebrudd, blødning eller kontusjonsskader under skallen, i hjernehinner eller i hjernen. Symptomer ved fokale skader er relatert til det hjerneområdet som er skadet. For eksempel ved skade av Broca’s område vil språk være skadet og ved skade av motoriske områder vil motoriske evner affiseres.

 

I motsetning til fokale hjerneskader er ofte diffuse hjerneskader mindre synlige. Disse skadene er som regel multifokal i natur og omfatter større hjerneområder.

Traumatisk aksonal skade (TAI), er en slik diffus skade type. Ved TAI skades nervefibrene i hvit substans i hjernen. Denne skadetypen vises i liten grad på CT bilder av hjernen, men kan detekteres ved hjelp av ulike kliniske MR sekvenser. Flere av TAI lesjonene forsvinner imidlertid med tiden. For best mulig vurdering av skadeomfanget av TAI, er det dermed viktig å få gjort klinisk MR i den tidlige fase etter skaden. Å avklare det totale skadeomfanget av ulike typer hjerneskader etter en ulykke kan ha betydning både for prognose og planlegging av rehabilitering. Avanserte MR metoder har vist å kunne avdekke også mer subtile skader av mikrostrukturen i hjernen etter TBI, men nytteverdien og den kliniske bruken er fremdeles ikke avklart.

Som en følge av  en akutt hjerneskade kan det oppstå ytterligere skade på hjernen pga f.eks.   skader av blodårer som føre til ischemiske skader i hjernen (type av hjerneslag),  nedsatt respirasjon (dårlig pusting) som gir mangel på oksygen til hjernen (som også er en type hjerneslag), eller at det totale omfanget av hjerneskade er så stort at pasienten får hjerneødem eller hevelse i hjernen som igjen kan skade hjernen ytterligere.

 Fokale hjerneskader

Hjernekontusjon                    

Hjernelaserasjon                    

Epidural blødning                  

Subdural blødning                 

Intracerebral blødning           

Intraventrikulær blødning 

Diffuse hjerneskader

Traumatisk aksonal skader (også kalt diffus aksonal skade)           

Iskemiske hjerneskader

Hjerneødem

 

 Kliniske manifestasjoner

Traumatiske hjerneskader gir et mangfold av klinisk manifestasjoner alt fra ingen funksjonsnedsettelse til fullstendig pleietrengende. Særlig høyere kognitive funksjoner som for eksempel evne til nedsatt i hastighet på informasjonshåndtering, dårlig arbeidshukommelse og oppmerksomhet, manglende impulskontroll og planleggingsevne. Dette kan føre til at personens evne til å mestre daglige gjøremål reduseres sammenliknet med før og kan hindre retur til arbeid eller skole.

 

Kliniske avbildningsteknikker

I akutten

I akutt situasjon avvender man som regel CT for å danne et raskt bilde av skadeomfanget. Med CT kartlegges tilstedeværelse og omfang av traumatiske skader som kraniefraktur, intracerebral blødninger eller store kontusjonsskader. Ofte vil tidlig deteksjon av slike skader være avgjørende for overlevelse av pasienter.

 

Litt senere

Litt senere vil det blir tatt MR-bilder av pasienter for å danne et mer detaljert bilde av skader og for å oppdage skader som ikke er synlige på CT bilder. På St Olavs bruker man T1 (sagittal), T2 (aksial), T2* (hemosekvens aksial), FLAIR (aksial) og diffusjon (aksial).

 

Bildeillustrasjoner

 

Kontusjonsskader

Definisjon:          skader av overfladisk gråsubstans

Karakteristikk:    flekkvis overfladiske blødninger omringet av ødematøst bakgrunn

 

Traumatisk subaraknoidal blødning

Definisjon:                 Traumatisk blødning i subarakonidalt rom.

Karakteristikk:            CT:      Høyt signal

                                   FLAIR:     Høyt signal    

 

Diffus aksonal skade

Definisjon:                Traumatisk strekkskader av aksoner

Karakteristikk:           FLAIR:   Hyperintense foci

                                  DW:        Restriksjon av diffusjon (hyperintense B1000 og                                                          hypointense ADC)

Til toppen