Vi anbefaler at du alltid bruker siste versjon av nettleseren din.
logo St. Olavs hospital

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.

Et nærbilde av en persons ansikt

Figure 1: Eksempel på hvitsubstansskjelett laget med TBSS algoritme. (fornix: rød og parahippocampus: blå) (Bilde fra [14])

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.

En gruppe fargerike objekter

Figure 2: Eksempel av 18 hvite substansbaner hos et barn, laget med Tracula. (Bilde fra [8])

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
Sist oppdatert 12.11.2024