Frontiers in Neuroanatomy

Introduction

Magneettisen resonanssin diffuusiotensor-traktografiaa (DTT) käytetään laajalti hermosäikeiden kuitujen jäljittämiseen ja spesifisten kuitujatkumoiden analysointiin. Tärkeä osa DTT-sovellusta in vivo on se, miten asetetaan kiinnostuksen kohdealue (ROI) DTT-analyysiprosessia varten. Monet tutkijat ovat asettaneet ROI:t anatomisen kuvan ja lasketun värikoodatun fraktionaalisen anisotropian (FA) kartan perusteella yleensä tutkimustarkoituksensa mukaisesti (Hong et al., 2009; Kim ja Jang, 2013; Li et al., 2013). Vaikka näissä lähestymistavoissa käytetään useisiin ROI:hin perustuvaa analyysia, niillä on haittapuoli tulosten tarkkuuden suhteen, koska ROI-asetukset riippuvat käyttäjästä. Tämän epäkohdan poistamiseksi toiminnallisen magneettikuvauksen (fMRI) aktivaatiotulokset on yhdistetty DTT-analyysiin (Propper et al., 2010; Li et al., 2013). Tämä yhdistelmämenetelmä tarjoaa tarkemman ROI-asetuksen kuin manuaalinen ROI-asetus. Kuitenkin fMRI-aktivointialueiden kokoja voitaisiin mahdollisesti muuttaa annetun tilastollisesti merkitsevän arvon ja ylimääräisen kuvien hankintaprosessin mukaan, mikä aiheuttaa ajankulutusta.

Tässä tutkimuksessa käytimme Brodmannin alueen (BA) mallia ROI: n asettamiseksi tarkkaa DTT-analyysiä varten arcuate fasciculus (AF) -kuituradan osalta. Ihmisen aivojen monista hermokuituradoista AF on tärkeä hermokuiturata, joka yhdistää frontaaliset (Brocan) ja temporaaliset (Wernicken) alueet, ja se on liitetty kielellisiin toimintoihin. Niinpä AF:n vauriot aiheuttivat erityyppisiä kieliongelmia, kuten johtamisafasiaa ja puhehäiriöitä (Yamada et al., 2007; Jang, 2013; Li et al., 2013). Siksi AF-kuitukanavan anatomisten ominaisuuksien ja sen sijainnin tunnistaminen normaaleissa ihmisaivoissa tai afasiapotilailla on tullut tärkeäksi kysymykseksi, koska siitä olisi hyötyä neurotieteilijöille tai kliinisille tutkijoille ennustamaan hermokuitujen palautumistilaa afasiassa ja seurantatutkimuksissa. Lisäksi BA-malli on eräänlainen standardimalli, joka osoittaa ihmisen aivokuoren alueet, jotka on jaettu 46 alueeseen sytoarkkitehtuuristen piirteiden perusteella (Thottakara et al., 2006). Soveltamalla BA-mallin ominaisuuksia jaetuille aivokuoren alueille standardina analyyttiset lähestymistapamme tarjoavat tarkan ja hyödyllisen ROI-asetuksen DTT-tutkimuksia varten. Lisäksi tuotimme AF: n kuitupolun todennäköisyyskartan kuitupolun reitin arvioimiseksi aivoissa.

Materiaalit ja menetelmät

Koehenkilöt

Tähän tutkimukseen osallistui kolmetoista tervettä koehenkilöä, yhdeksän miestä ja neljä naista (oikeakätinen, keski-ikä: 38.7 ± 6.4 vuotta, ikäalue: 26-50 vuotta). Heillä ei ollut aiempia neurologisia tai fyysisiä sairauksia. Kaikki osallistujat arvioitiin radiologin ja neurologin toimesta, ja heidän diagnoosinsa oli normaali. Kaikki tutkittavat ymmärsivät tutkimuksen tarkoituksen ja antoivat kirjallisen tietoon perustuvan suostumuksen. Tämä tutkimusprotokolla hyväksyttiin paikallisessa institutionaalisessa arviointilautakunnassa.

Tietojen hankinta ja analysointi

Diffuusiotensorikuvantamistiedot (DTI) hankittiin 1,5 T MR-skannerilla (Gyroscan Intera, Philips Healthcare, The Best, Alankomaat), jossa oli kuusikanavainen vaiheistettu array-herkkyyskoodauskela (SENSE), jossa käytettiin kertakäyttöistä spin echo -kaikukerroskaiku-epäterävyyskuvantamispulssisekvenssiä (EPI). DTI-tiedot hankittiin seuraavilla parametreilla: toistoaika (TR)/kaikuaika (TE) = 10 726/75 ms, näkökenttä (FOV) = 221 mm, hankintamatriisi = 96 × 96, rekonstruktiomatriisi = 128 × 128, viipaleen paksuus = 2,3 mm ja SENSE-kerroin = 2. Diffuusiopainotusta käytettiin 32 ei-kollineaarista ja ei-koplanaarista diffuusioherkistävää gradienttia pitkin b-arvolla 1000 s/mm2. Otimme 67 vierekkäistä poikittaista viipaletta, jotka kattoivat koko aivot ilman viipaleiden välisiä aukkoja, ja limittäistä viipalehankintaa sovellettiin, jotta minimoitiin ristikkäisviestintä, joka aiheutui siitä, että viipaleiden välillä ei ollut aukkoja.

Ennen DTI-tietojen analysointia pyörrevirtojen ja pään liikkeen vaikutukset korjattiin rekisteröimällä kaikki DWI-kuvat muihin kuin diffuusiopainotettuihin kuviin (b-arvo = 0 s/mm2) käyttämällä affiinista moniulotteista rekisteröintiä FSL-menetelmää käyttäen (Smith et al., 2004)1 . Diffuusioparametrikarttojen laskemiseen ja kuitujen seurantaan käytettiin DTI Studio -ohjelmistoa (Department of Radiology, Johns Hopkins University School of Medicine, Baltimore, MD, USA), joka oli kuitujen osoittaminen jatkuvalla seuranta-algoritmilla (FACT) ja usean ROI:n lähestymistavalla (Wakana et al., 2004; Jiang et al., 2006). AF-kuituradan poimimiseksi ja arvioimiseksi kustakin koehenkilöstä käytimme kahta vakioaivomallia , jotka tarjottiin MRIcro-ohjelmistossa2. BA-malli tarjoaa tilavuusmaskin, joka on jaettu 46 erilliseen kortikaalialueeseen, joista kukin edustaa eri BA-aluetta. Vaikka käytämme BA-mallissa ennalta määriteltyjä kortikaalisia alueita, voimme yksinkertaisesti valita tai piirtää tietyn alueen alueen, joka korreloi hermokuituradan alkuperän kanssa, ROI:n valintaa varten kuitujen seurannassa. Tällä tavoin on mahdollista minimoida virheellinen tekijä, joka aiheutuu käyttäjästä riippuvaisesta ROI-asetuksesta. Lisäksi aivokuvien normalisointiprosessissa käytettiin MNI T1w -mallia. Kaikilla magneettikuvauslaitteesta hankituilla DTI-tietoaineistoilla jokaisesta koehenkilöstä ja lasketulla FA-kartalla on hieman erilaiset orientaatio- ja sijaintitiedot. Siksi jotkut virheelliset tekijät, jotka johtuvat eri rakenteista ja/tai sijainneista eri koehenkilöiden välillä, voidaan estää käyttämällä aivojen normalisointiprosessia. Lisäksi kaikkien tietokokonaisuuksien mallikuvaan perustuva normalisointiprosessi on hyödyllisempi kuituradan todennäköisyyspolkukartan luomisessa sijainnin johdonmukaisuuden säilyttämiseksi. Tässä tutkimuksessa AF-kuiturataa analysoitiin vain kaikkien koehenkilöiden hallitsevassa (vasemmassa) aivopuoliskossa. Käsittelymenetelmien vuokaavio oli esitetty kuvassa 1A, joka suoritettiin seuraavissa järjestyksissä: (i) Koehenkilön FA-kartta laskettiin DTI Studio -ohjelmistolla; ii) T1w-malli yhteisrekisteröitiin kunkin koehenkilön FA-karttaan SPM8-ohjelmistolla (Wellcome Department of Cognitive Neurology, Lontoo, Yhdistynyt kuningaskunta). Koska FA-kartan ja T1w-mallin välinen kuvakontrastiero on pieni, on mahdollista minimoida virheellinen tekijä yhteisrekisteröintiprosessissa. iii) BA-mallin ja diffuusiotensoridatan välisen normalisointiprosessin suorittamiseksi BA-malliin sovellettiin vaiheessa ii) luotua muunnosmatriisia; (iv) Brocan alueelle ja Wernicken alueelle piirrettiin kaksi ROI:ta normalisoidun BA-mallin perusteella, ja kunkin koehenkilön AF-kuiturata poimittiin seuraavilla kriteereillä; vokseli, jonka FA-arvo on pienempi kuin 0.2 tai liikeradan kulma alle 80 astetta; ja v) luotiin binäärimaskit poimitusta kuituradasta kullekin koehenkilölle. Binäärimaskilla on vain kaksi arvoa; yksi (vokselit, jotka osoittavat kuituradan sijainnin) ja nolla (vokselit, jotka eivät osoita kuituradan sijaintia). Kaikkien koehenkilöiden maskit normalisoitiin käyttämällä MNI T1w -mallia MRIcrosta 12 parametrin affiinisella rekisteröinnillä käyttäen alkuperäisen yhteisrekisteröintiprosessin käänteismuunnosmatriisia. Nämä normalisoidut kuituteiden maskit laskettiin yhteen ja jaettiin koehenkilöiden kokonaismäärällä AF:n probabilistisen reittikartan luomiseksi. Probabilistinen polkukartta asetettiin MNI T1w -mallin päälle eri mittakaavassa vokselin todennäköisyysarvon mukaan.

KUVIO 1. AF:n probabilistinen polkukartta. Virtauskaavio data-analyysimenettelyistä ROI:n asettamiseksi kuitujen seurannassa/probabilistisen polun luomisessa (A) ja suhteellisten kuitujen sijaintien mittausprosessi (B). Arcuate fasciculuksen (AF) suhteellisen sijainnin mittauksessa probabilistisessa polkukartassa (a) ilmaisee mediolateraalisen sijaintisuhteen mittausmenetelmän Xa:n ja Xb:n välillä ja (b) ilmaisee anteroposteriorisen osuuden mittausmenetelmän Ya:n ja Yb:n tai Yc:n välillä. Sijaintisuhteiden mittausprosessit suoritettiin Montrealin neurologisen instituutin (MNI) T1w-mallissa, joka on esitetty corona radiata -paikannuksessa.

Kunkin koehenkilön AF-kuitupolun radan sijainnin tutkimiseksi suhteellinen sijainti mitattiin AF-radan miehitetyllä suhdeluvulla vasemman aivopuoliskon perusteella. Mittausprosessit suoritettiin mediolateraalisella osalla ja anteroposteriorisella osalla käyttäen MNI T1w -mallilla luotua AF-kuituradan probabilistista polkua (kuva 1B). Mediolateraalinen sijainti mitattiin pituussuuntaisesta halkiosta vasemman aivopuoliskon lateraalisimpaan rajaan ulottuvan pituuden (Xa) ja AF:n horisontaalisen osan mediaalisesta lateraaliseen sijaintiin ulottuvan pituuden (Xb) välisen suhteen avulla seuraavasti: (Xa/Xb) × 100. Anteroposteriorinen sijaintisuhde mitattiin AF:n vertikaalisen osan etummaisen rajan ja takimmaisen rajan välisen pituuden (Ya) ja AF:n vertikaalisen osan etummaisen ja takimmaisen rajan välisen pituuden (Yb tai Yc) välillä. Tarkempi anteroposteriorinen sijaintisuhde mitattiin erikseen horisontaalisen osan (Ya:n ja Yb:n välinen suhde) ja vertikaalisen osan (Ya:n ja Yc:n välinen suhde) yhtymäkohdan perusteella seuraavasti: (Ya/Yb) × 100 ja (Ya/Yc) × 100.

Tulokset

Kuvassa 2 on esitetty AF-kuitujatkumoradan todennäköisyyskartat kaikkien koeryhmien osalta. Väriasteikkoalue ilmaisee sen todennäköisyyden, että vokseli on osa AF-kuiturataa. Tässä AF-kuituradan probabilistisessa polkukartassa mitattu mediolateraalinen sijaintisuhde oli 18 %. Mitattu anteroposteriorisen sijainnin suhde oli 35 % AF-käyristymispisteen perusteella. Suhde mitattiin yläosalla 15 % ja alaosalla 20 %. Tulosten perusteella AF:n mitatun mediolateraalisen osuuden osuus MNI T1w -mallissa on 1/5 hemisfäärin mediolateraalisesta kokonaispituudesta. AF:n mitattu anteroposteriorinen osuus oli 1/2 pituudesta verrattuna hemisfäärin anteroposterioriseen kokonaispituuteen. Lisäksi MNI T1w -mallin poikittaisen kuvatason päälle asetetusta uutetusta AF-kuitukanavasta ei saatu täysin näkyviin AF-kuitukanavan rakenteen kokonaismuotoa, koska in vivo AF-kuitukanavalle on ominaista kaareva muoto; Kuitenkin erityisesti kunkin kohteen uutettu AF-kuitureitti, joka luotiin maskikuvalla analyysimenettelyssä (kuva 1), ja rekonstruoitu todennäköisyyskartta (kuva 2) kuvasivat, että tuloksistamme saatu AF-kuitureitti liitettiin kahteen aivoalueeseen Brocan alueen välillä alemmassa frontaalisessa hyrrassa ja Wernicken alueella takimmaisessa ylemmässä temporaalisessa hyrrassa. Lisäksi luotu probabilistinen polkukartta osoitti selvästi, että yhdistetyn AF-kuituradan jakaumat, jotka uutettiin BA-mallin avulla ROI:n asettamista varten kustakin aiheesta, sijaitsivat ja määriteltiin hyvin ihmisaivoissa ilman siirtymävirheitä.

Kuvio 2. Yhdistetyn AF-kuituradan jakaumat. AF-kuitujatkumon todennäköisyyteen perustuvat polkukartat monileikkauspaikoissa. Väriasteikollinen palkki osoittaa kuitupolun todennäköisyysarvot.

Keskustelu

BA on hyvin määritelty ihmisen aivokuoren alueet 46 alueesta niiden ainutlaatuisten toimintojen mukaan. Monet tutkijat ovat käyttäneet BA-mallia osoittamaan erityisiä aivotoiminnan sijainteja tutkimuksissaan, kuten neurologisia sairauksia sairastavilla potilailla tai hoitostrategioissa, koska BA erottaa alueet paitsi anatomisesti erillisiksi myös toiminnallisesti. Erityisesti BA:n joukossa ovat Brocan alue ja Wernicken alue, jotka ovat yhteydessä toisiinsa AF-neuraalisen kuitukanavan kautta, joka kaartuu sylvian fissuuren ympärille ja joka yhdistää temporaaliset ja frontaaliset kielialueet (Rilling et al., 2008; Jang, 2013; Tak ja Jang, 2014). AF: n voitaisiin olettaa olevan tärkein kielellisiin toimintoihin liittyvä kuituraita, ja sillä on selkeä käyrän muoto yhdistettynä eri suuntiin toisin kuin muilla kuituraiteilla, kuten kortikospinaaliradalla (edustava superior-inferior-kuitusuunta) tai corpus callosumilla (edustava vasen-oikea kuitusuunta). Koska AF-kuitujakso liittyy voimakkaasti potilaisiin, joiden kielelliset taidot, kuten afasia, ovat heikentyneet, AF-kuitujakson tarkan sijainnin tunnistaminen on merkittävä kliininen näkökohta. Monia lähestymistapoja multimodaalisilla kuvantamistekniikoilla ja/tai invasiivisella intraoperatiivisella kirurgialla on tehty AF-kuitujakson neuroanatomisten ominaisuuksien löytämiseksi ja sen kriittisen roolin arvioimiseksi kielentuotannon feed-forward- ja feedback-ohjauksen kannalta (Duffau et al., 2002; Breier et al., 2008; Hosomi et al., 2009; Marchina et al., 2011; Zhao et al., 2012; Yamao et al., 2014). DTT-menetelmää, joka on aiemmin otettu käyttöön hermosäikeiden radan seuraamiseksi, käytetään laajalti hermosäikeiden ominaisuuksien osoittamiseen in vivo -vesimolekyylien laskettujen diffuusioilmiöiden avulla. Tämä lähestymistapa on riittävä kuituradan visualisointiin sekä helppo soveltaa. Näiden ominaisuuksien ansiosta DTT-menetelmä ja sen tekninen kehitys mahdollistivat valkeaan aineeseen liittyvien kuituratojen visualisoinnin in vivo. Vaikka kuituratojen arvioinnissa edistyttiin DTT-menetelmällä, rajoituksena on kuitenkin edelleen ROI-asetuksen tarkkuus DTT:ssä.

Tässä tutkimuksessa käytimme DTT:ssä BA-malliin perustuvaa ROI-asetusta, joka ei ole käyttäjästä riippuvainen. BA-mallin perusteella määritellyillä ROI-alueilla on etu hermokuituradan johdonmukaisuuden kannalta verrattuna käyttäjästä riippuviin ROI-asetuksiin. Lisäksi normalisoimme yksittäisen AF-radan MNI T1w -malliin tutkiaksemme AF-sijainnin taipumusta ja sen todennäköistä reittiä ihmisen aivoissa. Probabilistinen polku voisi tarjota paremman arvion kuituradan yhteystodennäköisyyksistä koehenkilöryhmälle. Tähän asti DTT-analyysin ROI-valintamenettelyt on yleensä suoritettu käyttäjästä riippuvaisella ROI-asetuksella, ja se voi aiheuttaa analyyttisiä virheitä osissa identiteettiä ja toistettavuutta, vaikka kokeneet tutkijat määrittelivät ROI:n hyvin. Erityisesti ehdotettu yleinen analyysimenetelmä in vivo -ihmisen hermokuitujen seurantaa varten, joka suoritetaan BA-malliin perustuvalla ROI-valinnalla, on analyyttinen vahvuus, joka mahdollistaa tarkempien kuituratojen hankkimisen riippumatta käyttäjien tai tutkijoiden tekemien ROI-asetusvirheiden kontaminaatiosta. Tulosten tunnistettavuuden ja toistettavuuden kannalta voidaan todeta, että kahden tärkeimmän analyysimenettelyn, kuten aivojen normalisoinnin ja ROI-alueen uuttamisen BA-mallista ilman manuaalisia asetuksia, ansiosta sopimukset ovat korkeat. Lisäksi lähestymistapojamme voitaisiin helposti mukauttaa DTT-tutkimusten analysointiin ja johtaa BA: n kuitukytkentäanalyysiin muilla aivoalueilla tarkasti.

Tässä tutkimuksessa on joitakin rajoituksia. Ensinnäkin meillä on DTT-analyysimenettelymme rajoitus, joka johtuu deterministisen kuidunseuranta-algoritmin huomioon ottamisesta. Siksi uskomme, että muiden kuituseuranta-algoritmien soveltaminen, jotka perustuvat todennäköisyyteen perustuvaan kuituseuranta-algoritmiin BA-mallin ja vertailututkimusten kanssa, antaa hyödyllisempää tietoa BA-malliin perustuvan ROI-asetuksen arvioimiseksi kliinisissä tutkimuksissa. Toiseksi, koehenkilöiden rekrytoinnissa otimme huomioon vain normaalit koehenkilöt, joiden väestömäärä on suhteellisen pieni. Tulevassa tutkimuksessa, johon osallistuu suuri määrä aiheita ja / tai potilaita, joilla oli sairauksia AF-kuituradalla, uskomme, että tulokset antavat myös enemmän luotettavuutta.

Johtopäätöksenä osoitimme AF-kuitujen seurannan BA-mallin avulla ROI-valintaa varten ja sen probabilistisen polun ihmisen aivoissa. Uskomme, että ehdotetut analyyttiset lähestymistapamme laajennetaan riittävästi muihin DTT-tutkimuksiin ROI-asetuksia varten, ja näille voidaan antaa tarkkoja hermokuituradan tietoja ja kliinisiä tutkimusasetuksia.

Author Contributions

D-HL, D-WL ja B-SH suunnittelivat ja koordinoivat tutkimusta. D-HL ja B-SH hankkivat tiedot. D-HL ja D-WL analysoivat tiedot. D-HL laati käsikirjoituksen. B-SH ohjasi tutkimusta.

Erittely eturistiriidoista

Tekijät ilmoittavat, että tutkimus tehtiin ilman kaupallisia tai taloudellisia suhteita, jotka voitaisiin tulkita mahdolliseksi eturistiriidaksi.

Lyhenteet

BA, Brodmannin alue; ROI, region of interest; AF, arcuate fasciculus; DTT, diffuusiotensorinen traktografia; DTI, diffuusiotensorikuvaus; MNI, Montrealin neurologinen instituutti; FA, fraktionaalinen anisotropia.

Footnotes

1. ^ www.fmrib.ox.ac.uk/fsl, Analysis Group, FMRIB, Oxford, UK.
2. ^ www.mricro.com, Chris Rorden, CA, USA.