Frontiers in Neuroanatomy

Introduktion

Magnetisk resonansdiffusionstensor-traktografi (DTT) används i stor utsträckning för att spåra neurala fibrer och analysera specifika fiberbanor. Den viktiga delen av DTT-tillämpningen in vivo är hur man ställer in intresseområdet (ROI) för DTT-analysprocessen. Många forskare har fastställt ROI baserat på den anatomiska bilden och den beräknade färgkodade fraktionella anisotropin (FA) kartan i enlighet med deras forskningsändamål, i allmänhet (Hong et al., 2009; Kim och Jang, 2013; Li et al., 2013). Även om multi-ROI-baserad analys används för dessa metoder har de en nackdel när det gäller resultatens noggrannhet på grund av en användarberoende ROI-inställning. För att övervinna denna nackdel har aktiveringsresultaten från funktionell MRT (fMRI) kombinerats med DTT-analys (Propper et al., 2010; Li et al., 2013). Detta kombinerade tillvägagångssätt ger en exakt ROI-inställning än en manuell ROI-inställning. Storleken på fMRI-aktiveringsområdena kan dock eventuellt ändras enligt det givna statistiskt signifikanta värdet och den ytterligare bildförvärvsprocessen som orsakar tidsförbrukning.

I den här studien tillämpade vi mallen för Brodmanns område (BA) för att ställa in ROI:er för noggrann DTT-analys för arcuate fasciculus (AF)-fiberbanan. Bland de många neurala fiberbanorna i den mänskliga hjärnan är AF en viktig neurala fiberbana som förbinder de frontala (Brocas) och temporala (Wernickes) områdena, och den har förknippats med språkfunktioner. Således orsakade skador på AF olika typer av språkproblem såsom konduktionsafasi och talfel (Yamada et al., 2007; Jang, 2013; Li et al., 2013). Därför blev identifiering av de anatomiska egenskaperna med dess placering av AF-fiberbanan i den normala mänskliga hjärnan eller hos patienter med afasi en viktig fråga eftersom det skulle vara till hjälp för neurovetenskapsmän eller kliniska forskare för att förutsäga neurala fibers återhämtningsstatus för afasi, och uppföljningsstudier. Dessutom är BA-mallen ett slags standardmall som visar regioner i den mänskliga hjärnbarken som är indelade i 46 områden baserat på cytoarkitektoniska egenskaper (Thottakara et al., 2006). Genom att tillämpa BA-mallens egenskaper för uppdelade cortexregioner som standard ger våra analytiska metoder en exakt och användbar ROI-inställning för DTT-studier. Dessutom genererade vi en sannolikhetskarta för fiberbanor i AF för att uppskatta fiberbanans väg i hjärnan.

Material och metoder

Subjekt

Tretton friska försökspersoner, nio män och fyra kvinnor, deltog i den här studien (högerhänta, medelålder: 38,7 ± 6,4 år, åldersintervall: 26-50 år). De hade ingen tidigare historia av neurologisk eller fysisk sjukdom. Alla deltagare genomgick en utvärdering av en radiolog och en neurolog, och de diagnostiserades som normala personer. Alla försökspersoner förstod studiens syfte och gav skriftligt informerat samtycke. Detta studieprotokoll godkändes av den lokala institutionella granskningsnämnden.

Datainsamling och analys

Diffusionstensorbildningsdata (DTI) förvärvades med hjälp av en 1,5 T MR-skanner (Gyroscan Intera, Philips Healthcare, The Best, Nederländerna) med en huvudspole med sex kanaler med fasad array-känslighetskodning (SENSE) och med hjälp av en single-shot spinecho-eko echo-planar imaging (EPI)-pulssekvens. DTI-data förvärvades med följande parametrar: repetitionstid (TR)/ekotid (TE) = 10 726/75 ms, synfält (FOV) = 221 mm, förvärvsmatris = 96 × 96, rekonstruktionsmatris = 128 × 128, skivtjocklek = 2,3 mm och SENSE-faktor = 2. Diffusionsviktning tillämpades längs 32 icke-kollinjära och icke-koplanära diffusionskänsliga gradienter med ett b-värde på 1000 s/mm2. Vi förvärvade 67 sammanhängande tvärgående skivor som täcker hela hjärnan utan skivgap, och interleaved skivförvärv tillämpades för att minimera överspelet som orsakas av att det inte finns något gap mellan skivorna.

Innan DTI-dataanalysen korrigerades effekterna av virvelströmmar och huvudrörelse genom att registrera alla DWI-bilder till icke-diffusionsvägda bilder (b-värde = 0 s/mm2) med hjälp av affin flerskalig registrering med FSL (Smith et al., 2004)1. Programvaran DTI Studio (Department of Radiology, Johns Hopkins University School of Medicine, Baltimore, MD, USA), som var fibertilldelning genom algoritmen för kontinuerlig spårning (FACT) och ett tillvägagångssätt med flera ROIs, användes för beräkning av diffusionsparameterkartor och spårning av fibrer (Wakana et al., 2004; Jiang et al., 2006). För att extrahera och utvärdera AF-fiberbanan från varje försöksperson använde vi två standard hjärnmallar , som tillhandahölls i programvaran MRIcro2. BA-mallen ger en volymmask som är uppdelad i 46 diskreta kortikala regioner som var och en representerar ett annat BA-område. Medan vi använder de fördefinierade kortikala regionerna i BA-mallen kan vi helt enkelt välja eller rita det specifika regionområdet, som är korrelerat med ursprunget för den neurala fiberbanan, för val av ROI i fiberspårningen. På detta sätt är det möjligt att minimera den felaktiga faktor som induceras av användarberoende ROI-inställning. Dessutom användes MNI T1w-mallen för normaliseringsprocessen av hjärnbilden. Alla DTI-dataset som förvärvats från MRI-skanner för varje försöksperson och beräknad FA-karta har något olika orienterings- och platsinformation. Därför kan vissa felaktiga faktorer som inducerades av olika strukturer och/eller platser mellan olika försökspersoner förhindras genom att använda hjärnans normaliseringsprocess. Dessutom är normaliseringsprocessen baserad på mallbilden för alla dataset mer användbar för att generera sannolikhetsbanekartan för fiberbanor för att bibehålla konsistensen av platserna. I den här studien analyserades AF-fiberbanan endast i den dominerande (vänstra) hemisfären från alla försökspersoner. Flödesschemat för behandlingsprocedurerna visas i figur 1A, som utfördes i följande ordning: (i) FA-kartan för försökspersonen beräknades med hjälp av programvaran DTI Studio. (ii) T1w-mallen samregistrerades till FA-kartan för varje försöksperson med hjälp av programvaran SPM8 (Wellcome Department of Cognitive Neurology, London, Storbritannien). På grund av den lilla skillnaden i bildkontrast mellan FA-kartan och T1w-mallen är det möjligt att minimera den felaktiga faktorn i samregistreringsprocessen. iii) För att utföra normaliseringsprocessen mellan BA-mallen och diffusionstensoruppsättningarna tillämpades transformationsmatrisen, som genererades i steg ii), på BA-mallen; (iv) Två ROIs ritades i Brocas område och Wernickes område baserat på den normaliserade BA-mallen, och AF-fiberbanan för varje försöksperson extraherades med följande kriterier; en voxel med FA-värdet lägre än 0.2 eller en banvinkel som är lägre än 80 grader, och (v) binära masker av den extraherade fiberbanan för varje försöksperson genererades. De binära maskerna har endast två värden; ett (voxel för lokalisering av fiberbanan) och noll (voxel för lokalisering av icke-fiberbanan). Maskerna för alla försökspersoner normaliserades med hjälp av MNI T1w-mallen från MRIcro med en affinregistrering med 12 parametrar med hjälp av den ursprungliga samregistreringsprocessens omvända transformationsmatris. Dessa normaliserade fiberbanemasker summerades och dividerades med det totala antalet försökspersoner för att generera den probabilistiska bankkartan för AF. Den probabilistiska bankkartan överlagrades på MNI T1w-mallen med en annan skala beroende på sannolikhetsvärdet för en voxel.

Figur 1. Flödesschema över dataanalysförfaranden för fastställande av ROI vid fiberspårning/probabilistisk väggenerering (A) och mätningsprocess av relativa fiberplatser (B). För mätning av den relativa lokaliseringen av arcuate fasciculus (AF) i den probabilistiska banekartan anger (a) metoden för mätning av förhållandet mellan Xa och Xb för den mediolaterala lokaliseringen och (b) metoden för mätning av förhållandet mellan Ya och Yb eller Yc för den anteroposteriora delen. Mätningsprocesserna av lokaliseringsförhållanden utfördes i Montreal Neurological Institute (MNI) T1w-mallen, som presenteras på corona radiata-platsen.

För att undersöka lokaliseringen av AF-fiberbanan på varje försöksperson mättes den relativa lokaliseringen med hjälp av det ockuperade förhållandet av AF-stråket på basis av vänster hemisfär. Mätningarna utfördes med mediolateral del och anteroposterior del med hjälp av den genererade probabilistiska banan för AF-fiberbanan på MNI T1w-mallen (figur 1B). Det mediolaterala läget mättes genom förhållandet mellan längden från den longitudinella sprickan till den mest laterala gränsen av vänster hjärnhalva (Xa) och längden från det mediala till laterala läget av den horisontella delen av AF (Xb) enligt följande: (Xa/Xb) × 100. Förhållandet mellan anteroposterior placering mättes mellan längden från den främre gränsen till den bakre gränsen (Ya) och längden från den främre till bakre gränsen av AF:s vertikala del (Yb eller Yc). Det anteroposteriora lägesförhållandet mättes separat baserat på sammanflödet av den horisontella delen (förhållandet mellan Ya och Yb) och den vertikala delen (förhållandet mellan Ya och Yc) enligt följande: (Ya/Yb) × 100 och (Ya/Yc) × 100.

Resultat

De probabilistiska bankkartorna över AF-fibertrakten för alla ämnesgrupper visas i figur 2. Färgskalans intervall anger sannolikheten för att en voxel ingår i AF-fiberbanan. I denna probabilistiska bankkarta över AF-fibrerna var det uppmätta mediolaterala lägesförhållandet 18 %. Det uppmätta förhållandet för den anteroposteriora positionen var 35 % baserat på AF-krumningspunkten. Förhållandet uppmättes med den övre delen 15 % respektive den nedre delen 20 %. Baserat på resultaten står den uppmätta mediolaterala delen av AF för 1/5 av hemisfärens totala mediolaterala längd på MNI T1w-mallen. Den uppmätta anteroposteriora delen av AF var 1/2 längd jämfört med hemisfärens totala anteroposteriora längd. Dessutom har den extraherade AF-fiberbanan som överlagrades på det tvärgående bildplanet i MNI T1w-mallen inte fullt ut visat AF-fiberbanans övergripande form på grund av den karakteristiska böjda formen hos AF-fiberbanan in vivo; Det är dock särskilt viktigt att de extraherade AF-fibrerna för varje försöksperson, som skapades med hjälp av en maskbild i analysförfarandet (figur 1), och den rekonstruerade sannolikhetskartan (figur 2) beskrev att AF-fibrerna från våra resultat var kopplade till två hjärnregioner mellan Brocas område i den nedre främre gyrus frontalis och Wernickes område i den bakre övre temporala gyrus. Dessutom visade den genererade probabilistiska bankkartan tydligt att fördelningarna av kombinerade AF-fiberbanor, som extraherades av BA-mallen för ROI-inställning från varje försöksperson, var väl lokaliserade och definierade i den mänskliga hjärnan utan några dislokationsfel.

Figur 2. De probabilistiska bankkartorna för AF-fibersystemet i flerskiktsplaceringarna. Barren i färgskalan anger de probabilistiska värdena för fiberbanan.

Diskussion

BA är väldefinierade mänskliga hjärnbarksregioner med 46 områden enligt deras unika funktioner. Många forskare har använt BA-mallen för att ange specifika platser för hjärnaktivitet i sina studier, t.ex. patienter med neurologiska sjukdomar eller behandlingsstrategier, eftersom BA differentierar regioner som inte bara är anatomiskt distinkta utan även funktionellt. Särskilt bland BA, Brocas område och Wernickes område som är sammankopplade via AF-nervfiberbanan som kröker sig runt den sylvianiska klyftan som förbinder de temporala och frontala språkområdena (Rilling et al., 2008; Jang, 2013; Tak och Jang, 2014). AF kan förväntas vara den viktigaste fiberbanan som är förknippad med språkfunktioner, och den har en distinkt form av en kurva som kombinerar olika riktningar till skillnad från andra fiberbanor som kortikospinalbanan (representativ superior-inferior fiberriktning) eller corpus callosum (representativ vänster-höger fiberriktning). Eftersom AF-fiberbanan är starkt förknippad med patienter med nedsatt språkförmåga, t.ex. afasi, är identifiering av AF-fiberbanans exakta läge av stor betydelse i det kliniska perspektivet. Många tillvägagångssätt med multimodala avbildningstekniker och/eller invasiv intraoperativ kirurgi har utförts för att hitta de neuroanatomiska egenskaperna hos AF-fibrerna och för att utvärdera den kritiska rollen för feed-forward- och återkopplingskontrollen av språkproduktionen (Duffau m.fl., 2002; Breier m.fl., 2008; Hosomi m.fl., 2009; Marchina m.fl., 2011; Zhao m.fl., 2012; Yamao m.fl., 2014). DTT-metoden, som tidigare har introducerats för att spåra neurala fiberbanor, används i stor utsträckning för att visa neurala fiberegenskaper med hjälp av beräknade diffusionsfenomen för vattenmolekylerna in vivo. Detta tillvägagångssätt är adekvat för visualisering av fiberbanan, liksom det är lätt att tillämpa. På grund av dessa egenskaper har DTT-metoden och dess tekniska utveckling gjort det möjligt att visualisera fiberbanor som är associerade med vit substans in vivo. Men även om utvärderingen av fiberbanor har gått framåt med DTT-metoden finns det fortfarande en begränsning kvar på grund av noggrannheten i ROI-inställningen i DTT.

I den här studien använde vi den icke användarberoende ROI-inställningen för DTT baserad på BA-mallen. De ROI:er som definieras från BA-mallen har en fördel när det gäller konsistensen av neurala fiberbanor i jämförelse med användarberoende ROI-inställningar. Dessutom normaliserade vi individuella AF-trakter till MNI T1w-mallen för att undersöka tendensen till AF-placering och dess probabilistiska väg i den mänskliga hjärnan. Den probabilistiska vägen kan ge en bättre uppskattning av sannolikheten för fiberbanans anslutning för en grupp av försökspersoner. Hittills har förfarandena för val av ROI för DTT-analys i allmänhet utförts med användarberoende ROI-inställning, och det kan orsaka analysfel i delar av identiteten och reproducerbarheten även om ROI:n var väldefinierad av erfarna forskare. Den övergripande föreslagna analysmetoden för spårning av neurala fibrer in vivo hos människor, som utförs med ROI-val baserat på BA-mallen, har en analytisk styrka som gör det möjligt att förvärva mer exakta fibersträckor, oavsett om användare eller forskare gör fel i ROI-inställningen eller inte. När det gäller identifiering och reproducerbarhet av resultaten kan man konstatera att det finns höga överenskommelser på grund av de två huvudsakliga analysförfarandena, t.ex. normalisering av hjärnan och utvinning av ROI-områden från BA-mallen, utan några manuella inställningar. Dessutom kan våra tillvägagångssätt lätt anpassas till analys för DTT-studier och leda till fiberanslutningsanalys av BA i andra hjärnområden exakt.

Det finns vissa begränsningar i den här studien. För det första har vi en begränsning i vårt DTT-analysförfarande på grund av beaktandet av den deterministiska algoritmen för fiberspårning. Därför tror vi att tillämpningen av andra fiberspårningsalgoritmer baserade på den probabilistiska fiberspårningsalgoritmen med BA-mall och jämförelsestudier kommer att ge mer användbar information för att utvärdera den BA-mallbaserade ROI-inställningen i kliniska undersökningar. För det andra, när det gäller rekryteringen av försökspersoner, ansåg vi endast normala försökspersoner med relativt låga populationer. I den framtida studien, med ett stort antal försökspersoner och/eller patienter som hade sjukdomar i AF-fiberbanan kommer att delta, tror vi att resultaten också ger mer tillförlitlighet.

Slutningsvis visade vi AF-fiberspårning med BA-mallen för ROI-val och dess probabilistiska väg i den mänskliga hjärnan. Vi tror att våra föreslagna analytiska metoder är tillräckligt utvidgade till andra DTT-studier för ROI-inställning, och dessa kan tillhandahållas korrekt information om neurala fiberbanor och kliniska forskningsmiljöer.

Författarbidrag

D-HL, D-WL och B-SH utformade och koordinerade studien. D-HL och B-SH förvärvade data. D-HL och D-WL analyserade data. D-HL utarbetade manuskriptet. B-SH handledde studien.

Intressekonfliktförklaring

Författarna förklarar att forskningen utfördes i avsaknad av kommersiella eller ekonomiska relationer som skulle kunna tolkas som en potentiell intressekonflikt.

Abkortningar

BA, Brodmanns område; ROI, region av intresse; AF, arcuate fasciculus; DTT, diffusion tensor tractography; DTI, diffusion tensor imaging; MNI, Montreal Neurological Institute; FA, fractional anisotropy.

Fotnoter

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