Vurderingen af ​​diagnosen og prognosen for patienter med Alzheimers sygdom eller Parkinsons sygdom med kognitiv svækkelse ved brug af diffusions-MR

I øjeblikket diagnosticeres Alzheimers sygdom (AD) og Parkinsons sygdom (PD) hovedsageligt af neurologer baseret på kliniske symptomer. Der er dog ingen objektive kriterier tilgængelige for deres diagnose. Selvom magnetisk resonansbilleddannelse (MRI) ofte anvendes i forbindelse med klinisk vurdering, bruges billederne for det meste til at eliminere andre sygdomme i stedet for at bekræfte diagnosen. Andre billeddannelsesmetoder, såsom positionsemissionstomografi eller computertomografi, kan hjælpe med diagnosticering af AD og PD, men har skadelige virkninger på den menneskelige krop.

Diffusions-MR, og især Diffusion Tensor Imaging, anvendes ofte til evaluering af ændringer i forbindelse i centralnervesystemet. Da det er ikke-invasivt og ikke involverer stråling, er diffusions-MR egnet til at blive brugt til longitudinelle undersøgelser. Det er blevet brugt til evaluering af fibertæthed og tværsnit i mange sygdomme, herunder epilepsi, multipel sklerose og hjernetumorer, med gode resultater. Adskillige målinger kan opnås fra diffusions-MR, herunder fraktioneret anisotropi og middel, radial og aksial diffusivitet. Ændringer observeret i diffusions-MRI er relateret til ændringer i vandindhold i og uden for celler, så en stigning i diffusionskoefficienten kunne afspejle en stigning i cellemembranpermeabilitet, som kan tilskrives celledød og brud. En højere diffusionskoefficient kan være tegn på mere neuronal død. Ved hjælp af diffusionskurtosis kan investigator derfor muligvis forbedre diagnoser af PD.

Fra forskning i AD fandt efterforskeren, at diffusionskoefficienten for patienter med mild kognitiv svækkelse og AD er signifikant højere end kontrolpatienter. Efterforskeren vil udføre analyser på 90 hjerneregioner, herunder fusiform gyrus, hippocampus, parahippocampus og cingulum. De anførte regioner er blevet observeret at have forskelle i gennemsnitlig diffusivitet for AD-patienter og dem med risiko for AD sammenlignet med normale kontroller. I tidligere undersøgelser blev der observeret overlap mellem områder, hvor den gennemsnitlige diffusivitet stiger, og områder, hvor hjerneregioner skrumper, men der er flere regioner og større områder, hvor diffusionskoefficienten stiger. Derfor kan den gennemsnitlige diffusivitet være et mere passende klinisk indeks end den nuværende metode til hjernevolumen. Derudover er der en sammenhæng mellem øget middel diffusivitet og sværhedsgraden af ​​mild kognitiv svækkelse eller AD. Amyloidaflejring er i overensstemmelse med sygdomsprogression, hvilket yderligere understøtter, at middel diffusivitet kan bruges til at afspejle progressionen af ​​mild kognitiv svækkelse og AD.

Efterforskeren planlægger at bruge Compressed Sensing til at øge diffusionshastigheden MRI. Dette omfatter billedforbehandling, indhentning af Compressed Sensing-observationer, genopbygning af modellen og rekonstruktion af algoritmen. Efterforskeren planlægger også at overvinde de nuværende begrænsninger ved analyse af interesseområder. En måde at opnå dette på er voxelvis analyse, men det har begrænsninger forårsaget af normalisering af billedet til et skabelonrum og mulige problemer i traktografi forårsaget af rotation eller forvrængning af billedet. Desuden forhindrer brugen af ​​en undersøgelsesspecifik skabelon, at resultaterne er tilgængelige i Brodmann- eller Talairach-koordinater. Vigtigst er det, at voxelanalyse ikke er baseret på hjerneregioner, så det er svært at bestemme egenskaberne for hver region, og ifølge vores algoritme ville en stor mængde voxeldata i høj grad reducere opløsningen af ​​statistikken og forårsage problemer i statistisk analyse. . Derfor skal efterforskeren bruge et fælles standardrum og udvikle en passende billedbehandlingsteknik.

Efterforskeren valgte at bruge Automatic Anatomical Labeling (AAL), da dette er et almindeligt anvendt system, der bruges i neurovidenskabelig forskning. Efterforskeren bruger også Montreal Neuroscience Institute 152-skabelonen (MNI152) som standardskabelon. Ved billeddannelse og bearbejdning af hele hjernen bruger efterforskeren Affin Transformation, da dette almindeligvis bruges til MR- og diffusions-MR. Dette inkluderer Camino, FSL og SPM. Forskeren vil undersøge, hvordan aldring af en sund hjerne ændrer diffusions-MR og foretage sammenligninger mellem aldring hos mænd og kvinder.

Efterforskeren vil også bruge Deep Learning til at øge sensitiviteten og specificiteten og til at forbedre nøjagtigheden af ​​klassificering og diagnose, ved hjælp af datasætprøveallokeringsdataforbehandling og dybt neuralt netværksdesign.

Ved hjælp af AAL vil helhjerneparcellation blive udført for at opnå diffusions-MR-information af regioner i hjernen. Berørte regioner vil blive identificeret og analyseret. Forskeren håber, at diffusions-MRI ved hjælp af hele hjerneregioner kan bruges til differentialdiagnose og til at identificere regioner, der har høj korrelation med klinisk sværhedsgrad, og til nøjagtig sygdomsdiagnose og prognose, for at tjene som reference for klinikere.

Efterforskeren sigter mod at bruge diffusions-MR til at vurdere kognitiv funktion og vurdere, om den forværres hos patienter med neurodegenerative sygdomme. Derudover håber efterforskeren at bruge diffusions-MR til at bestemme sygdommens sværhedsgrad og prognose. Forværring af neurodegeneration og kognitive evner medfører øget dødelighed og dårligere livskvalitet. Forholdet mellem diffusions-MR-resultater og sygdommens sværhedsgrad kan give en objektiv metode, der gør det muligt for klinikere at diagnosticere disse sygdomme med større sikkerhed og tidligere i sygdomsdebut, før symptomerne forværres.

Undersøgelsen vil blive gennemført i tre faser over tre år. I det første år håber efterforskeren at etablere et optimalt højkvalitets billeddannelseskompressionssensorsystem og billeddatagendannelsesproces til diffusions-MR. Efterforskeren håber også at udvikle en optimal metode til hjerneparcellation og at bruge deep learning til at forbedre diagnosticering af patienter med mild kognitiv svækkelse.

I det andet år håber efterforskeren at etablere en proces til at forudsige prognosen for patienter med typisk og atypisk PD ved hjælp af dyb læring. Efterforskeren håber også at færdiggøre vores evaluering af brugen af ​​deep learning til diagnosticering af mild kognitiv svækkelse.

I det tredje år sigter investigator mod at færdiggøre udviklingen af ​​en metode til at forudsige prognosen for patienter med typisk og atypisk PD. Efterforskeren vil også etablere og færdiggøre vores metode til at bruge deep learning til at evaluere, om patienter med mild kognitiv udvikling vil udvikle AD. Endvidere vil efterforskeren færdiggøre brugergrænsefladen til billedbehandling.