Alzheimerin tautia tai Parkinsonin tautia sairastavien potilaiden diagnoosin ja ennusteen arviointi diffuusiomagneettikuvauksen avulla

Tällä hetkellä Alzheimerin taudin (AD) ja Parkinsonin taudin (PD) diagnoosit tekevät pääasiassa neurologit kliinisten oireiden perusteella. Niiden diagnoosille ei kuitenkaan ole saatavilla objektiivisia kriteerejä. Vaikka magneettikuvausta (MRI) käytetään usein kliinisen arvioinnin yhteydessä, kuvia käytetään enimmäkseen muiden sairauksien poistamiseen diagnoosin vahvistamisen sijaan. Muut kuvantamismenetelmät, kuten sijaintiemissiotomografia tai tietokonetomografia, voivat auttaa AD:n ja PD:n diagnosoinnissa, mutta niillä on haitallisia vaikutuksia ihmiskehoon.

Diffuusio-MRI:tä ja erityisesti diffuusiotensorikuvausta käytetään usein keskushermoston yhteyksien muutosten arvioinnissa. Diffuusio-MRI soveltuu pitkittäistutkimuksiin, koska se on ei-invasiivinen eikä sisällä säteilyä. Sitä on käytetty kuitutiheyden ja poikkileikkauksen arvioinnissa monissa sairauksissa, kuten epilepsiassa, multippeliskleroosissa ja aivokasvaimissa, hyvin tuloksin. Diffuusio-MRI:stä voidaan saada useita mittauksia, mukaan lukien fraktionaalinen anisotropia ja keskimääräinen, radiaalinen ja aksiaalinen diffuusio. Diffuusio-MRI:ssä havaitut muutokset liittyvät vesipitoisuuden muutoksiin solujen sisällä ja ulkopuolella, joten diffuusiokertoimen kasvu saattaa heijastaa solukalvon läpäisevyyden lisääntymistä, mikä voi johtua solukuolemasta ja repeytymisestä. Korkeampi diffuusiokerroin voi olla osoitus hermosolujen lisääntyneestä kuolemasta. Siksi tutkija voi parantaa PD-diagnoosia käyttämällä diffuusiokurtoosia.

AD-tutkimuksesta tutkija havaitsi, että lievää kognitiivista vajaatoimintaa ja AD:tä sairastavien potilaiden diffuusiokerroin on merkittävästi korkeampi kuin kontrollipotilaiden. Tutkija suorittaa analyysin 90 aivoalueelle, mukaan lukien fusiform gyrus, hippokampus, parahippocampus ja cingulum. Luetteloilla alueilla on havaittu olevan eroja AD-potilaiden ja AD-riskissä olevien potilaiden keskimääräisessä diffuusiossa verrattuna normaaleihin kontrolleihin. Aiemmissa tutkimuksissa havaittiin päällekkäisyyksiä alueiden välillä, joissa keskimääräinen diffuusio kasvaa, ja alueiden, joilla aivoalueet kutistuvat, mutta on enemmän alueita ja suurempia alueita, joilla diffuusiokerroin kasvaa. Siksi keskimääräinen diffuusio voi olla sopivampi kliininen indeksi kuin nykyinen aivotilavuuden menetelmä. Lisäksi lisääntyneen keskimääräisen diffuusion ja lievän kognitiivisen vajaatoiminnan tai AD:n vakavuuden välillä on korrelaatio. Amyloidikertymä on yhdenmukainen taudin etenemisen kanssa, mikä tukee edelleen sitä, että keskimääräistä diffuusiota voidaan käyttää kuvaamaan lievän kognitiivisen heikentymisen ja AD:n etenemistä.

Tutkija aikoo käyttää Compressed Sensing -tekniikkaa diffuusio-MRI:n nopeuden lisäämiseen. Tämä sisältää kuvan esikäsittelyn, Compressed Sensing -havaintojen hankinnan, mallin uudelleenrakentamisen ja algoritmin rekonstruoinnin. Tutkija aikoo myös voittaa kiinnostavan alueen analyysin nykyiset rajoitukset. Yksi tapa saavuttaa tämä on vokselianalyysi, mutta sillä on rajoituksia, jotka johtuvat kuvan normalisoinnista mallitilaan ja mahdollisista traktografian ongelmista, jotka aiheutuvat kuvan pyörimisestä tai vääristymisestä. Lisäksi tutkimuskohtaisen mallin käyttö estää tuloksia saamasta Brodmannin tai Talairachin koordinaatteina. Mikä tärkeintä, vokselianalyysi ei perustu aivoalueisiin, joten kunkin alueen ominaisuuksia on vaikea määrittää, ja algoritmimme mukaan suuri määrä vokselidataa heikentäisi huomattavasti tilastojen resoluutiota ja aiheuttaisi ongelmia tilastoanalyysissä. . Siksi tutkijan on käytettävä yhteistä standardiavaruutta ja kehitettävä sopiva kuvantamistekniikka.

Tutkija valitsee automaattisen anatomisen merkinnän (AAL), koska tämä on yleisesti käytetty järjestelmä neurotieteen tutkimuksessa. Tutkija käyttää myös Montreal Neuroscience Institute 152 -mallia (MNI152) vakiomallina. Koko aivojen kuvantamisessa ja prosessoinnissa tutkija käyttää affiinitransformaatiota, koska sitä käytetään yleisesti magneettikuvauksessa ja diffuusio-MRI:ssä. Tämä sisältää Camino, FSL ja SPM. Tutkija tutkii, kuinka terveiden aivojen ikääntyminen muuttaa diffuusio-MRI:tä ja vertailee miesten ja naisten ikääntymistä.

Tutkija käyttää Deep Learningiä myös lisätäkseen herkkyyttä ja spesifisyyttä sekä parantaakseen luokituksen ja diagnoosin tarkkuutta datajoukkonäytteiden allokoinnin tietojen esikäsittelyn ja syvän neuroverkon suunnittelun avulla.

AAL:n avulla suoritetaan koko aivojen lohkominen aivojen alueiden diffuusio-MRI-tietojen saamiseksi. Vaikutusalueet tunnistetaan ja analysoidaan. Tutkija toivoo, että kokonaisia ​​aivoalueita käyttävää diffuusio-MRI:tä voidaan käyttää erotusdiagnoosissa ja kliinisen vaikeusasteen kanssa korkealla korrelaatiolla olevien alueiden tunnistamisessa sekä tarkassa sairauden diagnoosissa ja ennusteessa kliinikoiden referenssinä.

Tutkija pyrkii diffuusio-MRI:n avulla arvioimaan kognitiivisia toimintoja ja arvioimaan sen heikkenemistä potilailla, joilla on neurodegeneratiivisia sairauksia. Lisäksi tutkija toivoo voivansa käyttää diffuusio-MRI:tä taudin vakavuuden ja ennusteen määrittämiseen. Hermoston rappeutumisen ja kognitiivisten kykyjen heikkeneminen lisää kuolleisuutta ja heikentää elämänlaatua. Diffuusio-MRI-tulosten ja taudin vaikeusasteen välinen suhde voi tarjota objektiivisen menetelmän, jonka avulla kliinikot voivat diagnosoida nämä sairaudet varmemmin ja aikaisemmin taudin alkaessa ennen oireiden pahenemista.

Tutkimus valmistuu kolmessa vaiheessa, kolmen vuoden aikana. Ensimmäisenä vuonna tutkija toivoo saavansa aikaan optimaalisen korkealaatuisen kuvantamisen kompression tunnistusjärjestelmän ja kuvatietojen palautusprosessin diffuusio-MRI:tä varten. Tutkija toivoo myös kehittävänsä optimaalisen menetelmän aivojen ryhmittelyyn ja hyödyntävänsä syväoppimista lievää kognitiivista vajaatoimintaa sairastavien potilaiden diagnoosin parantamiseksi.

Toisena vuonna tutkija toivoo saavansa aikaan prosessin ennustaakseen tyypillistä ja epätyypillistä PD-potilaiden ennustetta syväoppimisen avulla. Tutkija toivoo myös saavansa päätökseen arviomme syvän oppimisen käytöstä lievän kognitiivisen vajaatoiminnan diagnosoinnissa.

Kolmantena vuonna tutkijan tavoitteena on saattaa päätökseen menetelmän kehittäminen tyypillisen ja epätyypillisen PD:n potilaiden ennusteen ennustamiseksi. Tutkija myös laatii ja täydentää menetelmämme käyttää syväoppimista arvioidaksemme, kehittyykö potilailla, joilla on lievä kognitiivinen kehitys, AD. Lisäksi tutkija täydentää käyttöliittymän kuvankäsittelyä varten.