De beoordeling van de diagnose en prognose van patiënten met de ziekte van Alzheimer of de ziekte van Parkinson met cognitieve stoornissen door middel van diffusie-MRI

Momenteel worden de ziekte van Alzheimer (AD) en de ziekte van Parkinson (PD) voornamelijk door neurologen gediagnosticeerd op basis van klinische symptomen. Er zijn echter geen objectieve criteria beschikbaar voor hun diagnose. Hoewel magnetische resonantiebeeldvorming (MRI) vaak wordt gebruikt in combinatie met klinisch oordeel, worden de beelden meestal gebruikt om andere ziekten te elimineren, in plaats van om de diagnose te bevestigen. Andere beeldvormingsmethoden, zoals positie-emissietomografie of computertomografie, kunnen helpen bij de diagnose van AD en PD, maar hebben schadelijke effecten op het menselijk lichaam.

Diffusie-MRI, en in het bijzonder Diffusie-tensorbeeldvorming, wordt vaak gebruikt bij de evaluatie van veranderingen in connectiviteit in het centrale zenuwstelsel. Omdat het niet-invasief is en er geen straling aan te pas komt, is diffusie-MRI geschikt voor longitudinaal onderzoek. Het is gebruikt voor de evaluatie van vezeldichtheid en dwarsdoorsnede bij veel ziekten, waaronder epilepsie, multiple sclerose en hersentumoren, met goede resultaten. Met diffusie-MRI kunnen verschillende metingen worden verkregen, waaronder fractionele anisotropie en gemiddelde, radiale en axiale diffusie. Veranderingen waargenomen in diffusie-MRI houden verband met veranderingen in het watergehalte binnen en buiten cellen, dus een toename van de diffusiecoëfficiënt kan een weerspiegeling zijn van een toename van de permeabiliteit van de celmembraan, wat kan worden toegeschreven aan celdood en scheuren. Een hogere diffusiecoëfficiënt kan wijzen op meer neuronale dood. Daarom kan de onderzoeker met behulp van diffusie-kurtosis mogelijk de diagnose van PD verbeteren.

Uit onderzoek naar AD ontdekte de onderzoeker dat de diffusiecoëfficiënt van patiënten met milde cognitieve stoornissen en AD significant hoger is dan die van controlepatiënten. De onderzoeker zal analyses uitvoeren op 90 hersengebieden, waaronder de spoelvormige gyrus, hippocampus, parahippocampus en cingulum. Van de vermelde regio's is waargenomen dat ze verschillen hebben in gemiddelde diffusie voor AD-patiënten en degenen die risico lopen op AD, in vergelijking met normale controles. In eerdere studies werden overlappingen waargenomen tussen gebieden waar de gemiddelde diffusie toeneemt en gebieden waar hersengebieden krimpen, maar er zijn meer gebieden en grotere gebieden waar de diffusiecoëfficiënt toeneemt. Daarom kan de gemiddelde diffusie een geschiktere klinische index zijn dan de huidige methode van hersenvolume. Bovendien is er een correlatie tussen verhoogde gemiddelde diffusie en de ernst van milde cognitieve stoornissen of AD. Afzetting van amyloïde is consistent met de progressie van de ziekte, wat verder ondersteunt dat gemiddelde diffusie kan worden gebruikt om de progressie van milde cognitieve stoornissen en AD weer te geven.

De onderzoeker is van plan Compressed Sensing te gebruiken om de snelheid van diffusie-MRI te verhogen. Dit omvat het voorbewerken van afbeeldingen, het verkrijgen van Compressed Sensing-waarnemingen, het opnieuw opbouwen van het model en het reconstrueren van het algoritme. De onderzoeker is ook van plan de huidige beperkingen van analyse van interessegebieden te overwinnen. Een manier om dit te bereiken is door voxelgewijze analyse, maar het heeft beperkingen veroorzaakt door normalisatie van het beeld naar een sjabloonruimte, en mogelijke problemen in tractografie veroorzaakt door rotatie of vervorming van het beeld. Bovendien voorkomt het gebruik van een studiespecifiek sjabloon dat de resultaten beschikbaar zijn in Brodmann- of Talairach-coördinaten. Het belangrijkste is dat voxelanalyse niet gebaseerd is op hersenregio's, dus het is moeilijk om de eigenschappen van elke regio te bepalen, en volgens ons algoritme zou een grote hoeveelheid voxelgegevens de resolutie van de statistieken aanzienlijk verminderen en problemen veroorzaken bij statistische analyse. . Daarom moet de onderzoeker een gemeenschappelijke standaardruimte gebruiken en een geschikte beeldvormende techniek ontwikkelen.

De onderzoeker koos ervoor om Automatic Anatomical Labeling (AAL) te gebruiken, omdat dit een veelgebruikt systeem is dat wordt gebruikt in neurowetenschappelijk onderzoek. De onderzoeker gebruikt ook het Montreal Neuroscience Institute 152-sjabloon (MNI152) als standaardsjabloon. Bij de beeldvorming en verwerking van de hele hersenen gebruikt de onderzoeker affiene transformatie, zoals dit vaak wordt gebruikt voor MRI en diffusie-MRI. Dit omvat Camino, FSL en SPM. De onderzoeker gaat bestuderen hoe de veroudering van gezonde hersenen de diffusie-MRI verandert en vergelijkingen maken tussen veroudering bij mannen en vrouwen.

De onderzoeker zal ook Deep Learning gebruiken om de gevoeligheid en specificiteit te vergroten en om de nauwkeurigheid van classificatie en diagnose te verbeteren, door voorverwerking van dataset-steekproeftoewijzing en diep neuraal netwerkontwerp.

Met behulp van AAL zal pakketlatie van het hele brein worden uitgevoerd om diffusie-MRI-informatie van regio's in de hersenen te verkrijgen. Getroffen regio's zullen worden geïdentificeerd en geanalyseerd. De onderzoeker hoopt dat diffusie-MRI met behulp van hele hersengebieden kan worden gebruikt voor differentiële diagnose en voor het identificeren van regio's die een hoge correlatie hebben met de klinische ernst, en voor nauwkeurige ziektediagnose en -prognose, om als referentie voor clinici te dienen.

De onderzoeker wil diffusie-MRI gebruiken om de cognitieve functie te beoordelen en te evalueren of deze verslechtert bij patiënten met neurodegeneratieve ziekten. Bovendien hoopt de onderzoeker diffusie-MRI te gebruiken om de ernst van de ziekte en de prognose te bepalen. Verslechtering van neurodegeneratie en cognitief vermogen leidt tot verhoogde mortaliteit en slechtere kwaliteit van leven. De relatie tussen diffusie-MRI-resultaten en de ernst van de ziekte kan een objectieve methode bieden waarmee clinici deze ziekten met meer vertrouwen kunnen diagnosticeren en eerder bij het begin van de ziekte, voordat de symptomen verergeren.

Het onderzoek zal in drie fasen, verspreid over drie jaar, worden afgerond. In het eerste jaar hoopt de onderzoeker een optimaal beeldvormend compressiedetectieschema van hoge kwaliteit en een herstelproces voor beeldgegevens voor diffusie-MRI tot stand te brengen. De onderzoeker hoopt ook een optimale methode voor hersenverkaveling te ontwikkelen en deep learning te gebruiken om de diagnose van patiënten met milde cognitieve stoornissen te verbeteren.

In het tweede jaar hoopt de onderzoeker een proces op te zetten voor het voorspellen van de prognose van patiënten met typische en atypische PD, met behulp van deep learning. De onderzoeker hoopt ook onze evaluatie van het gebruik van diep leren voor de diagnose van milde cognitieve stoornissen te voltooien.

In het derde jaar streeft de onderzoeker ernaar de ontwikkeling van een methode voor het voorspellen van de prognose van patiënten met typische en atypische Parkinson af te ronden. De onderzoeker zal ook onze methode voor het gebruik van deep learning vaststellen en voltooien om te evalueren of patiënten met milde cognitieve ontwikkeling AD zullen ontwikkelen. Verder vult de onderzoeker de gebruikersinterface voor beeldverwerking in.