Vurderingen av diagnosen og prognosen til pasienter med Alzheimers sykdom eller Parkinsons sykdom med kognitiv svikt ved bruk av diffusjons-MR

For tiden diagnostiseres Alzheimers sykdom (AD) og Parkinsons sykdom (PD) hovedsakelig av nevrologer, basert på kliniske symptomer. Det er imidlertid ingen objektive kriterier tilgjengelig for deres diagnose. Selv om magnetisk resonansavbildning (MRI) ofte brukes i forbindelse med klinisk vurdering, brukes bildene for det meste for å eliminere andre sykdommer, i stedet for å bekrefte diagnosen. Andre avbildningsmetoder, som Position Emission Tomography eller Computed Tomography, kan hjelpe til med diagnosen AD og PD, men har skadelige effekter på menneskekroppen.

Diffusjons-MR, og spesielt Diffusion Tensor Imaging, brukes ofte i evalueringen av endringer i tilkobling i sentralnervesystemet. Ettersom den er ikke-invasiv og ikke involverer stråling, er diffusjons-MR egnet til bruk for longitudinelle studier. Det har blitt brukt til evaluering av fibertetthet og tverrsnitt i mange sykdommer, inkludert epilepsi, multippel sklerose og hjernesvulster, med gode resultater. Flere målinger kan oppnås fra diffusjons-MR, inkludert fraksjonell anisotropi og gjennomsnittlig, radiell og aksial diffusivitet. Endringer observert i diffusjons-MR er relatert til endringer i vanninnhold i og utenfor cellene, så en økning i diffusjonskoeffisienten kan reflektere en økning i cellemembranpermeabiliteten, som kan tilskrives celledød og brudd. En høyere diffusjonskoeffisient kan være en indikasjon på mer nevronal død. Derfor, ved bruk av diffusjonskurtose, kan etterforskeren være i stand til å forbedre diagnoser av PD.

Fra forskning på AD fant etterforskeren at diffusjonskoeffisienten til pasienter med mild kognitiv svikt og AD er betydelig høyere enn kontrollpasienter. Etterforskeren skal utføre analyser på 90 hjerneregioner, inkludert fusiform gyrus, hippocampus, parahippocampus og cingulum. De listede regionene har blitt observert å ha forskjeller i gjennomsnittlig diffusivitet for AD-pasienter og de med risiko for AD, sammenlignet med normale kontroller. I tidligere studier ble det observert overlapp mellom områder hvor gjennomsnittlig diffusivitet øker og områder hvor hjerneregioner krymper, men det er flere regioner og større områder hvor diffusjonskoeffisienten øker. Derfor kan gjennomsnittlig diffusivitet være en mer passende klinisk indeks enn den nåværende metoden for hjernevolum. I tillegg er det en sammenheng mellom økt gjennomsnittlig diffusivitet og alvorlighetsgraden av mild kognitiv svikt eller AD. Amyloidavsetning er i samsvar med sykdomsprogresjon, noe som ytterligere støtter at gjennomsnittlig diffusivitet kan brukes til å gjenspeile progresjonen av mild kognitiv svikt og AD.

Etterforskeren planlegger å bruke Compressed Sensing for å øke hastigheten på diffusjons-MR. Dette inkluderer bildeforbehandling, innhenting av Compressed Sensing-observasjoner, gjenoppbygging av modellen og rekonstruering av algoritmen. Etterforskeren planlegger også å overvinne de nåværende begrensningene for analyse av interesseregioner. En måte å oppnå dette på er voxelvis analyse, men det har begrensninger forårsaket av normalisering av bildet til et malrom, og mulige problemer i traktografi forårsaket av rotasjon eller forvrengning av bildet. Videre forhindrer bruk av en studiespesifikk mal at resultatene blir tilgjengelige i Brodmann- eller Talairach-koordinater. Det viktigste er at voxelanalyse ikke er basert på hjerneregioner, så det er vanskelig å bestemme egenskapene til hver region, og i henhold til vår algoritme vil en stor mengde voxeldata i stor grad redusere oppløsningen av statistikken og forårsake problemer i statistisk analyse. . Derfor må etterforskeren bruke et felles standardrom og utvikle en passende bildeteknikk.

Etterforskeren valgte å bruke Automatic Anatomical Labeling (AAL), da dette er et ofte brukt system som brukes i nevrovitenskapelig forskning. Etterforskeren bruker også Montreal Neuroscience Institute 152-mal (MNI152) som standardmal. Ved avbildning og prosessering av hele hjernen bruker etterforskeren affin transformasjon, da dette ofte brukes til MR og diffusjons-MR. Dette inkluderer Camino, FSL og SPM. Etterforskeren vil studere hvordan aldring av en sunn hjerne endrer diffusjons-MR og sammenligner aldring hos menn og kvinner.

Etterforskeren vil også bruke Deep Learning for å øke sensitiviteten og spesifisiteten og for å forbedre nøyaktigheten av klassifisering og diagnose, ved hjelp av forhåndsbehandling av data for tildeling av dataprøver og design av dype nevrale nettverk.

Ved å bruke AAL vil helhjerneparsellering bli utført for å få diffusjons-MR-informasjon av regioner i hjernen. Berørte regioner vil bli identifisert og analysert. Etterforskeren håper at diffusjons-MR ved bruk av hele hjerneregioner kan brukes til differensialdiagnose og for å identifisere regioner som har høy korrelasjon med klinisk alvorlighetsgrad, og for nøyaktig sykdomsdiagnose og prognose, for å tjene som referanse for klinikere.

Etterforskeren tar sikte på å bruke diffusjons-MR for å vurdere kognitiv funksjon og evaluere om den forverres hos pasienter med nevrodegenerative sykdommer. I tillegg håper etterforskeren å bruke diffusjons-MR for å bestemme sykdommens alvorlighetsgrad og prognose. Forverring av nevrodegenerasjon og kognitiv evne gir økt dødelighet og dårligere livskvalitet. Forholdet mellom diffusjons-MR-resultater og sykdommens alvorlighetsgrad kan gi en objektiv metode som lar klinikere diagnostisere disse sykdommene med større selvtillit og tidligere i sykdomsutbruddet, før symptomene forverres.

Studiet skal gjennomføres i tre faser, over tre år. I løpet av det første året håper etterforskeren å etablere en optimal høykvalitets bildekompresjonssensor og bildedatagjenopprettingsprosess for diffusjons-MR. Etterforskeren håper også å utvikle en optimal metode for hjerneparsellering, og å bruke dyp læring for å forbedre diagnostisering av pasienter med mild kognitiv svikt.

I det andre året håper etterforskeren å etablere en prosess for å forutsi prognosen til pasienter med typisk og atypisk PD, ved hjelp av dyp læring. Etterforskeren håper også å fullføre vår evaluering av bruk av dyp læring for diagnostisering av mild kognitiv svikt.

I det tredje året tar etterforskeren sikte på å fullføre utviklingen av en metode for å forutsi prognosen til pasienter med typisk og atypisk PD. Etterforskeren vil også etablere og fullføre vår metode for å bruke dyp læring for å evaluere om pasienter med mild kognitiv utvikling vil utvikle AD. Videre vil etterforskeren fullføre brukergrensesnittet for bildebehandling.