Bedömningen av diagnos och prognos för patienter med Alzheimers sjukdom eller Parkinsons sjukdom med kognitiv funktionsnedsättning genom att använda diffusions-MR

För närvarande diagnostiseras Alzheimers sjukdom (AD) och Parkinsons sjukdom (PD) främst av neurologer, baserat på kliniska symtom. Det finns dock inga objektiva kriterier tillgängliga för deras diagnos. Även om magnetisk resonanstomografi (MRT) ofta används i samband med klinisk bedömning, används bilderna mest för att eliminera andra sjukdomar, snarare än för att bekräfta diagnosen. Andra avbildningsmetoder, såsom Position Emission Tomography eller Computed Tomography, kan hjälpa till vid diagnosen AD och PD, men har skadliga effekter på människokroppen.

Diffusions-MR, och i synnerhet Diffusion Tensor Imaging, används ofta för att utvärdera förändringar i anslutningsmöjligheter i det centrala nervsystemet. Eftersom den är icke-invasiv och inte involverar strålning är diffusions-MR lämplig att användas för longitudinella studier. Det har använts för utvärdering av fiberdensitet och tvärsnitt i många sjukdomar, inklusive epilepsi, multipel skleros och hjärntumörer, med goda resultat. Flera mätningar kan erhållas från diffusions-MR, inklusive fraktionerad anisotropi och medel, radiell och axiell diffusivitet. Förändringar som observerats i diffusions-MRT är relaterade till förändringar i vatteninnehåll inuti och utanför cellerna, så en ökning av diffusionskoefficienten kan återspegla en ökning av cellmembranpermeabiliteten, vilket kan tillskrivas celldöd och rupturering. En högre diffusionskoefficient kan tyda på mer neuronal död. Därför kan utredaren med hjälp av diffusionskurtosis förbättra diagnoserna av PD.

Från forskning om AD fann utredaren att diffusionskoefficienten för patienter med mild kognitiv funktionsnedsättning och AD är signifikant högre än kontrollpatienter. Utredaren kommer att utföra analys på 90 hjärnregioner, inklusive fusiform gyrus, hippocampus, parahippocampus och cingulum. De listade regionerna har observerats ha skillnader i genomsnittlig diffusivitet för AD-patienter och de som löper risk för AD, jämfört med normala kontroller. I tidigare studier observerades överlappningar mellan områden där medeldiffusionsförmågan ökar och områden där hjärnregioner krymper, men det finns fler regioner och större områden där diffusionskoefficienten ökar. Därför kan den genomsnittliga diffusiviteten vara ett mer lämpligt kliniskt index än den nuvarande metoden för hjärnvolym. Dessutom finns det ett samband mellan ökad genomsnittlig diffusivitet och svårighetsgraden av mild kognitiv funktionsnedsättning eller AD. Amyloidavsättning överensstämmer med sjukdomsprogression, vilket ytterligare stöder att medeldiffusivitet kan användas för att återspegla progressionen av mild kognitiv funktionsnedsättning och AD.

Utredaren planerar att använda Compressed Sensing för att öka hastigheten på diffusions-MR. Detta inkluderar bildförbehandling, inhämtning av Compressed Sensing-observationer, återuppbyggnad av modellen och rekonstruktion av algoritmen. Utredaren planerar också att övervinna de nuvarande begränsningarna för analys av intresseområden. Ett sätt att uppnå detta är genom voxelvis analys, men det har begränsningar orsakade av normalisering av bilden till ett mallutrymme och möjliga problem i traktografi orsakade av rotation eller förvrängning av bilden. Dessutom förhindrar användningen av en studiespecifik mall att resultaten blir tillgängliga i Brodmann- eller Talairach-koordinater. Viktigast är att voxelanalys inte är baserad på hjärnregioner, så det är svårt att bestämma egenskaperna för varje region, och enligt vår algoritm skulle en stor mängd voxeldata kraftigt minska upplösningen av statistiken och orsaka problem i statistisk analys . Därför måste utredaren använda ett gemensamt standardutrymme och utveckla en lämplig avbildningsteknik.

Utredaren valde att använda Automatic Anatomical Labeling (AAL), eftersom detta är ett vanligt använt system som används inom neurovetenskaplig forskning. Utredaren använder också Montreal Neuroscience Institute 152-mall (MNI152) som standardmall. Vid avbildning och bearbetning av hela hjärnan använder utredaren affin transformation, eftersom detta vanligtvis används för MRT och diffusions-MR. Detta inkluderar Camino, FSL och SPM. Utredaren kommer att studera hur åldrandet av en frisk hjärna förändrar diffusions-MR och göra jämförelser mellan åldrande hos män och kvinnor.

Utredaren kommer också att använda Deep Learning för att öka känsligheten och specificiteten och för att förbättra noggrannheten i klassificering och diagnos, genom förbearbetning av datauppsättningsprovallokering och design av djupa neurala nätverk.

Med hjälp av AAL kommer helhjärna-parcellation att utföras för att erhålla diffusions-MRI-information av regioner i hjärnan. Berörda regioner kommer att identifieras och analyseras. Utredaren hoppas att diffusions-MR med användning av hela hjärnregioner kan användas för differentialdiagnos och för att identifiera regioner som har hög korrelation med klinisk svårighetsgrad, och för korrekt sjukdomsdiagnostik och prognos, för att fungera som referens för läkare.

Utredaren syftar till att använda diffusions-MR för att bedöma kognitiv funktion och utvärdera om den försämras hos patienter med neurodegenerativa sjukdomar. Dessutom hoppas utredaren kunna använda diffusions-MR för att fastställa sjukdomens svårighetsgrad och prognos. Försämring av neurodegeneration och kognitiv förmåga medför ökad dödlighet och sämre livskvalitet. Sambandet mellan diffusions-MR-resultat och sjukdomens svårighetsgrad kan ge en objektiv metod som gör det möjligt för läkare att diagnostisera dessa sjukdomar med större säkerhet och tidigare i sjukdomsdebut, innan symtomen förvärras.

Studien kommer att genomföras i tre etapper, under tre år. Under det första året hoppas utredaren kunna etablera ett optimalt högkvalitativt kompressionsavkänningsschema för bildbehandling och bilddataåterställningsprocess för diffusions-MR. Utredaren hoppas också kunna utveckla en optimal metod för hjärnparcellering, och att använda djupinlärning för att förbättra diagnosen av patienter med lindrig kognitiv funktionsnedsättning.

Under det andra året hoppas utredaren kunna etablera en process för att förutsäga prognosen för patienter med typisk och atypisk PD, med hjälp av djupinlärning. Utredaren hoppas också kunna slutföra vår utvärdering av att använda djupinlärning för diagnos av mild kognitiv funktionsnedsättning.

Under det tredje året siktar utredaren på att slutföra utvecklingen av en metod för att förutsäga prognosen för patienter med typisk och atypisk PD. Utredaren kommer också att etablera och komplettera vår metod för att använda djupinlärning för att utvärdera om patienter med mild kognitiv utveckling kommer att utveckla AD. Vidare kommer utredaren att färdigställa användargränssnittet för bildbehandling.