Protocolo para analizar Diffusion Tensor Imaging (DTI) del cerebro humano

Equation Chapter 1 Section 1 Proyecto Fin de Máster Ingeniería de Telecomunicación PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Autor: Ana María Escorza Aguilar Tutor: Rafael Estepa Alonso Co-tutor: José Luís Cantero Dep. Ingeniería Telemática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2016 iii Proyecto Fin de Máster Ingeniería de Telecomunicación PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Autor: Ana María Escorza Aguilar Tutor: Rafael Estepa Alonso Co-tutor: José Luis Cantero Dep. de Ingeniería Telemática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2016 v Proyecto Fin de Máster: PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Autor: Ana María Escorza Aguilar Tutor: Rafael Estepa Alonso El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2016 El Secretario del Tribunal vii No hay peor ciego que el que no quiere ver. Agradecimientos Después de recorrer un duro camino, a lo largo del cual he tenido la oportunidad de madurar y adquirir una formación necesaria, aquí me veo escribiendo los agradecimientos en mi proyecto fin de máster. En general, agradecer a todos los que directa o indirectamente han contribuido en este trabajo. En especial a mi tutor , Dr. Rafael Estepa Alonso, por darme la oportunidad para trabajar en este campo. Su influencia ha sido importante para la elaboración de este trabajo. Dar las gracias a José Luís Cantero por abrirme las puertas de su laboratorio y por su ayuda prestada. Gracias por su paciencia, objetividad y rigor científico en el esclarecimiento de mis dudas y la dedicación ofrecida para llevar todo este estudio a buen puerto. He de agradecer también a la Dra. Mercedes Atienza por su ayuda adicional en el mismo y su gran corazón. También reconocer a los componentes del equipo que han trabajado conmigo porque me hicieron sentirme integrada desde el primer día, y me prestaron una mano amiga siempre que lo necesité. Finalmente y no menos importante a mi familia: mi padre, mi madre y mi hermana. Siempre han sido y serán un pilar fundamental en mi vida. Os quiero. Ana María Escorza Aguilar Sevilla, 2016 ix FIG. 35 - Media y error estándar de SSE en resultados adquiridos en 3T 55 xvii Notación ∎ Como queríamos demostrar e.o.c. En cualquier otro caso SNR Relación señal a ruido MSE Error cuadrado mínimo RM Resonancia magnética IRM Imagen de resonancia magnética DTI Imagen de tensor en difusión RF Radiofrecuencia TR Tiempo de repetición TE Tiempo de eco T1 Relajación longitudinal T2 Relajación transversal DWI Imagen potenciada en difusión SB Sustancia blanca HARDI Imagen potenciada en difusión con alta definición angular CSD Imagen de espectro de difusión QBI Imagen Q-Ball PAS-MRI Estructura de persistencia angular IRM SG Sustancia Gris FA Anisotropía fraccional TAC Tomografía axial SE Secuencia espín eco EPI Imagen eco planar GRE Eco de gradiente ADC Coeficiente de difusión aparente AP Anterior-posterior PA Posterior-anterior SSE Suma de los errores de los residuos al cuadrado FOV Región de interés OLLS Mínimos cuadrados ordinarios WLLS Mínimos cuadrados ponderados NLLS Mínimos cuadrados no lineal RESTORE Estimación robusta de tensores por rechazo de valores atípicos IVIM Movimiento coherente intra vóxel 1 Introducción 2 1 INTRODUCCIÓN l cerebro humano representa el sistema de computación biológica más avanzado que existe en la naturaleza. En esta estructura residen gran parte de las funciones sensoriales, motoras y cognitivas superiores que permiten al organismo adaptarse a las demandas del ambiente [1]. Su elegante organización, diversidad celular, sorprendente capacidad de conectividad y extraordinaria variedad de códigos neurales, convierten al cerebro en un inevitable objeto de estudio para entender funciones cognitivas extremadamente complejas como la memoria, el lenguaje o la inteligencia. Está constituido por dos tipos de sustancia: la sustancia blanca (SB) y sustancia gris (SG). Históricamente, como la SG está asociada con el procesamiento y el conocimiento de la información, ha tenido un papel más relevante en el estudio del cerebro. Esto es debido a que se pensaba que el cerebro estaba formado por estructuras modulares que funcionaban de forma aislada entre sí. Motivo por el que durante mucho tiempo la SB ha estado olvidada para la neurociencia. Sin embargo, hoy en día toma gran relevancia debido al paradigma reticular en neurociencia cognitiva. Según este paradigma, el cerebro no está formado por estructuras modulares sino por redes neuronales distribuidas que conectan diferentes regiones y las integran en redes funcionales amplias. Dentro de este contexto la SB es la responsable de la interconexión y velocidad, luego, participa en dos características funcionales y estructurales básicas del cerebro según este último paradigma. Aunque, la SB no interviene directamente en el proceso cognitivo en sí (como la SG) desempeña su función haciendo posible que las distintas regiones cerebrales implicadas en la cognición se mantengan conectadas y que la información fluya a una velocidad adecuada. Por esto, las alteraciones de la sustancia blanca pueden ocasionar variaciones en las funciones cognitivas como la atención, la memoria, o el lenguaje, en definitiva, para cualquier proceso cognitivo. Estas alteraciones pueden deberse al deterioro propio y normal de la edad o a cualquier patología que afecte al cerebro como Ictus, tumores o enfermedades neurodegenerativas. Gran parte del avance en el conocimiento de la conectividad cerebral y de su funcionamiento en redes neuronales distribuidas ha venido de la mano de la neuroimagen, más concretamente del desarrollo de técnicas de resonancia magnética potenciada en difusión que nos permite estudiar las propiedades de la sustancia blanca y la conectividad cerebral. Esta técnica se beneficia del movimiento aleatorio de las moléculas de agua. Estas moléculas presentan diferencias en sus desplazamientos en los distintos tejidos, dependiendo de su interacción con las membranas celulares y con otras macromoléculas. Este fenómeno se denomina difusión anisotrópica, es decir, el desplazamiento de dichas moléculas en el interior de los tejidos, y es lo de lo que se nutren las técnicas en resonancia magnética ponderadas en difusión para proporcionar el contraste en las imágenes. E "La ciencia no es un lujo, es la clave del éxito de un país" - Daniel Zajfman - 3 3 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO En el caso del cerebro, la dirección del movimiento viene determinada por el sentido en que se agrupan las fibras de SB. Esto dicho de otro modo, quiere decir que las fibras nerviosas o SB actúan como carreteras por las que viaja el agua, y con las imágenes potenciadas en difusión (DWI, diffusion weighted imaging) podemos captar dicho viaje, luego, si durante la observación comprobamos que el agua viaja en una misma dirección constante, deducimos que lo hace recorriendo una carretera que constituirá un tracto, y esto nos permite conocer los tractos dentro del cerebro y dibujar un mapa de fibras [2]. Llevado a una situación patológica, cuando observamos que el agua, que debería estar siguiendo un camino determinado, de pronto se sale de ese camino o tracto y se difunde en todas direcciones, podemos pensar que dicho tracto está lesionado. El poder conocer qué tractos están lesionados nos permite comprender mejor la asociación entre localización y extensión de la lesión y la sintomatología clínica. Actualmente, las técnicas de RM potenciadas en difusión tienen diferentes aplicaciones como el modelo DSI (Diffusion spectrum imaging), HARDI (High Angular Resolution Diffusion Imaging) o DTI (Diffusion Tensor Imaging). Dado que el modelo DTI no requiere de tiempos de adquisición largos, ha sido el más empleado en contextos clínicos, reduciendo de esta manera el riesgo de movimientos del paciente dentro del escáner y la inestabilidad de la señal adquirida debido al calentamiento del equipo. El modelo DTI permite extraer diferentes descriptores a partir de la imagen DWI. Las medidas más utilizadas son la anisotropía fraccional (FA, fractional anisotropy), la difusividad media (MD, mean diffusivity) y la difusividad axial (AD, axial diffusivity). Cada una de estas medidas permite detectar cambios en la microestructura de la SB que caracterizan patrones de conectividad normal o afectados por una patología concreta [3]. 1.1 Motivación La utilización del modelo DTI permite crear un mapa de conectividad cerebral que facilita el diagnóstico de determinadas patologías neurológicas y/o psiquiátricas, o un seguimiento de los procesos de maduración cerebral en la infancia o aquellos asociados al envejecimiento normal. A su vez, la capacidad de este modelo para detectar pequeñas lesiones de la sustancia blanca cerebral es superior a la mostrada por la mayoría de técnicas de neuroimagen. Por ejemplo, lesiones axonales difusas que con una tomografía axial computerizada (TAC) o un estudio de RM convencional pudieran parecer leves, el modelo DTI podría revelar un diferente grado de afectación o anomalía microestructural que permitieran explicar determinados síntomas en el paciente. En este contexto, parece importante destacar que las imágenes potenciadas en difusión son especialmente sensibles al ruido y a determinados artefactos, como las susceptibilidades del campo magnético, movimientos del paciente dentro del escáner o las distorsiones geométricas causadas por el tipo de secuencia empleada. Todos estos elementos artefactuales requieren de un conocimiento detallado sobre las ventajas e inconvenientes de los diferentes métodos de procesamiento de la imagen potenciada en difusión que aparecen implementados en los programas más populares para el análisis de estas imágenes. Es posible que la combinación de diferentes técnicas de procesamiento de cada uno de estos artefactos resulte en una mejor estimación de la reconstrucción de los diferentes tractos de SB cerebral, lo cual redundaría en mejores diagnósticos de patologías que cursaran con un daño de la SB. Por otro lado, al igual que el procesamiento, también es importante aplicar el mejor algoritmo de modelado de orientación de fibras. Ya que una vez que conocemos la orientación de las fibras, en cada punto del cerebro, podemos unir estas direcciones hasta reconstruir vías completas y, por lo tanto, conexiones cerebrales. A esta reconstrucción es lo que denominamos tractografía. Por lo tanto por muy bueno que sea el algoritmo de tractografía si no corregimos y modelamos bien nuestros resultados no serán acordes a la realidad. Introducción 4 1.2 Objetivos El principal objetivo del presente trabajo es establecer un protocolo óptimo de procesamiento y modelado de las potenciadas en difusión adquiridas en equipos de RM de diferente campo magnético (i.e., 1.5T y 3T). Para alcanzar este objetivo, se compararán diferentes algoritmos de corrección de artefactos de movimiento basados en métodos de interpolación lineal y spline, así como diferentes algoritmos del modelo DTI. En última instancia, este trabajo permitirá seleccionar el mejor protocolo de procesamiento de imágenes potenciadas en difusión en función de la intensidad del campo magnético con el que se hayan adquirido las imágenes, de la cantidad de artefactos que contengan dichas imágenes y del tiempo de cómputo de estos análisis. El fin es obtener los mejores resultados y un buen modelado de nuestras imágenes y de esta manera conseguir un mejor diagnóstico. 1.3 Esquema de la documentación En esta sección se planificara la estructura de la memoria. Esto simplificara las labores de navegación a través del documento y ayudara a situar los distintos apartados. La memoria esta dividida en bloques que se describirán brevemente a continuación: Bloque 1 Introducción: Visto hasta ahora, donde hemos presentado el proyecto, sus objetivos y la motivación personal. Bloque 2 Fundamento teórico: Esta sección permitirá clarificar algunos aspectos sobre los fundamentos teóricos de la RM y la difusión en imágenes cerebrales. Bloque 3: Plan de trabajo: Donde se expone la estimación temporal del proyecto. Bloque 4: Materiales y métodos: Se definen los diferentes materiales, métodos y tareas realizadas para conseguir los resultados. Bloque 5: Resultados: En este bloque se resumen los resultados estadísticos obtenidos. Bloque 6: Discusión En este punto se analiza y examina los resultados obtenidos para llegar a una conclusión Bloque 7: Mejoras Mejoras en la adquisición de técnicas de imágenes potenciadas en difusión. Bloque 8: Conclusiones En este apartado se extraerán las conclusiones finales del proyecto, y la experiencia de desarrollo del mismo. Bloque 9: Bibliografía Por último, es en este apartado donde se exponen las fuentes consultadas a lo largo del desarrollo del mismo. 5 5 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 2 FUNDAMENTO TEÓRICO 2.1 Resonancia magnética La RM es un fenómeno físico por el cual ciertas partículas como los electrones, los protones y los núcleos atómicos con un número impar de protones (Z) y/o un número impar de neutrones (N) pueden absorber selectivamente energía de radiofrecuencia al ser colocados bajo un potente campo magnético. Las imágenes de RM utilizadas en contextos clínicos y de experimentación aprovechan la resonancia magnética del núcleo de H-1 al ser él átomo más abundante en el organismo. Por tanto, nos vamos a referir únicamente a los núcleos de Hidrógeno. Una vez esta energía es absorbida (resonancia), devuelven el exceso energético mediante una liberación de ondas de radiofrecuencia (relajación). Este fenómeno induce una señal eléctrica en una antena receptora que permite la obtención de la imagen (FIG. 1). Esta imagen, a su vez, está formada por varios volúmenes y cada volumen está integrado por diferentes secciones (o cortes) del órgano de interés. FIG. 1 Proceso global esquematizado RM 2.1.1 Del espín a la magnetización Un átomo de hidrógeno está compuesto por un núcleo que contiene un único protón y electrón que rodean al núcleo, y por lo tanto se considera eléctricamente neutral. El protón, además de su carga positiva, da vueltas sobre sí mismo. A esto lo llamamos espín (campo magnético, 𝐵 󰇍 ). Todo protón introducido en un campo magnético se orienta en la dirección de dicho campo. Cuando el paciente es introducido en un imán muy potente, los protones se alinean con ese campo magnético externo y, además del espín, tienen un movimiento alrededor del eje mayor del campo magnético externo (movimiento de precesión o magnético, resultante de 𝐵 󰇍 ) (FIG. 2). [4] Fundamento teórico 6 FIG. 2 - Movimiento de rotación y precesión de los protones Dado que la mayoría de los protones se alinean en la dirección del campo magnético del imán del equipo (magnetización longitudinal), no es posible medirlos directamente. Para cambiar la dirección del campo magnético de los protones (cambiar su momento en un sentido distinto del inicial), el equipo emite una ráfaga de pulsos de radiofrecuencia transmitiéndoles energía. Solamente pulsos con la misma frecuencia que la de la precesión de los protones pueden transmitirles energía. La frecuencia de precesión se calcula con la ecuación de Largor (Ecuación 1): 𝜔0 = 𝛾ℬ0 Ecuación 1 donde 𝜔0 es la frecuencia de precesión (MHz), 𝛾 es el radio giromagnético que varía para los diferentes materiales, y ℬ0, la fuerza del campo magnético externo (T). Al enviar pulsos de radiofrecuencia con la misma frecuencia de precesión calculada con la ecuación de Larmor estamos transfiriendo energía a los protones (fenómeno de resonancia), de tal forma que la magnetización longitudinal disminuye y aparece una magnetización transversal. Cuando la ráfaga de pulsos de radiofrecuencia cesa, los fenómenos de magnetización vuelven a la situación inicial. [5] De esta forma, la magnetización longitudinal es restaurada lentamente (relajación longitudinal o recuperación T1) y la magnetización transversal disminuye y desaparece (relajación transversal T2) hasta alcanzar el equilibrio, donde existe una transferencia de espín entre los núcleos excitados que dispersa esta magnetización que carece de equilibrio. La energía liberada durante la relajación se capta desde el exterior con una antena, o sea, capta los cambios en la magnetización que se producen en los protones después de haber recibido la energía de los pulsos de radiofrecuencia. La información obtenida se almacena en una matriz de datos crudos, también denominada espacio k, que no es más que una matriz de valores que debe transformarse mediante la ecuación de Fourier para obtener una imagen interpretable. 2.1.1.1 Relajación longitudinal (T1,𝑴𝒙,𝒚) El T1 de un tejido es el tiempo que el tiempo que tarda un espín desde su excitación hasta su recuperación (63%), estando disponible para la próxima excitación. Durante este tiempo decae la magnetización transversal y emerge la magnetización longitudinal a lo largo del eje z, requiriendo un intercambio de energía. FIG. 3 - Relajación longitudinal 7 7 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 2.1.1.2 Relajación transversal (T2/T2*, 𝑴𝒛) Tiempo T2 determina cómo de rápido una señal de RM decae después de ser excitada. Para entender la relajación transversal, es necesario conocer primero el significado de la fase en este contexto. La fase se refiere a la posición de un momento magnético en su ruta circular y es expresada como un ángulo. Inmediatamente después de la excitación, empieza el proceso de sincronización de espín. Estos espines tienen una fase de 0° y se dice que están en fase. Este estado se llama coherencia de fase. FIG. 4 - Fase. El vector B tiene una fase de +10 ° con relación a mientras que C tiene una fase de -30 ° La coherencia de fase se pierde gradualmente a medida que unos espines avanzan y otros se retrasan en sus rutas La magnetización individual del vector comienza a cancelarse en vez de sumarse y el resultado del vector suma, la magnetización transversal, comienza a hacerse más y más pequeña hasta desaparecer la señal de RM. En otras palabras, la relajación transversal es el decaimiento de la magnetización transversal cuando los espines pierden coherencia (desfase). FIG. 5 - Relajación T2. Pérdida de coherencia fase T1 y T2 son fenómenos completamente independientes, pero ocurren de manera más o menos simultánea. La coherencia se pierde de dos formas: - T2 que denota el proceso de energía transferida entre espín como resultado de un cambio local en el campo magnético - T2* hace referencia a los efectos adicionales de la inhomogeneidades del campo contribuyendo al desfase, la cual es típicamente menor que T2. Fundamento teórico 14 Las secuencias de espín eco se caracterizan por una excelente calidad de imagen ya que gracias al pulso de reenfoque eliminamos los efectos de las inhomogeneidades del campo magnético. No obstante, es una secuencia muy propensa a artefactos de movimiento ya que requiere un tiempo de adquisición bastante largo. 2.1.5 Secuencias de pulso rápidas Uno de los principales objetivos en el uso clínico de la resonancia magnética ha sido rebajar los tiempos de adquisición ya que permite estudios más dinámicos y las hace menos propensas a artefactos de movimiento. Podemos encontrar diferentes tipos: - Secuencias que derivan de la secuencia clásica espín eco pero logran mayor rapidez al llenar varias líneas del espacio K en el mismo tiempo de repetición (fast/turbo spin eco). - Secuencias similares a la secuencia clásica eco de gradiente que logran gran rapidez suprimiendo el pulso de 180º y disminuyendo enormemente el tiempo de repetición. - Las secuencias EPI (Echo Planar Imaging) usan una configuración especial de gradientes. Es la más comúnmente usada para la adquisición de imágenes potenciadas en difusión porque es rápida y produce una alta SNR. - Las secuencias híbridas que llenan el espacio-K mediante ecos de espín y ecos de gradiente. - Las secuencias rápidas en inversión recuperación (fast/turbo ir) 2.1.5.1 Secuencias Echo Planar Imaging (EPI) Las secuencias EPI son típicamente usadas para la adquisición de imágenes potenciadas en difusión ya que son relativamente cortas [7]. Este método requiere un cambio fuerte y rápido en la frecuencia de codificación de gradientes. Varios ecos, denominados tren de ecos, son generados con diferente codificación de fase y pueden constar de hasta 128 ecos (FIG. 10). De esta forma, es posible obtener una imagen con una resolución de 256x128 en un único pulso de excitación (single shot) en 70 ms, que corresponde a 15 imágenes por segundo. FIG. 10 - EPI. Ocho ecos son generados con diferente fase de codificación en este ejemplo. Sin embargo, este enfoque sufre de efectos de distorsión en la geometría y la intensidad, resultando en mala calidad de imagen. Las distorsiones son causadas principalmente por las inhomogeneidades en el campo magnético interno provocadas por las diferencias de susceptibilidad en el tejido/aire y en los tejidos/huesos. Este efecto combinado con el largo tiempo de lectura de eco (tren de ecos) conducen a la pérdida de intensidad y a distorsiones geométricas (cambios de vóxel). Esto último es particularmente severo en la dirección de codificación de fase. 15 15 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 2.2 Imágenes potenciadas en difusión La resonancia magnética está reconocida como una de las herramientas más poderosas para el estudio del movimiento in/coherente de las moléculas de agua en los tejidos. Las imágenes producidas con las técnicas de resonancia magnética que estudian estos procesos se denominan genéricamente imagen potenciada o sensible a la difusión. Esta técnica de imagen puede delinear la organización axonal del cerebro que no se puede apreciar con la RM convencional. Existen diferentes modelos de imágenes potenciadas en difusión fuertemente relacionados con las características de adquisición. Entre ellos podemos encontrar el utilizado en nuestro estudio, DTI (diffusion tensor imaging), y otros más complejos como HARDI (high angular resolution diffusion imaging). En cada modelo de adquisición se pueden aplicar diferentes modelos específicos de orientación de fibra. El objetivo de estos modelos es describir las propiedades de difusión y extraer información anatómica más fina de cada vóxel, información utilizado por la tractografía. Ambos deben ser cuidadosamente elegido antes de configurar el protocolo de adquisición de imagen. Modelos tales como DTI (Diffusion Tensor Imaging), QBI (Q-Ball Imaging), PASMRI (Persistent Angular Structure MRI), DSI (Diffusion Spectrum Imaging), B&S (Ball & Stick) (FIG. 11). Por ejemplo, DTI no requiere muchas direcciones y valores de b altos por lo que lo tiempos de adquisición son pequeños. Por otro lado, DSI opera sobre datos adquiridos con vectores q dispuestos en una rejilla cartesiana. El modelo CHARMED requiere datos adquiridos en múltiples direcciones. Además, estos algoritmos requerirán valores de q máximos relativamente grandes, que sólo pueden lograrse en sistemas clínicos aumentando el tiempo de eco. Por otra parte, una gran parte de modelos hacen uso de los datos adquiridos usando la estrategia HARDI [8] que es una secuencia que necesita diferentes valores-b y un número alto de direcciones, sin embargo es más rápida de adquirir comparando con otras de las mismas características. FIG. 11 - Esquema de algunos modelos de adquisición y orientación de fibra. Se ha demostrado que el modelo DTI es inadecuado en muchas regiones del cerebro que contienen lo denominado “cruce de fibras” [9], es decir, dos o más haces de fibra con orientación diferenciada colocalizadas en el mismo vóxel, donde se puede llegar a obtener tanto falsos positivos como falsos negativos. Sin embargo, es el más rápido y simple de adquirir y con ellos menos propenso a artefactos de movimientos y Fundamento teórico 16 pérdidas de estabilidad de la máquina. A continuación, pasaremos a explicar el fundamento teórico de las imágenes potenciadas en difusión centrándonos en el modelo DTI (diffusion tensor imaging). 2.2.1 Imágenes potenciadas en difusión. Fundamento teórico El objetivo de las secuencias ponderadas en difusión es obtener imágenes cuyo contraste es influenciado por las diferencias en la movilidad de las moléculas de agua. Esto se realiza mediante la adición de gradientes de difusión durante la fase preparatoria de una secuencia, usualmente la secuencia clásica espín eco (SE) seguida de una secuencia de lectura EPI. Las secuencias de difusión son en realidad secuencias ponderadas en T2 sensibilizadas a la difusión a través de la aplicación de gradientes que deben repetirse en al menos 3 direcciones espaciales (x,y,z). Por otro lado, el grado de ponderación en difusión se mide con un valor denominado b (s/𝑚𝑚2). Las imágenes ponderadas en difusión se introdujeron a mediados de los años noventa y se le encontró rápidamente utilidad para la evaluación del accidente cerebrovascular isquémico agudo. Desde entonces, grandes avances en la tecnología de difusión de imágenes han mejorado mucho la calidad de estas imágenes. En la práctica actual, la imagen de difusión del cerebro consiste en una adquisición con un factor b = 0 s/𝑚𝑚2 (T2), denominado 𝑏0 (cero difusión) y una imagen con uno o varios factores de b (con ponderación de difusión). 2.2.1.1 ¿Qué es la difusión? La difusión, también conocida como “movimiento browniano” es un proceso físico por el cual una molécula en un fluido se transporta de una parte a otra de un sistema como resultado del movimiento browniano asociado a la energía térmica interna de la misma. Dicho de otra forma, hace refiere al constante movimiento microscópico aleatorio debido al calor. En una temperatura fijada, la tasa de difusión puede describirse por la ecuación de Einstein (Ecuación 2). <𝑟2≥6𝐷𝑡, Ecuación 2 Donde <𝑟2> se refiere a la media al cuadrado del desplazamiento de las moléculas, t es el tiempo de disfusión, y D es la constante de difusión particular de la sustancia medida. Esta constante, normalmente expresada en unidades de milímetros al cuadrado por segundos, relaciona la media del desplazamiento de una molécula sobre un área con el tiempo de observación. Cuanto mayor sea la constante más movimiento en las moléculas de agua. ADC, en inglés Apparent Diffusion Coefficient, es la constante de difusión medida en configuraciones clínicas. Refleja la limitación de que la difusión in vivo no puede separarse de otras fuentes de movilidad de agua fluyendo a lo largo de la presión de los gradientes y cambios en la permeabilidad de la membrana. Dicho de otra forma, existen barreras que limitan el movimiento libre de las moléculas. Por tanto ADC [10] refleja la capacidad de difusión específica del tejido y se utiliza para obtener imágenes o mapas de los coeficiente de difusión en el cerebro. 17 17 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Podemos encontrar diferentes tipos de difusión. Si pensamos en un vaso de agua las moléculas de agua se mueven libremente: este fenómeno recibe el nombre de difusión isotrópica, es decir, movimiento molecular igual en todas las direcciones. En el cerebro las estructuras que rodean al agua impiden que sus moléculas se mueven tan libremente y su movimiento queda restringido. El coeficiente de difusión cambia con la dirección, y por tanto el tamaño o magnitud de la difusión cambia con la dirección: este fenómeno se denomina difusión anisotrópica. FIG. 12 – a) Difusión isotrópica, igual en todas las direcciones (esfera) b) Difusión anisotrópica: Restringida en una o más direcciones (“elipsoide”). 2.2.1.2 Secuencias de codificación de imágenes ponderadas en difusión En 1965, Stejskal y Tanner introdujeron una secuencia de resonancia magnética (FIG. 13) que era sensible a este movimiento de las moléculas de agua. Esta secuencia emplea la pérdida de señal generada por la aplicación de unos gradientes de campo magnético, localizados alrededor de un pulso de 180º, como método para potenciar en difusión. El primer pulso de gradiente introduce un desfase en los espines en función de la posición. Después de este pulso de gradiente las moléculas con capacidad de moverse evolucionan cambiando de posición mientras que las moléculas estáticas no varían su posición. Después del segundo pulso de gradiente, con la misma área que el primero, las moléculas estáticas recuperan la fase puesto que no han cambiado su posición. Por otro lado, las moléculas que han cambiado su posición con el segundo pulso de gradiente, no pueden recuperar la fase produciendo una caída de señal en la imagen final. Esta caída de señal aumenta a medida que el desfase de los espines es mayor potenciando más en difusión. Para conseguir una mayor potenciación en difusión existen dos posibilidades. La primera es separar más los gradientes de difusión permitiendo un mayor desplazamiento de las moléculas y por lo tanto, introduciendo un mayor desfase entre las mismas. La segunda opción es aumentar el área de los gradientes de difusión aumentando el desfase entre los espines antes de su desplazamiento. La potenciación en difusión se mide por el valor b. 𝑏= 𝛾2𝐺2𝛿2(Δ−𝛿 3) Ecuación 3 donde G representa la intensidad de los gradientes, δ representa el tiempo de aplicación (ancho), Δ es la separación entre dichos gradientes. 𝛾 es la constante giromagnética. Un valor mayor de B implica un mayor desfase entre los espines haciendo que movimientos más pequeños pierdan su señal, quedando señal solamente en aquellas regiones en las que los espines tienen limitado su movimiento, es decir, aumentar b significa un incremente del grado difusión. Fundamento teórico 18 FIG. 13 - Esquema de secuencia de difusión. En la parte de la izquierda se muestra la metodología típica para obtener una potenciación en difusión en una secuencia espin-eco. Se puede apreciar el efecto del gradiente resultante de la combinación de gradientes en distintas direcciones para conseguir una potenciación en difusión en una dirección oblicua del espacio. En la parte de la derecha, se muestra el esquema de la lectura EPI convencional. Por otro lado, esta caída de señal de la imagen de difusión por desfase de los espines se suele modelar por una caída mono exponencial (Ecuación 4): 𝑆𝑖=𝑆0∙ 𝑒−𝑏∙𝐴𝐷𝐶𝑖 Ecuación 4 donde S es la intensidad de señal ponderada en difusión observada en un vóxel dado con gradiente de sensibilidad de difusión aplicado a lo largo de la dirección i; ADC el coeficiente de difusión aparente; y, por último, 𝑆0, la intensidad de señal en el mismo vóxel medido sin gradientes de sensibilidad de difusión, es decir, es la imagen sin ponderación de difusión (b=0). Recordemos que en la imagen DWI se obtenían uno o varios volúmenes con valor b=0 (mide la potenciación de difusión). Esto se hace con miras a la parte de procesamiento donde se corrige la imagen de artefactos. De esta manera tenemos un valor más fino de 𝑆0. 2.2.1.3 Adquisición de imágenes de difusión La calidad de una imagen médica se puede describir según dos características básicas. La primera y más importante, es la capacidad de la imagen para representar la propiedad que se quiere medir. En el caso de la imagen de difusión, sería la elección del valor b de potenciación en difusión para un contraste adecuado. En segundo lugar, la ausencia de artefactos que puedan alterar la geometría o puedan enmascarar las propiedades relevantes de la imagen como la relación señal a ruido y la resolución de la imagen. 2.2.1.3.1 Elecció n del valór de b La elección óptima del valor de b no está claramente definida y depende de la intensidad del campo, del número de señales promediadas, de las características anatómicas del tejido y de la patología a estudiar. 19 19 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO La elección de un mayor o menor valor de b afecta a la SNR y a la calidad de la imagen [11]. Un mayor valor de b requiere un mayor tiempo de eco (mayor duración de adquisición) y como subconsecuencia una menor SNR y más distorsión relacionada con EPI. A la inversa, menor valor de b implica menor ponderación en difusión y más contaminación por perfusión, pero con mayor SNR. La perfusión es el mecanismo por el cual las células son alimentadas en oxígeno y en nutrientes que les permiten funcionar normalmente. Es un artefacto de las imágenes potenciadas en difusión con valores de b bajos. Teniendo en cuenta ambos conceptos, se puede definir que el mejor valor b para una determinada anatomía es el mayor posible que mantenga la señal. FIG. 14 - Imágenes variando el valor d b: 0, 500, 1000, 2000 2.2.1.3.2 Esquema de pótenciació n en difusió n La difusión es una propiedad vectorial cuyo valor cambia con la dirección del gradiente en la que se potencia en difusión, aunque todas las secuencias tengan el mismo valor b. Esta característica de la difusión es especialmente relevante en aquellos casos en los que el tejido está muy estructurado, como son los tractos de sustancia blanca en el cerebro. Para obtener esta información de direccionalidad habría que variar la intensidad de los gradientes en los tres ejes del espacio XYZ para potenciar en una determinada dirección de difusión. No obstante hay que mantener constante la intensidad de los gradientes finales resultado de la combinación de los gradientes en los tres ejes. En la FIG. 13 se muestra un primer pulso gradiente de difusión resultado de la combinación de los gradientes en tres direcciones del espacio diferentes. Esta combinación obtiene una imagen de difusión con una potenciación en una sola dirección del espacio oblicua a los ejes principales. Para adquirir la misma información en diferentes direcciones del espacio habría que variar el valor en los distintos ejes de gradiente manteniendo constante la intensidad del gradiente total. Cada variación de gradientes corresponderá a un volumen distinto en la imagen. Si esta información se adquiere en suficientes direcciones de difusión es posible estudiar la dirección de la difusión mediante la metodología del tensor de difusión (DTI). 2.2.1.4 Contraste de DWI y cálculo de ADC Como se ha comentado anteriormente el principal objetivo de los estudios de difusión es la cuantificación del movimiento del agua. Para calcular esta cantidad bastaría adquirir dos imágenes con los valores b adecuados y extraer el valor del ADC de la siguiente ecuación (Ecuación 5): 𝐴𝐷𝐶= −1 𝑏 ln (𝑆 𝑆0) Ecuación 5 Fundamento teórico 20 Donde ln representa el logaritmo neperiano. Esta cantidad se puede extraer para cada una de las direcciones de difusión, pero lo que suele tener un mayor interés es el promedio de los valores de ADC en todas las direcciones. Este valor se suele conocer como ADC isotrópico o difusividad media. En el caso de tener más de dos potenciaciones en difusión la anterior ecuación se puede transformar en una regresión lineal (Ecuación 6). ln(𝑆 𝑆0)=−𝐴𝐷𝐶∗𝑏 Ecuación 6 Para la cuantificación de la señal de difusión existen otros modelos más complejos como el bicompartimental o IVIM (Intra Voxel Incoherent Motion) en los que asumen que la señal de difusión está compuesta por dos componentes; uno rápido, que representa el componente vascular, y uno lento, que representa la difusión real del tejido. En FIG. 15 se muestra una señal de difusión (línea verde claro) formada tanto por el componente rápido (línea verde oscuro) como el componente lento (línea granate). Como se puede ver en la FIG. 15 en valores de b bajos hay una caída rápida de la difusión asociada a la sangre en movimiento en red capilar. Por otro lado, a partir de un cierto valor de b esta componente desaparece y solamente permanece la difusión propia del tejido sin estar afectada por el movimiento de la sangre. Esta componente se conoce como difusión libre de perfusión. Si queremos una correcta estimación de esta curva hay que adquirir como mínimo 3 valores b diferentes (puntos amarillos en la figura). El primero un valor de b sin potenciar en difusión (b=0 s/mm2), otro valor b donde la contribución de la parte de la sangre es despreciable (b=300 s/mm2) y finalmente otro valor b en el que se potencie suficiente en difusión. No obstante, este tipo de artefactos no se tienen a la hora de plantear la secuencia de adquisición en imágenes potenciadas en difusión FIG. 15 – IVIM. Muestra una señal de difusión (línea verde claro) que representa un tejido con un 25% de componente de perfusión en la señal. Esta señal de difusión está formada tanto por el componente rápido (línea verde oscuro), como el componente lento (línea granate). 21 21 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 2.2.1.5 Isotropía, Anisotropía, y varianza rotacional Cuando la difusión es isotrópica la elección de la dirección del gradiente de difusión no es importante porque 𝐀𝐃𝐂𝐢 es idéntico en todas las direcciones i. Sin embargo, en difusión anisotrópica, la movilidad molecular no es igual para todas las direcciones. Los tractos de materia blanca con haces de fibra orientados de forma coherente y fuertemente empaquetados dificultan el desplazamiento del agua perpendicular a la dirección de las fibras resultando mayores valores 𝐀𝐃𝐂𝐢 paralelos a los tractos en vez de ortogonales a ellos. Por lo tanto, más de una dirección de codificación de difusión se requiere para caracterizar las regiones de difusión anisotrópica. [12] Si solo una única dirección de difusión fue probada la interpretación de las imágenes potenciadas en difusión será complicada debido a la intensidad de señal variable en los tractos de materia blanca. Sin embargo, esta anisotropía puede ser explotada con el modelo DTI que será discutido posteriormente. Para evitar este problema, podemos computar los parámetros con la propiedad de “invariable en rotación” desde los datos originales de la imagen potenciada en difusión. Esto se debe a que estas medidas matemáticas eliminan cualquier dependencia direccional que pueda provocar confusión en la interpretación como puede ser un movimiento de cabeza durante la adquisición. Las medidas de “invariable en rotación” computacionalmente utilizadas son la media geométrica de las imágenes potenciadas en difusión y la traza ADC que requieren al menos 4 imágenes separadas en la adquisición (4 volúmenes): uno sin difusión (b0), etiquetado como S0 , y 3 muestras de movimiento a lo largo de 3 direcciones mutuamente ortogonales, etiquetadas S1, S2, S3, respectivamente (Ecuación 4). Las imágenes potenciadas en difusión entregadas al especialista para la interpretación no son los conjuntos unidireccionales 𝑆1, 𝑆2, 𝑆3, si no la media geométrica de invariación en rotación computada de estos 3 conjunto de datos, también conocido como “imagen de difusión isotrópica” o la “imagen de difusión combinada” (Ecuación 7). SDWI=(S1∙S2∙S3)1 3 = S0∙e−B(ADC1+ADC2+ADC3) 3 = S0∙e−B∙ADC Ecuación 7 Donde 𝐴𝐷𝐶1,𝐴𝐷𝐶2,𝐴𝐷𝐶3 son los ADCs a lo largo de las tres direcciones de los gradientes de difusión y, como expresión final, ADC = (𝐴𝐷𝐶1+𝐴𝐷𝐶2+𝐴𝐷𝐶3)/3. Esta última variable es la media de los valores de 𝐴𝐷𝐶𝑖 a lo largo de las direcciones ortogonales y es también invariante en rotación. Es conocido de diversas maneras: difusividad media, ADC traza, 𝐷𝑎𝑣, o, simplemente, ADC. De ahora en adelante, cuando hablemos de ADC nos referiremos al valor promediado. DWI isotrópica y los mapas de traza ADC se deben reconstruir con al menos más de 3 direcciones de difusión (3 pulsos de gradientes). Sin embargo, es preferible que estas direcciones no sean colineales (puntos en opuestas direcciones en la misma recta) y que ellos estén ampliamente distribuidos en el espacio 3D. 2.2.2 Artefactos Es importante destacar que la adquisición de imágenes potenciadas en difusión es inherentemente una técnica sensible al ruido y propensa a artefactos debido principalmente a artefactos de susceptibilidad magnética, de movimiento y por distorsiones geométricas en el cuerpo (FIG. 16). Por lo tanto no podemos subestimar la importancia de un procesamiento y control de calidad previo. Fundamento teórico 22 FIG. 16 - Ejemplos de artefactos: (i) desviaciones de señales /volúmenes, (ii) distorsiones geométricas inducidas por corriente de Foucault, (iii) artefactos de vibración sistemáticos, y (iv) fantasmas (supresión insuficiente / incorrecta de grasa). 2.2.2.1 Distorsiones como consecuencia de secuencias EPI Las distorsiones de EPI ocurren predominantemente a lo largo de la dirección de codificación de fase y son debidas a la susceptibilidad magnética y las corrientes de Foucault. Éstas causan distorsiones geométricas (deformación del cerebro: estiramiento y comprensión) y distorsiones de intensidad de señal. Por otro lado, a parte de la distorsión, las secuencias de EPI también son sensibles al movimiento, microscópico o macroscópico, que surge de varios factores. Estas distorsiones pueden afectar tanto la referencia b = 0 como los volúmenes ponderados en gradiente. 2.2.2.1.1 Artefactós de susceptibilidad magne tica Los escáneres 3T ampliamente utilizados se introdujeron a principios de los años 2000 y se adaptaron rápidamente debido a su capacidad para lograr una mayor resolución espacial, una mayor SNR y un mejor contraste que las máquinas de 1.5T. Sin embargo, el aumento de la intensidad de campo contribuyó a la mayor susceptibilidad magnética relacionados con los artefactos en la imagen. El campo magnético B1, en el que se coloca el paciente, se vuelve más heterogéneo a medida que aumenta la intensidad del campo, lo que contribuye a un mayor número de errores en la adquisición de imágenes. La secuencia EPI requiere campos magnéticos muy homogéneos para que los giros del protón se ajusten a la velocidad de centrifugado y no desfasen, asegurando la precisión en la imagen. 2.2.2.1.2 Córrientes de Fóucault Las corrientes de Foucault (Eddy Currents) o corrientes parásitas son generadas por cambios de producción de conmutación de gradiente rápidos en el campo magnético estático, tal como ocurre en las secuencias EPI. Afectan a los volúmenes b> 0 de un conjunto de datos de imágenes potenciadas en difusión. 2.2.2.2 Artefactos de movimiento 23 23 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO El movimiento conduce a artefactos que da como resultado la formación de fantasmas o el desenfoque de la imagen potenciada en difusión. Esto podría afectar enormemente las mediciones de difusión y podría generar datos incorrectos en la imagen [13], [14]. No obstante, se pueden tomar precauciones para minimizar el movimiento voluntario del paciente, los movimientos involuntarios como la respiración, el flujo sanguíneo, las vibraciones mecánicas que surgen de la mesa del paciente del escáner son todavía inevitables. Respecto al movimiento voluntario del paciente, cuanto menor sea la secuencia, menor probabilidad hay de movimiento. 2.2.2.3 Pérdida de señal La pérdida de señal (FIG. 17) puede ocurrir debido a problemas de susceptibilidad y excitación, limitando a veces problemas a un solo volumen. Sin embargo, ese volumen es realmente inútil y uno podría considerar su eliminación o la repetición de la adquisición de la secuencia. FIG. 17 - Artefacto de pérdida de señal. Volumen del plano sagital del cerebro de una imagen DW. 2.2.3 Procesamiento imágenes potenciadas en difusión Es extremadamente importante corregir el movimiento del sujeto y las distorsiones inducidas por corrientes parásitas. Aunque la secuencia de espín-eco, dos veces reorientada, mejorará la mayor parte de las corrientes parásitas [15] puede haber distorsiones residuales que necesitan ser atendidas. Además, es improbable que el participante se haya quedado perfectamente inmóvil. 2.2.3.1 Método de corrección de registro basada en una función de coste Q Es un esquema basado en registro que utiliza una función de coste Q para medir cuán bien se alinean espacialmente las imágenes. En primer lugar, se elige una imagen de destino como referencia para todas las demás imágenes del conjunto de datos (imágenes de origen). Debido a que suele ser menos distorsionada y tiene una relación señal-ruido (SNR) más alta que las imágenes potenciadas en difusión la imagen adquirida sin sensibilización por difusión (la imagen ponderada en T2, b=0) se utiliza normalmente como imagen de destino para registrar las imágenes potenciadas en difusión. Aunque este volumen está libre de distorsiones inducidas por corrientes parásitas, contiene distorsiones geométricas debidas a la inhomogeneidad del campo magnético causada por la susceptibilidad magnética del objeto. Fundamento teórico 30 FIG. 19 - Elipsoides de difusión y tensores para difusión isotrópica sin restricciones, difusión isotrópica con restricciones, y difusión anisotrópica con restricciones. Por lo tanto, sólo hay seis elementos independientes del tensor, lo que requiere un mínimo de seis gradientes de codificación de difusión no-colineal diferentes para resolver los elementos tensores. Los términos diagonales del tensor indican la magnitud de la difusividad en cada una de las 3 direcciones ortogonales. En el caso de la difusión anisotrópica los términos fuera de la diagonal del tensor de difusión indican la magnitud de la difusión a lo largo de una dirección. 2.2.4.1.1 Para metrós del Tensór de Difusió n Se utilizan una serie de métricas del tensor de difusión para caracterizar las dimensiones y la forma del elipsoide de difusión asociado con la microestructura de un vóxel particular. Los 3 ejes principales del tensor de difusión, denominados "autovectores", se pueden calcular diagonalizando el tensor de difusión: Λ= [𝜆10 0 0 𝜆20 0 0 𝜆3]=𝑅∙𝐷∙𝑅𝑇 Ecuación 17 El tensor de difusión es rotado por la matriz R para producir la matriz diagonal (Λ). Las tres columnas de R se componen de los autovectores del sistema y RT es la transposición de la matriz de R. Los 3 autovectores y los autovalores invariables 𝜆1,𝜆2,𝜆3 describen las direcciones y longitudes de los 3 ejes de los elipsoides de difusión, respectivamente, en orden descendente de magnitud (FIG. 20, fila superior). El mayor autovector 𝜆1, denominado "autovector primario", y su autovalor asociado, indican respectivamente la dirección y magnitud de mayor difusión de agua. El autovector primario es importante para los algoritmos de tractografía de fibra porque este vector indica la orientación de los haces de fibras axiales. Por lo tanto, 𝜆1 también se denomina "difusividad longitudinal" porque especifica la tasa de difusión a lo largo de la orientación de las fibras. El segundo y tercer autovector son ortogonales al autovector primario, y sus autovalores asociados 𝜆2 𝑦 𝜆3 dan la magnitud de la difusión en 31 31 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO el plano transversal de los haces axonales. De modo que, la media de 𝜆2 𝑦 𝜆3 también se conoce como "difusividad radial". Un número adicional de métricas de difusión de rotación invariable, derivadas de los 3 autovalores, se utilizan para describir la microestructura en un vóxel particular. La difusividad media (𝐷𝑎𝑣) es la media de los 3 autovalores y describe la difusividad del agua en un vóxel promediado direccionalmente. 𝐷𝑎𝑣 = (𝜆1+𝜆2+𝜆3)1 3 = traza (D)/3 Ecuación 18 La traza de D es la suma de los 3 autovalores y es otra medida de difusión. Además, se definen los índices de anisotropía fraccional (FA) (Ecuación 19) y la anisotropía relativa (RA) (Ecuación 20) que miden el grado de direccionalidad de difusividad intravóxel. 𝐹𝐴= √(𝜆1−𝜆2)2+(𝜆2−𝜆3)2+(𝜆3−𝜆1)2 √2√𝜆1 2+𝜆2 2+𝜆3 2 Ecuación 19 𝑅𝐴= √(𝜆1−𝐷𝑎𝑣)2+(𝜆2−𝐷𝑎𝑣)2+(𝜆3− 𝐷𝑎𝑣)2 √3𝐷𝑎𝑣 Ecuación 20 Cuando el autovalor primario es mucho mayor que el segundo y tercer autovalor las medidas de anisotropía como FA y RA serán altas indicando una dirección preferida de difusión. Esto se corresponde con una forma alargada (cigarro) del elipsoide de difusión (FIG. 19, columna derecha), con la dirección de difusión preferida indicada por el eje largo del elipsoide o, de manera equivalente, por el autovector primario del tensor. En el cerebro, la difusión alargada dentro de un vóxel suele indicar un único haz de fibras de materia blanca organizado coherentemente con la orientación axonal coincidente con el autovector primario. La anisotropía fraccional (FA) se ha convertido en la medida de anisotropía más ampliamente utilizada en la literatura DTI y su valor varía de cero, en el caso de difusión isotrópica, hasta un máximo de 1, indicando una difusión perfectamente lineal que ocurre sólo a lo largo del autovector primario. La información de orientación de la fibra inherente al autovector principal se puede visualizar en imágenes 2D asignando un color a cada uno de los tres ejes ortogonales mutuamente típicamente rojo a izquierdo-derecho, verde a anteroposterior y azul a arriba-abajo (FIG. 20 , esquina inferior derecha) [23]. FIG. 20 – Parámetros del tensor de difusión Fundamento teórico 32 2.2.5 Tractografía Una vez que conocemos la orientación de las fibras en cada punto del cerebro mediante el modelado podemos unir estas direcciones hasta reconstruir vías completas y, por lo tanto, conexiones cerebrales, a esto es lo que denominamos tractografía. La tractografia es, por tanto, una técnica que nos permite reconstruir haces de sustancia blanca por su dirección preferencial. Además, permite observar de manera cualitativa la perdida de continuidad de las fibras o la superposición de anisotropia y direccionalidad detectando de esta forma alteraciones en la microestructura de sustancia blanca. 2.2.5.1 Tractografía determinista La mayoría de los algoritmos de tractografía se basan en técnicas de propagación para delinear las rutas de materia blanca [24]. Esta clase general de métodos es con frecuencia denominado tractografía determinista (FIG. 21 a). Estos se basan en la identificación de una posición adecuada desde la cual iniciar el algoritmo (punto semilla); la propagación del tracto a lo largo de la orientación estimada de la fibra; y la terminación del tracto cuando se cumplen los criterios de terminación apropiados. FIG. 21 - Ejemplo conceptual de tractografía (a) determinista y (b) probabilística basada en el modelo de tensor de difusión. Las líneas blancas de (a) representan rutas del tracto de fibra que fueron reconstruidas siguiendo las direcciones de difusión principales (ver los glifos mostrados en la región azul de interés) en pasos consecutivos iniciados bidireccionalmente en los lugares indicados (es decir, "puntos semilla"). Para cada una de las rutas en (a) no hay información disponible sobre la precisión/dispersión que está asociada con su propagación del tracto. Por el contrario, el conjunto de múltiples líneas mostradas en (b) proporciona una sensación del grado de incertidumbre relacionada con la reconstrucción del tracto iniciado desde el único punto de semilla. 2.2.5.2 Tractografía probabilística El ruido en las medidas potenciadas en difusión introducirá inevitablemente incertidumbre a la estimación de las fibras, errores en la delineación de la ruta [25]–[28]. Estos errores pueden conducir a que se identifiquen conexiones completamente diferentes, ya que un pequeño error en un punto de la pista puede hacer que el algoritmo entre y siga un camino de materia blanca diferente. Lamentablemente, los algoritmos de tractografía determinista sólo proporcionan una única estimación de la trayectoria de las fibras de materia blanca desde cada punto de semilla suministrado. 33 33 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Los algoritmos probabilísticos intentan abordar esta limitación proporcionando sus resultados en forma de una distribución de probabilidad, en lugar de una única estimación de "mejor ajuste" (FIG. 21 b). Debe enfatizarse que los métodos probabilísticos no son más "precisos" que sus equivalentes deterministas, ya que se basan en el mismo modelo subyacente. Muchos métodos de tractografía probabilística se basan en técnicas determinísticas [29] y por lo tanto sufren las mismas limitaciones. La diferencia fundamental es el uso de estimaciones de la orientación de la materia blanca que se dibujan al azar de la función de densidad de probabilidad local (PDF) de las orientaciones de las fibras. Sin embargo, el principal beneficio de los enfoques probabilísticos es que pueden proporcionar una estimación de la "precisión" con la que se ha reconstruido una ruta del tracto. También es crítico enfatizar que los valores de probabilidad producidos por estos algoritmos no están de ninguna manera relacionados con la "conectividad" (por ejemplo, número de axones, etc.) de las rutas de materia blanca correspondientes; simplemente reflejan la confianza de que la conexión particular de interés existe [30]. En otras palabras, en cada paso del algoritmo, la dirección para el siguiente paso ya no es única, sino elegida entre un rango de orientaciones probables. A partir del punto de semilla, el tracto se propaga de esta manera, con cada paso seleccionado al azar. Para obtener una estimación de la distribución de conexiones probables, un gran número de tractos probabilísticas se generan desde el mismo punto de semilla. Las regiones cerebrales que contienen densidades más altas de los tractos resultantes se consideran entonces que tienen una mayor probabilidad de conexión con el punto de semilla [31], [32]. Por lo tanto, los resultados de las líneas de corriente probabilísticas se cuantifican a menudo generando mapas del número de tractos que atraviesan cada vóxel, que puede analizarse y compararse más fácilmente [31], [32]. 35 3 PLAN DE TRABAJO E l proyecto ha sido desarrollado durante un periodo de tiempo, en el cual hemos tenido que organizar las tareas y el tiempo que vamos a dedicarles a ellas. Además, mostraremos su respectivo diagramas de Gantt. Documentación Cerebro, sustancia blanca, sustancia gris 2 h Resonancia Magnética 25 h Secuencias de RM 10 h DWI 15 h Adquisición imágenes DWI 35 h Modelos 15 h Procesamiento 20 h Software de procesamiento 5 h Controles de calidad imágenes DWI 25 h Tractografía 5 h Requisitos Especificación de requisitos 4 h Análisis 5 h Plan de trabajo 36 36 Procesamiento Elección de software 2 h Conversión de imágenes 2 h Registro T1 3 h Creación y aplicación de máscaras 5 h Automatización tareas 48 h Controles calidad 15 h Métodos de evaluación 15 h Estadísticas 5 h Resultados procesamiento Obtención de resultados 5 h Análisis de Resultados (estadísticas) 25 h Elección mejor métodos de procesamiento 2 h Total Horas: 300 3.1 Diagrama de Gantt 37 37 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 4 MATERIALES Y MÉTODOS 4.1 Sujetos experimentales E n el presente estudio participaron de forma voluntaria 30 personas mayores sin deterioro cognitivo ni alteraciones neurológicas objetivables. La muestra fue reclutada en el Laboratorio de Neurociencia Funcional de la Universidad Pablo de Olavide, de Sevilla [33] como parte de los proyectos SAF2011-25463 (Ministerio de Economía y Competitividad) y P12-CTS-2327 (Proyectos de Investigación de Excelencia, Junta de Andalucía). Cada participante firmó un consentimiento informado previamente a su inclusión en el estudio. Los protocolos experimentales empleados en esta investigación fueron aprobados por el Comité Ético de Investigación con Humanos de la Universidad Pablo de Olavide. Todos los procedimientos empleados respetaron los principios de la Declaración de Helsinki (1975, revisados en 2000). Cada participante mostró un rendimiento cognitivo normal respecto a su edad y años de educación. Además, se confirmó la ausencia de deterioro cognitivo y demencia mediante las siguientes pruebas: i) puntuación de 0 (“ausencia de deterioro cognitivo”) en la Escala de Deterioro Global [34]; ii) puntuación global de 0 ("ausencia de demencia") en la Escala de Demencia Clínica [35]; iii) puntuaciones entre 25 y 30 en el Mini Examen Cognoscitivo (versión adaptada y validada en población española, [36]); y iv) actividades de la vida diaria conservadas, evaluado mediante la Escala para el Deterioro de las Actividades de la Vida Diaria (versión validada en población española, [37]).La sintomatología depresiva se descartó mediante la administración de la versión abreviada de la Escala de Depresión Geriátrica (utilizándose como criterio de exclusión puntuaciones iguales o superiores a 5) [38]. A cada participante del presente estudio se le realizó una exploración neurológica con el objetivo de descartar enfermedades que pudieran afectar a la anatomía y/o función cerebral. Esta exploración neurológica se realizó en el Instituto de Especialidades Neurológicas, de Sevilla (http://www.iensa.es/). Se emplearon imágenes de RM cerebral para descartar lesiones anatómicas (infartos cerebrales extensos, tumor cerebral, esclerosis del hipocampo y/o malformaciones vasculares) que pudieran sesgar los resultados del presente trabajo. Aquellos individuos que presentaron isquemias relevantes de la sustancia blanca periventricular y/o profunda (puntuaciones ≥ 2 en la Escala de Cambios en la Sustancia Blanca relacionados con la Edad; [39], 1987) no fueron incluidos en el estudio. Se descartaron igualmente causas secundarias de deterioro cognitivo mediante pruebas de laboratorio (hemograma, vitamina B12/folato y función tiroidea). La presencia (o historial clínico previo) de enfermedades neurológicas (infarto cerebral, epilepsia, traumatismo cráneo-encefálico), psiquiátricas (depresión, psicosis, historia de consumo crónico de alcohol y/o otras sustancias que afecten al sistema nervioso) o de otra índole (cardiovascular, renal, hepática, pulmonar y/o endocrina), así como el uso de medicación que afectara a la función cognitiva (inhibidores de la colinesterasa, hipnóticos, antidepresivos, etc.) fueron también consideradas causas de exclusión. Las características demográficas de la muestra aparecen en la Tabla 2. Materiales y métodos 38 38 Tabla 2 - Perfil demográfico de los participantes Controles (n =30) Edad 67,1 ± 1 Género (H/M) 15 / 15 4.2 Estaciones de trabajo Se han utilizado dos estaciones de trabajo con las mismas características, a continuación, se detallan. - Sistema operativo: Ubuntu 12.04.5 LTS - Bits Procesador: Intel Xeon CPU X5482 3.2GHz x 8 64 bits - Almacenamiento: 1,3 TB - Memoria RAM: 32 GB - GPU: NVIDIA G80GL 4.3 Proceso de trabajo de las imágenes potenciadas en difusión 4.4 Adquisición de imágenes potenciadas en difusión A la mitad de estos participantes (N=15) se les realizó un estudio de resonancia magnética (RM) cerebral en un escáner Philips Intera 1,5 Teslas (Philips, The Netherlands) equipado con una bobina de 8 canales para cráneo. Este equipo se encuentra ubicado en el Servicio de Radiodiagnóstico del Hospital Universitario Virgen del Rocío (Sevilla). A la otra mitad de participantes (N=15) se le realizó el mismo estudio en un escáner Philips Achieva de 3 Teslas con 8 bobinas para cráneo. Estas imágenes de RM cerebral se adquirieron en el 39 39 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Servicio de Radiodiagnóstico del Hospital Quirón Salud Infanta Luisa (Sevilla). El protocolo empleado en la RM de 1,5T consta de dos secuencias: - secuencia T1-3D (MPRAGE: magnetization-prepared rapid gradient echo): tiempo de repetición (TR) = 8,5 ms, tiempo de eco (TE) = 4 ms, ángulo de rotación (flip angle) = 8º, dimensiones de la matriz de adquisición = 256 x 192. Se adquirieron 184 cortes sagitales de 1,2 mm de espesor sin espacio entre los cortes, y tiempo de adquisición = 5,4 min. - secuencia DWI (SE + secuencia de lectura EPI): tren de eco =59, tiempo de repetición (TR) = 13956ms, tiempo de eco (TE) = 70ms, ángulo de rotación (flip angle) = 90º, dimensiones de la matriz de adquisición = 128x128, dirección de codificación de fase = AP, técnica de adquisición paralela = SENSE, se adquirieron 74 cortes sagitales de 2 mm de espesor, 2mm de separación entre cortes y un tiempo de adquisición de 420s . Secuencia formada por una adquisición 𝑏0 y 15 de valor b=800 con un total de 16 direcciones de gradiente. El protocolo empleado en la RM de 3T consta de dos secuencias: - secuencia T1-3D (MPRAGE: magnetization-prepared rapid gradient echo): tiempo de repetición (TR) = 11 ms, tiempo de eco (TE) = 4,5 ms, ángulo de rotación (flip angle) = 8º, matriz de adquisición = 312 x 312. Se adquirieron 212 cortes sagitales de 0,8 mm de espesor sin espacio entre los cortes, y tiempo de adquisición = 9,1 min. - secuencia DWI (SE + secuencia de lectura EPI): tren de eco =67, tiempo de repetición (TR) = 10800ms, tiempo de eco (TE) = 78 ms, ángulo de rotación (flip angle) = 90º, dimensiones de la matriz de adquisición = 128x128, dirección de codificación de fase = AP, técnica de adquisición paralela = SENSE, se adquirieron 75 cortes sagitales de 2 mm de espesor, 2mm de separación entre cortes y un tiempo de adquisición de 875s. Secuencia formada por una adquisición 𝑏0 y 64 de valor b=1500, con un total de 65 direcciones de gradiente. La secuencia espín-eco utilizada en ambas adquisiciones (1.5T y 3T) está dos veces reorientada para mejorar la mayor parte de artefactos producidos por las corrientes parásitas [15]. Además, todos los parámetros de las secuencias empleadas en el presente estudio fueron previamente optimizados hasta obtener un buen contraste de sustancia gris y blanca cerebral en el escáner de RM en el que se iba a realizar el estudio. Posterior a la adquisición se realizó un control de calidad. Las imágenes fueron revisadas para descartar artefactos que pudieran afectar a los análisis posteriores. Aquellas imágenes que no reunían unos estándares de calidad se volvieron a adquirir en las siguientes semanas. (Ver punto 4.6 ) 4.5 Conversión DICOM a NII Las imágenes se han obtenido en formato DICOM y se han transformado a NII. Para dicha conversión se ha utilizado la herramienta “dcm2nii” de Chris Rorden’s [40] y se ha automatizado el proceso mediante un script. Por un lado, DICOM es un formato de almacenamiento de imágenes médicas que aparece como solución a los problemas de interoperabilidad entre tipos de dispositivos. En el estándar DICOM la información se define mediante un modelo que refleja el mundo real. Cada fichero contiene, además de la imagen, información sobre el paciente (identificación demográfica y de identificación), el estudio en el que se encuadra la toma de la imagen, la serie a la que pertenece la imagen e información sobre la propia imagen. Por otro lado, NIfTI es un Materiales y métodos 46 46 Tabla 4 - Parámetros PG Parámetros de entrada función proceso de Gauss Máscara Imagen en formato .nii Fichero de índices Fichero acqp Vector-b Valores-b Nombre fichero de salida Interpolación: lineal o spline Opciones: dont_peas, repol, ol_nstd Resaltaremos los parámetros que nos resultan nuevos hasta ahora. En primer lugar, el fichero “acqp” es un fichero de texto para describir los parámetros de adquisición de la imagen dada. Este fichero está formado por filas. Cada una consta de un vector de cuatro valores, los tres primeros (Tabla 5) especifican cuál es el eje de codificación de fase (x, y , z). Tabla 5 - Direcciones de codificación de fase PA 010 AP 0-10 RL 100 LR -100 El cuarto elemento de cada fila es el tiempo (en segundos) entre la lectura del primer eco y el último. Matemáticamente, es el "espaciado de eco" multiplicado por el "factor EPI". Ejemplo: Datos: - Espaciado de eco: 0.8 [ms] - Factor EPI: 128 Solución: 0.8*0.001*127=0.102 FIG. 29 - Referencia Tabla 6 - Ejemplo cálculo cuarto parámetro acqp.txt 47 47 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO En segundo lugar, el fichero de texto de índices determina la relación entre, por un lado, las imágenes potenciadas en difusión, y por otro lado, los parámetros de adquisición en el fichero acqp. Debe ser una sola fila con una entrada por volumen de la imagen de entrada. Utilizaremos un pequeño ejemplo, si nuestro fichero acqp es el que vemos en la Tabla 7 y los cuatro primeros volúmenes de nuestra imagen se adquirieron según los parámetros de la primera fila del acqp y los cuatro siguientes según la segunda fila, nuestro fichero de índices sería el siguiente (Tabla 7). Por último comentaremos las opciones “dont_peas” , “ol_nstd” y “repol”. Respecto a la primera, por defecto el “alineamiento post-eddy entre shells” denominado guisante está activado. Sin embargo, nuestras adquisiciones sólo tienen un único shell, es decir, un único valor-b distinto de cero y con este párametro desactivamos esta función. El segundo parámetro “ol_nstd” determina cuál debe ser la desviación estándar de un corte para ser considerado un valor atípico. Por defecto su valor es cuatro y está definido para un conjunto de datos entre 50- 100 direcciones. Sin embargo, nuestra adquisición de 1.5T solo posee 16 direcciones, por lo tanto, se ha cambiado el valor por defecto a un valor menor (tres) Por último, mencionar el parámetro “repol” que permite eliminar cortes muy dañados, es decir, cortes que poseen valores atípicos por encima de un umbral establecido, y reemplazarlos con predicciones hechas por el mismo proceso de Gauss. Exactamente lo que constituye un valor atípico se ve afectado por diferentes parámetros entre ellos el mencionado anteriormente “ol_nstd”. Cada imagen ha sido corregida con el proceso de Gauss usando diferentes configuraciones entre ellas variando la interpolación (spline o lineal) y usando o no el parámetro repol. 4.7.3 Evaluación de los procedimientos de procesamiento Como medida indirecta para evaluar la calidad del procedimiento de corrección de artefactos se ha calculado el número medio de valores atípicos en las imágenes después de la corrección [47]. Se ha considerado valor atípico según la Ecuación 21. 4.8 Modelado Una vez corregido nuestra imagen podemos pasar al modelado. Debido a las características de adquisición de nuestros datos (un único valor de b y pocas direcciones) hemos decidido aplicar el modelo DTI a nuestras 30 imágenes corregidas mediante el modelo DTI. Tabla 7 - Ejemplo fichero index.txt y su correspondiente acqp.txt Fichero acqp.txt 0 1 0 0.085 0 -1 0 0.085 Fichero index.txt 1 1 1 1 2 2 2 2 Materiales y métodos 48 48 Existen tres enfoques ampliamente utilizados para estimar el tensor de difusión: mínimos cuadrados lineal ordinarios (OLLS, también denominados quick and dirty), mínimos cuadrados lineales ponderados (WLLS) y los mínimos cuadrados no lineales (NLLS). La obtención de la estimación del tensor de difusión se obtiene por la minimización una función objetivo que varía dependiendo del enfoque utilizado ( lineal, basada en pesos o no lineal)[48]. Para las dos primeras aproximaciones las intensidades de señal ponderadas por difusión son log-transformadas primeramente [21]. En OLLS, cada observación contribuye igualmente al ajuste y así se establece un conjunto de ecuaciones simultáneas relacionando el logaritmo de la señal con los elementos desconocidos del tensor. De esta forma, una simple inversión de matriz produce los elementos desconocidos del tensor. Dada la naturaleza rápida de este enfoque es extremadamente popular y se emplea en varios paquetes de software populares [48]. Sin embargo, la consecuencia de tomar la transformación logarítmica es que, a pesar de que los errores de ruido/aleatorio en la señal antes de la transformación logarítmica son uniformes (es decir, homoscedásticos), después de dicha transformación la señal se convierte en una función de la propia señal en sí misma y por lo tanto los errores son heteroscedásticos. Para abordar adecuadamente esto, se requiere una regresión lineal ponderada (WLLS), donde se tiene que calcular una matriz de covarianza derivando la relación entre la varianza en los datos log-transformados y los no log-transformados e incluirlos en la etapa de regresión [21]. Aunque esto hace que la computación sea más larga, los resultados son mucho más robustos y WLLS es preferible a OLLS [48]. En NLLS, por otro lado, no hay transformación logarítmica de la señal y por lo tanto los errores siguen siendo homoscedásticos. Por esto la matriz covarianza es un múltiplo de la matriz de identidad y puede efectivamente ser factorizada fuera del análisis, que es una ventaja sobre los enfoques del marco lineal. Mientras que NLLS es atractivo en que se ajusta el modelo a los datos directamente produciendo resultados que son superiores a WLLS (y por lo tanto a OLLS) el tiempo computacional es considerablemente más largo, y además, se debe tener especial cuidado con que no quede atrapado en un extremo local. Por otro lado, como método novedoso nos encontramos con RESTORE (Robust Estimation of Tensor by Outlier Rejection). Su tiempo de procesamiento es mayor que los anteriores, pero más resistente a artefactos. Es un método iterativo para estimar parámetros de un modelo matemático a partir de un conjunto de datos observados que contienen valores atípicos, datos que no encajan en el modelo, cuando no se debe otorgar a los valores atípicos ninguna influencia sobre los valores de las estimaciones. Por lo tanto, también puede interpretarse como un método de detección de valores atípicos. Tanto RESTORE como el enfoque no lineal han sido probados en la literatura con adquisiciones con un número mayor de 65 direcciones de gradientes. Una vez hemos ilustrado los diferentes enfoques y la calidad de cada uno de ellos pasaremos a aplicarlos. Para posteriormente analizar cuál de éstos hace mejor ajuste de la estimación del tensor. Hemos utilizado EDTI para esta labor ya que posee los cuatro algoritmos existentes, y FSL solamente posee el lineal y el de pesos. 49 49 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 4.8.1 Evaluación de los procedimientos de estimación de tensores Se han utilizado dos modelos para comprobar la calidad del ajuste del tensor de difusión donde valores más bajos reflejan un mejor ajuste del tensor a los datos. En primer lugar, el error de ajuste del modelo (E) utilizado en [16], donde calculamos el valor absoluto de la media normalizada de los residuos con respecto al modelo del tensor (Ecuación 25). E = mean ( 𝑎𝑏𝑠(𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠) 𝑆󰆹𝑘+ 𝑆0 𝑒−(∑ ∑ 𝑏𝑖,𝑗𝐷𝑓𝑖𝑡 𝑖,𝑗𝑖=𝑥,𝑦𝑧 ) 𝑗=𝑥,𝑦,𝑧 ) Ecuación 25 En el segundo procedimiento se evalúa la media de la suma de los errores al cuadrado de la predicción (SSE). Es una medida de la discrepancia entre los datos y el modelo de estimación. Nos dice como de bien nos ajustamos a nuestra pendiente de regresión, donde N hace referencia al número de volúmenes en la imagen. SSE = mean (∑(𝐷𝑊𝐼−𝐷𝑊𝐼𝑝𝑟𝑒𝑑)2 𝑁 𝑖=1 Ecuación 26 Por otro lado, otro punto a valorar es el tiempo de computación de cada método. En la siguiente tabla se recogen en minutos. Tabla 8 - Tiempo computación modelado DTI Método estimación tensor Adquisición RM 1.5T Adquisición RM 3T OLLS 1 2 WLLS 3 5 NLLS 15 25 RESTORE 30 45 4.9 Análisis estadísticos Los análisis estadísticos de este estudio se realizaron con el programa SPSS v.22 (SPSS Inc., Chicago, IL). Primeramente, se realizó una estadística descriptiva basada en la media y su error estándar empleada en el estudio de evaluación del método de procesamiento (i.e., número de valores atípicos arrojados por cada una de las técnicas de corrección de artefactos) En segundo lugar, se utilizó un análisis de la varianza (ANOVA) de medidas repetidas para determinar si los diferentes métodos de corrección de movimiento (i.e., Costes y Gaussiano) diferían en el número de valores atípicos. Se utilizó la variable configuración como factor intra-sujeto y se corrigió la probabilidad de cometer falsos positivos mediante la técnica de Bonferroni. Si el ANOVA omnibus alcanzó la significación (p<0.05) se realizaron los análisis post hocs correspondientes (p<0.05). Este mismo análisis se empleó para cada intensidad de campo magnético (i.e., 1.5T y 3T). Materiales y métodos 50 50 Los análisis anteriores servirán para seleccionar el mejor procesamiento cuyo funcionamiento se adapta mejor a las características de nuestras adquisiciones. Seguido esto, las imágenes corregidas por la técnica escogida serán modeladas con los diferentes algoritmos existentes para la obtención de la estimación de tensores del modelo DTI. De nuevo se repetirá el procedimiento, se realizará una estadística descriptiva para cada método basada en la media y error estándar de cada medida del error empleada en el estudio de la evaluación de los algoritmos existentes de estimación de tensores del modelo DTI (i.e., modelo del error y SSE). Finalmente, las diferencias estadísticas entre cada método de estimación de tensores serán evaluadas mediante un ANOVA de medidas repetidas, utilizando la variable independientes configuración (de los distintos algoritmos de corrección) y enfoque (métodos de modelado) como factor intra-sujeto y corrigiendo la probabilidad de cometer falsos positivos mediante la técnica de Bonferroni. Si el ANOVA omnibus alcanzaba la significación (p<0.05) se realizaron los análisis post hocs entre cada uno de los métodos (p<0.05). Este mismo análisis también se empleó para cada tipo de error evaluado (i.e., modelo del error y SSE) y para cada intensidad de campo magnético (i.e., 1.5T y 3T). 51 51 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO 5 RESULTADOS continuación, se presentarán en primer lugar los análisis que nos han permitido identificar el método de procesamiento que arroja mejores resultados en lo que a la corrección de artefactos se refiere. En segundo lugar, una vez se hayan corregido las imágenes con el método más adecuado desde el punto de vista estadístico, realizaremos los análisis pertinentes para identificar el método que mejor modela las imágenes ponderadas en difusión. 5.1 Procesamiento 5.1.1 Resultados obtenidos con imágenes adquiridas en RM de 1.5T En la FIG. 30 se representa la media y el error estándar de la media para cada método de corrección de artefactos. Como estos métodos están asociados a diferentes procedimientos de interpolación, nuestra variable independiente incluye un total de 5 condiciones: dos derivadas de los métodos de coste (lineal_Q y spline_Q) y tres derivadas de los métodos del proceso de Gauss (lineal_PG, spline_PG y spline_repol_PG). En general, nuestros resultados muestran que los métodos de procesamiento Gaussiano (PG) resultan en un menor número de valores atípicos en comparación con los métodos basados en funciones de coste (Q). Además, los métodos de interpolación spline funcionan mejor que los lineales. FIG. 30 - Valor medio del número de valores atípicos en cada uno de los métodos de procesamiento en adquisiciones de 1.5T Estos resultados se confirmaron estadísticamente. El ANOVA reveló un efecto principal de la variable método (F4,56 = 7,9; p = 0.005) que se debió a los excelentes resultados derivados de los métodos basados en los procesos de Gauss, concretamente los que hacen uso de la interpolación spline. De hecho, los análisis post hoc indicaron que el método spline_repol_PG fue el que arrojó mejores resultados en comparación con todos excepto con el spline_PG (0.012 < p < 0.042). Por su parte, el spline_PG mostró resultados significativamente mejores cuando se comparó con el método lineal_Q (p = 0.016) y con el lineal_PG (p = 0.039). A 0 200 400 600 linear_Q spline_Q linear_PG spline_PG spline_repol_PG Outliers Método de procesamiento Resultados 52 52 Los resultados han mostrado por tanto que los procedimientos de corrección basados en spline_PG son los que producen un menor número de outliers, independientemente del uso del repol, lo que podría estar causado por el control de calidad que sufren las imágenes como parte del procedimiento. 5.1.2 Resultados obtenidos con imágenes adquiridas en RM de 3T Como ocurría con las adquisiciones de RM de 1.5 T, los resultados indicaron que los métodos del proceso de Gauss proporcionan de media menos valores atípicos que los métodos basados en los procedimientos de coste, y que la interpolación spline mejora respecto a la lineal. FIG. 31 - Valor medio del número de valores atípicos en cada uno de los métodos de procesamiento en adquisiciones de 3T Las diferencias entre los métodos fueron estadísticamente significativas (F4,56 = 12,5; p = .005). Aunque el método spline_repol_pg fue el que mostró mejores resultados, estos solo difirieron estadísticamente al compararlos con los métodos de coste, tanto con el de interpolación lineal (p = .001) como con el de interpolación spline (p = .0039). El siguiente método que proporcionó mejores resultados fue el spline_PG. En este caso, las diferencias solo llegaron a ser significativas cuando se comparó con el método lineal_Q (p = .007). 5.2 Modelado En vista de los resultados derivados del procesamiento (apartado 5.1), se optó por utilizar los métodos de corrección basados en el proceso de Gauss. El siguiente paso fue aplicar el modelo DTI a las imágenes corregidas. Este paso requiere estimar los tensores, para lo cual existen 4 enfoques: OLLS (Ordinary Linear Least Square), WLLS (Weigth Linear Least Square), NLLS (Non Linear Least Square) y RESTORE (Robust Estimation of Tensors by Outlier Rejection). Tenemos por tanto un método (basado en el proceso de Gauss) con 3 configuraciones distintas de corrección de artefactos y 4 algoritmos de estimación de tensores que se han aplicado a imágenes de 30 sujetos. Por consiguiente, cada imagen se ha procesado con 12 métodos diferentes que han sido codificados por numeración (Tabla 9). 0 200 400 600 800 1000 linear_Q spline_Q linear_PG spline_PG spline_repol_PG Outliers Método de procesamiento 53 53 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Tabla 9 - Leyenda procedimientos modelado Leyenda Código LINEAR_OLLS 1 LINEAR_WLLS 2 LINEAR_NLLS 3 LINEAR_RESTORE 4 SPLINE_OLLS 5 SPLINE_WLLS 6 SPLINE_NLLS 7 SPLINE_RESTORE 8 SPLINE_REPOL_OLLS 9 SPLINE_REPOL_WLLS 10 SPLINE_REPOL_NLLS 11 SPLINE_REPOL_RESTORE 12 5.2.1 Resultados obtenidos con imágenes adquiridas en RM de 1.5T En la FIG. 32 se representa la media y su error estándar para el método de evaluación basado en el error del ajuste del modelo (E). Como se aprecia en la figura, para todas las configuraciones el enfoque OLLS fue el que arrojó los peores resultados y el RESTORE el que mostró el menor número de errores. Este resultado viene avalado por el efecto principal del algoritmo de estimación de tensores (F3,42 = 287,7; p < 10-14). En el caso de la configuración, de acuerdo con los resultados de procesamiento, los mejores resultados se asocian con el método basado en la interpolación spline_repol (F2,28 = 106,8; p < 10-8). Por lo tanto, los mejores resultados se obtuvieron con spline_repol_RESTORE Resultados 54 54 FIG. 32 – Media y error estándar de E en resultados adquiridos en 1.5T En la FIG. 33 se representa la media y el error estándar de la media para la suma del cuadrado de los errores de la predicción de los datos. Aunque como se ilustra en la Figura el RESTORE volvió a mostrar los mejores resultados, el efecto principal de factor algoritmo de estimación de tensores no fue confirmado por el ANOVA. Por el contrario, y tal como cabría esperar, el ANOVA confirmó el efecto principal de la configuración (F2,28 = 147,8; p < 10-11), y de nuevo los mejores resultados se asociaron al spline_repol (p < 10- 5). FIG. 33 – Media y error estándar de SSE en resultados adquiridos en 1.5T 5.2.2 Resultados obtenidos con imágenes adquiridas en RM de 3T En lo que al número de errores se refiere (E), el ANOVA mostró efectos principales significativos para la configuración (F2,28 = 230,4; p = 10-9) y el enfoque (F3,42 = 1833,9; p = 10-15). Tal como se ilustra en la FIG. 34, los enfoques NLLS y RESTORE mostraron resultados mejores que el resto de los enfoques, aunque el RESTORE continuó siendo mejor que el NLLS. Este efecto fue significativo para todas las configuraciones, aunque el uso de la interpolación spline arrojó mejores resultados. 400 450 500 550 600 1 2 3 4 5 6 7 8 9 10 11 12 SSE Método de modelado 0,028 0,03 0,032 0,034 1 2 3 4 5 6 7 8 9 10 11 12 Error del ajuste del modelo (E) Método de modelado 55 55 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO FIG. 34 - Media y error estándar de E en resultados adquiridos en 3T Al contrario de lo observado con las imágenes de 1,5T, cuando se incrementó el campo magnético a 3T el ANOVA además de mostrar diferencias significativas entre las diferentes configuraciones (F2,28 = 185,9; p = 10-9) mostró un efecto principal del enfoque (F3,42 = 313,7; p = 10-19). Como se observa en la FIG. 35 el enfoque NLLS arrojó los mejores resultados seguido por el RESTORE. Este efecto se vio para todas las configuraciones, pero de nuevo los mejores resultados se dieron para la interpolación spline. FIG. 35 - Media y error estándar de SSE en resultados adquiridos en 3T 15000 17000 19000 21000 23000 25000 1 2 3 4 5 6 7 8 9 10 11 12 SSE Método de modelado 0,06 0,064 0,068 0,072 12345678910 11 12 Error del ajuste del modelo (E) Método de modelado Referencias 62 62 [42] “FreeSurfer.” [Online]. Available: http://surfer.nmr.mgh.harvard.edu/. [43] L. Vincent and P. Soille, “Watersheds in digital spaces: an efficient algorithm based on immersion simulations,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 13, no. 6, pp. 583–598, Jun. 1991. [44] A. M. Dale, B. Fischl, and M. I. Sereno, “Cortical surface-based analysis. I. Segmentation and surface reconstruction.,” Neuroimage, vol. 9, no. 2, pp. 179–94, Feb. 1999. [45] “FSL.” [Online]. Available: http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/. [46] S. Mori, S. Wakana, L. M. Nagae-Poetscher, and P. C. M. Van Zijl, “MRI Atlas of Human White Matter,” Elsevier, p. 931, 2005. [47] A. M. Heemskerk, A. Leemans, A. Plaisier, K. Pieterman, M. H. Lequin, and J. Dudink, “Acquisition guidelines and quality assessment tools for analyzing neonatal diffusion tensor MRI data.,” AJNR. Am. J. Neuroradiol., vol. 34, no. 8, pp. 1496–505, Aug. 2013. [48] C. G. Koay, L.-C. Chang, J. D. Carew, C. Pierpaoli, and P. J. Basser, “A unifying theoretical and algorithmic framework for least squares methods of estimation in diffusion tensor imaging,” J. Magn. Reson., vol. 182, no. 1, pp. 115–125, Sep. 2006. 63 63 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Referencias 64 64 65 65 PROTOCOLO PARA ANALIZAR DIFFUSION TENSOR IMAGING (DTI) DEL CEREBRO HUMANO Referencias 66 66