تأثیر انتخاب مدل محفظه سیگنال 7T GRE-MRI بر پارامترهای بافت

این یک مقاله با دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (CC توسط) توزیع شده است. استفاده ، توزیع یا تولید مثل در سایر انجمن ها مجاز است ، مشروط بر اینکه نویسنده اصلی (ها) و مالک (های) دارای حق چاپ (دارایی) اعتبار داشته باشند و انتشار اصلی در این ژورنال مطابق با عمل دانشگاهی پذیرفته شده استناد می شود. بدون استفاده ، توزیع یا تولید مثل مجاز است که این شرایط را رعایت نمی کند.

داده های مرتبط

مجموعه داده های تولید شده برای این مطالعه به درخواست نویسنده مربوطه در دسترس است.

خلاصه

ارزیابی کمی از ریزساختار بافت در مطالعه بیماری های مغز و اختلالات مغز مهم است. داده های تصویربرداری رزونانس مغناطیسی فوق العاده بالا (MRI) به دست آمده با استفاده از یک توالی اکو شیب چند اکو نشان داده شده است که حاوی اطلاعاتی در مورد محفظه های میلین ، آکسون و خارج سلولی در بافت است. ارزیابی کمی از کسر آب ، زمان آرامش (t₂*) ، و تغییر فرکانس با استفاده از مدل های چند محفظه نشان داده شده است که در مطالعه خواص ماده سفید از طریق پارامترهای بافت خاص مفید است. هنوز مشخص نیست که چگونه پارامترهای بافت با انتخاب مدل بر اساس داده های MRI Echo (GRE) چندین زمان اکو-ثبت شده با شیب 7T 7T متفاوت است. ما از مدل های محفظه سیگنال موجود در Corpus callosum استفاده کردیم و بررسی کردیم که آیا یک مدل سه محفظه را می توان به دو محفظه کاهش داد و هنوز هم پارامترهای ماده سفید را برطرف می کند [یعنی ، کسر آب میلین (MWF) و نسبت G]. ما نشان می دهیم که MWF باید با استفاده از یک مدل سه محفظه در Corpus callosum محاسبه شود ، و نسبت های G به دست آمده با استفاده از سه مدل محفظه با گزارش های قبلی سازگار است. ما برای پارامترهای دیگر ، مانند تغییر فرکانس محفظه سیگنال ، نتایج ارائه می دهیم.

واژه‌های کلیدی: تصویربرداری میلین ، تغییر فرکانس ، بازپرداخت فاز ، ماده سفید ، کالوس کالوسوم ، محفظه سیگنال

معرفی

میلین یکی از مؤلفه های اصلی بافت ماده سفید در مغز است که به عنوان یک عایق آکسون برای کمک به انجام سیگنال های عصبی عمل می کند (Caminiti et al. ، 2009). دمیلیناسیون با بیماریهای مختلف ماده سفید مانند مولتیپل اسکلروزیس ، اسکیزوفرنی ، سکته مغزی مغز و حتی بیماری آلزایمر همراه بوده است (مور و همکاران ، 2000 ؛ لائول و همکاران ، 2004 ؛ مکای و همکاران ، 2006 ؛ بژانین و همکاران ، ،2016 ؛ Lehto et al. ، 2016). روشهای مختلف مبتنی بر رزونانس مغناطیسی (MR) مانند T₁و t₂آرامش (McDespot) (Deoni et al. ، 2011) ، تصویربرداری از تانسور انتشار (بیلیت و همکاران ، 2015 ؛ دیویس-تامپسون و همکاران ، 2016) ، نسبت انتقال مغناطیس (گروسمن و همکاران ، 1994 ؛ اشمیرر و همکاران ،2004) ، زمان اکو فوق العاده کوتاه (UTE) (Horch et al. ، 2011 ؛ Wilhelm et al. ، 2012) و T₁-وزن/T₂روشهای نقشه برداری نسبت تصویر وزن به عنوان یک نشانگر حساس برای میلین در مولتیپل اسکلروز و اسکیزوفرنی استفاده شده است (Beer et al. ، 2016 ؛ Granberg et al. ، 2017) و تجسم آن کنتراست میلین در مغز (Ganzetti et al. ،2014).

روشهای مبتنی بر زمان آرامش چرخش اسپین (یعنی t₂) نقشه برداری (Mackay et al. ، 1994 ؛ Whittall et al. ، 1997) با استفاده از توالی چرخش چند اکو برای برآورد کسر آب میلین (MWF) در ماده سفید استفاده شد. تکنیک مدل سازی ریاضی مورد استفاده برای محاسبات سیگنال بر اساس پوسیدگی غیر گسترده ای بود₂منحنی به دست آمده با استفاده از یک توالی اکو اسپین چند اکو. این تکنیک سیگنالهایی را از محفظه های مختلف بافت (میلین ، آکسون یا خارج سلولی) جدا می کند ، که در آن کوتاهترین T₂محفظه سیگنال فرض می شود که آب میلین باشد (Mackay et al. ، 1994 ؛ Lancaster et al. ، 2003). پارامترهای میلین از داده های بزرگی Echo Spin Echo استخراج شده است (Mackay et al. ، 1994 ؛ Laule et al. ، 2004). این رویکرد برای مطالعه بیماریهای مختلف مغزی مانند مولتیپل اسکلروز و اسکیزوفرنی مورد استفاده قرار گرفته است ، که در آن کاهش آماری معنی داری در MWF وجود داشت (فلین و همکاران ، 2003 ؛ رایت و همکاران ، 2016).

با این حال ، توالی اکو Spin Multi-Echo به دلیل استفاده از پالس های چندگانه با استفاده مجدد از 180 درجه ، میزان جذب خاص بالاتری را در بافت ایجاد می کند. داده های ECHO Spin همچنین حساسیت بالاتری نسبت به ناهمگونی های فرکانس رادیویی (RF) دارند و به طور کلی می توان پوشش حجم کمتری با وضوح پایین تر به دست آورد. از طرف دیگر ، توالی تصویربرداری رزونانس مغناطیسی چند اکو (GRE) با یک پالس RF منفرد با زاویه های تلنگر کم (FA) می تواند یک استراتژی جمع آوری داده های جایگزین را فراهم کند که بر اشکالات مرتبط با توالی اسپین اکو غلبه کند. از آنجا که داده های GRE-MRI در t جمع آوری می شود₂* رژیم ، مدل های مختلف محفظه بافت باید توسعه یابد.

تعدادی از مدل های محفظه سیگنال برای داده های GRE-MRI برای نقشه برداری از پارامترهای مختلف بافت ارائه شده است (هوانگ و همکاران ، 2010 ؛ ساتی و همکاران ، 2013 ؛ نام و همکاران ، 2015 ؛ Thapaliya و همکاران ، 2018)بشراین مدل ها از محفظه های سیگنال میلین ، آکسون و خارج سلولی تشکیل شده اند و هر محفظه دارای کسری آب است ، t₂∗ مقدار و تغییر فرکانس. توجه داشته باشید که داده های GRE-MRI از هر دو مقدار و اطلاعات فاز تشکیل شده است. محققان وابستگی جهت گیری ماده سفید را با توجه به میدان اسکنر در مقدار تغییر فرکانس نقشه برداری (Wharton and Bowtell ، 2012) ، در کنار شکل و اندازه الیاف (Xu et al. ، 2017) و بسته بندی آنها نشان داده اند (چن و همکاران ،2013). نکته قابل توجه ، غلاف میلین یک ساختار لایه ای است که آکسون ها را عایق می کند ، و از لیپیدها (70 ٪) و پروتئین ها (30 ٪) تشکیل شده است (مورل و کوارلز ، 1999). مؤلفه لیپید تأثیر بیشتری در فاز سیگنال GRE-MRI نسبت به مؤلفه پروتئین دارد (لی و همکاران ، 2012 ؛ Duyn and Schenck ، 2016). به این ترتیب ، سیگنال وکسل پیچیده GRE-MRI حاوی اطلاعات مهمی در مورد سازمان بافت و ترکیب است که از آن پارامترهای بافت خاص با هدف استخراج با استفاده از رویکردهای مدل سازی چند محفظه استخراج می شوند.

پنج مدل مختلف محفظه سیگنال GRE-MRI برای مطالعه خصوصیات بافت ایجاد شده است که هر کدام تعداد متفاوتی از پارامترهای مدل دارند. مدل محفظه سیگنال ارائه شده توسط هوانگ و همکاران.(2010) فرض می کند سه استخر آب ، و محفظه ها با کسر آب و پارامترهای زمان آرامش مشخص می شوند. این مدل دارای هفت پارامتر است و با قرار دادن بزرگی سیگنال GRE-MRI قابل استخراج است. استفاده از این مدل منجر به باقیمانده های بزرگ می شود ، به ویژه هنگامی که جهت گیری فیبر ماده سفید عمود بر میدان اسکنر باشد. کار بعدی با در نظر گرفتن اصطلاحات تغییر فرکانس برای هر محفظه ، منجر به کاهش باقیمانده ها شد ، و منجر به یک مدل نه پارامتر و سیگنال های با ارزش متناسب با مجتمع می شود (Sati et al. ، 2013). چالش اصلی استفاده از این مدل ، حذف اثرات میدانی ماکروسکوپی موجود در تصاویر فاز (به عنوان مثال ، تغییرات فاز به دلیل رابط های اتصال هوا ، مرزهای فلزی) است که مانع از محاسبه تغییرات فرکانس محفظه می شود. در حالی که چندین روش برای از بین بردن اثرات ماکروسکوپی پیشنهاد شده است ، اثرات باقیمانده در تصاویر فاز باقی مانده است (Neelavalli et al. ، 2009 ؛ Liu et al. ، 2011). به جای تصحیح اثرات میدانی ماکروسکوپی در سیگنال خام ، نام و همکاران.(2015) اثر میدان ماکروسکوپی را در معادله سیگنال گنجانیده و در نتیجه یک مدل 10 پارامتر ایجاد می شود. ما مدل را به 11 پارامتر در کار قبلی گسترش دادیم ، جایی که از پارامتر اضافی برای حساب کردن کف سر و صدا در داده های GRE-MRI استفاده شده و آن را در مناطقی از Corpus callosum اعمال می کند (Thapaliya و همکاران ، 2018). از انواع مدل برای مطالعه ضایعات در بیماران مبتلا به مولتیپل اسکلروزیس (لی و همکاران ، 2015) و مناطق بافت دیسپلاستیک در صرع کانونی استفاده شده است (Thapaliya و همکاران ، 2019).

بر اساس مدل های محفظه سیگنال GRE-MRI که قبلاً منتشر شده بود ، تعدادی از نکات نامشخص است: (i) چگونه پارامترهای بافت تحت تأثیر انتخاب مدل قرار می گیرند ، (ب) چه تعداد محفظه و پارامترها برای به دست آوردن یک اندازه گیری قوی از پارامترهای بافت لازم است ونسبت G- نسبت ، و (iii) می توانند پارامترهای خاص در بین محفظه های مختلف یکسان باشند تا پیچیدگی مدل را کاهش دهند؟

مواد و روش ها

این مطالعه توسط کمیته اخلاق انسانی دانشگاه تصویب شد و رضایت آگاهانه کتبی از 10 شرکت کننده سالم (30 تا 41 ساله) به دست آمد. داده ها با استفاده از یک توالی سه بعدی (3D) GRE-MRI در یک اسکنر تحقیقاتی MRI 7T بدن (زیمنس بهداشت ، ارلانگن ، آلمان) با یک سیم پیچ 32 کانال (نوا پزشکی ، ویلمینگتون ، دی ، ایالات متحده) به دست آمد. با استفاده از پارامترهای دنباله زیر: ضریب شتاب = GRAPPA 2 ، زمان اکو از 2. 04 تا 46. 41 ms با فاصله اکو 1. 53 میلی ثانیه (30 مداحی در کل) ، زمان تکرار (TR) = 51 میلی ثانیه ، FA = 20 درجه ، اندازه وکسل = 1× 1 × 1 میلی متر 3 ، اندازه ماتریس = 144 × 168 × 144 ، و زمان جمع آوری کل 6 دقیقه 13 ثانیه بود. داده های کانال انفرادی با محاسبه نقشه نویز فاز سیگنال با گرفتن اختلاف فاز وکسل عاقلانه بین هر دو کانال پردازش شدند. نقشه نویز با استفاده از فیلتر گاوسی صاف شد ، واریانس بیش از یک شبکه فضایی 3 در 3 محاسبه و آستانه برای تشکیل ماسک جایی که این اطلاعات دو کانال به طور متوسط بود ، آستانه شد. این فرآیند برای همه ترکیبات دو کانال تکرار شد و برای تولید تصاویر فاز سیگنال ترکیبی خلاصه شد (بولمن و همکاران ، 2015). ماسک مغزی برای هر شرکت کننده با استفاده از شرط بندی FSL ایجاد شد (اسمیت و همکاران ، 2004). بازپرداخت فاز و پردازش میدان پس زمینه با استفاده از Iharperella 1 (STI Suite) (لی و همکاران ، 2014) برای ایجاد فاز بافت انجام شد. ما از پارامترهای پیش فرض استفاده می کنیم [تعداد تکرارها = 100 ؛padsize = (100 100 100)] در iharperella برای پردازش مجموعه داده های خریداری شده.

تجزیه و تحلیل ذینفع منطقه

Corpus callosum به صورت دستی به هشت منطقه مورد علاقه تقسیم شد (ROI: ROSTRUM ، GUEL ، بدن متوسط قدامی ، بدن میانی خلفی ، Isthmus و دو منطقه Splenium ؛ شکل 1 را ببینید) با استفاده از یک الگوی استاندارد (ویتلسون ، 1989) و باکمک به نرم افزار MIPAV 2 (McAuliffe و همکاران ، 2001) با استفاده از داده های بزرگی از شرکت کنندگان فردی. این الگوی شامل هشت ROI بود ، اما ما فقط از هفت مورد از آنها استفاده کردیم. با توجه به تعداد کمی از وکسل های موجود در گلدان ، این منطقه از تجزیه و تحلیل حذف شد. برای تجزیه و تحلیل های اضافی ، Corpus callosum نیز به سه زیر منطقه اصلی (GUEL ، MID بدن و اسپلنیوم) با هر منطقه شامل حداقل 30 و حداکثر 98 وکسل تقسیم شد. از داده های هر دو زیرزمین هفت و سه Corpus callosum برای مطالعه تغییرات پارامتر بافت با انتخاب مدل بر روی Corpus callosum استفاده شد. جهت گیری فیبر ماده سفید در هر ROI فرض بر این بود که عمود بر میدان مغناطیسی اسکنر است. در حین دستیابی به داده ها ، مراقبت از خط پیوستن به گوش هر یک از شرکت کنندگان عمود بر مته اسکنر انجام شد. یک سیگنال نماینده برای هر ROI با میانگین سیگنال های پیچیده از برش های مجاور بدست آمد. سیگنال های سه برش مجاور برای بهبود کیفیت سیگنال به طور متوسط انجام شد.