Введение
Функциональные магнитно-резонансные методы, обнаруживают в естественных условиях, гемодинамические реакции головного мозга, связанные с конкретной задачей. После определения канала статистических процессов, соответствующая информация, содержащаяся в сигналах функциональной МРТ Кровь-Кислород-Уровень-Зависимость, преобразуется в 3D статистические параметрические карты (Statistical Parametric Maps (SPM)). В более ранних работах было исследовано, как удобнее обобщить подобные оригинальные 3D-распределения, составив более компактное описание, состоящее из набора индексов, рассчитанных для каждой функциональной области.
Эти значения, называемые взвешенными индексами активации (Activation Weighted Indexes (AWI)), варьируются от 0 до 1 и учитывают все области мозга, содержащиеся в конкретном шаблоне, используемом для совместной регистрации (например, при использовании стандарта Juelich будет 121 индекс). Предлагаемая процедура извлечения функций на основе AWI уменьшает трехмерное SPM распределение до одномерного AWI распределения. Полученная квантованная структура данных активаций мозга, связанных с задачами, которую назвали Activation-Weighted Vector (AWV), является гистограммой, где каждая ячейка представляет собой уровень функциональности каждой структуры мозга. Выразительность AWV зависит от процедуры нормализации результатов сканирования МРТ: чем больше регионов имеет стандартный атлас, тем больше вычисляемых AWI. Исходя из этих соображений, была рассмотрена проблема создания инклюзивного шаблона для анализа AWI, удовлетворяющего правильный компромисс между исчерпанием мощности и удобством визуального использования.
Описание гибридного атласа CRAIIM
Гибридный атлас является результатом объединения различных шаблонов мозга, найденных в программной библиотеке FMRIB. Они представляют собой гистологический атлас Юэлиха (Juelich) и кортикальные и субкортикальные структуральные атласы Гарварда-Оксфорда (Harvard-Oxford). Оба они имеют вероятностную маркировку и зарегистрированы в MNI152 пространстве. Модель Юэлиха была создана путём усреднения многогранных посмертных цито и миело-архитектонических сегментаций, в результате чего было обнаружено 52 структуры серого вещества и 10 структур белого вещества. Модели Гарварда-Оксфорда охватывают 48 кортикальных и 21 субкортикальных структурных областей, рассчитанные путем сегментации T1-взвешенных изображений здоровых мужчин и женщин. Совместный процесс был возможен при выборе эталонного атласа и последующим добавлении недостающих анатомических структур. В данном случае атлас Юэлиха был шаблоном, из которого регионы с дефицитом легко включались, выбранные из Гарвард-Оксфордского атласа.
Эта процедура, образуемая полными или частичными союзными операциями, дает начало гибридному атласу, который охватывает 161 область, в которой 121 - это 100% Юэлиха, а другие 40 - это переменные части оригинальных объемов мозга из шаблонов Гарварда-Оксфорда. Преимуществом этого гибридного атласа является интеграция фундаментальных моделей нейроанатомии, пригодных для совместной регистрации, которые в стандартном шаблоне отсутствовали, например, многие лобные и височные участки коры, расположенные под мозолистым телом, поясная извилина и таламусные половины. Ограничение заключается в том, что эти регионы в некоторых случаях являются незначительной долей шаблона Гарварда-Оксфорда. Гибридизованный атлас имеет формат NIFTI и его FSL-подобное название CRAIIM-thr0-1mm.nii.gz (где thr0 - порог вероятности вокселя, т.е. вероятность ≥0 мм относится к определенной анатомической метке, 1 мм означает разрешение вокселя).
Клинические приложения
Как описано выше, гибридный атлас CRAIIM имеет 161 область. С помощью этого шаблона регистрации процедура AWV генерирует векторы 161 индекса из каждого SPM, что дает важные преимущества как в анализе сбора данных, так и в индивидуальной интерпретации данных. Данные, представленные в векторном пространстве, используются для эффективного выполнения количественных измерений разнородности функциональных активаций мозга, на основе заданных выбранных параметров. Методы неконтролируемого обучения естественным образом применяются для изучения структуры данных, а затем для обнаружения и распознавания характерных неврологических паттернов, которые выявляют скрытые особенности, а также позволяют интерпретировать их как отдельные сигнатуры мозга.
С помощью анализа AWV, радиологи исследуют активацию относительно макрокатегорий, как вклад белых/серых веществ, так и функциональное равновесие левого/правого полушарий. Кроме того, AWV позволяет врачу обследовать географически определенные зоны, такие как лобную или височную кору, двигательные или зрительные системы, лимбическое ядро, мозолистую спайку или более детально изучить область Вернике и т. д. AWVs также облегчают строгие методы оценки и контроля за пациентами. Например, в рамках однородной группы, врачи могут обнаружить интересные различия уровней, или между разнородными, напротив интересное сходство. Кроме того, включая фактор времени для каждого субъекта, продольные исследования, основанные на AWV, могли бы выделить процессы пластичности мозга, более подходящие, чем классический качественный визуальный осмотр SPM. Такого рода клинические оценки имеют претензии среди контроля до/после нейрохирургической операции или во время длительных обычных проверок пациентов.
Очевидно, что AWV-анализ является математическим инструментом, хорошо применимым как с активной парадигмой, так и с пассивной, например, для получения фМРТ в состоянии покоя, при которой распределенная функциональная связь играла бы большую роль вместо локальной определенной ожидаемой активации.
Выводы и планы
Гибридный атлас, благодаря своим особенностям, улучшил активный взвешенный векторный анализ. Он имеет клиническую полезность для методологии AWV, но при этом, так же имеет некоторую незавершенность для представления всей области мозга. Отсутствует такая специфичная структура, как мозжечок, и некоторые области, составляющие несколько процентов от полного атласа. Еще одно качество атласа, которое надо улучшить, это разрешение всего около 1 мм. В будущем планируется обобщить процедуру создания атласа, с помощью которой можно будет легко найти решения для различных функциональных нейрорадиологических приложений, с учетом важности существующего специализированного шаблона.
