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

Abstract

El cerebro está compuesto por una gran variedad de células nerviosas que pueden clasificarse, de forma muy general, en neuronas de proyección, cuyos axones integran la sustancia blanca (SB) cerebral, e interneuronas, con axones confinados a la sustancia gris. Por lo tanto, la SB está formada por los haces de fibras nerviosas que facilitan la comunicación entre regiones cerebrales distantes y la integración de la información en un sistema de procesamiento distribuido. El estudio de la conectividad cerebral ha estado siempre muy presente en la investigación neurocientífica, ya que ha permitido delimitar aquellos circuitos cerebrales que subyacen a cada una de las funciones cognitivas y motoras que caracterizan a los humanos. Desde los primeros estudios de tinción neuronal realizados por Camillo Golgi y Santiago Ramón y Cajal, se han diseñado una gran variedad de técnicas dirigidas a estudiar la conectividad cerebral. El nivel máximo de detalle estructural se obtiene a partir de los análisis de microscopía electrónica que permiten identificar los contactos sinápticos de un circuito local y el número de espinas dendríticas de cada neurona. Sin embargo, esta aproximación no permite estudiar la conectividad cerebral mediante técnicas in vivo y, por lo tanto, tiene un recorrido muy limitado en el diagnóstico de enfermedades del sistema nervioso. Actualmente, la aproximación más utilizada para estudiar la conectividad cerebral se basa en el estudio de las propiedades derivadas de las imágenes de difusión (Diffusion weighted imaging, DWI, siglas en inglés) cerebral obtenidas a partir de resonancia magnética (RM). Las imágenes DWI permiten cuantificar la dirección de la difusión de las moléculas de agua del tejido cerebral al someterlas a un campo magnético constante y a pulsos de radiofrecuencia. Debido a que las moléculas de agua se difunden con mayor facilidad en axones recubiertos de vainas de mielina, la secuencia DWI permite detectar la anisotropía producida por la movilidad de las moléculas de agua en los tractos de fibras nerviosas y, posteriormente, reconstruir las trayectorias más probables de estos haces de fibras a partir de sus mapas de tractografía. No obstante, para realizar una reconstrucción de todos los haces de fibra, tractografía, se necesita de un modelado previo de la imagen cuya finalidad es proveer la orientación de las fibras. En el caso del modelo DTI (diffusion tensor imaging) se obtiene mediante la estimación de tensores. Sin embargo, el cálculo de los tensores se ve afectado por diversos artefactos durante la adquisición de la imagen de difusión que requieren de un procesamiento previo para corregirlos. Nuestro estudio se ha centrado en combinar diferentes técnicas de procesamiento y modelado, y, mediante métodos de evaluación cuantitativos y una estadística posterior, seleccionar los procedimientos que resulten de mejores resultado con el objetivo de obtener una mejor estimación de la reconstrucción de los diferentes tractos, lo cual redundaría en mejores diagnósticos de patologías que cursaran con un daño de estas fibras. Los procedimientos se han aplicado sobre dos adquisiciones diferentes de 15 sujetos cada una. En resumen, nuestro trabajo ha mostrado que un procesamiento óptimo de imágenes de difusión cerebral debería utilizar un método de corrección de artefactos basado en el proceso de Gauss usando la interpolación spline, junto con procedimientos de modelado no lineales (NLLS) o modelar mediante rechazo de valores atípicos (RESTORE).

The study of brain connectivity has always been prominent in neuroscientific research because it has allowed investigators to delimit the cerebral circuits that underlie each of the cognitive and motor functions that characterize humans. Since the first studies of neuronal staining performed by Camillo Golgi and Santiago Ramón y Cajal, a great variety of techniques have been designed to study brain connectivity. Maximal structural detail is obtained from electron microscopy analyses, which allow the identification of the synaptic contacts of a local circuit and the number of dendritic spines for each involved neuron. However, this approach does not permit the study of connectivity through in vivo techniques and thus has a very limited capacity for diagnosing diseases of the nervous system. Currently, the most widely used approach to studying brain connectivity is based on properties derived from magnetic resonance imaging (Diffusion weighted imaging, DWI). DWI images allow the direction of the diffusion of water molecules in brain tissue to be quanitified by subjecting them to a constant magnetic field and radiofrequency pulses. Because water molecules diffuse more easily into axons coated with myelin sheaths, the DWI sequence detects the anisotropy produced by the mobility of water molecules in the tracts of nerve fibers and then reconstructs the most likely trajectories of these fiber bundles from their tractography maps. However, tractography (a reconstruction of all fiber bundles) requires prior modeling of the image, the purpose of which is to provide the orientation of the fibers. In the case of DTI (diffusion tensor imaging), the model is obtained by estimating tensors. However, the calculation of the tensors is affected by various artifacts during the acquisition of the diffusion image that require a prior process to correct them. Our study has focused on combining different techniques of processing and modeling. By means of quantitative evaluation methods and a subsequent statistical model, we have strived to identify procedures that lead to improved results. The aim of our work has been to obtain a better estimate of the reconstruction of the different tracts of brain, which would result in better diagnoses of pathologies that could lead to fiber damage. The procedures have been applied on two different acquisitions of 15 subjects each. In summary, our work has shown that optimal processing of brain diffusion images should use an artifact correction method based on the Gauss process using spline interpolation, along with nonlinear modeling (NLLS) or modeling by outliers rejection (RESTORE).