ITUA20164160A1 - Metodo per l’individuazione di aree cerebrali - Google Patents

Metodo per l’individuazione di aree cerebrali Download PDF

Info

Publication number
ITUA20164160A1
ITUA20164160A1 ITUA2016A004160A ITUA20164160A ITUA20164160A1 IT UA20164160 A1 ITUA20164160 A1 IT UA20164160A1 IT UA2016A004160 A ITUA2016A004160 A IT UA2016A004160A IT UA20164160 A ITUA20164160 A IT UA20164160A IT UA20164160 A1 ITUA20164160 A1 IT UA20164160A1
Authority
IT
Italy
Prior art keywords
brain
dataset
subject
magnetic resonance
subjects
Prior art date
Application number
ITUA2016A004160A
Other languages
English (en)
Inventor
Francesco Cardinale
Original Assignee
Francesco Cardinale
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Francesco Cardinale filed Critical Francesco Cardinale
Priority to ITUA2016A004160A priority Critical patent/ITUA20164160A1/it
Publication of ITUA20164160A1 publication Critical patent/ITUA20164160A1/it

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/05Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/40Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064Evaluating the brain
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00Medical imaging apparatus involving image processing or analysis
    • A61B2576/02Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30016Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Description

“Metodo per l’individuazione di aree cerebrali”
DESCRIZIONE
La presente invenzione ha per oggetto un metodo per l’individuazione di aree cerebrali in cui l’intensità di segnale di un dataset di risonanza magnetica di un soggetto in esame è diversa da quella delle analoghe aree in uno o più dataset di controllo, ottenute dallo stesso soggetto o da altri soggetti.
Il metodo comprende i seguenti passi:
a) acquisizione di almeno un primo dataset di immagini di risonanza magnetica cerebrale di almeno un soggetto,
b) acquisizione di almeno un secondo dataset di immagini di risonanza magnetica cerebrale del detto soggetto,
c) elaborazione del secondo dataset di immagini di risonanza magnetica per la ricostruzione della superficie cerebrale, descritta da una rete di triangoli che approssimi per inviluppo la superficie cerebrale stessa ed i cui vertici siano indicati da un indice univoco.
I possibili campi di applicazione clinica del metodo oggetto della presente invenzione sono due:
- Individuazione di aree cerebrali affette da una patologia che alteri l’intensità di segnale in risonanza magnetica del tessuto cerebrale stesso.
- Individuazione di aree cerebrali in cui una particolare condizione funzionale modifichi l’intensità di segnale in risonanza magnetica del tessuto cerebrale stesso.
Nella prima situazione, l’individuazione delle suddette aree caratterizzate da un’alterazione di segnale secondaria alla patologia può essere eseguita mediante un’analisi comparativa intra-soggetto, od un’analisi comparativa inter-soggetti. Nel caso di un’analisi inter-soggetti, l’intensità di segnale ottenuta dal dataset acquisito nel passo a) è paragonata a quella di analoghi dataset ottenuti da uno o più soggetti diversi. Nel caso di un’analisi intra-soggetto, l’intensità di segnale ottenuta dal dataset acquisito nel passo a) è paragonata a quella di un analogo dataset ottenuto dallo stesso soggetto in un momento diverso.
Nella seconda situazione, l’individuazione delle suddette aree caratterizzate da una modificazione di segnale secondaria ad una diversa situazione funzionale può essere eseguita mediante un’analisi comparativa intra-soggetto. L’intensità di segnale ottenuta dal dataset acquisito nel passo a) è paragonata a quella di un analogo dataset ottenuto dallo stesso soggetto in un momento diverso, caratterizzato appunto da una differente situazione cognitivo-funzionale.
Per quanto riguarda l’individuazione di aree cerebrali in cui l’intensità di segnale sia modificata da una patologia, l’invenzione si rivolge particolarmente allo studio di attività epilettica e all’individuazione della zona epilettogena, ossia della zona di origine e propagazione precoce della crisi epilettica, soprattutto nei pazienti farmaco resistenti.
Attualmente la chirurgia è la migliore opzione per il trattamento di pazienti farmaco-resistenti che presentano crisi epilettiche, essendo fondamentale un accurato studio del paziente che possa limitare la resezione cerebrale al minimo volume necessario.
Per fare ciò è necessario individuare nella maniera più precisa possibile la zona epilettogena.
Una possibile metodologia nota allo stato dell’arte è l’impianto di elettrodi intracerebrali atti al monitoraggio dell’attività cerebrale del paziente, tuttavia tale metodologia è invasiva e richiede necessariamente un intervento chirurgico, successivo ad un lungo e attento studio prechirurgico finalizzato a pianificare il corretto impianto degli elettrodi.
In circa un terzo dei pazienti è necessario eseguire registrazioni invasive con elettrodi intracranici per definire la zona epilettogena. La presenza di una lesione visibile alla risonanza magnetica è un predittore positivo dell’efficacia terapeutica sulle crisi (Spencer and Huh, 2008; Tellez-Zenteno et al., 2010). Di converso, le Displasie Corticali Focali (DCF) sono il substrato patologico più comune nei casi di epilessia farmacoresistente con risonanza magnetica negativa (Wang et al., 2013). Le sequenze di risonanza magnetica di tipo FLuid Attenuation Inversion Recovery (FLAIR) sono le più sensibili per l’incremento di intensità di segnale tipico delle DCF. Ciò nonostante, in più del 20% dei casi di DCF istologicamente dimostrata, tali sequenze non rivelano la presenza della lesione, e pertanto non contribuiscono alla definizione preoperatoria della zona epilettogena (Colombo et al., 2012). Infatti è esperienza comune che lesioni difficili da visualizzare vengano diagnosticate solo nei centri di terzo livello, essendo invece il referto redatto negli ospedali di provenienza erroneamente negativo. Infatti, in circa un quinto dei casi la presenza della DCF sfugge comunque anche agli occhi dei neuroradiologi più esperti. Pertanto, numerose tecniche di post-elaborazione delle neuroimmagini sono state proposte nel corso dell’ultimo decennio per incrementare la sensibilità diagnostica nei riguardi delle DCF poco o per nulla visibili alla RM (Bernasconi et al, 2011).
La maggior parte di tali tecniche prevedono il confronto di parametri morfometrici ricavati dalle immagini di risonanza magnetica tra il soggetto in esame e molteplici soggetti di controllo. I parametri morfometrici più utilizzati sono lo spessore corticale e la ripidità del gradiente di intensità di segnale tra sostanza bianca e grigia. L’analisi statistica di confronto può essere eseguita a livello dei voxel d’immagine (Voxel Based Morphometry – VBM), o a livello dei vertici di superfici cerebrali ricostruite a partire dalle immagini di risonanza magnetica (Surface Based Analysis). È stato utilizzato anche il confronto di livelli di intensità di segnale ottenuti con sequenze FLAIR, ma solo con analisi a livello dei voxel (VBM).
Quando necessaria, la ricostruzione delle superfici cerebrali è ottenuta mediante l’uso di software di ricerca dedicati, il più popolare dei quali è Freesurfer (http://freesurfer.net/).
Freesurfer fornisce anche gli strumenti per l’analisi statistica di confronto dei diversi parametri associati alle superfici tra acquisizioni multiple.
Nonostante l’adozione delle summenzionate tecniche di post-elaborazione delle immagini, la sensibilità diagnostica rimane insoddisfacente nella maggior parte dei casi.
Da quanto descritto, si evince la necessità di realizzare un metodo non invasivo che consenta di incrementare ulteriormente l’accuratezza della definizione della zona epilettogena e che sia particolarmente efficace, in modo da supportare l’attività del chirurgo, sia per l’impianto di elettrodi intracerebrali, sia per la definizione della zona di resezione cerebrale.
La presente invenzione consegue gli scopi di cui sopra realizzando un metodo come descritto in precedenza in cui è previsto un passo d) di associazione di almeno uno dei detti vertici con valori di intensità di segnale ottenuti dal primo dataset d’immagini di risonanza magnetica.
Secondo il metodo oggetto della presente invenzione, dopo una prima elaborazione del secondo dataset di immagini, si riportano, o meglio, come si vedrà successivamente, si proiettano, i valori di intensità del segnale del primo dataset sulle superfici ricostruite a partire dal secondo dataset. In altre parole, uno scalare di valori d’intensità di segnale è associato al descrittore della superficie cerebrale.
Come risulterà chiaramente dalla descrizione successiva, tale accorgimento consente di rivelare piccole differenze di intensità di segnale legate a particolari modalità di funzionamento di determinate aree corticali cerebrali.
Secondo una forma esecutiva preferita, il primo dataset d’immagini di risonanza magnetica è acquisito con tecnica FLAIR (FLuid Attenuation Inversion Recovery).
Secondo un perfezionamento il primo dataset d’immagini di risonanza magnetica è acquisito con pesatura in T2. Le sequenze T2 sono infatti sequenze simili alle sequenze FLAIR, per cui possono essere utilizzate al loro posto, soprattutto nei bambini in età prescolare.
Vantaggiosamente il secondo dataset d’immagini di risonanza magnetica è acquisito con tecnica volumetrica (3D) pesata in T1.
La sequenza 3DT1 viene elaborata, preferibilmente con Freesurfer, allo scopo di ricostruire la superficie cerebrale e allo scopo di stimare una serie di proprietà morfometriche quali ad esempio lo spessore corticale.
Così come anticipato, il software Freesurfer consente di ottenere una superficie cerebrale che viene descritta da una serie di vertici a ciascuno dei quali, in base al metodo oggetto della presente invenzione, viene attribuito un valore di intensità del segnale ottenuto dal primo dataset di immagine di risonanza magnetica, in particolare dalla FLAIR.
Risulta chiaro come la novità del metodo oggetto della presente invenzione consista nell’applicare una Surface Based Analysis all’intensità di segnale della FLAIR.
La proiezione del segnale FLAIR sulla corteccia cerebrale consente di individuare aree di aumentato o di diminuito segnale rispetto ad analoghe acquisizioni di controllo, il cui aumento o diminuzione è così piccolo da non poter essere visto ad occhio nudo.
Tali piccole differenze di segnale sono l’espressione di un lieve cambiamento del contenuto di acqua tissutale, verosimilmente correlato ad una particolare attività corticale.
Il metodo oggetto della presente invenzione può essere proficuamente adottato per lo studio prechirurgico di pazienti affetti da epilessia farmaco-resistente, eseguendo confronti sia intersoggetti, sia intra-soggetto.
Nel caso di confronti inter-soggetti, i passi a) e b) prevedono l’acquisizione di uno o più dataset d’immagini di una pluralità di encefali di soggetti.
Il passo c) di elaborazione del secondo dataset prevede un passo c1) relativo alla registrazione di ciascuna superficie cerebrale individuale ad una superficie cerebrale media usata come modello geometrico di riferimento.
La realizzazione di uno spazio unico e comune di riferimento è “conditio sine qua non” per confrontare le informazioni provenienti dai diversi soggetti: i valori di intensità del segnale ottenuti dal primo dataset saranno dunque confrontabili, in quanto si riferiranno a punti di riferimento, ossia a vertici, comuni ad ogni soggetto.
Vantaggiosamente il passo a) prevede un sottopasso a1) relativo alla normalizzazione di tutti i valori di intensità dei pixel del primo dataset d’immagini rispetto al valore mediano d’intensità dei pixel stessi.
Generalmente, infatti, in ambito di risonanza magnetica non si analizzano i valori assoluti di intensità, per cui nel metodo oggetto della presente invenzione, la serie FLAIR viene normalizzata rispetto al valore mediano di intensità dei pixel, preferibilmente della sostanza bianca della FLAIR stessa.
In base ai passi descritti, il valore dell’intensità di segnale normalizzata in FLAIR, limitatamente alla corteccia cerebrale, viene proiettato sulla corteccia, ossia viene calcolato il valore medio di intensità della FLAIR lungo la normale alla superficie e limitatamente allo spessore corticale.
Risulta particolarmente vantaggioso sottolineare come il risultato del procedimento descritto sia uno scalare di valori, ciascuno dei quali è un attributo relativo a ciascun vertice dei triangoli che descrivono la superficie cerebrale.
In alternativa al valore medio di intensità lungo lo spessore corticale, il detto scalare può includere il valore d’intensità rilevato ad una certa distanza dalla superficie corticale, nel contesto della sostanza grigia (tra superficie corticale ed interfaccia bianca/grigia), o nella profondità della sostanza bianca.
Lo scalare ottenuto può essere dunque utilizzato per effettuare analisi quantitative, ad esempio analisi statistiche inferenziali.
Per questo motivo, secondo una possibile forma esecutiva, è previsto un passo e) di confronto tra i valori ottenuti al passo d) per un determinato soggetto rispetto ad uno o più soggetti, a livello di ciascun vertice della superficie cerebrale.
In particolare il passo e) può prevedere anche un sottopasso e1) per confrontare il risultato di operazioni matematiche effettuate sugli scalari. Ad esempio, può essere analizzata la differenza interemisferica dei valori ottenuti al passo d) per il determinato soggetto con le analoghe differenze dei restanti soggetti, a livello di ciascun vertice della superficie cerebrale.
Una volta realizzato lo spazio geometrico di riferimento, tutti gli encefali dei soggetti hanno la stessa forma e tutti lo stesso numero di punti e vertici di riferimento, ma ciascuno i propri livelli di intensità.
Risulta dunque possibile confrontare l’intensità di segnale FLAIR normalizzata per ogni singolo soggetto con l’intensità di segnale FLAIR normalizzata di tutti i restanti soggetti allo scopo di evidenziare le zone con più alto o più basso segnale.
Il confronto mette in risalto le differenze di intensità del soggetto in esame rispetto agli altri soggetti, per cui, in caso di confronto con soggetti sani, sarà possibile identificare anomalie delle funzioni cerebrali del soggetto in esame, basandosi sia sui valori di intensità più alti, che allo stato dell’arte hanno interesse clinico, sia sui valori di intensità più bassi.
Vantaggiosamente per rilevare tali differenze è possibile costruire un modello statistico di analisi dei risultati, in modo da facilitare il procedimento.
L’analisi statistica ha inoltre una sua rilevanza in quanto piccole attività, quali fenomeni epilettici ripetuti, possono indurre minime modifiche dell’intensità del segnale che si riescono ad individuare solo con l’analisi statistica.
Preferibilmente per la realizzazione del modello statistico, l’intensità di segnale non è l’unica variabile esplicativa da tenere in considerazione.
Infatti il confronto tra il soggetto in esame e i restanti soggetti può tener conto di altre variabili che possono influenzare l’attività cerebrale, come ad esempio età, sesso e dominanza emisferica per il linguaggio.
Vantaggiosamente è dunque prevista un’analisi statistica inferenziale multivariata che includa come ulteriori variabili esplicative l’età e/o il sesso e/o la dominanza emisferica per il linguaggio. Tale elenco di variabili esplicative ha valore solo esemplificativo e non limitativo.
Qualora venga costruito un modello statistico multivariato che includa anche altre variabii esplicative come nuisance factors (età, sesso e dominanza emisferica per il linguaggio nell’esempio), può essere necessario incrementare la varianza delle suddette variabili esplicative aggiunte, pena il fallimento della stima dei coefficienti del modello stesso. In tal caso è quindi previsto un passo d2) di moltiplicazione dei dati del soggetto in esame. Per esempio, nel caso di una triplicazione dei suddetti dati, sono creati due soggetti caratterizzati dallo stesso scalare di intensità dei valori FLAIR, e da valori dei nuisance factors che si discostino leggermente dal valor vero, lasciando inalterata la media dei valori stessi.
Come risulterà evidente dalla descrizione di seguito riportata di alcuni esempi di realizzazione del metodo oggetto della presente invenzione, si possono quindi creare due “cloni” del soggetto confrontato con i soggetti sani, caratterizzati da uno scalare di valori di intensità di segnale FLAIR uguale all’originale, ma con lieve discostamento dal vero dei valori di età. Ad esempio, se il soggetto ha un età di 30 anni, i suoi due cloni avranno un’età di 28 e 32 anni, ottenendosi così una media di 30 anni, identica al valor vero.
Sempre nel caso in cui si vogliano individuare aree cerebrali affette da una patologia che alteri l’intensità di segnale in risonanza magnetica del tessuto cerebrale stesso, è possibile, come già accennato, eseguire un’analisi intra-soggetto invece che un’analisi inter-soggetti.
Nel caso in cui le differenze di segnale della FLAIR dipendano da fenomeni epilettici, è possibile acquisire un dataset di immagini di risonanza magnetica durante o immediatamente dopo tali fenomeni (crisi, scariche critiche subcliniche, periodi ricchi di anomalie intercritiche), per poi confrontarlo con un dataset analogo acquisito a distanza dai fenomeni stessi.
Nel caso di tali confronti intra-soggetto, non è necessario registrare la superficie cerebrale del soggetto ad uno spazio comune, perché l’analisi statistica inferenziale avrà luogo direttamente nello spazio anatomico del soggetto stesso. Appare quindi chiaro che mentre è necessario acquisire due volte il dataset d’immagini FLAIR di cui al passo a), il dataset d’immagini 3D T1 di cui al passo b) deve essere acquisito solo una volta, in modo da avere un modello unico della superficie cerebrale del soggetto in esame.
Appare quindi chiaro che in tale tipo di analisi intra-soggetto, tutti i passi sono analoghi a quelli sopra descritti per l’analisi inter-soggetti, tranne per il fatto che non ci si deve riferire ad uno spazio geometrico comune di riferimento. L’analisi statistica inferenziale è quindi condotta a livello dello spazio anatomico del soggetto stesso.
In altre parole, mentre l’analisi inter-soggetti precedentemente descritta prevede il confronto dell’intensità FLAIR normalizzata di un soggetto con tanti soggetti di controllo nel dominio di uno spazio comune di riferimento, l’analisi intra-soggetto prevede un confronto longitudinale dell’intensità FLAIR normalizzata sempre dello stesso soggetto, acquisita in due momenti differenti, realizzata nel dominio dell’anatomia specifica del soggetto stesso.
Anche nel caso in cui si vogliano individuare aree cerebrali in cui l’intensità di segnale FLAIR sia modificata da una particolare condizione cognitivo-funzionale, è possibile, come già accennato, eseguire un’analisi intra-soggetto.
Il metodo oggetto della presente invenzione costituisce quindi anche un’alternativa al metodo correntemente utilizzato per l’esecuzione di risonanze magnetiche funzionali, consentendo di superarne uno dei principali limiti, ossia la bassa risoluzione delle comuni sequenze EPI (Echo-Planar Imaging) sensibili all’effetto BOLD (Blood-OxygenLevel Dependent). Le sequenze FLAIR comunemente utilizzate nella diagnostica clinica presentano, infatti, una risoluzione spaziale maggiore.
Nel caso di questa particolare applicazione, la procedura è del tutto analoga a quella descritta per l’analisi intra-soggetto finalizzata alla visualizzazione di aree cerebrali la cui intensità di segnale sia modificata da un’attività patologica. L’unica differenza è che, in questo caso, i dataset d’immagini FLAIR di cui al passo a) saranno acquisiti durante la somministrazione di task funzionali, similmente alle procedure convenzionali di risonanza magnetica funzionale.
Queste ed altre caratteristiche e vantaggi della presente invenzione risulteranno più chiaramente dalla seguente descrizione di alcuni esempi esecutivi illustrati nei disegni allegati in cui:
la fig. 1 illustra uno schema di principio per blocchi funzionali di una variante esecutiva del metodo oggetto della presente invenzione.
Si specifica che la figura allegata alla presente domanda di brevetto riporta una forma esecutiva del metodo per l’individuazione di aree cerebrali oggetto della presente invenzione per meglio comprendere i vantaggi e le caratteristiche dello stesso.
Tale forma esecutiva è dunque da intendersi a puro scopo illustrativo e non limitativo al concetto inventivo della presente invenzione, ossia quello di realizzare un metodo, non invasivo ed efficace, per l’individuazione di aree cerebrali la cui intensità di segnale sia stata modificata da una particolare condizione fisiologica o patologica.
La figura 1 illustra una possibile forma esecutiva del metodo per l’individuazione di aree cerebrali.
Il metodo comprende i seguenti passi:
a) acquisizione di almeno un primo dataset di immagini di risonanza magnetica cerebrale di almeno un soggetto, indicato con 1,
b) acquisizione di almeno un secondo dataset di immagini di risonanza magnetica cerebrale del soggetto, indicata con 2,
c) elaborazione del secondo dataset di immagini di risonanza magnetica per la ricostruzione della superficie cerebrale, descritta da una rete di triangoli che approssimi per inviluppo la superficie cerebrale stessa, ed i cui vertici siano indicati da un indice univoco, indicato con 21.
Secondo l’esempio esecutivo illustrato, il primo dataset di immagini è acquisito con tecnica FLAIR (FLuid Attenuation Inversion Recovery), in particolare una FLAIR turbo spin echo (fette assiali con una matrice ricostruita di 288 x 288, voxel di 0.87 x 0.87 x 3 mm, intervallo tra le fette di 0.6 mm, TR= 11 ms, TE= 140 ms).
Inoltre il secondo dataset di immagini è è acquisito con tecnica volumetrica (3D) pesata in T1, in particolare una T13D fast field echo (fette assiali contigue con una matrice ricostruita di 560 x 560, voxel di 0.46 x 0.46 x 0.9 mm, TR= 7.3 ms, TE= 3.3 ms).
Dunque il metodo oggetto della presente invenzione prevede l’acquisizione di due dataset di immagini dell’encefalo di un paziente, un primo dataset FLAIR, indicato con il numero 1 e un secondo dataset Ti3D, indicato con il numero 2.
Il dataset FLAIR viene registrato con il dataset T13D, numero 11, si ottiene una registrazione “intrasoggetto”, ossia per ogni soggetto, del proprio dataset FLAIR con il dataset T13D.
La registrazione può avvenire in un qualsivoglia modo noto allo stato dell’arte.
Preferibilmente la registrazione viene effettuata con lo strumento FLIRT fornito da FSL (http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FLIRT). I dati FLAIR vengono così automaticamente registrati con i dati 3D T1W-FFE, passo 11.
Secondo una forma esecutiva preferita, al fine di ottenere la ricostruzione cerebrale del passo 21, il dataset 3D T1W-FFE viene elaborato attraverso la pipeline “recon-all”, indicata con 211, fornita dal software FreeSurfer.
Inoltre secondo la forma attuativa descritta in figura 1, il dataset 3DT1W-FFE viene elaborato con lo script automatico “fsl-anat”, indicato con 212, fornito da FSL, sfruttando le caratteristiche dello strumento FAST (http://poc.vle.nl/distribution/manual/fsl-3.2/fast/index.html).
In particolare, riferimento 213, vengono segmentate tre classi di tessuto cerebrale: fluido cerebro spinale, sostanza grigia e sostanza bianca.
Le informazioni circa la sostanza bianca possono essere filtrate con i risultati ottenuti dalla segmentazione effettuata ad opera di Freesurfer, in modo da eliminare eventuali parti dell’immagine non appartenenti al cervello.
I risultati di questo procedimento possono poi essere utilizzati per correggere mediante mascheramento il dataset FLAIR registrato con l’immagine 3DT1 al passo 11, come verrà descritto successivamente.
Come anticipato, il passo 21 di ricostruzione della superficie cerebrale, partendo dal dataset 3DT1, prevede l’identificazione di uno o più triangoli i cui vertici sono atti a descrivere la superficie cerebrale.
Unendo le informazioni del dataset FLAIR, indicato con 1, con la ricostruzione cerebrale, indicata con 21, il metodo oggetto della presente invenzione prevede un passo di associazione di almeno uno dei detti vertici con valori di intensità di segnale, indicato con 3, ottenuti dal primo dataset d’immagini di risonanza magnetica, in particolare dalla FLAIR.
Con particolare riferimento alla figura 1, il numero 3 indica la proiezione dei risultati del passo di registrazione 11 sulla ricostruzione della superficie cerebrale indicata con 21.
Secondo una variante esecutiva preferita, è previsto un sottopasso, indicato con 12, relativo alla normalizzazione dei valori di intensità dei pixel del primo dataset rispetto al valore mediano di intensità dei pixel stessi.
Il valore di intensità dei pixel del dataset FLAIR indicato con il numero 1 e di conseguenza la serie FLAIR registrata con la serie 3DT1, indicata con il numero 11, viene normalizzato utilizzando il valore medio di intensità dei pixel appartenenti alla medesima immagine.
Inoltre secondo la variante del metodo illustrata, tale valore viene ulteriormente corretto con le informazioni ottenute dalla segmentazione, in particolare relative alla materia bianca.
I valori normalizzati di intensità di ogni pixel sono a questo punto contenuti all’interno di un file con valori scalari relativi ai valori di intensità media per ogni vertice della corteccia cerebrale: tali valori sono stati “proiettati” in modo da ottenere l’immagine con riferimento 3 di figura 1.
Tale passo di proiezione può avvenire in un qualsivoglia modo noto allo stato dell’arte, ma preferibilmente può essere utilizzato il tool mri_vol2surf di Freesurfer.
Al fine di rivelare le aree cerebrali il cui valore di intensità di segnale sia stato modificato da una condizione patologica, il metodo oggetto della presente invenzione può prevedere l’acquisizione di uno o più dataset d’immagini di una pluralità di encefali di soggetti, e la registrazione di tutti i dataset di tutti i soggetti (quello in esame più quelli di controllo) in uno spazio comune di riferimento.
In questo caso sarà necessario prevedere un ulteriore passo relativo alla registrazione di ciascuna superficie cerebrale individuale ad una superficie cerebrale media usata come modello geometrico di riferimento.
Vantaggiosamente la realizzazione di un modello geometrico di riferimento assoluto è ottenuta attraverso il software Freesurfer, in modo da realizzare una superficie cerebrale comune descritta da una serie di vertici a ciascuno dei quali, in base al metodo descritto in precedenza, viene attribuito un valore di intensità ottenuto dalla FLAIR.
Una volta realizzato lo spazio geometrico di riferimento, tutti gli encefali dei soggetti hanno la stessa forma e tutti lo stesso numero di punti di riferimento o di vertici, ma ciascuno i propri livelli di intensità.
Partendo dunque dalle immagini del soggetto singolo, indicato con il numero 3, è possibile effettuare una analisi statistica su tutti i soggetti analizzati.
Per questo viene previsto un passo relativo al confronto tra i soggetti, che prevede di effettuare una differenza interemisferica dei valori ottenuti al passo di associazione dei valori (passo d) per il determinato soggetto con le analoghe differenze dei restanti soggetti, a livello di ciascun vertice della superficie cerebrale.
L’analisi statistica viene preferibilmente eseguita con gli strumenti forniti da Freesurfer per costruire modelli statistici lineari generalizzati multivariati, come ad esempio mris_glm e mri_glmfit.
Tale analisi statistica prevede la comparazione di ogni soggetto con i restanti soggetti: i confronti dei valori di intensità vengono riportati graficamente sul modello geometrico comune, indicato con 31.
Una volta ottenuta la mappa dei P-value sulla superficie cerebrale, si cerca quali siano le aree caratterizzate dalla differenza maggiore rispetto ai soggetti di controllo. Vantaggiosamente è possibile effettuare questa analisi finale introducendo valori di offset dei P-value.
Come illustrato in figura 1, i soggetti che presentano nella propria FLAIR valori di intensità diversi, in questo caso maggiori, del valore di offset vengono individuati, si veda l’area indicata con 311 in figura 1.
Secondo un perfezionamento è possibile poi identificare tale area e visualizzarla nuovamente sull’anatomia del soggetto, come illustrato in figura 1 e indicato con il numero 32.
Infine secondo una possibile forma attuativa l’analisi statistica può essere realizzata prevedendo un sottopasso relativo alla inclusione nel modello generalizzato lineare di altre variabili esplicative, come ad esempio età e sesso.
Come descritto precedentemente, è ad esempio possibile includere l’età, realizzando due “cloni” artificiali del soggetto in esame: se ad esempio si acquisiscono il dataset FLAIR e il dataset 3DT1 di un soggetto di 30 anni, le medesime immagini verranno associate a due soggetti creati artificialmente che potranno avere rispettivamente 28 e 32 anni di età. Tale strategia di moltiplicazione dei dati del soggetto in esame può essere necessaria e risolutiva nel caso in cui la stima dei coefficienti delle variabili incluse nel modello non sia possibile per mancanza di varianza.

Claims (13)

  1. RIVENDICAZIONI 1. Metodo per l’individuazione di aree cerebrali in cui l’intensità di segnale di un dataset di risonanza magnetica di un soggetto in esame è diversa da quella delle analoghe aree in uno o più dataset di controllo, ottenute dallo stesso soggetto o da altri soggetti, comprendente i seguenti passi: a) acquisizione di almeno un primo dataset di immagini di risonanza magnetica cerebrale di almeno un soggetto (1), b) acquisizione di almeno un secondo dataset di immagini di risonanza magnetica cerebrale del detto soggetto (2), c) elaborazione del secondo dataset di immagini di risonanza magnetica per la ricostruzione della superficie cerebrale, descritta da una rete di triangoli che approssimi per inviluppo la superficie cerebrale stessa, ed i cui vertici siano indicati da un indice univoco (21), caratterizzato dal fatto che è previsto un passo d) di associazione di almeno uno dei detti vertici con valori di intensità di segnale ottenuti dal detto primo dataset d’immagini di risonanza magnetica (3).
  2. 2. Metodo secondo la rivendicazione 1, in cui il detto primo dataset d’immagini (1) di risonanza magnetica è acquisito con tecnica FLAIR (FLuid Attenuation Inversion Recovery).
  3. 3. Metodo secondo la rivendicazione 1, in cui il detto primo dataset (1) d’immagini di risonanza magnetica è acquisito con pesatura in T2.
  4. 4. Metodo secondo la rivendicazione 1, in cui il detto secondo dataset (2) d’immagini di risonanza magnetica è acquisito con tecnica volumetrica (3D) pesata in T1.
  5. 5. Metodo secondo la rivendicazione 1, in cui i passi a) e b) prevedono l’acquisizione di uno o più dataset d’immagini di una pluralità di encefali di soggetti, essendo previsto un passo c1) relativo alla registrazione di ciascuna superficie cerebrale individuale ad una superficie cerebrale media usata come modello geometrico di riferimento.
  6. 6. Metodo secondo la rivendicazione 1, in cui il passo a) prevede un sottopasso a1) relativo alla normalizzazione (12) di tutti i valori di intensità dei pixel del detto primo dataset d’immagini rispetto al valore mediano d’intensità dei soli pixel relativi alla sostanza bianca.
  7. 7. Metodo secondo una o più delle precedenti rivendicazioni, in cui è previsto un passo e) di confronto tra i valori ottenuti al passo d) per un determinato soggetto rispetto ad uno o più soggetti, a livello di ciascun vertice della superficie cerebrale.
  8. 8. Metodo secondo la rivendicazione 7, in cui il passo e) di confronto prevede di confrontare il risultato di una operazione matematica interemisferica dei valori ottenuti al passo d) per il determinato soggetto con il risultato di analoghe operazioni matematiche dei restanti soggetti, a livello di ciascun vertice della superficie cerebrale.
  9. 9. Metodo secondo la rivendicazione 1, in cui il passo a) prevede una acquisizione effettuata durante una differente condizione cerebrale funzionale determinata da condizioni patologiche o dalla somministrazione di un compito sensori-motorio e/o cognitivo.
  10. 10. Metodo secondo la rivendicazione 1, in cui il passo a) prevede l’acquisizione di almeno due primi dataset di immagini di risonanza magnetica in due periodi temporali differenti.
  11. 11. Metodo secondo la rivendicazione 9, in cui è prevista un’analisi di statistica inferenziale atta a confrontare i valori ottenuti in due differenti condizioni funzionali dell’encefalo, a livello di ciascun vertice della superficie cerebrale del soggetto.
  12. 12. Metodo secondo la rivendicazione 10, in cui è prevista un’analisi di statistica inferenziale atta a confrontare i valori ottenuti in due differenti condizioni temporali dell’encefalo, a livello di ciascun vertice della superficie cerebrale del soggetto.
  13. 13. Metodo secondo una o più delle precedenti rivendicazioni, in cui è prevista un’analisi di statistica inferenziale multivariata che includa altre variabili esplicative come l’età, il sesso e la dominanza emisferica per il linguaggio.
ITUA2016A004160A 2016-06-07 2016-06-07 Metodo per l’individuazione di aree cerebrali ITUA20164160A1 (it)

Priority Applications (1)

Application Number Priority Date Filing Date Title
ITUA2016A004160A ITUA20164160A1 (it) 2016-06-07 2016-06-07 Metodo per l’individuazione di aree cerebrali

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ITUA2016A004160A ITUA20164160A1 (it) 2016-06-07 2016-06-07 Metodo per l’individuazione di aree cerebrali

Publications (1)

Publication Number Publication Date
ITUA20164160A1 true ITUA20164160A1 (it) 2017-12-07

Family

ID=57113591

Family Applications (1)

Application Number Title Priority Date Filing Date
ITUA2016A004160A ITUA20164160A1 (it) 2016-06-07 2016-06-07 Metodo per l’individuazione di aree cerebrali

Country Status (1)

Country Link
IT (1) ITUA20164160A1 (it)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120301007A1 (en) * 2010-03-03 2012-11-29 Hitachi Medical Corporation Magnetic resonance imaging device
WO2014066001A2 (en) * 2012-10-18 2014-05-01 The General Hospital Corporation System and method for diagnosis of focal cortical dysplasia
US20140270451A1 (en) * 2011-10-19 2014-09-18 Tel Hashomer Medical Research Infrastructure And Services Ltd. Magnetic resonance maps for analyzing tissue
US20150265210A1 (en) * 2007-05-16 2015-09-24 Tel Hashomer Medical Research Infrastructure And Services Ltd. Assessment of blood-brain barrier disruption
WO2015161363A1 (en) * 2014-04-25 2015-10-29 Joseph Fisher Imaging abnormalities in vascular response
US20160109539A1 (en) * 2013-04-24 2016-04-21 Tel HaShomer Medical Research Infrasture and Services Ltd. Magnetic resonance maps for analyzing tissue

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150265210A1 (en) * 2007-05-16 2015-09-24 Tel Hashomer Medical Research Infrastructure And Services Ltd. Assessment of blood-brain barrier disruption
US20120301007A1 (en) * 2010-03-03 2012-11-29 Hitachi Medical Corporation Magnetic resonance imaging device
US20140270451A1 (en) * 2011-10-19 2014-09-18 Tel Hashomer Medical Research Infrastructure And Services Ltd. Magnetic resonance maps for analyzing tissue
WO2014066001A2 (en) * 2012-10-18 2014-05-01 The General Hospital Corporation System and method for diagnosis of focal cortical dysplasia
US20160109539A1 (en) * 2013-04-24 2016-04-21 Tel HaShomer Medical Research Infrasture and Services Ltd. Magnetic resonance maps for analyzing tissue
WO2015161363A1 (en) * 2014-04-25 2015-10-29 Joseph Fisher Imaging abnormalities in vascular response

Similar Documents

Publication Publication Date Title
Chad et al. Re-examining age-related differences in white matter microstructure with free-water corrected diffusion tensor imaging
Schoemaker et al. Hippocampus and amygdala volumes from magnetic resonance images in children: Assessing accuracy of FreeSurfer and FSL against manual segmentation
Hagmann et al. DTI mapping of human brain connectivity: statistical fibre tracking and virtual dissection
Ding et al. Visualizing functional pathways in the human brain using correlation tensors and magnetic resonance imaging
Bastin et al. Quantifying the effects of normal ageing on white matter structure using unsupervised tract shape modelling
Zahr et al. Problem solving, working memory, and motor correlates of association and commissural fiber bundles in normal aging: a quantitative fiber tracking study
Tamm et al. Diffusion tensor imaging reveals white matter abnormalities in attention-deficit/hyperactivity disorder
Eskildsen et al. BEaST: brain extraction based on nonlocal segmentation technique
Zarei et al. Functional segmentation of the hippocampus in the healthy human brain and in Alzheimer's disease
De Schotten et al. Atlasing location, asymmetry and inter-subject variability of white matter tracts in the human brain with MR diffusion tractography
Thomas et al. Quantitative diffusion tensor imaging in cerebral palsy due to periventricular white matter injury
Bender et al. Normal-appearing cerebral white matter in healthy adults: mean change over 2 years and individual differences in change
Krumm et al. Cortical thinning of parahippocampal subregions in very early Alzheimer's disease
US10638995B2 (en) Imaging-based biomarker for characterizing the structure or function of human or animal brain tissue and related uses and methods
Lindemer et al. White matter signal abnormality quality differentiates mild cognitive impairment that converts to Alzheimer's disease from nonconverters
Murphy et al. Identification of normal pressure hydrocephalus by disease-specific patterns of brain stiffness and damping ratio
Kuceyeski et al. The application of a mathematical model linking structural and functional connectomes in severe brain injury
Geissler et al. Influence of fMRI smoothing procedures on replicability of fine scale motor localization
Janssen et al. Resting-state functional connectivity in multiple sclerosis: an examination of group differences and individual differences
Pantoni et al. Fractal dimension of cerebral white matter: A consistent feature for prediction of the cognitive performance in patients with small vessel disease and mild cognitive impairment
Boegle et al. Magnetic vestibular stimulation modulates default mode network fluctuations
Cantlon et al. Inter-parietal white matter development predicts numerical performance in young children
Sitnikova et al. Short timescale abnormalities in the states of spontaneous synchrony in the functional neural networks in Alzheimer's disease
Morgan et al. Increasing structural atrophy and functional isolation of the temporal lobe with duration of disease in temporal lobe epilepsy
Ma et al. Mean apparent propagator-MRI: a new diffusion model which improves temporal lobe epilepsy lateralization