Tensor-gebaseerde globale-tot-lokale morfometrische analyses in neurodegeneratieve ziekten

Tensor-gebaseerde morfometrie (TBM) is een techniek om de morfologische verschillen tussen verschillende groepen te identificeren op basis van structurele MRI-beelden. In dit werk, specifiek, kunnen morfologische analyses waardevolle informatie geven over de vormveranderende effecten die neurodegeneratieve ziekten, zoals Alzheimer en frontotemporale dementie, hebben op de menselijke hersenen. Dat kan dan leiden tot een beter begrip van de invloed van de ziekte en het ontwikkelen van beeld-gebaseerde diagnostische technieken die essentieel zijn voor ziektemodificerende therapieën. De standaard tensor-gebaseerde methoden ondervinden echter moeilijkheden bij het identificeren van subtiele volumetrische veranderingen die in een vroeg stadium van de ziekteontwikkeling ontstaan. Die methoden analyseren groepsverschillen in de ‘sizes’ van vooraf gedefinieerde en niet-overlappende gebieden en interpreteren de statistische resultaten op een onafhankelijke gebied-per-gebied manier. Daartegenover stelt dit werk een fundamentele uitbreiding van TBM voor, gebaseerd op een globale-tot-lokale tensor-gebaseerde beeldsegmentatie en een uitgebreid kader om inferenties te testen, dat toelaat om de complexe volumetrische interacties die door de neurodegeneratieve ziekten beïnvloed worden te onthullen en dit voor verschillende niveaus van detail.

De eerste bijdrage van dit werk is het voorzien van een TBM-gebaseerde data-gedreven beeldsegmentatie die de hersenen opsplitst in gebieden met gecorreleerde volumetrische variaties, gebaseerd op de volumetrische variabiliteit geobserveerd in een gegeven populatie. De segmentatie is bovendien hiërarchisch gedefinieerd met verschillende globale-tot-lokale niveaus van ruimtelijke overspanning. Het resultaat is een complete opsplitsing van de hersenen, die enerzijds bestaat uit verschillende globale-tot-lokale niveaus met overlappende gebieden doorheen de verschillende niveaus en anderzijds uit niet-overlappende gebieden op hetzelfde niveau, die inwendig goed geïntegreerd zijn, maar minder integratie vertonen met de andere gebieden.

De tweede bijdrage is een complete beoordeling van de morfologische variaties in elk gebied en geïntegreerd doorheen de verschillende niveaus van de hiërarchische keten. De compleetheid wordt bekomen door (1) het analyseren van inter-groep inferenties op verschillende aspecten van het volumetrische patroon binnenin een gebied, zoals de geïntegreerde univariate volumetrische veranderingen (‘size’) en het multivariate patroon van de volumetrische covariaties (‘shape’), (2) het analyseren van inferenties op verschillende niveaus van detail en (3) de propagatie van de resultaten doorheen die niveaus volgens de globale-tot-lokale hiërarchie.

De ziekte van Alzheimer en frontotemporale dementie zijn de meest voorkomende neurodegeneratieve ziektes en worden specifiek onderzocht in dit werk. De voorgestelde segmentatietechniek en het kader om inferenties te testen werden toegepast om de ontwikkeling van beide ziektes in een vroeg stadium te bestuderen. We lokaliseerden ‘size’ en ‘shape’ effecten in verschillende gebieden in de hersenen, waarbij de effecten verschillende globale-tot-lokale reikwijdte hadden. De compleetheid van het voorgestelde inferentie kader draagt bij tot het verkrijgen van additionele informatie bij de TBM analyses van beide ziektegroepen. Onze methode heeft een sterk voordeel ten aanzien van conventionele TBM analyses door de manier waarop het een uitgebreide, maar volledige verzameling van inferentie analyses toepast op een hiërarchische vorm-geïntegreerde structuur, die ook makkelijk te begrijpen is. De voorgestelde uitbreidingen aan TBM verliezen niet aan statistische kracht en laten toe om één enkele compacte test statistiek te berekenen, door middel van een lokale-tot-globale propagatie van de inferentie resultaten.