TUTCRIS - Tampereen teknillinen yliopisto

TUTCRIS

Quantitative Diffusion Tensor Image Analysis: A Clinical Approach to Central Nervous System Injuries

Tutkimustuotos

Yksityiskohdat

AlkuperäiskieliEnglanti
KustantajaTampere University
Sivumäärä80
ISBN (elektroninen)978-952-03-1015-8
ISBN (painettu)978-952-03-1014-1
TilaJulkaistu - 29 maaliskuuta 2019
OKM-julkaisutyyppiG5 Artikkeliväitöskirja

Julkaisusarja

NimiTampere University Dissertations
Vuosikerta39
ISSN (painettu)2489-9860
ISSN (elektroninen)2490-0028

Tiivistelmä

Jo magneettikuvantamisen (MK) alkuajoista lähtien kyseinen kuvantamismodaliteetti on herättänyt runsasta mielenkiintoa sen laajojen mahdollisuuksien ansiosta. MK:ta käytetään laajalti sekä rutinoidusti potilastutkimuksissa että edistyksellisissä tutkimuksissa. Diffuusiopainotteisella kuvantamisella voidaan arvioida kudoksen mikroskooppista rakennetta veden diffuusiota mittaamalla. Myöhemmässä vaiheessa diffuusiokuvauksen rinnalle saapui tarkempi tapa määrittää kudoksen rakennetta: diffuusiotensorikuvantaminen (DTI). DTI:n avulla voidaan tutkia aivojen hienorakennetta sekä mikroskooppisia rakenteenmuutoksia, joita ei voida havaita muilla kuvantamismenetelmillä. DTI on mahdollistanut useiden neuropatologisten sairauksien kvantifioinnin lääketieteellisen kuvantamisen avulla, ja varsinkin hermoston rappeumasairauksia voidaan evaluoida DTI:llä.

Lievä aivovamma on ulkoisen voiman aiheuttama aivotoiminnan häiriö tai rakenteellinen vaurio, jota usein ei pystytä havaitsemaan kuvantamisen avulla. Suuren ilmaantuvuutensa, yhteisöllisten kustannusten sekä haastavan diagnostiikan takia lievien aivovammojen ennaltaehkäisy on tärkeää. Lievien aivovammojen diagnostiikka perustuu kliinisen arviointiin, jota perinteiset kuvantamistutkimukset (tietokonetomografia ja MK) täydentävät. Perinteisten aivokuvantamistutkimusten ollessa useimmiten löydöksettömiä vammamuutosten suhteen, diagnostiikka jää virhealttiin kliinisen arvioinnin varaan. Objektiivisille diagnostisille menetelmille olisi huutava tarve. DTI-menetelmää on tutkittu pitkään mahdollisena objektiivisena diagnostisena työkaluna. Paljon tutkimusta on tehty DTI skalaarien ja lievien aivovammojen välisen yhteyden löytämiseksi. Nykyisten tutkimustulosten valossa ei voida vielä todeta yksiselitteisen DTI indikaattorin olemassaoloa. DTI:llä nähtävien aivojen valkean aineen muutoksien on kuitenkin tutkimuksissa todettu olevan kytköksissä lievien aivovammojen patologiaan. Valitettavasti tutkimustulokset ovat osittain ristiriitaisia, joten lopullista johtopäätöstä ei vielä voida kirjallisuuden perusteella tehdä. Ristiriitaisten tulosten mahdollinen selitys tosin lienee huomattavasti vaihtelevat tutkimukselliset metodit sekä aineistot.

Tutkimuksellamme pyrimme yhtenäistämään aivojen kvantitatiivisen kuvaanalyysin menetelmiä tuomalla kehittelemämme automatisoidun menetelmän kliiniseen ympäristöön. Analyysimme on tehty mahdollisimman yksinkertaiseksi, jotta menetelmä olisi läpinäkyvä, toistettava ja käytäntöön implementoitava. Tutkimuksemme alussa sovelsimme hiljattain julkaistua analyysimenetelmää, Tractbased spatial statisticsia (TBSS) potilaisiin, joilla on todettu lievä aivovamma. Vertasimme aivovammapotilaita verrokkeihin eri tutkimusasetelmissa, mutta emme löytäneet eroa ryhmien välillä. Negatiivisten tulosten valossa päädyimme johtopäätökseen, että TBSS ei ole sopiva menetelmä lievien aivovammojen analyysiin. Vertasimme seuraavaksi selkäydinvammapotilaiden aivojen valkeaa ainetta verrokkien valkeaan aineeseen hyödyntäen muutamaa eri tutkimusasetelmaa. Tutkimuksemme paljasti laaja-alaisia degeneratiivisia sekä mahdollisia aivojen muuntautumiskykyä indikoivia muutoksia selkärankavammapotilaiden aivoissa. Tulokset myös varmistivat TBSS:n soveltuvuuden kollektiivisia valkean aineen muutoksia aiheuttavien neurodegeneratiivisten sairauksien analyysiin.

Saatujen kliinisten tulosten perusteella lähdimme kehittämään uutta analyysimenetelmää, joka olisi sovellettavissa lievien aivovammojen lisäksi myös muihin erityyppisiin neurologisiin sairauksiin. Päädyimme mielenkiintoalueisiin (region of interest, ROI) perustuvaan analyysiin, jota voidaan käyttää yksittäisten potilaiden analyysiin. ROI:na käytämme valmiita rakenteellisia aivokartastoja, joiden ROIt rekisteröidään lineaarisesti sekä epälineaarisesti kohteiden DTI kuviin. Tämä lähtökohtaisesti auttaa vähentämään kuvankäsittelyn aiheuttamaa virhettä kvantitatiivisiin arvoihin, sillä kuvattua dataa ei käsitellä. Potilaiden DTI-kuvien kvantitatiivisia arvoja vertaillaan verrokkiaineiston avulla luotuun referenssiarvomalliin. Muodostimme alustavan normaalipopulaatioon perustuvan DTI mallin verrokkidatamme avulla, ja testasimme mallin herkkyyttä ja tarkkuutta, jotka molemmat olivat tyydyttävällä tasolla. Jatkossa riittävän isolla verrokkiaineistolla voitaisiin luoda tarkempi malli normaalipopulaatiosta, jolla voitaisiin mallintaa aivojen DTI-arvoja iän funktiona. Eritoten tämä olisi hyödyllistä lievien aivovammojen tunnistamisessa.

Väitöskirjan yhteenveto voidaan jakaa kolmeen johtopäätökseen. Ensiksi; emme löytäneet TBSS:n avulla eroja lievän aivovamman saaneiden potilaiden ja verrokkiaineistomme valkean aineen mikrorakenteessa. Toiseksi; löytämämme poikkeamat selkäydinvammapotilaiden aivojen valkeassa aineessa ovat huomattavasti laajemmat kuin on aiemmin raportoitu. Laaja-alaiset muutokset viittasivat vamman jälkeen esiintyvän neuroplastisiteetin jatkuvan vielä pitkään akuutin trauman jälkeen. Kolmanneksi; esittelemämme automatisoitu DTIanalyysimenetelmä on monikäyttöinen työkalu, jonka kliinistä käyttökelpoisuutta voidaan parantaa lisäämällä verrokkiaineiston kokoa sekä parantelemalla yleistä käytettävyyttä. Riittävän verrokkiaineiston keruu voitaisiin taata esimerkiksi biopankkityylisellä DTI-datankeruujärjestelmällä. Lisäksi tarkempaa tilastollista mallia varten voitaisiin soveltaa tekoälyä koneoppimisen muodossa, jolloin myös DTI skalaarien ennustearvot tarkentuisivat verrokkiaineiston kasvamisen myötä.

Tilastokeskuksen tieteenalat

Latausten tilastot

Ei tietoja saatavilla