4 курс / Лучевая диагностика / ПРИМЕНЕНИЕ_КОМПЛЕКСНОЙ_МАГНИТНО_РЕЗОНАНСНОЙ_ТОМОГРАФИИ_ПРИ_РАЗЛИЧНЫХ

51

Кроме того, при наличии КЭ оценивалась степень компрессии пластинки четверохолмия, которая была классифицирована как отсутствие, умеренная или значительная. Также была произведена оценка стеноза водопровода, критерием которого был взят размер 1.5 мм и менее.

Рисунок 5 – Пример измерений у пациента с крупной КЭ. 1-измерение ширины просвета водопровода. 2-толщина кисты, 3- расстояние от валика мозолистого тела до пластинки четверохолмия. Также визуализируется сглаженность контуров тектальной пластинки, что свидетельствует в пользу умеренной компрессии

На основании рассчитанных таламического коэффициента (Talamic ADC Ratio) и пластинчато-валико-кистозного коэффициента (tectum-splenium-cyst ratio),

пациентам с различными по размерам КЭ была присвоена категория от 1 до 4, что отражает степень риска центральной венозной гипертензии (по классификации P.

K. Eide). Категории на основании числовых значений коэффициентов представлены в Таблице 3.

Рекомендовано к изучению сайтом МедУнивер - https://meduniver.com/

52

Таблица 3 – Степень выраженности МР-признаков центральной венозной

гипертензии

Категории	МР-маркеры центральной венозной
	гипертензии
Категория 1 (Grade 1)	Tectum-splenium-cyst ratio≤ 0.9
	Talamic ADC Ratio≤ 1.01
Категория 2 (Grade 2)	Tectum-splenium-cyst ratio >0.9
	Talamic ADC Ratio≤ 1.01
Категория 3 (Grade 3)	Tectum-splenium-cyst ratio≤ 0.9
	Talamic ADC Ratio >1.01
Категория 4 (Grade 4)	Tectum-splenium-cyst ratio > 0.9
	Talamic ADC Ratio >1.01

На основе проведенного МР-исследования все пациенты были разделены на

5 групп по выявленным структурным изменениям эпифиза на основе предложенной классификации (Sirin S, 2016). Каждому пациенту было выставлено условное цифробуквенное обозначение, в котором цифра от 0 до 4 обозначала морфологический вариант строения эпифиза (кисты нет – 0, единичная киста – 1,

мультикистозная шишковидная железа (без увеличения) – 2, мультикистозная шишковидная железа (с увеличением без смещения края) – 3, мультикистозная шишковидная железа (с увеличением и смещением края) – 4), а буква (a, b, c)

размеры кисты – (a (≤5 м), b (6–9 мм), c (≥10 мм). Например, 2а, 3с, 4b и так далее.

Примеры данных изменений представлены на Рисунке 6.

Показатель смещения края оценивался в аксиальной плоскости, на последовательностях SSFP ИП и 3D-MPRAGE. Данный критерий считался положительным, когда КЭ выходила за контуры железы и вдавалась в окружающее

53

ликворное пространство, или, когда киста располагалась по периферии железы и,

хотя бы с одного края кисты не визуализировалась полоска ткани шишковидной железы.

Рисунок 6 – Различные типы строения кисты эпифиза по данным МРТ (А, Б,В,Г – SSFP – ИП, Д - Т1-MPRAGE). А - Нет кисты – 0 (пациент Н. (АК №28357, 2018), Б - Единичная киста – 1 (пациент К. (АК №25673, 2017), В - Мультикистозная шишковидная железа (без увеличения) – 2 (пациент С. (АК №34522, 2021), Г - Мультикистозная шишковидная железа (с увеличением без смещения края)- 3 (пациентка Д. (АК №34561, 2021), Д - Мультикистозная шишковидная железа (с увеличением и смещением края) – 4 (пациентка М. (АК №28369, 2018)

Рекомендовано к изучению сайтом МедУнивер - https://meduniver.com/

54

2.5. Методика постпроцессинговой обработки данных магнитно-резонансной

морфометрии

Обработку полученных данных на основании последовательности Т1-

MPRAGE (3D Т1 последовательность) выполняли в программе FreeSurfer v.6.0,

предварительно произведя конвертацию данных из формата DICOM в формат

NIFTI, который предназначен для постпроцессиноговой обработки информации. FreeSurfer представляет собой набор программных пакетов, которые

позволяют оценить подкорковые нервные структуры, а также кору головного мозга как внутренней, так и пиальной поверхности. Кроме того, эта программа дает возможность измерить толщину коры различных регионов, площади поверхности

иобъема коры, а также провести сравнительный анализ между группами.

Воснову парцеллирования коры и сегментации подкорковых структур легли два атласа, которые используются в программе FreeSurfer: атлас Desikan-Killiany и

атлас Destrieux, содержащий более мелкие фрагменты. В атласе Desikan-Killiany

извилина определяется как область коры, ограниченная основаниями двух соседних борозд, то есть извилина включает часть коры, визуализируемую на пиальной поверхности мозга вместе с основаниями соседних борозд,

ограничивающих эту область.

В атласе Destrieux извилина включает только часть коры, визуализируемую на пиальной поверхности мозга. Основания примыкающих борозд к извилинам не относятся. Разница визуализации по данным разных атласов представлена на Рисунке 7.

После предварительной субтракции костных структур была выполнена разметка исходных данных согласно пространству MontrealNeurological Institute – MNI305. Оценка принадлежности точек к белому веществу производилась на основании их расположения в этом пространстве, а также интенсивности сигнала от этих и соседних точек.

Далее эти точки были классифицированы на белое вещество и структуры, не являющиеся белым веществом. После полученных данных о белом веществе производилась субтракция его объема, после чего была получена поверхность

55

коры, обращенная к белому веществу. Последующее удаление вокселей в проекции цереброспинальной жидкости позволяло визуализировать пиальную поверхность мозга.

Рисунок 7 – Сравнение атласов Desikan-Killiany (слева) и Destrieux(справа). В атласе Desikan-Killiany извилины определяются как область коры, ограниченная основаниями двух соседних борозд, то есть извилина включает часть коры, визуализируемую на пиальной поверхности мозга вместе с снованиями соседних борозд, ограничивающих эту область. В атласе Destrieux. извилина включает только часть коры, визуализируемую на пиальной поверхности мозга. Основания примыкающих борозд к извилинам не относятся

Таким образом была получена объемная модель коры головного мозга,

позволяющая произвести оценку толщины коры и площадь поверхности в любой точке. Процесс сегментации подкорковых структур был произведен в несколько этапов: аффинная регистрация с пространством MNI305, далее начальная объемная маркировка, высокоразмерное нелинейное объемное выравнивание по атласу

MNI305 и окончательная маркировка.

Полученные данные, завершающие этапы парцеляции и сегментации, были основаны на данных представленных атласов. Каждый разработанный атлас состоит из эталонных значений для каждой точки, которые были отнесены к

Рекомендовано к изучению сайтом МедУнивер - https://meduniver.com/

56

белому, серому веществу или цереброспинальной жидкости, основанные на расчете трех типов вероятностей. Завершающим этапом стало создание карт толщины, объема и кривизны, которые необходимы для анализа поверхности коры.

Чтобы произвести групповой анализ, данные помещались в единый набор данных и пересчитывались в эталонный шаблон, чтобы данные каждого субъекта имели одинаковые параметры.

Для поиска кластеров корреляции между группами сравнения была применена обобщенная линейная модель. Поправку на множественную проверку гипотез выполняли при помощи коррекции кластеров с использованием р=0.05 для кластеров, p=0.001 для порога вершин.

2.6. Методика обработки данных функциональной МРТ покоя

Основу функциональной МРТ покоя составляет BOLDпоследовательность,

которая основана на разнице мозгового кровотока в различных регионах головного мозга для определения его активности. В ответ на активацию определенного участка коры головного мозга во фракции крови локально расположенных капилляров происходит падение уровня оксигенированного гемоглобина и повышение уровня углекислого газа и дезоксигемоглобина. На фундаментальной разнице парамагнитных свойств окси- и дезоксигемоглобина основана BOLD-

последовательность.

Данные фМРТп между двумя исследуемыми группами были обработаны в программе CONN-TOOLBOX - кроссплатформенного программного обеспечения на основе Matlab, предназначенного для обработки, отображения и анализа функциональных связей в состоянии покоя. CONN-TOOLBOX включает множество инструментов для анализа функциональной связанности: анализ корреляций на основе начальных значений (SBC), анализ функциональной связанности областей интереса (ROI-to-ROI), групповой анализ независимых компонентов (ICA), анализ динамических компонентов (dyn-ICA), анализ обобщенного психофизиологического взаимодействия (GPPL), анализ внутренней связанности (IC), комплексный инструмент коррекции двигательных и физиологических артефактов (CompCor) и другие. В нашей работе были

57

использованы 2 инструмента: анализ корреляций на основе начальных значений

(SBC) и анализ функциональной связанности заранее выбранных областей интереса (ROI-to-ROI).

Предварительный этап обработки данных включал в себя несколько этапов:

импорт изображений в программу, с указанием времени повторения BOLD-

сигнала, удаление нежелательных шумов и потенциально искажающих эффектов от движения, дыхания, сердцебиения и пульсации ликвора. После проведения предварительных этапов обработки была произведена оценка функциональных связей головного мозга и сравнение основной и контрольной групп. Анализ корреляций на основе начальных значений проводили с созданием карт связанности (SBS), которые наглядно демонстрируют уровень функциональной связанности между точкой в мозгу и каждым вокселем во временном ряду BOLD и

вычисляли как преобразованные по Фишеру двумерные коэффициенты корреляции между этими вокселями.

Показатели функциональной связности областей интереса (ROI-to-ROI)

характеризует взаимосвязь между всеми парами областей интереса в заранее определенном наборе регионов. Определение этих показателей соответствует той же организации и свойствам, что и у мер связности на основе начальных значений,

но позволяет избежать асимметрии SBC между начальными значениями (ROI) и

целевыми вокселями. Матрицы связности отражают уровень функциональной связи между каждой парой областей интереса.

Для проведения межгруппового анализа результатов всех методик анализа функциональных связей применялась обобщенная линейная модель. Для исключения эффекта множественных сравнений проводилась коррекция кластеров с p <0.05 для кластера и p <0.001 для вокселя.

2.7. Статистический анализ

Статистический анализ данных проводился с использованием статистического пакета IBM SPSS Statistics v.19.

Для сравнения средних в двух группах в случаях нормальности распределения выборок использовался критерий Стьюдента, в противном случае –

Рекомендовано к изучению сайтом МедУнивер - https://meduniver.com/

58

критерий Манна-Уитни. Нормальность распределения устанавливалась по критерию Шапиро-Уилка.

При сравнении средних в трёх группах применялся однофакторный и двухфакторный дисперсионный анализ, однородность дисперсий проверялась по критерию Ливена. В случаях однородности дисперсий использовались F-критерий

икритерий множественного сравнения Тьюки.

Вслучаях неоднородности дисперсий, при условии равенства численности групп, использованы критерий Уэлча и множественное сравнение по критерию Тамхейна, если же и численности групп не совпадали, а также для анализа медиан ранговых признаков, применялся критерий Краскела-Уоллиса, с последующим применением критерия Манна-Уитни с поправкой Бонферрони для сравнения пар классов.

Для сравнения выборочных частот в группах использовался z-критерий. При числе сравниваемых групп более двух, так же применялась поправка Бонферрони.

При анализе связи использовался коэффициент корреляции Спирмена, так как распределения признаков не являлись нормальными.

Основными инструментами статистического анализа нейровизуализационных исследований были пакеты специализированного программного обеспечения FreeSurfer и CONN-TOOLBOX.

В программе FreeSurfer, после подготовки данных для группового анализа,

все индивидуальные структурные карты добровольцев объединяются в один набор данных, накладываясь друг на друга слоями. Далее собранные данные передискретизируются в шаблон fsavarage, который находится в пространстве

MNI. Далее с помощью программы применяется общая линейная модель, которая в автоматическом режиме выдает результат в виде изображений, на которых отмечена карта p-значений на модели головного мозга. Далее, чтобы убедиться, что результаты не являются ложноположительными, была использована форма коррекции множественных значений, известная как кластерная коррекция.

59

Анализ в CONN-TOOLBOX позволяет делать выводы о свойствах групп,

обобщая результаты наблюдений субъектов в исследовании, используя общую линейную модель.

Общая линейная модель определяет многомерную линейную связь между набором объясняющих/независимых показателей X и набором результатов/зависимых показателей Y. В контексте МР-анализа функциональной связности переменная результата y [n] обычно принимает форму вектора-строки,

кодирующего значения функциональной связности, записанные у n-го субъекта в исследовании в одном или нескольких экспериментальных условиях, и

объясняющая переменная x [n] будет вектором-строкой, кодирующей одну или несколько групповых, поведенческих или демографических переменных для одного и того же субъекта.

Методы статистического анализа на уровне кластеров можно разделить на две большие группы: анализ на основе вокселей и анализ на основе выбора зоны интереса (ROI-to-ROI). Анализ функциональной активации фМРТ или карт связности дает единую статистическую параметрическую карту с одним значением

T или F для каждого вокселя на этой карте, характеризующим интересующий эффект (например, разницу в связности между двумя группами) в каждом месте.

Рекомендовано к изучению сайтом МедУнивер - https://meduniver.com/

60

ГЛАВА 3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

3.1. Результаты комплексной магнитно-резонансной томографии

3.1.1 Стандартное МР-исследование

149 добровольцев прошли стандартное МРТ исследование. У 70 из них эпифиз имел обычное строение (Рисунок 8). Средняя толщина эпифиза составила

4,13 0,23 мм.

Рисунок 8 – МР-изображение пациента К. (АК № 32556, 2020), Т2-ВИ, в сагиттальной плоскости с нормальным строением эпифиза (указан стрелкой)

У79 – выявлена кистозная трансформация различного характера (Рисунок 9).

Вгруппе с кистой менее 10мм толщина эпифиза составила 4,71 0,33мм, а с

крупными кистами - 8,19±2,07 мм.