Analyse spatiale du métabolisme cérébral: une méthode statistique intégrant SRM et anatomie

IF 3 3区医学 Q2 CLINICAL NEUROLOGY

Journal of Neuroradiology Pub Date : 2025-02-19 DOI:10.1016/j.neurad.2025.101254

Clément Giraud , Arnaud Poinas , Carole Guillevin , Landoline Bonnin , Céline Thomarat , Rémy Guillevin

{"title":"Analyse spatiale du métabolisme cérébral: une méthode statistique intégrant SRM et anatomie","authors":"Clément Giraud , Arnaud Poinas , Carole Guillevin , Landoline Bonnin , Céline Thomarat , Rémy Guillevin","doi":"10.1016/j.neurad.2025.101254","DOIUrl":null,"url":null,"abstract":"<div><div>Le métabolisme cérébral peut être évalué par spectroscopie par résonance magnétique du proton (SRM-<sup>1</sup>H), une technique permettant de quantifier divers métabolites dans un volume donné. Cette approche peut être étendue à plusieurs volumes simultanément en générant des grilles 2D ou 3D de données SRM-<sup>1</sup>H, offrant ainsi une information provenant de différents environnements tissulaires sains et pathologiques. Toutefois, pour maintenir des temps d'acquisition compatibles avec les contraintes cliniques, les volumes analysés doivent être suffisamment grands, entraînant des contributions spectrales indésirables issues de différents tissus.</div><div>Dans ce contexte, nous proposons un modèle de régression géographiquement pondéré (équation 1), combinant la SRM-<sup>1</sup>H multivoxel avec des données anatomiques issues de séquences telles que le T1-MPRAGE. Ce modèle vise à affiner la résolution des grilles SRM-<sup>1</sup>H et à isoler les contributions spécifiques de chaque environnement tissulaire.<span><span><span>(1)</span><span><math><mrow><msub><mover><mi>A</mi><mo>^</mo></mover><mi>m</mi></msub><mrow><mo>(</mo><mover><mi>x</mi><mo>→</mo></mover><mo>)</mo></mrow><mo>=</mo><msub><mi>C</mi><mrow><mi>G</mi><mi>M</mi></mrow></msub><mo>·</mo><mrow><mo>(</mo><mrow><mi>m</mi><mi>a</mi><mi>s</mi><msub><mi>k</mi><mrow><mi>G</mi><mi>M</mi></mrow></msub><mrow><mo>*</mo><mtext>SRF</mtext></mrow></mrow><mo>)</mo></mrow><mrow><mo>(</mo><mover><mi>x</mi><mo>→</mo></mover><mo>)</mo></mrow><mo>+</mo><msub><mi>C</mi><mrow><mi>W</mi><mi>M</mi></mrow></msub><mo>·</mo><mrow><mo>(</mo><mrow><mi>m</mi><mi>a</mi><mi>s</mi><msub><mi>k</mi><mrow><mi>W</mi><mi>M</mi></mrow></msub><mrow><mo>*</mo><mtext>SRF</mtext></mrow></mrow><mo>)</mo></mrow><mrow><mo>(</mo><mover><mi>x</mi><mo>→</mo></mover><mo>)</mo></mrow><mo>+</mo><mi>B</mi><mrow><mo>(</mo><mover><mi>x</mi><mo>→</mo></mover><mo>)</mo></mrow><mo>+</mo><mi>ϵ</mi><mrow><mo>(</mo><mover><mi>x</mi><mo>→</mo></mover><mo>)</mo></mrow></mrow></math></span></span></span></div><div>Comme il s'agit d'un modèle statistique, il permet également d'extraire des critères de qualité d'ajustement et de cartographier les relations spatiales entre le métabolisme cérébral et les différents types de tissus, offrant ainsi une compréhension approfondie des interactions entre les métabolites et les structures environnantes.</div><div>Nous présenterons des résultats préliminaires issus d'acquisitions sur cohorte de patients (3T et 7T, 43 patients). Nous discuterons de l'adaptation du modèle aux contraintes spécifiques de la SRM-<sup>1</sup>H, telles que les erreurs de déplacement chimique, particulièrement marquées à ultra-haut champ. Enfin, nous illustrerons son application dans divers contextes pathologiques, démontrant son potentiel pour enrichir l'analyse métabolique cérébrale.</div></div>","PeriodicalId":50115,"journal":{"name":"Journal of Neuroradiology","volume":"52 2","pages":"Article 101254"},"PeriodicalIF":3.0000,"publicationDate":"2025-02-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of Neuroradiology","FirstCategoryId":"3","ListUrlMain":"https://www.sciencedirect.com/science/article/pii/S0150986125000136","RegionNum":3,"RegionCategory":"医学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q2","JCRName":"CLINICAL NEUROLOGY","Score":null,"Total":0}

引用次数: 0

Abstract

Le métabolisme cérébral peut être évalué par spectroscopie par résonance magnétique du proton (SRM-¹H), une technique permettant de quantifier divers métabolites dans un volume donné. Cette approche peut être étendue à plusieurs volumes simultanément en générant des grilles 2D ou 3D de données SRM-¹H, offrant ainsi une information provenant de différents environnements tissulaires sains et pathologiques. Toutefois, pour maintenir des temps d'acquisition compatibles avec les contraintes cliniques, les volumes analysés doivent être suffisamment grands, entraînant des contributions spectrales indésirables issues de différents tissus.

Dans ce contexte, nous proposons un modèle de régression géographiquement pondéré (équation 1), combinant la SRM-¹H multivoxel avec des données anatomiques issues de séquences telles que le T1-MPRAGE. Ce modèle vise à affiner la résolution des grilles SRM-¹H et à isoler les contributions spécifiques de chaque environnement tissulaire.(1)

{\hat{A}}_{m} (\vec{x}) = C_{G M} \cdot (m a s k_{G M} * SRF) (\vec{x}) + C_{W M} \cdot (m a s k_{W M} * SRF) (\vec{x}) + B (\vec{x}) + ϵ (\vec{x})

Comme il s'agit d'un modèle statistique, il permet également d'extraire des critères de qualité d'ajustement et de cartographier les relations spatiales entre le métabolisme cérébral et les différents types de tissus, offrant ainsi une compréhension approfondie des interactions entre les métabolites et les structures environnantes.

Nous présenterons des résultats préliminaires issus d'acquisitions sur cohorte de patients (3T et 7T, 43 patients). Nous discuterons de l'adaptation du modèle aux contraintes spécifiques de la SRM-¹H, telles que les erreurs de déplacement chimique, particulièrement marquées à ultra-haut champ. Enfin, nous illustrerons son application dans divers contextes pathologiques, démontrant son potentiel pour enrichir l'analyse métabolique cérébrale.

查看原文本刊更多论文

脑代谢空间分析：一种结合SRM和解剖学的统计方法

脑代谢可以用MRI -1H（英语：MRI -1H）（MRI -1H）来评估，MRI -1H是一种能在给定体积内量化各种代谢物的技术。这种方法可以通过生成SRM-1H数据的2D或3D网格来同时扩展到多个体量，从而提供来自不同健康和病理组织环境的信息。然而，为了保持与临床约束相一致的获取时间，分析的体积必须足够大，从而导致来自不同组织的不需要的光谱贡献。在此背景下，我们提出了一个地理加权回归模型（方程1），将多像素SRM-1H与T1-MPRAGE等序列的解剖数据相结合。该模型旨在完善网格分辨率SRM-1H孤立并组织捐款的具体环境。(1)A ^ m (x) = (CGM·maskGM→* SRF)→(x) + CWM·maskWM * (SRF) (x) + B (x) +ϵ→→→(x)这是一个统计模型,还可以提取调整的质量标准,并绘制大脑新陈代谢之间空间关系和各种类型的布料,提供了对代谢物和周围结构相互作用的深入理解。我们将介绍患者队列获取的初步结果（3T和7T， 43例患者）。我们将讨论如何使模型适应SRM-1H的特定约束，例如在超高场中特别明显的化学位移误差。最后，我们将说明它在各种病理环境中的应用，展示它丰富大脑代谢分析的潜力。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Journal of Neuroradiology 医学-核医学

CiteScore

6.10

自引率

5.70%

发文量

142

审稿时长

6-12 weeks

期刊介绍： The Journal of Neuroradiology is a peer-reviewed journal, publishing worldwide clinical and basic research in the field of diagnostic and Interventional neuroradiology, translational and molecular neuroimaging, and artificial intelligence in neuroradiology. The Journal of Neuroradiology considers for publication articles, reviews, technical notes and letters to the editors (correspondence section), provided that the methodology and scientific content are of high quality, and that the results will have substantial clinical impact and/or physiological importance.