Search
Dnes se podíváme na Diffusion-weighted Imaging - jednu specifickou modalitu MR. Při dMRI můžeme pomocí dalších gradientů měřit pohyb molekul ve směru daném tímto gradientem. Pokud se v místě měření nenachází žádná překážka, pak se signály při odlišných gradientech nebudou lišit. Jinak tomu je, když máme v cestě překážky, například axony nervových propojení. Jejich svazky podporují difůzi podél směru svazku a omezují ji ve smětu napříč. Signál z dostatečného množství difúzních gradientů nám tedy může napovědět, jakou strukturu má tkáň v daném bodě.
Jedním ze základních modelů je Diffusion Tensor Imaging (DTI), které používá symetrický tensor (matice 3×3) k určení hlavního směru difůze.
X,Y,1,grad
dwimage
bvecs
bvals
grad
dti_recon_2d
diffusion_data
diffusion_data_2
Soubor dwimage obsahuje pro každý gradient jeden 2D řez velikosti 20×20, gradientní schéma obsahuje 3x nevážený obraz (<latex>b_0</latex>) a 30x gradient o síle <latex> b = 1000 </latex>. Celkově má tedy rozměry 20 x 20 x 1 x 33. Odpovídající směry gradientů jsou uložené jako 33×3 matice bvecs. Směry si můžeme vykreslit pomocí
scatter3(bvecs(1,:), bvecs(2,:), bvecs(3,:), 50, 'filled');
Diffusion tensor druhého řádu je symetrická matice o velikosti 3×3, která popisuje difůzi do směru <latex> x, y</latex> a <latex>z</latex>. Pokud je difůze izotropní, pak je v ideálním případě <latex> T = \begin{pmatrix} % D & 0 & 0 0 & D & 0 0 & 0 & D \end{pmatrix} </latex>
V anizotropním případě (některý ze směrů neumožňuje volnou difůzi) se začínají objevovat členy mimo diagonálu.
Pro rekonstrukci tensorů musíme nejdříve převést do strukturované formy, abychom mohli následně zavolat funkci dti_recon:
dti_recon
%% DTI Reconstruction for i=1:numel(bvals), DTIdata(i).VoxelData = single(dwimage(:,:,:,i)); DTIdata(i).Gradient = bvecs(:,i); DTIdata(i).Bvalue = bvals(i); end DTens = dti_recon_2d(DTIdata, 223);
Funkce nám v každém bodě vrátí vektor <latex>M</latex> s koeficienty matice <latex>T</latex>, respektive její vrchní trojúhelníkové části, což je díky symetrii dostačující popis. Tj. dostáváme
<latex> T = \begin{pmatrix} % M(1) & M(2) & M(3) . & M(4) & M(5) . & . & M(6) \end{pmatrix} </latex>
Pomocí vlastních vektorů <latex>\varepsilon_i</latex> a vlastních čísel <latex>\lambda_i</latex> tensoru <latex>T</latex> jsme schopni získat minimální reprezentaci pro elipsoid popisující preferované směry difúze. Pro (ideální) izotropní případ dostáváme sféru, při zesilující anisotropii v jednom směru se formuje doutník1):
Na základě získaných vlastních čísel a vektorů se pak informace o elipsoidu redukuje na skalární hodnoty. Jednou z nejvýznamnějších je Fractional Anisotropy (FA), která popisuje, jak silně převládá jeden směr nad ostatními. Rozezí hodnot je 0 - isotropní až 1 - pouze jeden směr. Vzorec pro výpočet
Mean Diffusivity (MD) je střední hodnota vlastních čísel <latex>(\lambda_1 + \lambda_2 + \lambda_3) \cdot 1/3</latex>. Tato hodnota se také označuje jako Apparent Diffusion Coefficient (ADC). Radial diffusivity (RD) je průměr vlastních čísel dvou menších vlastních čísel <latex>(\lambda_2 + \lambda_3)/2</latex>.
Výsledné konfigurace tensorů vypadají následovně. Přiřaďte ke konfiguracím vláken a spočteným FA, RD a MD mapám.
Z reprezentace elipsoidu je zřejmé, že největší vlastní číslo a související vektor nám ukazují hlavní směr difúze. Pro vizualizaci tedy můžeme v každém bodě spočítat vektor <latex>(u, v)</latex> jako x-ové a y-ové souřadnice vektoru <latex>\lambda_1 \cdot \varepsilon_1</latex> (<latex>z</latex> komponenty můžeme v tomto případě ignorovat) a pomocí funkce quiver(x, y, u, v) vykreslit na odpovídající souřadnice pixelů <latex>x, y</latex>.
quiver(x, y, u, v)