A fully automatic multi-metric diffusion tensor imaging investigation of the subcortical white matter in neurodegenerative dementia

Neurodegenerative dementias are disorders characterized by the loss of cognitive function and by the impairment of behavioural abilities. The diagnosis foresees the integration of neuropsychological examinations together with evidences coming from genetics, biomarkers and neuroimaging tools. The application of neuroimaging techniques to the study of the volumetric and microstructural alterations of white matter (WM) assumes a relevant role for the definition of premature biomarkers of the disease. A fully automatic pipeline was implemented to characterize subcortical WM alterations through a whole-brain multi-parametric and multi-metric approach. Processing included FreeSurfer automatic segmentation of the brain. DTI was employed due to its potential to evaluate subcortical WM damages in-vivo and in a non-invasive way. A total of 112 subjects were recruited and scanned at 3T magnetic resonance unit of Fondazione IRCCS Ca' Granda Ospedale Maggiore Policlinico. Several DTI-derived parameters and distribution metrics were measured in correspondence of the regions of interest (ROIs) identified by the segmentation. Among the neuroimaging measurements tested, mean and SD of both Mean Diffusivity and Radial Diffusivity showed the greatest amount of statistically significative differences between pathological groups and HC, spread bilaterally on almost the whole set of ROIs, demonstrating how the degeneration of the subcortical WM seems to be a spread and not selective process in neurodegenerative dementia. The Radial Diffusivity seems to be the most promising parameter for the ability to the detect statistically significant differences not only between AD and HC but also between AD and nonAD. The neuroimaging measurements correlated with the cerebrospinal fluid biomarkers, suggesting a potential role in describing the progress of the pathology. The presented thesis work lays the foundations for a subsequent application of machine learning techniques.

Le demenze neurodegenerative sono disordini caratterizzati dalla perdita di funzionalità cognitiva e dalla compromissione delle abilità comportamentali. La diagnosi prevede l’integrazione di esami neuropsicologici con elementi derivanti dalla genetica, dai biomarcatori e da strumenti di neuroimaging. L’applicazione di tecniche di neuroimaging allo studio delle alterazioni volumetriche e microstrutturali della sostanza bianca sottocorticale assume un ruolo rilevante nella definizione di biomarcatori precoci della malattia. È stata implementata una pipeline completamente automatica per la caratterizzazione delle alterazioni della sostanza bianca corticale attraverso un approccio whole-brain multi-parametrico e multi-metrico. L’elaborazione ha incluso la segmentazione automatica del cervello tramite FreeSurfer. Il tensore di diffusione è stato usato per via del suo potenziale nel valutare in vivo e in modo non invasivo i danni alla sostanza bianca sottocorticale. Un totale di 112 soggetti è stato reclutato e sottoposto a risonanza magnetica 3T presso la Fondazione IRCCS Ca' Granda Ospedale Maggiore Policlinico. Sono state misurati diversi parametri estratti dal DTI e metriche di distribuzione in corrispondenza delle regioni di interesse identificate dalla segmentazione. Tra le misure di neuroimaging testate, la media e la deviazione standard sia della Diffusività Media sia della Diffusività Radiale hanno mostrato il più grande numero di differenze statisticamente significative tra gruppi patologici e controlli, distribuite bilateralmente sulla quasi totalità delle regioni di interesse, dimostrando come la degenerazione della sostanza bianca sottocorticale sembra essere un processo diffuso e non selettivo nelle demenze neurodegenerative. La Diffusività Radiale sembra essere il parametro più promettente per la sua abilità nel rilevare differenze statisticamente significative non solo tra il gruppo AD e i controlli ma anche tra i gruppi AD e nonAD. Le misure di neuroimaging sono correlate con i biomarcatori estratti dal liquido cerebrospinale, suggerendo un ruolo potenziale nel descrivere il progresso della patologia. Il presente lavoro di tesi pone le basi per una successiva applicazione di tecniche di machine learning.