En neurociencia , la tractografía es una técnica de modelado 3D que se utiliza para representar visualmente los tractos nerviosos a partir de datos recopilados mediante resonancia magnética de difusión . [1] Utiliza técnicas especiales de resonancia magnética (RM) y resonancia magnética de difusión basada en computadora. Los resultados se presentan en imágenes bidimensionales y tridimensionales llamadas tractogramas . [2]
Además de los largos tractos que conectan el cerebro con el resto del cuerpo, existen circuitos neuronales complejos formados por conexiones cortas entre diferentes regiones corticales y subcorticales . La existencia de estos tractos y circuitos ha sido revelada mediante técnicas histoquímicas y biológicas en muestras post mortem . Los tractos nerviosos no son identificables mediante examen directo, tomografía computarizada o resonancia magnética . Esta dificultad explica la escasez de su descripción en los atlas de neuroanatomía y la escasa comprensión de sus funciones.
El algoritmo de tractografía más avanzado puede producir el 90% de los paquetes de datos de verdad fundamental, pero aún contiene una cantidad sustancial de resultados no válidos. [3]
La tractografía se realiza utilizando datos de resonancia magnética de difusión . La difusión de agua libre se denomina difusión " isotrópica ". Si el agua se difunde en un medio con barreras, la difusión será desigual, lo que se denomina difusión anisotrópica . En tal caso, la movilidad relativa de las moléculas desde el origen tiene una forma diferente a la de una esfera . Esta forma a menudo se modela como un elipsoide , y la técnica se denomina entonces imágenes de tensor de difusión . [4] Las barreras pueden ser muchas cosas: membranas celulares, axones, mielina, etc.; pero en la materia blanca la barrera principal es la vaina de mielina de los axones . Los haces de axones proporcionan una barrera a la difusión perpendicular y un camino para la difusión paralela a lo largo de la orientación de las fibras.
Se espera que la difusión anisotrópica aumente en áreas de alto orden axonal maduro. Las condiciones en las que se altera la mielina o la estructura del axón, como los traumatismos , [5] los tumores y la inflamación , reducen la anisotropía, ya que las barreras se ven afectadas por la destrucción o la desorganización.
La anisotropía se mide de varias maneras. Una de ellas es mediante una relación llamada anisotropía fraccional (AF). Una AF de 0 corresponde a una esfera perfecta, mientras que 1 es una difusión lineal ideal. Pocas regiones tienen una AF mayor que 0,90. El número proporciona información sobre el grado de asféricaidad de la difusión, pero no dice nada sobre su dirección.
Cada anisotropía está asociada a una orientación del eje predominante (dirección predominante de la difusión). Los programas de posprocesamiento son capaces de extraer esta información direccional.
Esta información adicional es difícil de representar en imágenes en escala de grises en 2D. Para superar este problema, se introduce un código de colores. Los colores básicos pueden indicar al observador cómo están orientadas las fibras en un sistema de coordenadas 3D; esto se denomina "mapa anisotrópico". El software podría codificar los colores de esta manera:
La técnica no es capaz de discriminar la dirección "positiva" o "negativa" en un mismo eje.
Utilizando el tensor de difusión MRI , se puede medir el coeficiente de difusión aparente en cada vóxel de la imagen y, después de una regresión multilineal en múltiples imágenes, se puede reconstruir todo el tensor de difusión. [1]
Supongamos que en la muestra hay un tracto de fibra de interés. Siguiendo las fórmulas de Frenet-Serret , podemos formular la trayectoria espacial del tracto de fibra como una curva parametrizada:
donde es el vector tangente de la curva. El tensor de difusión reconstruido se puede tratar como una matriz y podemos calcular sus valores propios y vectores propios . Igualando el vector propio correspondiente al valor propio más grande con la dirección de la curva:
Podemos resolver dados los datos para . Esto se puede hacer mediante integración numérica, por ejemplo, utilizando Runge–Kutta , y mediante la interpolación de los vectores propios principales .
