Show simple item record

dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.contributor.advisorLozano Castillo, Alfonso Javier
dc.contributor.advisorRiaño Montañez, Yeyson Fabian
dc.contributor.authorAguilar Velasco, Juan David
dc.date.accessioned2020-02-27T21:12:07Z
dc.date.available2020-02-27T21:12:07Z
dc.date.issued2019-11
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/75772
dc.description.abstractMultiple sclerosis (MS) is the most common chronic and inflammatory demyelinating neurodegenerative disease in young adults with poorly understood pathophysiology. Cerebral Atrophy (CA) has been recognized as a marker of disease progression, which affects the regions affected by its different phenotypes as a child Relapsed-Remission Multiple Sclerosis (RRMS), Progressive Primary Multiple Sclerosis (PPMS), Secondary Multiple Sclerosis Progressive (SMSP), and Progressive Relapsed Multiple Sclerosis (PRMS). This has generated interest in the exploration and quantification of the volume of the structures of the Central Nervous System (CNS). The quantification of CA is limited to the evaluation of cadaveric specimens, but the advent of Magnetic Resonance Imaging (MR) and volumetric software recognized in vivo intracranial volume, taking into account the inherent limitations such as the need for machinery additionally, specialized software and trained personnel restricted to its use in the field of research. Thalamic Atrophy (TA) has been directly related to the neurodegeneration process that implies an alteration of the clinical assessment scales (Expanded Disability Status Scale (EEED), Ambulatory Index (AI), among others), so The Thalamic Volume (TV) has been proposed as a marker of progression and assessment of the response to Modified Disease Therapy (MDT). The evaluation of the TV has been determined directly (volumetry by thalamic segmentation -VTS-), this being the gold test for the in vivo quantification of the volume of the thalamus), and indirectly (amplitude of the third ventricle -ATV-), with proper relation to clinical evaluation tests. In our work we propose a new linear morphometric measurement by MRI, the Bitalamic Index (BI), the quality can obtain the initial evaluation and follow-up studies; This was compared with another morphometric linear measure that is the ATV and with the VTS that is the gold test in the quantification of thalamic atrophy in vivo, to determine if the BI allows quantifying the thalamic atrophy and can be used in the analysis of images of patients with MS by the radiologist and the treating neurologist. For this purpose, a correlation study of concordance type was conducted that sought to determine if the IB measurement correlated with the ATV measurements and the VST issued by the volBrain version 1.0 free access program, to determine thalamic atrophy. Since there was no reference in the literature to determine whether the loss of brain volume secondary to gender and age in the Colombian population behaved similarly to that reported in the information libraries of international literature, it was also determined the thalamic volume of a seemingly comparable population without the diagnosis of MS or of the known neurological disease chosen at random, to verify whether the report issued by the volBrain program could be taken as a reference. Taking into account that these results are valid for the population of patients who were analyzed and cannot be extrapolated beyond these. The results that the BI does not allow to quantify the thalamic atrophy, on the other hand, the increase in the ATV is acceptably related to the atrophy of the thalamus, something already reported in the literature. Therefore, it can be concluded that new measures should be explored in two-dimensional images for the quantification of TA, since the volume by segmentation programs imply an increase in time and resources, which restricts their use in clinical practice.
dc.description.abstractLa Esclerosis Múltiple (EM) es la enfermedad neurodegenerativa desmielinizante crónica e inflamatoria más común en adultos jóvenes de fisiopatología pobremente entendida. La Atrofia Cerebral (AC) ha sido reconocida como un marcador de progresión de la enfermedad, que dependiendo de las regiones afectadas debutará con sus diferentes fenotipos como son Esclerosis Múltiple Recaída-Remisión (EMRR), Esclerosis Múltiple Primaria Progresiva (EMPP), Esclerosis Múltiple Secundaria Progresiva (EMSP), y Esclerosis Múltiple Recaída Progresiva (EMRP). Esto ha generado interés en la exploración y cuantificación del volumen de las estructuras del Sistema Nervioso Central (SNC). La cuantificación de la AC se limito inicialmente a la evaluación de especímenes cadavéricos, pero el advenimiento de la Resonancia Magnética (RM) y de los softwares de volumetría permitió la estimación in vivo del volumen intracraneal, teniendo como limitaciones inherentes como son la necesidad de maquinaria adicional, software especializado y de personal entrenado restringiendo su uso al campo de la investigación. La Atrofia Talámica (AT), ha sido relacionada directamente con el proceso de neurodegeneración que conlleva a alteración de las escalas de valoración clínica (Escala Expandida del Estado de Discapacidad (EEED), Índice Ambulatorio (IA), entre otras), por lo que el Volumen Talámico (VT) ha sido propuesto como marcador de progresión y de valoración de la respuesta a la Terapia Modificadora de la Enfermedad (TME). La evaluación del VT se ha determinado de manera directa (volumetría por segmentación talámica -VST-), siendo esta la prueba de oro para la cuantificación in vivo de volumen de los tálamos), e indirecta (amplitud del tercer ventrículo -ATV-), con adecuada relación con las pruebas de evaluación clínica. En nuestro trabajo planteamos una nueva medida lineal morfométrica por RM, el Índice bitalámico (IB), la cual se puede obtener de los estudios de evaluación inicial y de seguimiento; este se comparó con otra medida lineal morfométrica que es la ATV y con la VST que es la prueba de oro en la cuantificación de atrofia talámica in vivo, para determinar si el IB permite cuantificar la atrofia talámica y puede ser usado en el análisis de las imágenes de los pacientes con EM por parte del radiólogo y el neurólogo tratante. Para este propósito se realizó un estudio de correlación de tipo concordancia que busco determinar si la medición del IB se correlacionaba con las medidas de ATV y la VST emitido por el programa de acceso libre volBrain versión 1.0, para determinar atrofia talámica. Dado que no se contaba con un referente en la literatura para determinar si la pérdida de volumen encefálico secundario al género y la edad en la población colombiana se comportaba de manera similar que la reportada en las bibliotecas de información de la literatura internacional, se determino también el volumen talámico de una población aparentemente comparable sin el diagnóstico de EM ni de enfermedad neurológica conocida escogida de manera aleatoria, para verificar si el reporte emitido por el programa volBrain podría ser tomado como referencia. Teniendo en cuenta que estos resultados son válidos únicamente para la población de pacientes que fue analizada y no pueden extrapolarse más allá de estos. Los resultados mostraron que el IB no permite cuantificar adecuadamente la atrofia talámica, en cambio el aumento en la ATV se relaciona aceptablemente con la atrofia de los tálamos, algo ya reportado en la literatura. Por lo anterior se puede concluir que se deben explorar nuevas medidas en las imágenes bidimensionales para la cuantificación de AT, ya que los programas de volumetría por segmentación implican un aumento en el tiempo y los recursos lo que restringe su uso en la práctica clínica.
dc.format.extent58
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rightsDerechos reservados - Universidad Nacional de Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.ddcMedicina y salud
dc.titleÍndice Bitalámico como posible nuevo biomarcador de atrofia talámica en pacientes con Esclerosis Múltiple
dc.typeOtro
dc.rights.spaAcceso abierto
dc.description.additionalEspecialista en Radiología e Imágenes Diagnósticas. Línea de Investigación: Neurorradiología
dc.type.driverinfo:eu-repo/semantics/other
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.contributor.researchgroupGRUPO DE INVESTIGACIÓN EN RADIOLOGÍA E IMÁGENES DIAGNÓSTICAS (GRID)
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotá
dc.relation.references1. Filippi M, Bar-Or A, Piehl F, Preziosa P, Solari A, Vukusic S, et al. Multiple sclerosis. Nat Rev Dis Prim [Internet]. 2018 Dec 8;4(1):43. Available from: http://www.nature.com/articles/s41572-018-0041-4 2. Covo P. Introducción a la historia de la esclerosis múltiple. Acta Neurológica Colomb. 2015;31(1):119–24. 3. Reich DS, Lucchinetti CF, Calabresi PA. Multiple Sclerosis. Longo DL, editor. N Engl J Med [Internet]. 2018 Jan 11;378(2):169–80. Available from: http://www.nejm.org/doi/10.1056/NEJMra1401483 4. Ransohoff RM, Hafler DA, Lucchinetti CF. Multiple sclerosis - A quiet revolution. Nat Rev Neurol [Internet]. 2015;11(3):134–42. Available from: http://dx.doi.org/10.1038/nrneurol.2015.14 5. Kobelt G, Thompson A, Berg J, Gannedahl M, Eriksson J. New insights into the burden and costs of multiple sclerosis in Europe. Mult Scler J [Internet]. 2017 Jul;23(8):1123–36. Available from: http://journals.sagepub.com/doi/10.1177/1352458517694432 6. Romero M, Arango C, Alvis N, Suarez JC, Duque A. Costos de la Esclerosis Múltiple en Colombia. Value Heal [Internet]. 2011;14(5 SUPPL.):S48–50. Available from: http://dx.doi.org/10.1016/j.jval.2011.05.023 7. Azevedo CJ, Cen SY, Khadka S, Liu S, Kornak J, Shi Y, et al. Thalamic Atrophy in MS: An MRI Marker of Neurodegeneration Throughout Disease. Ann Neurol [Internet]. 2018;n/a-n/a. Available from: http://dx.doi.org/10.1002/ana.25150 8. Bergsland N, Tyblova M, Krasensky J, Carl E. Thalamic Atrophy Is Associated with Development of Clinically. 2013;268(3):831–41. 9. Minagar A, Barnett MH, Benedict RHB, Pelletier D, Pirko I, Sahraian MA, et al. The thalamus and multiple sclerosis: Modern views on pathologic, imaging, and clinical aspects. Neurology. 2013;80(2):210–9. 10. Benedict RHB, Weinstock-Guttman B, Fishman I, Sharma J, Tjoa CW, Bakshi R. Prediction of Neuropsychological Impairment in Multiple Sclerosis. Arch Neurol. 2004;61(2):226. 11. Power BD, Wilkes FA, Hunter-Dickson M, van Westen D, Santillo AF, Walterfang M, et al. Validation of a protocol for manual segmentation of the thalamus on magnetic resonance imaging scans. Psychiatry Res - Neuroimaging [Internet]. 2015;232(1):98–105. Available from: http://dx.doi.org/10.1016/j.pscychresns.2015.02.001 12. Manjón J V., Coupé P. Volbrain: An online MRI brain volumetry system. Front Neuroinform. 2016;10(JUL):1–14. 13. Ashburner J, Friston KJ. Voxel Based Morphometry. Encycl Neurosci. 2009;471–7. 14. Ceccarelli A, Rocca MA, Pagani E, Colombo B, Martinelli V, Comi G, et al. A voxel-based morphometry study of grey matter loss in MS patients with different clinical phenotypes. Neuroimage. 2008;42(1):315–22. 15. Cordovez M J, Gálvez G M, Rojas C G, Bravo C C, Cerda E A. Uso de volumetría y carga lesional en el seguimiento de pacientes con esclerosis múltiple. Experiencia local y revisión de la literature. Rev Chil Radiol. 2013;19(4):156–64. 16. McDonald WI, Compston A, Edan G, Goodkin D, Hartung H-P, Lublin FD, et al. Recommended diagnostic criteria for multiple sclerosis: Guidelines from the international panel on the diagnosis of multiple sclerosis. Ann Neurol [Internet]. 2001 Jul 1;50(1):121–7. Available from: https://doi.org/10.1002/ana.1032 17. Polman CH, Reingold SC, Edan G, Filippi M, Hartung H-P, Kappos L, et al. Diagnostic criteria for multiple sclerosis: 2005 revisions to the “McDonald Criteria.” Ann Neurol [Internet]. 2005 Dec 1;58(6):840–6. Available from: https://doi.org/10.1002/ana.20703 18. Polman CH, Reingold SC, Banwell B, Clanet M, Cohen JA, Filippi M, et al. Diagnostic criteria for multiple sclerosis: 2010 Revisions to the McDonald criteria. Ann Neurol. 2011;69(2):292–302. 19. Thompson AJ, Banwell BL, Barkhof F, Carroll WM, Coetzee T, Comi G, et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteriaTHOMPSON, A. J. et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. The Lancet Neurology, v. 17, n. 2, p. 162–173, 2018. Lancet Neurol. 2018;17(2):162–73. 20. Toro J, Cárdenas S, Fernando Martínez C, Urrutia J, Díaz C. Multiple sclerosis in Colombia and other Latin American Countries. Mult Scler Relat Disord. 2013;2(2):80–9. 21. Mejía-Buriticá L, Agudelo-Restrepo C, Gómez-Hoyos JC, Cabrera-Hemer DN. Genética de la esclerosis múltiple: Una perspectiva epidemiológica y molecular. Arch Med. 2009;5(1). 22. Gibby WA. Basic principles of magnetic resonance imaging. Neurosurg Clin N Am. 2005;16(1):1–64. 23. Traboulsee A, Simon JH, Stone L, Fisher E, Jones DE, Malhotra A, et al. Revised recommendations of the consortium of MS centers task force for a standardized MRI protocol and clinical guidelines for the diagnosis and follow-up of multiple sclerosis. Am J Neuroradiol. 2016;37(3):394–401. 24. Herrero MT, Barcia C, Navarro JM. Functional anatomy of thalamus and basal ganglia. Child’s Nerv Syst. 2002;18(8):386–404. 25. Zivadinov R, Jakimovski D, Gandhi S, Ahmed R, Dwyer MG, Horakova D, et al. Clinical relevance of brain atrophy assessment in multiple sclerosis. Implications for its use in a clinical routine. Expert Rev Neurother. 2016;16(7):777–93. 26. Deppe M, Krämer J, Tenberge JG, Marinell J, Schwindt W, Deppe K, et al. Early silent microstructural degeneration and atrophy of the thalamocortical network in multiple sclerosis. Hum Brain Mapp. 2016;37(5):1866–79. 27. Radue EW, Bendfeldt K, Mueller-Lenke N, Magon S, Sprenger T. Brain atrophy: An in-vivo measure of disease activity in multiple sclerosis. Swiss Med Wkly. 2013;143(November):1–11. 28. Nourbakhsh B, Azevedo C, Maghzi AH, Spain R, Pelletier D, Waubant E. Subcortical grey matter volumes predict subsequent walking function in early multiple sclerosis. J Neurol Sci [Internet]. 2016;366:229–33. Available from: http://dx.doi.org/10.1016/j.jns.2016.04.054 29. Pareto D, Sastre-Garriga J, Alberich M, Auger C, Tintoré M, Montalban X, et al. Brain regional volume estimations with NeuroQuant and FIRST: a study in patients with a clinically isolated syndrome. Neuroradiology. 2019;61(6):667–74. 30. Chu R, Hurwitz S, Tauhid S, Bakshi R. Automated segmentation of cerebral deep gray matter from MRI scans: Effect of field strength on sensitivity and reliability. BMC Neurol. 2017;17(1). 31. Pontillo G, Lanzillo R, Russo C, Stasi MD, Paolella C, Vola EA, et al. Determinants of deep gray matter atrophy in multiple sclerosis: A multimodal MRI study. Am J Neuroradiol. 2019;40(1):99–106. 32. Tewarie P, Schoonheim MM, Schouten DI, Polman CH, Balk LJ, Uitdehaag BMJ, et al. Functional brain networks: Linking thalamic atrophy to clinical disability in multiple sclerosis, a multimodal fMRI and MEG Study. Hum Brain Mapp. 2015;36(2):603–18. 33. González MM, Salas-Pacheco JM, Arias-Carrión O. The yearly rate of Relative Thalamic Atrophy (yrRTA): A simple 2D/3D method for estimating deep gray matter atrophy in Multiple Sclerosis. Front Aging Neurosci. 2014;6(AUG):1–6. 34. Rao SM, Glatt S, Hammeke TA, Michael P, Khatri BO, Rhodes AM, et al. and Neuropsychological Impairment. 1985; 35. Eskildsen SF, Coupé P, Fonov V, Manjón J V., Leung KK, Guizard N, et al. BEaST: Brain extraction based on nonlocal segmentation technique. Vol. 59, NeuroImage. 2012. p. 2362–73. 36. Chen Y-S, Chen L-F, Wang Y-T. Multiresolutional graph cuts for brain extraction from MR images. In: ProcSPIE [Internet]. 2013. Available from: https://doi.org/10.1117/12.2031540 37. Leung KK, Barnes J, Modat M, Ridgway GR, Bartlett JW, Fox NC, et al. Brain MAPS: An automated, accurate and robust brain extraction technique using a template library. Neuroimage [Internet]. 2011;55(3):1091–108. Available from: http://dx.doi.org/10.1016/j.neuroimage.2010.12.067 38. Petersen RC, Aisen PS, Beckett LA, Donohue MC, Gamst AC, Harvey DJ, et al. Alzheimer’s Disease Neuroimaging Initiative (ADNI): clinical characterization. Neurology [Internet]. 2009/12/30. 2010 Jan 19;74(3):201–9. Available from: https://www.ncbi.nlm.nih.gov/pubmed/20042704 39. Maclaren J, Han Z, Vos SB, Fischbein N, Bammer R. Reliability of brain volume measurements: A test-retest dataset. Sci Data. 2014;1:1–9. 40. Fischl B. FreeSurfer. Neuroimage [Internet]. 2012;62(2):774–81. Available from: http://www.sciencedirect.com/science/article/pii/S1053811912000389 41. Jenkinson M, Beckmann CF, Behrens TEJ, Woolrich MW, Smith SM. FSL. Neuroimage [Internet]. 2012;62(2):782–90. Available from: http://www.sciencedirect.com/science/article/pii/S1053811911010603 42. Popescu V, Battaglini M, Hoogstrate WS, Verfaillie SCJ, Sluimer IC, van Schijndel RA, et al. Optimizing parameter choice for FSL-Brain Extraction Tool (BET) on 3D T1 images in multiple sclerosis. Neuroimage [Internet]. 2012;61(4):1484–94. Available from: http://www.sciencedirect.com/science/article/pii/S1053811912003552 43. Chard DT, Parker GJM, Griffin CMB, Thompson AJ, Miller DH. The reproducibility and sensitivity of brain tissue volume measurements derived from an SPM-based segmentation methodology. J Magn Reson Imaging [Internet]. 2002 Mar 1;15(3):259–67. Available from: https://doi.org/10.1002/jmri.10064 44. Dale AM, Fischl B, Sereno MI. Cortical Surface-Based Analysis: I. Segmentation and Surface Reconstruction. Neuroimage [Internet]. 1999;9(2):179–94. Available from: http://www.sciencedirect.com/science/article/pii/S1053811998903950 45. Clark KA, Woods RP, Rottenberg DA, Toga AW, Mazziotta JC. Impact of acquisition protocols and processing streams on tissue segmentation of T1 weighted MR images. Neuroimage [Internet]. 2006;29(1):185–202. Available from: http://www.sciencedirect.com/science/article/pii/S1053811905005136 46. Manzini JL. Declaración De Helsinki: Principios Éticos Para La Investigación Médica Sobre Sujetos Humanos. Acta Bioeth. 2000;6(2):321–34. 47. Colombia M de SR de. Resolucion No 8430 de 1993 - 1. Por la cual se establecen las normas científicas, técnicas y administrativas para la investigación en salud. 1993;1–12. 48. Salud. P por el C de O internacionales de las CM (CIOMS) en colaboración con la OM de la. Pautas éticas internacionales para la investigación biomédica en seres humanos. 2002; 49. Bergsland N, Zivadinov R, Dwyer MG, Weinstock-Guttman B, Benedict RHB. Localized atrophy of the thalamus and slowed cognitive processing speed in MS patients. Mult Scler. 2016;22(10):1327–36. 50. Ogston SA, Lemeshow S, Hosmer DW, Klar J, Lwanga SK. Adequacy of Sample Size in Health Studies. Biometrics. 1991;47(1):347.
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.proposalÍndice bitalámico
dc.subject.proposalBitalamic index
dc.subject.proposalVolumetry by thalamic segmentation
dc.subject.proposalVolumetría por segmentación talámica
dc.subject.proposalAmplitud del tercer ventrículo
dc.subject.proposalAmplitude of the third ventricle
dc.subject.proposalAtrofia talámica
dc.subject.proposalThalamic atrophy
dc.subject.proposalMultiple sclerosis
dc.subject.proposalEsclerosis múltiple
dc.subject.proposalvolBrai
dc.subject.proposalvolBrain
dc.type.coarhttp://purl.org/coar/resource_type/c_1843
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 4.0 InternacionalThis work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit